前面写GitHub上那些联盟自动化工具的时候，我本来以为自己已经逛得差不多了。
结果最近又手欠，点进去，再点进去。
然后发现——GitHub这帮人，已经开始偷偷给营销人写“外挂”了。
不是那种：“帮我写10条Instagram文案；”“帮我做一下SEO；”“帮我找100个红人；”这种我们已经听到耳朵起茧的AI用法。
而是直接把：SEO怎么查、GEO怎么看、Reels怎么写、红人怎么筛、媒体怎么Pitch、联盟项目怎么搭。一件件拆成了 Skill。
什么意思？简单理解：以前我们用AI，很多时候只是给它一句任务 - “网站SEO你优化一下，”AI：好的。
然后Title改了、关键词加了、Meta Description也写了，顺手还能给你再扩20个选题。
第二天一看，页面很努力，排名比较稳定，稳定地没怎么动。
双方都很忙，主要问题是——任务给了，方法没给。
最近这些GitHub Skill做的，就是把“怎么做”这件事继续往下拆。先看什么、再判断什么、什么情况继续、什么情况停，甚至下一步该接哪个动作，都提前写清楚。
某种程度上，它更像是把我们脑海里那些“做久了自然知道”的经验，一点点翻译成AI能执行的SOP。
网站没流量，先别急着猛灌文章
这是示例文本，单击 “编辑”
做SEO的人，大概都见过一种非常稳定的治疗方案。
网站流量掉了，“多写点文章，”排名没起来，“再多写一点。”
于是一个月以后，博客从40篇变成了80篇。
流量有没有起来不知道，编辑先快写不动了。
所以我最近翻到coreyhaines31/marketingskills的时候，第一个点开的就是它的 SEO Audit Skill。
https://github.com/coreyhaines31/marketingskills/blob/main/skills/seo-audit/SKILL.md
它干的第一件事，不是写，是查。
为什么没排名？为什么流量掉了？页面有没有被正常抓取？索引有没有问题？Title、Meta、Heading、Internal Link 有没有明显毛病？网站速度、Core Web Vitals、页面内容、关键词蚕食，有没有人在后面偷偷拖腿？
甚至针对B2C网站，它还会专门去看：产品描述是不是大量重复、分类页是不是太薄、Product Schema 有没有缺、筛选参数是不是生成了一堆重复页面、缺货产品又是怎么处理的。
很朴素，先确诊，再开药。只是我们平时做营销，有时候比较急，直接开药。
检查完以后，假设网站没什么大病，Google也能正常爬。
那下一个问题才是：写什么？
这时候Content Strategy Skill就排上用场了，
https://github.com/coreyhaines31/marketingskills/blob/main/skills/content-strategy/SKILL.md
这个我觉得比“AI帮我想100个选题”实用，因为现在想选题，真的不难。
你问AI：给我100个行业相关SEO选题。
它给你100个。
你再说：不够。它还能再来200个。
AI最大的优点之一：从来不考虑你的精神状态，这个 Skill会先往业务里问，客户买之前经常问什么？销售最常遇到什么异议？客服反复回答哪些问题？竞争对手哪些内容没讲清楚？现有内容里，什么已经带来了流量或者转化？然后再去拆Content Pillar、Topic Cluster、Search Intent 和优先级。
区别就在这里。
以前我们问：“还有什么词可以写？”现在应该再多问一句：“这个词为什么值得写？”不然最后很容易出现一种很尴尬的数据。
SEO流量涨了、文章也收录了、每个月来了5000个人。
然后发现大家都是来查：产品质量如何，查完就走。购物车：长期独居。
如果再往下发现：有很多关键词，搜索意图也成立，而且页面结构高度相似，这时候才轮到Programmatic SEO Skill。
https://github.com/coreyhaines31/marketingskills/blob/main/skills/programmatic-seo/SKILL.md
它解决的是另一种痛苦：页面太多，一个个做，人扛不住。
比如很多网站都会有这种结构：不同地区页面、不同功能页面、不同品类对比、不同使用场景、不同模板的落地页。
以前：复制、改、发布、再复制、再改。
越往后做，会越开始怀疑：我到底是运营，还是CMS插件？
Programmatic SEO 的思路，是用：模板 + 数据去规模化做页面。
但这个Skill有个地方我挺喜欢，它没有只教你：“怎么一次生成1000个页面。”
