企业官网建设流程全解析

1. 从“marketingskills”这个标题说起：它到底想解决什么问题

第一次看到“marketingskills”这个词，我脑子里蹦出来的不是某个具体工具，而是一类正在悄悄成型的东西——把营销工作中那些重复、依赖经验、需要反复试错的环节，拆成一套可被 AI agent 调用的“技能包”。你可以把它理解成一个专门给营销场景准备的技能库，里面装的不是代码逻辑，而是“遇到什么情况该怎么做”的决策路径。

过去两年我一直在折腾各种 AI 辅助工作流，从最开始的提示词工程，到后来的多 agent 协作，再到最近围绕 Claude Code 这类终端型 AI 工具做自动化。踩过的坑不少，但有一个感受越来越强烈：通用大模型在营销场景里的表现，往往卡在“知道很多但不会落地”这个坎上。你问它怎么写标题，它能给你二十个模板；你问它怎么诊断一个落地页的转化问题，它也能列出一堆检查项。但真正到了执行层面，它不知道你的行业、你的用户画像、你当前的数据表现，给出的建议就很容易变成正确的废话。

marketingskills 这个方向的价值，恰恰在于它试图把“营销专家的隐性知识”变成“AI agent 可执行的显性技能”。这里面涉及几个核心关键词：Claude Code 作为执行载体，AI agents 作为协作框架，SEO 和 CRO 作为两个最典型的营销技能领域。我接下来会围绕这几个点，把整个思路拆开来讲，包括我实际搭建过程中遇到的坑、参数怎么调、流程怎么设计，以及哪些地方看起来很美但实际用起来会翻车。

这篇文章适合谁看？如果你是一个营销从业者，想用 AI 提升日常工作效率，但又不满足于只是让 ChatGPT 写写文案，那这篇内容会对你有帮助。如果你是一个技术背景的人，想切入营销自动化这个方向，里面关于 agent 设计和技能拆解的部分也值得参考。哪怕你只是对 Claude Code 这个工具好奇，想知道它在营销场景里到底能干什么，我也会把安装、配置、实际调用的过程完整走一遍。

2. 核心思路拆解：为什么是“技能”而不是“提示词”

2.1 提示词的天花板在哪里

我刚开始做 AI 营销辅助的时候，走的是提示词路线。建一个文档，里面存几十条精心调过的 prompt，用的时候复制粘贴。这个方法在单次任务上效果不错，但很快就暴露出三个问题。

第一个问题是上下文丢失。每次新开一个对话，模型就忘了之前所有的背景信息。你得把品牌调性、目标用户、产品卖点重新喂一遍，效率极低。第二个问题是执行链路断裂。比如你要做一次完整的 SEO 审计，需要先抓取页面数据，再分析关键词布局，再检查内链结构，最后生成报告。这一串动作在纯提示词模式下，每一步都要人工切换工具、复制结果、再喂给下一步。第三个问题是经验无法沉淀。你今天调出一个很好的 CRO 分析框架，明天换个同事用，他得从头再摸索一遍。

这三个问题叠加起来，导致提示词模式只能解决“点”的问题，解决不了“线”和“面”的问题。而 marketingskills 这个思路，本质上是在解决“面”的问题——把营销工作中那些有固定流程、有明确输入输出、有可复用价值的环节，封装成一个个独立的技能模块。

2.2 技能模块的拆解逻辑

那什么样的营销工作适合被拆成技能模块？我总结了一个判断标准：流程可标准化、输入输出可定义、质量可评估。三个条件同时满足，才值得做成一个 skill。

以 SEO 为例。“关键词研究”这个环节，输入是一个种子关键词和行业范围，输出是一组带搜索量、竞争度、意图分类的关键词列表，质量评估标准是覆盖度和准确性。这个就适合做成 skill。而“品牌定位”这种高度依赖创始人直觉和市场竞争态势的事情，输入输出都很模糊，就不适合。

