1. 项目缘起与核心定位第一次看到“AI 代理营销技能库”这个概念时我脑子里蹦出来的画面是一个刚入职的营销新人面前摆着一本厚厚的《营销工作手册》里面写满了各种场景下的标准动作——怎么写冷启动邮件、怎么做竞品分析、怎么设计 A/B 测试、怎么给落地页写文案。区别在于这本手册不是给人看的而是给 AI 代理“读”的。Marketingskills 这个项目要解决的核心问题说白了就一句话让 AI 代理在营销场景下从“什么都懂一点但什么都不精”变成“拿到具体任务就能按专业流程执行”。市面上大多数 AI 工具在处理营销任务时表现出的是一种“泛泛而谈”的状态——你问它怎么写推广文案它给你一段四平八稳但毫无杀伤力的文字你问它怎么做用户分层它列几个教科书级别的维度就结束了。问题出在哪儿不是模型不够强而是缺少一套结构化的、可被 AI 理解和调用的“技能资产”。这个项目的本质是把营销领域里那些被验证过的、可复用的工作方法拆解成 AI 代理能够识别、匹配、执行的技能单元。每个技能单元包含几个关键要素触发条件什么场景下用这个技能、执行步骤具体怎么做分几步、输入输出定义需要什么信息产出什么结果、质量校验标准怎么判断做得好不好。这四样东西凑在一起才构成一个完整的“技能”。为什么这件事值得做我观察到一个很现实的需求缺口。中小团队没有预算养一个完整的营销团队但他们的业务又确实需要专业的营销动作。一个懂营销的 AI 代理如果能按标准流程完成 60 分的营销执行对很多团队来说已经是巨大的效率提升。而大团队虽然有人但营销人员的水平参差不齐把优秀实践沉淀成 AI 可调用的技能库相当于给整个团队装了一个“营销能力基线”。适合谁来参考这个项目三类人最应该关注一是独立开发者或小团队技术负责人想给自己的产品加一个营销自动化的能力模块二是营销技术方向的工程师正在探索怎么把营销方法论工程化三是对 AI 代理应用感兴趣的产品经理想理解技能库这种架构模式在实际业务中怎么落地。不需要你是 AI 专家但需要对营销的基本流程有概念对 JSON 或 YAML 这类结构化数据格式不陌生。2. 技能库的架构设计与选型逻辑2.1 为什么是“技能库”而不是“提示词集合”很多人第一反应是这不就是一堆精心写好的提示词吗我一开始也这么想但仔细拆解后发现技能库和提示词集合有本质区别。提示词是一段静态文本你发给模型模型给你回复结束。技能库是一个有结构的系统它包含元数据、依赖关系、执行逻辑和质量标准。打个比方提示词像是一张菜谱卡片上面写着“红烧肉怎么做”技能库像是一个厨房管理系统它不仅知道红烧肉怎么做还知道做红烧肉需要先买肉、肉要焯水、火候怎么控制、做完之后怎么摆盘、如果客人说太咸了怎么补救。前者是单点知识后者是流程化能力。从技术实现角度看技能库的每个技能条目通常包含以下字段字段名作用示例skill_id唯一标识mkt_cold_email_v1trigger触发条件用户要求撰写冷启动邮件inputs所需输入目标客户画像、产品卖点、发件人身份steps执行步骤1.分析客户痛点 2.匹配产品价值 3.撰写主题行 4.撰写正文 5.设计 CTAoutputs产出定义一封完整的冷启动邮件含主题行和正文quality_check质量校验主题行不超过 50 字符正文不超过 150 词CTA 明确fallback异常处理若客户画像缺失先执行客户画像生成技能这种结构化的设计让 AI 代理在执行任务时有了明确的“轨道”而不是在开放空间里随机游走。实测下来有技能库约束的 AI 代理在营销任务上的输出稳定性比纯提示词方式高出不少尤其是在需要多步骤协作的复杂任务上。2.2 技能拆解的粒度控制拆得太粗技能就变成了“万金油”什么都能干但什么都干不好拆得太细技能数量爆炸维护成本飙升AI 代理也容易在技能选择上犯迷糊。