反而一直提醒一件事；别一次生成1000个垃圾页面。
因为页面规模化以后，Thin Content也会规模化。
今天你生成10篇垃圾内容：问题不大。
AI来了以后；一天生成3000篇；那就属于：技术赋能。
所以真正要先想的是：哪些关键词真的有独立搜索意图？每个页面有什么独特价值？哪些数据可以变化？哪些内容不能只换个关键词就算新页面？
批量这件事本身并不难；批量以后还有没有价值，比较难。
再往后，页面做好了。
还有一个很多运营一看到英文名字，就会下意识往开发那边推的东西。
Schema、Product Schema、Review Schema、Breadcrumb、Article、FAQ、JSON-LD。
运营：“这个SEO应该要加。”开发：“加什么？”
运营：“就是Google那个。”开发：“哪个？”
运营：……很重要的那个。
好消息是，接下来的这个项目连这些都拆了一个 Schema Skill。
https://github.com/coreyhaines31/marketingskills/blob/main/skills/schema/SKILL.md
它专门处理Structured Data。什么时候应该用 Product Schema、什么时候是 Review、Breadcrumb 怎么做、FAQ、Article、JSON-LD 怎么处理？以及怎么去检查 Google Rich Results 相关的问题？
它当然不能让运营突然变成开发，但至少下一次沟通的时候，不用再说：“麻烦加一下那个Google的东西。”
所以现在再看AI做SEO，我反而没那么关心：它一天能写多少篇；更值得拆的是：网站有问题，先用 SEO Audit查。
不知道写什么，再看Content Strategy。
有大量同类搜索需求，再用 Programmatic SEO。
页面做好以后，把 Schema 补清楚，一件一件来。
AI其实不怕工作多，它比较怕的是：你只跟它说一句，SEO你负责一下。”
至于Google终于看懂以后，还有个新问题。
AI看不看得懂？这个就到下一章了。
Google还没哄明白，GEO又来了
以前做搜索，问题相对单纯。用户搜一个词，你想办法让自己的页面排得更靠前。
现在麻烦了一点，用户可能连搜索结果页都懒得翻。
直接问AI：“帮我推荐几个适合小团队用的CRM。”“有哪些值得买的家用咖啡机？”“2026年做邮件营销，有哪些工具值得选？”
AI整理完，直接给答案。
这时候品牌方最关心的问题就变成了：它那里为什么有别人，没有我？
所以我在coreyhaines31/marketingskills 里面继续翻的时候，看到一个很直接的：
https://github.com/coreyhaines31/marketingskills/blob/main/skills/ai-seo/SKILL.md
它处理的已经不只是传统SEO。
而是专门针对 ChatGPT、Perplexity、Claude、Gemini、Google AI Overviews 这类AI搜索和回答场景，目标是让内容更容易被发现、提取和引用。
这里面有个变化挺有意思，以前SEO比较关心：“Google能不能找到这篇文章？”
现在还要多问一句：“AI找到以后，能不能看懂？”
再多问一句：“看懂以后，愿不愿意带走？”
这三件事，还真不是一回事。
比如很多品牌官网都特别喜欢写：“行业领先”“创新解决方案”“高品质体验”“值得信赖的选择”每句话都没错。
放在一起也很顺，唯一的问题是。
AI看完以后可能还是不知道：你是谁？你具体做什么？和别人到底差在哪？
属于见面聊了半小时，气氛都很好，但是名字没记住。
AI SEO这个Skill会更关注一件事情：内容是不是足够可提取、可回答、可引用。
比如答案有没有藏在800字铺垫后面，一个问题能不能直接找到明确回答，品牌、产品、人物、公司之间的实体关系清不清楚，关键数字有没有来源，页面有没有结构化信息，内容里有没有原创经验、研究、事实和外部证据。
因为AI在组织答案的时候，它不是来欣赏文采的，它比较忙。
最好一眼就能抄……不是，一眼就能引用的。
然后我又翻到另一个更“狠”的，里面有个专门做GEO检查的：
https://github.com/Infrasity-Labs/dev-gtm-claude-skills/blob/main/.claude/skills/blog-geo/SKILL.md
这个Skill干脆不跟你聊感觉，直接做：AI Citation Readiness Audit。
也就是检查一篇内容，到底有多适合被ChatGPT、Perplexity、Gemini、Claude、Google AI Overviews拿去回答问题。