再以 CRO 为例。“落地页首屏诊断”这个环节，输入是一个落地页 URL 或截图，输出是一份包含注意力热区分析、价值主张清晰度评分、CTA 按钮有效性评估的报告，质量评估标准是建议的可执行性和优先级排序合理性。这个也适合做成 skill。

我实际拆下来，一个完整的营销技能库大概包含这么几类模块：

这个表格不是拍脑袋想的，是我在实际项目中反复调整后沉淀下来的。每一类技能都有明确的触发条件和执行边界，这样 AI agent 在调用的时候才不会“越界”或者“漏项”。

2.3 为什么选择 Claude Code 作为执行载体

市面上能跑 AI agent 的工具不少，我试过好几种方案，最后把主力工作流迁到了 Claude Code 上。原因有三个，都是实际用下来的体会。

第一是终端原生。Claude Code 直接跑在命令行里，这意味着它可以无缝调用系统里的其他工具——curl 抓页面、jq 处理 JSON、python 跑数据分析脚本。营销工作中大量涉及数据抓取和处理，这个能力太关键了。你不需要在多个界面之间来回切换，一个终端窗口就能完成从数据获取到分析到报告生成的全流程。

第二是文件系统访问。Claude Code 可以读写本地文件，这意味着技能库可以以文件形式存在本地，版本可控，修改方便。我现在的做法是每个 skill 一个 markdown 文件，里面定义了这个技能的触发条件、执行步骤、输出格式和注意事项。Claude Code 在执行任务时，会根据当前上下文自动匹配并加载对应的 skill 文件。

第三是 agent 协作能力。Claude Code 支持在一个会话中启动多个子 agent，每个 agent 可以负责不同的技能模块。比如做一次完整的 SEO 审计，我可以让一个 agent 负责抓取页面，一个 agent 负责分析关键词，一个 agent 负责生成报告，最后汇总。这种并行处理能力在纯对话模式下是很难实现的。

注意：Claude Code 目前在某些地区的可用性有限，具体支持情况需要查阅官方文档确认。如果你在安装或登录环节遇到问题，优先检查网络环境和账号权限设置。

3. 环境准备：从零把 Claude Code 跑起来

3.1 安装前的准备工作

在开始安装之前，有几件事需要先确认。首先是操作系统版本，Claude Code 对 macOS、Linux 和 Windows 都有支持，但不同系统的安装方式略有差异。我主力用的是 macOS，也在 Ubuntu 上跑过一段时间，Windows 下通过 WSL 也测试过，整体体验 macOS 最顺畅。

其次是 Node.js 环境。Claude Code 是通过 npm 分发的，所以你需要先装好 Node.js。我建议用 nvm 来管理 Node 版本，这样后续切换版本方便。Node 版本建议在 18 以上，我实测 20 LTS 最稳定。

# 安装 nvm（如果还没装的话） curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.39.0/install.sh | bash # 安装 Node 20 LTS nvm install 20 nvm use 20 # 验证版本 node -v npm -v

然后是终端环境。Claude Code 在 iTerm2、Windows Terminal、GNOME Terminal 下都表现正常，但如果你用的是比较老的终端模拟器，可能会遇到渲染问题。我建议至少用一个支持 256 色的现代终端。

3.2 安装 Claude Code 的完整步骤

安装本身不复杂，但有几个细节容易踩坑。官方推荐的安装方式是通过 npm 全局安装：

npm install -g @anthropic-ai/claude-code

装完之后，在终端输入claude应该就能启动。但这里有个常见问题：如果你之前装过旧版本，可能会出现版本冲突。我的做法是先卸载再重装：

npm uninstall -g @anthropic-ai/claude-code npm cache clean --force npm install -g @anthropic-ai/claude-code