我在实际操作中总结出一个经验法则一个技能应该对应一个“可独立交付的工作单元”。什么叫可独立交付就是这件事做完之后有一个明确的产出物这个产出物可以直接进入下一个环节或者直接交付给用户。比如“撰写冷启动邮件”是一个可独立交付的技能因为产出是一封完整的邮件。“分析竞品定价策略”也是一个可独立交付的技能产出是一份定价分析报告。但“思考邮件主题行”就不是一个独立技能它是“撰写冷启动邮件”这个技能内部的一个步骤。按照这个粒度一个中等规模的营销技能库大概包含 30 到 50 个核心技能覆盖以下大类内容创作类文案撰写、邮件撰写、社交媒体帖子、落地页文案、产品描述分析诊断类竞品分析、受众分析、渠道效果分析、漏斗转化分析策略规划类活动策划、内容日历、预算分配、渠道组合执行优化类A/B 测试设计、SEO 优化、广告投放优化、转化率优化客户运营类用户分层、生命周期管理、流失预警、复购激励每个大类下面再细分具体技能。这个分类方式不是拍脑袋定的而是参考了营销工作的实际流程——从分析诊断到策略规划再到内容创作和执行优化最后落到客户运营形成一个闭环。2.3 技能之间的依赖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组合。比如一个完整的“新品上市推广”任务可能需要依次调用受众分析技能 → 竞品定位技能 → 核心信息提炼技能 → 内容日历生成技能 → 社交媒体文案技能 → 邮件营销技能 → 效果追踪技能。这些技能之间有明确的依赖关系前一个的输出是后一个的输入。在技术实现上有两种编排方式硬编码编排和动态编排。硬编码就是提前把技能的执行顺序写死像流水线一样动态编排是让 AI 代理根据任务目标自己决定调用哪些技能、按什么顺序调用。我倾向于混合使用对于流程固定的任务比如月度报告生成用硬编码保证稳定性对于探索性任务比如“帮我提升转化率”用动态编排给 AI 代理更多自主权。动态编排的关键在于技能描述的质量。每个技能的 trigger 字段必须写得足够清晰让 AI 代理能准确判断“当前场景是否匹配这个技能”。我踩过的坑是早期 trigger 写得太模糊比如“用户需要营销帮助”结果 AI 代理在任何营销相关对话里都试图调用这个技能反而干扰了正常流程。后来改成“用户明确要求撰写一封针对特定客户群体的推广邮件”匹配精度就上来了。3. 核心技能模块的详细拆解3.1 内容创作类技能的实现要点内容创作是营销技能库里使用频率最高的一类。以“冷启动邮件撰写”技能为例我把它拆成了五个执行步骤每个步骤都有明确的输入输出和质量标准。第一步是客户痛点分析。输入是目标客户画像行业、职位、公司规模、已知痛点输出是 3 到 5 个按优先级排序的痛点描述。这一步的关键是不要泛泛而谈比如“他们可能面临效率问题”这种描述就是无效的。有效的描述是“他们的销售团队每天花 2 小时手动整理客户信息导致跟进时间被压缩”。越具体后续的邮件内容就越有针对性。第二步是产品价值匹配。把产品功能映射到客户痛点上形成“痛点-价值”对照表。这里有个技巧不要试图匹配所有痛点选 1 到 2 个最核心的就行。冷启动邮件的目标是引发兴趣不是完整介绍产品。第三步是主题行撰写。主题行的质量直接决定邮件打开率。我总结了几条实操标准长度控制在 30 到 50 个字符之间移动端显示更友好避免使用“免费”“限时”这类容易被判定为垃圾邮件的词最好包含一个具体的数字或一个引发好奇的问题。比如“3 个方法让你的客户跟进效率提升 40%”就比“提升效率的方法”好得多。第四步是正文撰写。正文结构遵循“问题-方案-证据-行动”四段式。第一段用一句话点出客户可能面临的问题第二段简要说明你的方案怎么解决这个问题第三段给一个简短的证据客户案例、数据、资质第四段是一个明确的行动号召。