它会去看 Passage-level Citability、Q&A格式、Entity Clarity、Structured Data、AI Crawler Accessibility，最后还能给出一个0–100的AI Citation Readiness评分。
看到这里我有点理解为什么GEO这两年这么容易被讲玄。
因为以前很多说法是：“内容要更权威”“内容要更有价值”“提升AI可见度，”都对。
但你听完以后，还是不知道下午两点应该改哪一段。
现在把它拆开以后，事情突然具体了。
比如一篇文章，开头先讲行业背景，再讲市场变化，再讲趋势，再讲挑战，讲了1200字，终于出现用户真正想知道的答案，人类读者还能忍。
AI：你有事直说。
所以所谓“可引用”，很多时候并不是把文章写得更长。
反而可能是：问题写清楚，答案靠近问题，一段尽量解决一件事，重要事实单独站得住，标题和小标题别玩猜谜，关键结论不要埋得像彩蛋。
这也是为什么GEO现在开始出现一个词：Citation Surface。
简单说，就是你在互联网上，到底给AI留下了多少个可以引用你的“落脚点”。
你官网有一篇文章，算一个。第三方媒体提到你，又多一个。论坛里有人讨论，又一个。测评网站有评测，还有一个。行业报告引用你的数据，再来一个。
AI开始到处找资料的时候，发现：咦，怎么又是你。
这时候品牌存在感才开始起来。
Infrasity另一个Blog Strategy Skill 甚至会把AI Citation Surface直接放进内容策略里，同时考虑ChatGPT、Perplexity、AI Overviews以及Reddit、Review Platform等外部分发渠道。
所以GEO做到后面，我们会发现它已经不只是SEO部门自己的事情。
PR说：我要媒体报道。
SEO说：我要外链和品牌Mention。
红人说：我要Creator内容。
联盟说：我要第三方Publisher持续带单。
GEO坐在旁边看了一圈：都别停，这些我也要。
因为AI回答一个问题的时候。
如果只有官网在说：“我们很好。”
它可能会想：知道了。
如果外面还有媒体、测评、论坛、Creator、专业网站在不断提供相互印证的信息，可信度就完全不一样了。
还有一个最近经常被提到的东西：llms.txt。
AI SEO Skill里也把它列进了AI可见性相关的优化场景，但这个东西现在特别容易被神化，仿佛网站根目录放一个 llms.txt。
llms.txt更像是：门口放了一份导览图。真正决定里面有没有东西值得参观的，还是你的内容，没有事实。没有结构，没有原创信息，没有第三方信号，目录写得再漂亮，进去以后：毛坯房。
所以现在写内容会出现一种挺有意思的变化。
以前一篇文章写完。
编辑问：“读起来顺不顺？”SEO问：“关键词有没有？”
以后可能还会多一个人站起来：“这一段AI能不能直接拿？”不能。再改。太绕。再改。没有来源。补。品牌实体不清楚。补。答案藏太深。往前挪。
AI时代对内容最大的要求之一。
可能不是：写得更像AI。恰恰相反。是：别写得像AI。
少一点：“在当今快速发展的数字化时代……”多一点真正有用的东西，数据、经验、结论、来源、明确回答。
不然AI自己一天就能写几百万篇，它为什么还要引用你。
Google这边原本还在抢第一名。
GEO又给营销人增加了一项新KPI：争取出现在别人AI的引用里。
事情开始变得热闹，而且还没完。
因为内容终于能被Google搜到、被AI看懂以后。
接下来还有个更现实的问题：谁负责把这些内容发出去？
社媒同事请坐：下一位。
社媒：AI会写，不代表有人愿意看
前面SEO在忙着哄Google，GEO在忙着让AI记住你。
轮到社媒这边，事情一下子变得更热闹了
因为社媒最不缺的，就是内容。真正缺的是——有人看。
现在让AI写一条Instagram文案，真的太容易了。
你说：帮我写一条有吸引力的Caption。
AI：✨ Ready to transform your life?运营：不了，谢谢。
再让它写TikTok。
AI：POV: You finally discovered the product you’ve been waiting for…
观众：已经划走了，不谢。
所以我最近看到 social-media-skills/skills 这个项目的时候。
https://github.com/social-media-skills/skills
第一反应是：这帮人是不是把社媒同事的工位拆了。
因为它里面不是一个“Social Media Skill”，而是把社媒继续往下拆。