安装完成后，第一次启动会引导你进行登录和初始化配置。这里需要留意的是，Claude Code 的登录方式和你使用的账号类型有关。如果你用的是 API key 方式，需要在环境变量里配置ANTHROPIC_API_KEY。如果是订阅账号登录，按照终端提示走 OAuth 流程即可。

# 方式一：环境变量配置 API key export ANTHROPIC_API_KEY="your-api-key-here" # 方式二：直接启动按提示登录 claude

在 Ubuntu 上安装时，我遇到过一个权限问题：npm 全局安装的包默认放在/usr/local/lib下，普通用户没有写权限。解决方案是配置 npm 的全局目录到用户目录下：

mkdir -p ~/.npm-global npm config set prefix '~/.npm-global' export PATH=~/.npm-global/bin:$PATH

把这个 PATH 配置写到.bashrc或.zshrc里，后续就不会再遇到权限问题了。

3.3 VS Code 集成配置

如果你习惯在 VS Code 里工作，Claude Code 有对应的扩展可以装。在 VS Code 的扩展市场里搜索 “Claude Code” 就能找到。装完之后，你可以在 VS Code 的集成终端里直接调用 Claude Code，也可以使用一些快捷键来快速唤起。

我自己的配置是这样的：在 VS Code 的settings.json里加了几条配置，让 Claude Code 的输出更符合我的阅读习惯。

{ "claude-code.terminal.integrated.fontSize": 13, "claude-code.terminal.integrated.lineHeight": 1.4, "claude-code.autoSave": true, "claude-code.skillDirectory": "~/marketing-skills" }

最后一条skillDirectory是我自己加的配置项，用来指定技能库的存放路径。这样 Claude Code 在启动时会自动加载这个目录下的所有 skill 文件。

提示：VS Code 扩展和终端版本可以共存，但建议保持版本一致，避免因为版本差异导致的行为不一致。

3.4 验证安装是否成功

装完之后怎么确认一切正常？我一般会跑三个检查。第一个是版本检查，claude --version能正常输出版本号。第二个是功能检查，启动 Claude Code 后输入一个简单指令，比如“列出当前目录下的文件”，看它能不能正确调用终端命令。第三个是技能加载检查，如果你已经配置了 skill 目录，输入“列出可用的 marketing skills”，看它能不能识别到你定义的技能。

这三个检查都通过，说明基础环境没问题了。接下来就是核心部分：怎么设计你的 marketing skills。

4. 技能库设计：把营销经验变成可执行模块

4.1 一个 skill 文件的标准结构

我经过多次迭代，现在用的 skill 文件模板大概是这样的结构。每个 skill 是一个独立的 markdown 文件，文件名就是技能名，比如seo-keyword-clustering.md。

文件内容分为几个固定区块。第一个区块是元信息，包括技能名称、适用场景、触发关键词。第二个区块是输入定义，明确这个技能需要什么输入数据。第三个区块是执行步骤，一步一步写清楚怎么做。第四个区块是输出格式，定义最终产出长什么样。第五个区块是注意事项，记录这个技能在实际使用中的坑和边界条件。

# Skill: SEO Keyword Clustering ## Meta - Name: seo-keyword-clustering - Trigger: 关键词聚类、keyword clustering、关键词分组 - Category: SEO ## Input - 关键词列表（CSV 或纯文本，每行一个） - 目标市场（国家/地区） - 行业类别 ## Steps 1. 读取关键词列表，去除重复项和无效词 2. 对每个关键词进行意图分类（信息型/导航型/交易型/商业调查型） 3. 基于语义相似度进行聚类，使用以下规则： - 包含相同核心词根的关键词归为一组 - 搜索意图相同的归为一组 - 长尾词归入对应的核心词组 4. 为每个聚类生成一个主题标签 5. 按搜索意图和聚类大小排序输出 ## Output - 聚类结果表格：主题标签 | 关键词列表 | 意图分类 | 建议优先级 - 内容选题建议：基于聚类结果生成 5-10 个内容方向 ## Notes - 意图分类的准确率受关键词质量影响，建议输入前先做一轮人工筛选 - 聚类数量控制在 10-20 个之间，太多会导致后续内容规划过于分散 - 如果关键词数量超过 500 个，建议先做一轮预聚类再执行本技能