整封邮件控制在 150 词以内超过这个长度回复率会明显下降。第五步是质量校验。这一步经常被忽略但非常重要。校验清单包括主题行是否超过 50 字符正文是否超过 150 词CTA 是否明确是“点击这里预约演示”而不是“欢迎了解更多”是否包含任何可能触发垃圾邮件过滤的词汇有没有拼写错误这套校验流程走下来邮件的专业度会有明显提升。实操心得冷启动邮件的回复率70% 取决于目标客户选得对不对20% 取决于主题行10% 取决于正文。所以技能库在执行这个任务时应该先确保客户画像足够精准再花精力打磨主题行正文只要做到清晰简洁即可。3.2 分析诊断类技能的数据处理逻辑分析诊断类技能的特点是输入数据量大、处理逻辑复杂、输出要求结构化。以“竞品定价策略分析”为例这个技能需要处理的信息包括竞品名单、各竞品的定价页面信息、功能对比、市场定位描述。我设计的执行流程是这样的首先竞品信息采集。这个步骤可以调用外部工具或 API 来抓取竞品的公开定价信息也可以由用户手动提供。采集的内容包括价格档位、每个档位包含的功能、是否有免费试用、是否有年付折扣、是否有企业定制方案。然后定价模式识别。把采集到的信息归类到常见的定价模式中是按用户数收费、按使用量收费、按功能模块收费还是混合模式这一步的目的是理解竞品的定价逻辑而不仅仅是记录价格数字。接下来价值曲线绘制。把每个竞品的功能和价格放在同一个坐标系里看看谁在“高功能低价格”区间谁在“低功能高价格”区间。这个分析能帮你找到市场空白点——如果所有竞品都在高价位段那低价切入可能是一个机会如果所有竞品都在低价位段那可能需要靠差异化功能来支撑溢价。最后定价建议生成。基于前面的分析给出 2 到 3 个定价方案每个方案说明适用场景和预期效果。比如“方案 A按用户数收费每人每月 29 元适合小团队快速决策方案 B按功能模块收费基础版免费高级功能 99 元/月适合需要灵活组合的客户”。这个技能的输出是一份结构化的定价分析报告包含竞品定价对比表、定价模式总结、价值曲线图和定价建议。报告格式用 Markdown 表格和列表就能清晰呈现不需要复杂的图表工具。3.3 策略规划类技能的编排逻辑策略规划类技能解决的是“做什么、什么时候做、怎么做”的问题。以“内容日历生成”技能为例它的输入是目标受众、内容主题方向、发布渠道、时间范围、可用资源人力、预算。输出是一份按周或按月排列的内容日历包含每篇内容的主题、形式、渠道、负责人和截止日期。这个技能的执行逻辑分四步。第一步是主题聚类。把内容主题方向拆解成若干个子主题每个子主题对应一个内容系列。比如“产品营销”可以拆成“功能解读”“客户案例”“行业洞察”“使用技巧”四个系列。第二步是渠道匹配。不同的内容形式适合不同的渠道。长文适合博客和邮件通讯短视频适合社交媒体图文适合小红书和 Instagram。这一步要根据渠道特性来分配内容形式。第三步是节奏安排。内容发布频率要稳定不能这周发五篇下周一篇不发。我通常建议每周 2 到 3 篇保持一个可持续的节奏。同时要考虑内容类型的交替不要连续发三篇功能解读读者会疲劳。第四步是资源校验。检查每篇内容的制作成本是否在可用资源范围内。如果预算只够每周做一篇深度长文就不要安排三篇。这一步经常被忽略导致内容日历看起来很美好但根本执行不下去。注意事项内容日历生成技能最容易犯的错误是“理想化排期”。AI 代理不知道你的团队这周有人请假、下周有节假日。所以这个技能的输出应该被当作“初稿”由人工根据实际情况调整后再执行。我在技能库里加了一个“资源缓冲”参数默认预留 20% 的弹性空间排期时自动留出空档。3.4 执行优化类技能的闭环设计执行优化类技能的核心是测试-学习-迭代的闭环。