Hook是一件事，Reels Script是一件事，Caption是一件事，Instagram SEO又是另一件事，甚至连社交流量最后去哪，都单独拆给出来了。
比如最基础的，Hook。
https://github.com/social-media-skills/skills/blob/main/skills/hook-writer/SKILL.md
以前大家让AI写短视频，喜欢从第一句话开始：In today’s fast-paced world…
很好，世界确实很快，所以用户已经划走了。
Hook Skill干的事情更直接，前几秒到底要说什么、什么信息值得先放、什么能制造好奇、什么能让人继续往下看。
毕竟短视频里，内容做得再好。
前三秒没人留下来，后面全是内部培训资料。
再往下就是：Reels Script Skill
https://github.com/social-media-skills/skills/blob/main/skills/tiktok-script/SKILL.md
这个Skill不会只给你一段口播，它会继续拆。
Hook、画面、On-screen Text、Spoken Script、
Timing、Shot、Cove、CTA，一件件分开。
这点其实很重要，因为以前AI写Reels脚本，很像写广播稿，全是字。
至于人站哪儿，画面干嘛，字幕怎么上，前三秒有没有视觉变化。
它一般选择：相信镜头。
这是示例文本，单击 “编辑” 按钮更改此文本。
TikTok也单独有：TikTok Script Skill
https://github.com/social-media-skills/skills/blob/main/skills/tiktok-script/SKILL.md
因为Instagram Reels和TikTok看起来都叫短视频。
但用户习惯、节奏、表达方式、本土梗、内容结构，不完全一样。
以前AI：“短视频嘛，差不多。” 平台：你最好再想想。
更有意思的是，这个库里还单独做了一个：Instagram SEO Skill
看到“Instagram SEO”这几个字，很多做传统SEO的人可能会有一种感觉：怎么又是我。
没错，现在Instagram自己也越来越像搜索引擎。
用户会搜：品牌、产品、教程、旅行攻略、餐厅、穿搭、工具，所以Caption里的关键词、Profile里的信息、画面文字、Spoken Keyword、Alt Text，都开始变得有意义。
以前发完以后：#love #viral #fyp #explore...
然后双手合十:算法，剩下交给你。
现在至少开始有人认真研究：用户到底搜什么?你的内容有没有说清楚?平台能不能识别你这条内容在讲什么?
这件事其实很像SEO,只是战场换了。
以前：Google不知道你是谁，你急。
现在：Instagram也不知道你是谁，你继续急。
营销人的人生，主打一个，多平台同步焦虑。
然后还有一个我觉得特别实用的：Link in Bio and Traffic Skill
https://github.com/social-media-skills/skills/blob/main/skills/link-in-bio-and-traffic/SKILL.md
它解决的是社媒行业一个非常现实的问题。
播放量有了、点赞有了、粉丝涨了。
老板打开报表。问：然后呢？运营：这条互动率很不错。老板：然后呢？运营：评论也很真实。老板：然后呢？空气开始变得安静。
这个Skill关注的是：社媒流量最后往哪里走、Link in Bio怎么设计、什么时候导Landing Page、什么时候先收Email、UTM怎么追、什么内容负责曝光、什么内容负责点击、什么内容负责转化。
说到底，社媒不是为了证明：“我们今天发过内容了。”
它最终还是要回到：Traffic、Lead、Subscriber、Sale。
至少得有一条路，不然社媒账号很热闹，网站像放假。
这是示例文本，单击 “编辑” 按钮更改此文本。
红人：别再给我一张500人的名单了
社媒内容做完,下一个问题来了：谁来帮你发？
现在让AI找红人，其实已经不难。
你说：帮我找100个相关Creator。
很快，名单就来了。
问题是，100个人里面真正值得联系的可能没几个。
所以我最近看到 superamped/ai-marketing-skills 里的：Influencer Discovery Skill
觉得这个思路还挺实用，它不是单纯“搜名字”。
而是先问：做什么行业？目标人群是谁？重点平台是什么？有没有粉丝量要求？