这个结构看起来简单，但实际写的时候有几个关键决策点。触发关键词要足够具体，太宽泛会导致误触发，太窄又会导致该触发的时候没反应。执行步骤要写到“一个不了解这个领域的人也能照着做”的程度，但又不能太死板，要给 AI 留出根据实际情况调整的空间。

4.2 SEO 技能模块的详细设计

SEO 是我技能库里最成熟的一块，因为 SEO 工作的流程化程度最高。我目前沉淀了五个核心技能：关键词研究、内容差距分析、页面 SEO 审计、内链优化、排名追踪。

关键词研究这个技能，输入是一个种子词和行业范围，输出是一组带搜索量、竞争度、意图分类的关键词列表。执行步骤里我特别加了一条“先做竞品关键词反查”，因为实际经验告诉我，单纯靠种子词扩展很容易漏掉一些高价值的长尾词，而从竞品页面反查往往能发现意想不到的机会。

内容差距分析这个技能，输入是你和竞品的站点地图或页面列表，输出是内容缺口报告。这个技能的核心逻辑是对比你和竞品覆盖的话题范围，找出他们有而你没有的内容方向。我在这里加了一个权重计算：根据竞品页面的预估流量和关键词排名，给每个缺口打一个优先级分数。

页面 SEO 审计这个技能，输入是一个 URL 列表，输出是每个页面的 SEO 问题清单。检查项包括标题标签长度和关键词布局、meta 描述、H 标签结构、图片 alt 属性、内链数量和质量、页面加载速度相关指标。这个技能我用的频率最高，基本上每次上新页面之前都会跑一遍。

内链优化这个技能，输入是站点地图和页面内容，输出是内链建议方案。核心逻辑是识别页面之间的语义关联，然后在相关内容之间建立链接。我在这里加了一个限制条件：同一个页面接收的内链不超过 5 条，避免过度优化。

排名追踪这个技能，输入是关键词列表和目标搜索引擎，输出是排名变化报告。这个技能需要配合外部数据源使用，我一般是用第三方工具的 API 来获取排名数据，然后让 Claude Code 做分析和报告生成。

4.3 CRO 技能模块的设计要点

CRO 和 SEO 不太一样，它的输入更多是视觉和交互层面的东西，所以技能设计上需要处理截图、页面结构、用户行为数据等多种输入类型。

落地页首屏诊断是我最常用的 CRO 技能。输入是一个落地页 URL 或截图，输出是一份诊断报告。诊断维度包括：价值主张是否在 5 秒内清晰传达、视觉焦点是否引导到 CTA、信任元素（客户 logo、评价、数据）是否充分、表单字段是否过多、移动端适配是否到位。

这个技能的执行步骤里，我加了一个“竞品对比”环节。让 Claude Code 同时分析你的落地页和两个竞品的落地页，从注意力分布、信息层级、CTA 位置等维度做对比。这个对比往往能发现一些自己看自己看不出来的问题。

表单优化技能，输入是表单页面和当前转化率数据，输出是优化建议。核心逻辑是分析每个字段的必要性、字段顺序的合理性、错误提示的清晰度、以及提交按钮的文案和位置。我在这里加了一个“字段成本计算”：每增加一个字段，预估转化率下降多少。这个数据是基于行业基准的粗略估算，但能让优化建议更有说服力。

A/B 测试设计技能，输入是优化假设和当前页面数据，输出是测试方案。包括测试变量定义、样本量计算、测试周期建议、成功指标定义。这个技能我用的相对少一些，因为 A/B 测试的执行周期比较长，但设计阶段用 AI 来辅助确实能减少很多遗漏。