以“A/B 测试设计”技能为例它的输入是待测试的变量标题、CTA、配色、价格等、当前基线数据、可接受的测试周期。输出是一个完整的测试方案包含测试假设、样本量计算、分组设计、成功指标和决策规则。样本量计算是很多人容易忽略的一步。假设你想测试两个版本的落地页转化率基线转化率是 5%你希望检测到 20% 的相对提升即从 5% 提升到 6%在 95% 置信水平和 80% 统计功效下每组大约需要 3800 个访客。如果你的日均访客只有 200 人那这个测试需要跑 38 天显然不现实。这时候技能库应该给出建议要么降低检测精度要求要么延长测试周期要么先想办法提升流量。决策规则也要提前定好。常见的有三种固定周期决策跑满 14 天就出结论、序贯决策每积累一定样本就看一次达到显著就停、贝叶斯决策持续更新概率分布随时可以看当前胜出概率。我通常建议用固定周期简单直接不容易被“偷看数据”导致的假阳性误导。这个技能的输出还包括一个测试记录模板用来记录每次测试的假设、设计、结果和结论。积累多了之后这些记录本身就是宝贵的营销知识资产。4. 技能库的工程化落地与实操4.1 技能描述文件的结构设计技能库的物理形态是一组结构化文件。我选择用 YAML 来写技能描述因为 YAML 的可读性好非技术人员也能看懂和修改。每个技能一个文件文件名就是 skill_id放在按类别分好的目录里。一个完整的技能描述文件长这样skill_id: mkt_cold_email_v1 name: 冷启动邮件撰写 category: content_creation version: 1.0 trigger: - 用户要求撰写针对特定客户群体的推广邮件 - 用户提到“冷启动”“陌拜邮件”“开发信”等关键词 inputs: - name: customer_profile type: object required: true description: 目标客户画像包含行业、职位、公司规模、已知痛点 - name: product_value type: string required: true description: 产品核心价值主张 - name: sender_identity type: string required: false description: 发件人身份默认为“业务负责人” steps: - step: 1 action: 分析客户痛点 prompt: 基于客户画像列出3-5个按优先级排序的具体痛点 - step: 2 action: 匹配产品价值 prompt: 将产品价值映射到客户痛点上形成痛点-价值对照表 - step: 3 action: 撰写主题行 prompt: 撰写一个30-50字符的主题行包含具体数字或引发好奇的问题 - step: 4 action: 撰写正文 prompt: 按问题-方案-证据-行动四段式撰写总词数不超过150 - step: 5 action: 质量校验 prompt: 检查主题行长度、正文词数、CTA明确性、垃圾邮件触发词 outputs: - name: email_content type: object description: 包含subject_line和body的邮件内容 quality_check: - 主题行不超过50字符 - 正文不超过150词 - CTA明确且唯一 - 无垃圾邮件触发词 fallback: 若客户画像缺失先调用 mkt_audience_analysis 技能这个结构的好处是人机皆可读。开发人员可以写代码解析这些 YAML 文件把技能加载到 AI 代理的执行引擎里营销人员也可以直接打开文件看看某个技能的具体步骤和标准甚至提出修改建议。4.2 技能匹配与调用的实现思路技能匹配是 AI 代理在执行任务时的第一步给定用户输入判断应该调用哪个技能。