然后再去YouTube、X、Blog、Newsletter、Podcast、Instagram 等渠道找人。
找到以后，还没结束。
它会继续整理平台、内容类型、粉丝量、来源。同一个人如果在多个渠道重复出现，还会合并去重。
最后再根据 Relevance 和 Audience Overlap 做评分和排序。
而且不会因为粉丝少，就直接把Micro Influencer踢出去。
这点我挺认同，因为做红人最容易出现一种假繁荣。
Excel里500个人，看起来资源很多。真正开始开发：不相关的、停更的、受众对不上的、没有联系方式的、只接高额Flat Fee的、还有已经被同事联系过的。
最后名单很长，可能下手的很短。
所以红人开发真正该自动化的。不是：“帮我多找点人。”而是：“帮我先把不值得找的人筛掉。”
人少一点没关系，别让运营每天对着300行Excel。
体验一种：资源很多，但不知道先找谁。
网站：流量都来了，页面自己别劝退
前面 SEO 在拉人，GEO 在抢 AI 的引用位，社媒和红人也在往站里送流量。
真到了网站这一关，问题反而变得很朴素：人都来了，为什么不转化？
这时候我觉得coreyhaines31/marketingskills里的CRO Skill很值得看。
https://github.com/coreyhaines31/marketingskills/blob/main/skills/cro/SKILL.md
它不是简单告诉你“按钮改个颜色”“CTA 放大一点”，而是会先判断页面类型、主要转化目标和流量来源，再按影响优先级去看 Value Proposition、Headline、CTA、视觉层级、Social Proof、用户异议和页面摩擦。
它甚至把“用户能不能在5秒内看懂你是谁、为什么值得继续看”放在很前面。
这其实很符合真实的网站问题。很多页面不是做得不漂亮，而是信息很多、卖点很多、Banner 也很多，最后用户看了半天，最重要的那句话反而没找到。首页像年终汇报，什么都想讲；落地页像部门群通知，重点埋在第三屏；CTA 倒是到处都有，只是不知道点完以后能得到什么。
所以CRO这件事，真正有价值的不是“AI 帮我挑一个更能转化的按钮颜色”，而是让它按固定框架去检查：我为什么要买、我凭什么相信你、我现在为什么要行动、哪里让我觉得麻烦。
还有一个Offers Skill，这个更有意思，因为它直接提醒了一件很多人容易忽略的事：有时候不是页面不会卖，而是你卖的东西本身就不够有吸引力。
https://github.com/coreyhaines31/marketingskills/blob/main/skills/offers/SKILL.md
这个 Skill 会看 Value Framing、Bonus、Guarantee、Scarcity、Payment Structure 等，核心思想甚至写得很直接——别总想着给一个弱Offer换更漂亮的文案，先看看Offer 本身是不是有问题。
这点尤其容易被误诊。转化差了，先改文案；还不行，换首屏；再不行，上倒计时。折腾一圈以后发现，用户真正想问的只是：“我为什么现在要买这个？”
页面可以优化，文案可以重写，但如果价值没讲明白、信任不够、风险太高、Offer 没吸引力，再优秀的 CTA 也只能很有礼貌地待在那里。
营销人辛辛苦苦把流量送进来，网站最好别负责把人送走。
站外：品牌自己说自己好，多少还是有点单方面
网站这边优化完以后，很多品牌下一步会开始做站外。找媒体、联系编辑、做PR、谈内容合作、找品牌联动，看起来是几件不同的事，其实核心都差不多：让品牌不要只活在自己官网里。
有一个我觉得挺实用的Public Relations Skill
https://github.com/coreyhaines31/marketingskills/blob/main/skills/public-relations/SKILL.md
它覆盖的不是单纯“帮我写一封PR邮件”，而是记者筛选、媒体名单、Newsjacking、Press Request、Podcast、Newsletter、Guest Article 等整套 Earned Media 场景。
它还明确强调，PR真正长期留下来的价值，往往不是某一天突然多了多少访问，而是外链、品牌可信度、媒体关系，以及现在越来越重要的AI Citation Surface。
这一点放到现在特别有意思。以前大家做媒体报道，主要盯曝光和外链；现在GEO起来以后，又多了一个理由：当AI需要判断一个品牌到底靠不靠谱时，官网自己说“我们很好”当然算信息，但如果媒体、Podcast、Newsletter、测评网站也在提你，事情就不太一样了。