4.4 技能之间的协作与编排

单个技能能解决的问题有限，真正有价值的是技能之间的协作。我现在的做法是定义一个“工作流”文件，里面描述了一个完整任务需要调用哪些技能、按什么顺序调用、技能之间怎么传递数据。

比如“新页面上线前检查”这个工作流，会依次调用：页面 SEO 审计 → 首屏诊断 → 内链优化建议 → 内容质量检查。每个技能的输出会作为下一个技能的输入的一部分。Claude Code 在执行这个工作流时，会自动按顺序加载对应的 skill 文件，并在技能之间传递数据。

# Workflow: Pre-launch Page Check ## Steps 1. Load skill: seo-page-audit - Input: page URL - Output: SEO issue list 2. Load skill: cro-hero-diagnosis - Input: page URL + SEO issue list - Output: CRO recommendations 3. Load skill: seo-internal-linking - Input: page content + site map - Output: internal link suggestions 4. Load skill: content-quality-check - Input: page content + target keywords - Output: content improvement suggestions ## Final Output - Consolidated report with all findings, sorted by priority - Action items with estimated impact and effort

这个工作流文件本身也是一个 markdown 文件，放在技能库的workflows目录下。Claude Code 在执行时，会根据任务描述自动匹配对应的工作流。

5. 实操过程：跑一次完整的 SEO 审计

5.1 任务定义与数据准备

假设我现在要为一个客户的电商网站做一次全面的 SEO 审计。这个网站大概有 200 个页面，主要销售家居用品。我需要准备的数据包括：站点地图（XML 格式）、目标关键词列表（大概 300 个词）、竞品站点列表（3 个主要竞品）。

数据准备好之后，我在终端里启动 Claude Code，输入任务描述：

执行 SEO 审计工作流，目标站点是 example.com，站点地图在 ./data/sitemap.xml， 关键词列表在 ./data/keywords.csv，竞品是 competitor-a.com、competitor-b.com、 competitor-c.com。输出完整的审计报告到 ./reports/seo-audit-2024-01.md

Claude Code 收到这个指令后，会先匹配到seo-audit这个工作流，然后按步骤加载对应的技能文件。

5.2 执行过程中的关键节点

第一个关键节点是数据抓取。Claude Code 会调用 curl 或 python 脚本来抓取每个页面的 HTML 内容。这里有个细节需要注意：抓取频率要控制，太快容易被目标网站限制。我在技能文件里加了一条“请求间隔不低于 1 秒”的规则，Claude Code 会自动遵守。

第二个关键节点是关键词分析。300 个关键词的聚类分析，Claude Code 大概需要 2-3 分钟。它会先做意图分类，然后做语义聚类，最后生成主题标签。我观察下来，意图分类的准确率大概在 85% 左右，主要误差出现在一些边界模糊的词上，比如“家居用品推荐”这种既可能是信息型也可能是商业调查型的词。

第三个关键节点是页面审计。200 个页面的 SEO 检查，包括标题标签、meta 描述、H 标签、图片 alt、内链等。这一步耗时最长，大概 10-15 分钟。Claude Code 会并行处理多个页面，但受限于 API 的并发限制，实际速度取决于你的账号等级。

第四个关键节点是报告生成。所有分析完成后，Claude Code 会把结果汇总成一份 markdown 报告。报告结构包括：执行摘要、关键词分析、页面审计结果、竞品对比、优先行动建议。

5.3 输出结果的解读与验证

报告生成后，我一般会做几轮验证。第一轮是数据准确性抽查，随机选 10 个页面，人工核对 SEO 检查项是否准确。第二轮是建议合理性评估，看优先行动建议是否符合业务逻辑。第三轮是竞品对比的公平性检查，确保对比维度一致。