我试过两种方案基于关键词的规则匹配和基于语义的向量匹配。规则匹配简单直接维护一个关键词到技能的映射表。用户输入里出现“邮件”“开发信”“冷启动”就匹配到冷启动邮件技能。优点是响应快、可控性强缺点是覆盖不全用户换个说法就可能匹配不上。向量匹配是把技能描述和用户输入都转成向量计算相似度取最相似的技能。优点是泛化能力强用户怎么说都能找到相关技能缺点是可能匹配到不相关的技能而且需要额外的向量计算资源。我最终的方案是规则优先、向量兜底。先用规则匹配如果命中多个技能或没有命中再用向量匹配来消歧或补充。实测下来这个混合方案在准确率和召回率上都比较平衡。匹配到技能后就是参数填充。技能定义里声明了需要哪些输入AI 代理需要从用户输入和上下文里提取这些参数。如果参数缺失就触发 fallback 逻辑先执行前置技能来补全参数。比如冷启动邮件技能需要客户画像但用户没提供那就先调用受众分析技能生成一个客户画像。4.3 技能执行的质量控制技能执行的质量控制分三层输入校验、过程监控、输出审核。输入校验在技能执行前进行检查必填参数是否齐全、参数格式是否正确。比如客户画像必须包含行业和职位两个字段如果缺失就报错并提示用户补充。过程监控在技能执行中进行记录每个步骤的耗时、输出长度、是否触发异常。如果某个步骤的输出明显偏离预期比如主题行写了 200 个字符就中断执行并给出提示。输出审核在技能执行后进行按照 quality_check 清单逐项检查。我设计了一个简单的评分机制每个检查项通过得 1 分不通过得 0 分总分低于 80% 就标记为“需要人工复核”。这个机制在实际使用中帮我拦截了不少低质量输出。实操心得质量控制最容易犯的错误是“标准太严导致技能不可用”。我一开始把主题行限制在 30 字符以内结果 AI 代理为了满足这个要求写出来的主题行都特别生硬。后来放宽到 50 字符输出质量反而更好了。标准是为了保证底线不是为了限制发挥。4.4 技能库的版本管理与迭代技能库不是写完就完了它需要持续迭代。我采用语义化版本管理主版本号在技能结构发生不兼容变化时递增比如输入参数类型改变次版本号在新增功能时递增比如增加了一个执行步骤修订号在修复 bug 或微调提示词时递增。每次修改技能描述文件都要在文件头部的 changelog 字段里记录改了什么、为什么改。这个习惯看起来麻烦但当你三个月后回头看某个技能为什么是现在这个样子时changelog 能帮你快速回忆起来。迭代的驱动力来自两个方面用户反馈和执行数据。用户反馈是显性的比如“这个邮件写得太长了”“这个分析不够深入”。执行数据是隐性的比如某个技能的平均执行时间突然变长、某个步骤的失败率明显偏高。我每周会花半小时看一下技能执行日志找出需要优化的技能。5. 常见问题与排查技巧实录5.1 技能匹配不准怎么办这是最常见的问题。用户说“帮我写个推广文案”AI 代理匹配到了“社交媒体帖子撰写”技能但用户其实想要的是“落地页文案”。排查思路分三步先看 trigger 关键词是否覆盖了用户的表达方式如果没有就补充同义词再看是否有多个技能的关键词重叠如果有就调整优先级或增加消歧规则最后看向量匹配的阈值是否设置得太低导致不相关的技能也被匹配进来。我踩过的一个坑是早期 trigger 里写了“推广”这个词结果“推广邮件”“推广文案”“推广活动”三个技能都匹配上了。后来我把“推广”从所有 trigger 里去掉改成更具体的词比如“邮件”“文案”“活动策划”匹配精度就上来了。5.2 技能执行到一半卡住了这种情况通常是某个步骤的输入参数缺失或格式不对。比如冷启动邮件技能执行到“匹配产品价值”这一步发现产品价值描述是空的就卡住了。排查方法是查看执行日志找到卡住的那个步骤检查它的输入参数。