这个Skill里还有一个细节我很喜欢：它要求Pitch记着之前先看对方最近写了什么、有没有真正的News Hook、这封邮件能不能让记者直接理解故事价值。它甚至建议Pitch尽量控制在150词以内。
除了媒体，站外合作其实还可以继续往旁边走。比如同一个项目里的 Co-Marketing Skill
https://github.com/coreyhaines31/marketingskills/blob/main/skills/co-marketing/SKILL.md
它会先判断双方 Audience Overlap、Brand Alignment、Engagement Quality 和 Reciprocity，再决定适不适合做联合内容、Newsletter Swap、Research Report、Webinar、Bundle 或其他 Cross-promotion。
这个逻辑比“两个品牌粉丝都挺多，不如联名一下”靠谱得多。
因为合作最后还是要回答一句：你有的用户，为什么会对我感兴趣；我又能给你什么？
如果这两个问题答不上来，联名最后最容易得到的成果，就是一张双方Logo都很大的海报。
至于有些第三方网站，不只是愿意提你，还愿意长期帮你带点击、带订单，甚至按结果拿佣金。
联盟：效果不好，先别条件反射加佣金
做联盟久了以后，很容易形成一种条件反射：最近合作伙伴不活跃，佣金是不是低了；订单掉了，要不要从10%提到15%；重点Publisher不推了，再单独给一点。
佣金当然重要，但如果一个联盟项目每次遇到问题都靠“加钱”治疗，最后最容易被成功激活的可能不是Publisher，而是财务。
有一个 Referral & Affiliate Programs Skill
https://github.com/coreyhaines31/marketingskills/blob/main/skills/referrals/SKILL.md
我觉得比较有意思的地方是，它没有一上来就讨论“佣金给多少”，而是先问清楚：这是Referral还是Affiliate？B2B还是B2C？LTV、CAC是多少？现在有没有项目？之前试过什么激励？预算和工具是什么？
也就是说，先搞清
它还把Referral和Affiliate明确区分开来：Referral更偏现有客户推荐身边的人，而Affiliate更适合Creator、Blogger等外部合作伙伴，通过持续佣金帮助品牌触达原本覆盖不到的受众。
后面的项目设计也不只Commission，还包括Tracking、Attribution、Fraud Prevention、Landing Experience以及项目效果的持续监控。
这其实很接近真实的联盟运营。一个Publisher加入以后没有出单，原因可能是根本没开始推广；有点击没订单，也可能是落地页、Offer或者用户匹配出了问题；订单不少但利润不好，又可能是佣金、优惠和归因规则需要重新看。
这个Skill还把指标拆得比较实际，比如Active Referrers、Conversion Rate、Rewards Paid、Referral CAC、LTV和Program ROI，而不是只看“联盟客数量”或者“申请人数”。同时它也把Rewardful、Tolt、Dub、PartnerStack等工具列进了实施环节。
所以联盟这件事真正适合交给Skill的，并不是让AI替运营决定“这个人给12%还是15%”。更有价值的是，把过去散在脑子里的判断慢慢写成规则：什么样的Partner值得招，加入以后多久没动作需要激活，什么情况属于异常，哪些合作值得继续投入，哪些看起来很忙，其实只是在陪跑。
毕竟联盟项目最怕的从来不是后台里人少，而是后台里躺着一大群Partner，看起来人才济济，打开数据以后——集体休假。
写在最后
这篇文章之前一直躺在草稿箱里面睡了很久，一直在犹豫要不要发。
一方面是这些Skill实在是更新得太快，今天觉得挺新的东西，过几周可能又冒出来一批；
另一方面也是因为，我不太想把它写成一篇“GitHub 工具推荐大全”。
收藏几十个项目不难，真正难的是，哪些东西能放进自己的业务里跑起来。
后来想了想，还是发出来吧。
很多东西本来就不是等到“完全研究明白”以后才值得交流，边用、边踩坑、边更新，可能反而更有意思。
AI会越来越强，Skill也会越来越多。
但真正拉开差距的，可能不是谁收藏得更多，而是谁先把自己的经验，慢慢变成了可以复用的系统。
GitHub 还没逛完，文章就先到这。
以上。
欢迎关注微信公众号：跨境品牌说
评论 (0)