我实测下来，Claude Code 在页面审计这个环节的准确率很高，基本能达到 95% 以上。但在竞品对比环节，有时候会出现“过度解读”的情况——比如竞品某个页面没有 H1 标签，Claude Code 会把它标记为严重问题，但实际上那个页面可能是一个特殊类型的页面，不需要 H1。这种时候就需要人工介入判断。

实操心得：建议在技能文件里加一条“对于不确定的发现，标记为待确认而不是直接下结论”。这样在报告里会区分“确定问题”和“待确认项”，减少误报带来的干扰。

5.4 参数调优与性能优化

跑了几次之后，我总结了一些调优经验。首先是并发数控制。Claude Code 默认的并发数可能比较高，如果你的 API 配额有限，建议在配置里限制一下。我一般设置最大并发为 3-5，这样既能保证速度，又不会触发限流。

其次是缓存策略。对于不经常变化的页面，可以缓存抓取结果，避免重复请求。我在技能文件里加了一个简单的缓存逻辑：如果同一个 URL 在 24 小时内已经抓取过，直接使用缓存结果。

第三是分批处理。对于超过 100 个页面的站点，建议分批执行，每批 50 个页面左右。这样即使中间出错，也不需要从头再来。Claude Code 支持断点续传，只要在技能文件里定义好检查点逻辑就行。

# 分批执行的示例命令 claude --task "执行 SEO 审计，批次 1，页面 1-50" --output ./reports/batch-1.md claude --task "执行 SEO 审计，批次 2，页面 51-100" --output ./reports/batch-2.md

6. 常见问题与排查技巧实录

6.1 安装与配置类问题

问题一：npm 安装时报权限错误

这个在 Linux 和 macOS 上都很常见。错误信息一般是EACCES: permission denied。解决方案不是用 sudo，而是配置 npm 的全局目录到用户目录下。具体步骤我在第 3 章里已经写了，核心就是npm config set prefix '~/.npm-global'然后把对应的 bin 目录加到 PATH 里。

问题二：启动后提示版本不兼容

有时候你系统里的 Node 版本太老，Claude Code 会提示不兼容。解决方案是用 nvm 切换到 Node 18 或 20。如果切换后还是有问题，检查一下是不是有多个 Node 版本共存导致的路径混乱。

问题三：VS Code 扩展无法连接终端

这个通常是因为 VS Code 的集成终端没有继承系统的环境变量。解决方案是在 VS Code 的 settings.json 里显式配置终端环境变量，或者在 VS Code 的终端里手动 source 一下你的 shell 配置文件。

6.2 技能执行类问题

问题四：技能没有被正确触发

你输入了任务描述，但 Claude Code 没有加载对应的 skill 文件。原因通常是触发关键词不匹配。解决方案是检查 skill 文件里的 Trigger 字段，确保你输入的任务描述里包含了这些关键词。如果还是不行，可以手动指定技能名：claude --skill seo-page-audit。

问题五：执行到一半卡住

这种情况我遇到过几次，通常是因为某个步骤需要的外部数据没有准备好，或者 API 调用超时了。排查方法是看 Claude Code 的输出日志，找到卡住的那个步骤，检查它的输入数据是否完整。如果是 API 超时，可以调整超时设置或者减少单次请求的数据量。

问题六：输出格式不符合预期

有时候 Claude Code 生成的报告格式和你在 skill 文件里定义的不一样。这通常是因为 skill 文件里的输出格式定义不够具体。解决方案是把输出格式写得更详细，最好给一个示例。比如不要只写“输出一个表格”，而是写“输出一个 markdown 表格，包含以下列：页面 URL、问题类型、严重程度、建议修复方案”。

6.3 效果优化类问题

问题七：分析结果不够深入

如果你觉得 Claude Code 的分析比较表面，可能是因为 skill 文件里的执行步骤太笼统。解决方案是把步骤拆得更细，每一步都明确要做什么、怎么做、做到什么程度。比如“分析页面 SEO”可以拆成“检查标题标签长度是否在 50-60 字符之间、是否包含目标关键词、是否具有吸引力”。