预防措施是在技能定义里为每个步骤的输入参数设置默认值或 fallback 逻辑。比如产品价值描述为空时自动调用“产品价值提炼”技能来生成一个。这样即使输入不完整技能也能继续执行。5.3 输出质量不稳定同一个技能有时候输出很好有时候输出很差。这种波动通常来自三个原因输入质量波动、模型随机性、提示词不够具体。输入质量波动是最常见的。如果用户提供的客户画像很模糊输出的邮件质量肯定好不了。解决办法是在技能执行前加一道“输入质量检查”对关键输入进行评分低于阈值就提示用户补充信息。模型随机性可以通过设置温度参数来缓解。内容创作类技能的温度可以设高一点0.7 到 0.8保证多样性分析诊断类技能的温度设低一点0.2 到 0.3保证一致性。提示词不够具体是技能设计的问题。如果某个步骤的 prompt 写的是“分析客户痛点”模型可能给出很泛泛的结果。改成“基于客户画像中的行业和职位信息列出 3 到 5 个该角色在日常工作中最可能遇到的具体问题每个问题用一句话描述包含具体的场景和影响”输出质量会明显提升。5.4 技能之间协作不顺畅多技能协作时最常见的问题是输出格式不匹配。技能 A 的输出是一个列表技能 B 期望的输入是一个对象直接传过去就会报错。解决办法是在技能定义里明确输入输出的数据格式并在技能之间加一个“格式转换”层。另一个问题是执行顺序不合理。比如先执行了“内容日历生成”再执行“受众分析”但内容日历需要受众分析的结果作为输入。这种依赖关系需要在技能定义里声明让编排引擎自动排序。我整理了一个常见问题速查表放在技能库的 README 里方便快速定位问题问题现象可能原因排查方法解决措施技能匹配错误trigger 关键词重叠查看匹配日志调整关键词或增加消歧规则执行中途卡住输入参数缺失查看执行日志补充 fallback 逻辑或提示用户输出质量波动输入质量不稳定检查输入评分增加输入质量检查步骤技能协作报错输出格式不匹配对比输入输出定义增加格式转换层执行时间过长步骤过多或模型响应慢查看各步骤耗时合并步骤或换更快的模型5.5 技能库的维护成本控制技能库用久了数量会越来越多维护成本也会上升。我采取的策略是定期清理和合并。每季度 review 一次所有技能把使用频率低于阈值的技能标记为“待淘汰”把功能重叠的技能合并成一个。同时把一些通用的步骤抽出来做成“公共步骤”多个技能可以复用。另一个控制成本的方法是自动化测试。给每个技能写一个简单的测试用例输入一组标准参数检查输出是否符合预期。每次修改技能描述后自动跑一遍测试确保没有破坏现有功能。这个投入在技能数量超过 20 个之后会变得非常值得。6. 技能库的扩展方向与个人体会技能库跑通之后我试过几个扩展方向。一个是技能的市场化把技能库做成一个可分享的资产不同团队可以导入导出技能甚至形成一个技能交换的社区。另一个是技能的自动生成让 AI 代理从优秀的营销案例中反向提取技能自动生成技能描述文件。这两个方向都还在探索阶段但初步验证下来是可行的。我个人在实际操作中的体会是技能库的价值不在于技能数量而在于技能质量。一个精心设计的、经过反复打磨的技能比十个粗糙的技能更有用。我见过一些团队追求技能数量一口气写了上百个技能结果大部分都没被调用过反而增加了维护负担。与其铺量不如先把最高频的 10 到 15 个技能做深做透让 AI 代理在这些场景下的表现明显优于通用模型然后再逐步扩展。最后分享一个小技巧技能描述文件里的 prompt 字段不要写得太“指令化”适当加入一些“示例”会显著提升输出质量。比如在“撰写主题行”的 prompt 里加一句“参考示例’3 个方法让你的客户跟进效率提升 40%‘”模型生成的标题会更有感觉。这个技巧是我在调试了上百次之后才发现的比单纯调整温度参数管用得多。