问题八：不同技能之间的结果冲突

比如 SEO 技能建议增加关键词密度，但内容质量技能建议减少关键词堆砌。这种冲突其实是好事，说明两个技能都在认真工作。解决方案是在工作流层面加一个“冲突解决”步骤，让 Claude Code 根据优先级和具体上下文来做权衡。

问题九：处理大量数据时速度太慢

当关键词超过 500 个或者页面超过 200 个时，执行时间会明显变长。优化方向有三个：一是分批处理，二是启用缓存，三是优化 skill 文件里的步骤，去掉不必要的分析环节。我实测下来，把关键词预聚类这一步从 skill 里去掉，改用外部脚本预处理，整体速度能提升 30% 左右。

6.4 常见问题速查表

7. 我踩过的坑和实际体会

7.1 不要试图一次性做完所有事

我刚开始设计技能库的时候，野心很大，想把所有营销环节都做成 skill。结果做了二十多个技能，实际用起来的不到一半。问题出在两个方面：一是有些营销工作本身就不适合流程化，硬做成 skill 反而增加了使用成本；二是技能太多导致 Claude Code 在匹配时经常选错，反而降低了效率。

后来我做了减法，把技能数量控制在 10 个以内，每个技能都经过实际项目验证。现在我的技能库里有 8 个核心技能，覆盖 SEO、CRO、内容三个方向，基本能满足日常需求。我的建议是先从 2-3 个最常用的技能开始，用顺了再逐步扩展。

7.2 技能文件要持续迭代

技能文件不是写一次就完事的。我在实际使用中，几乎每次跑完一个任务都会发现可以改进的地方。有时候是触发关键词需要调整，有时候是执行步骤需要补充，有时候是输出格式需要优化。

我现在的做法是每次用完技能后，花 5 分钟回顾一下：这次执行有没有遇到问题？输出结果有没有达到预期？有没有什么经验可以沉淀到技能文件里？这个习惯坚持下来，技能库的质量会越来越高。

7.3 人工判断不可替代

AI agent 再强大，在营销这个领域也替代不了人的判断。我见过太多人把 AI 的输出直接当成最终方案，结果闹出笑话。AI 擅长的是信息处理、模式识别、批量执行，但它不理解你的业务背景、不感知市场情绪、不承担决策后果。

我的做法是把 AI 定位成“高级助理”——它负责做调研、做分析、做初稿，我负责做判断、做决策、做最终把关。这个分工下，效率提升是实实在在的，但责任边界也很清晰。

7.4 数据安全要放在第一位

用 AI 处理营销数据时，数据安全是个绕不开的问题。我的原则是：敏感数据不上传，客户隐私不泄露，商业机密不暴露。具体做法包括：用脱敏后的数据做分析、本地处理敏感信息、定期清理会话记录。

Claude Code 因为是本地运行，数据安全性相对好一些，但也不是完全没有风险。我建议在使用前仔细阅读官方的数据使用政策，确保你的使用方式符合合规要求。

7.5 最后分享一个小技巧

如果你也在搭建自己的 marketing skills 库，我建议从“最痛的那个点”开始。不要一上来就追求大而全，先找一个你每天都要做、每次做都很烦、但又不得不做的任务，把它做成 skill。用顺了之后，你自然就知道下一个该做什么了。

我现在最常用的一个 skill 其实很简单，就是“竞品页面变化监控”。每天定时抓取几个竞品的关键页面，对比前一天的内容，有变化就生成一份摘要报告。这个 skill 逻辑不复杂，但帮我省了很多手动检查的时间，也让我能第一时间发现竞品的策略调整。

这个方向后续还可以往“技能市场”的方向扩展——把验证过的 skill 分享给团队其他人，或者从社区获取别人做好的 skill。不过那是另一个话题了，等我把当前这套工作流再打磨一段时间，再来分享技能共享和协作的经验。