
如果说过去一段时间,AI Agent 的主线更多集中在编码、浏览器自动化和任务执行,那么最近一批新项目开始把能力边界继续往外推。
更值得关注的是,这一次被系统化封装的,不再只是“开发动作”,而是内容生产、SEO、增长、转化优化,以及创业决策方法论。这释放出的信号是:AI Agent 正在从技术执行层,进一步渗透到业务增长与市场运营层。
这次看的三个 GitHub 项目分别是:
•SEO Machine:把长文 SEO 内容生产流程做成 Claude Code 工作区
•slavingia/skills:把《The Minimalist Entrepreneur》的创业方法拆成可调用技能
•marketingskills:把面向营销与增长的工作流沉淀成一套 AI agent skills 体系
把这三者放在一起看,会更容易看清一个趋势:
AI Agent 的下一步,不只是帮你“做事”,而是开始接管原本依赖经验、方法论和跨职能协作的业务流程。
第一个项目 SEO Machine,核心思路非常直接:
把一套长文 SEO 内容生产工作流,做成一个可复用的 Claude Code 专用工作区。
从仓库介绍看,它覆盖的不是单点能力,而是一整条内容生产链路,包括:
•/research:做研究
•/write:写初稿
•/rewrite:重写与优化
•/analyze-existing:分析已有内容
•/optimize:做 SEO 优化
•/performance-review:做内容表现复盘
•/publish-draft:发布草稿
•/article、/priorities 等结构化命令
它还内置了多个专用 agent 或功能模块,例如:
•内容分析
•SEO 优化
•Meta 元素生成
•内链策略
•关键词映射
•编辑器能力
•标题生成
•CRO 分析
•Landing Page 优化
更进一步,它并不只是“会写文案”,而是开始把营销分析工具接进来,包括:
•Google Analytics 4
•Google Search Console
•DataForSEO
这意味着它试图做的,不只是让模型生成一篇文章,而是让 AI 参与到:
•选题判断
•搜索意图分析
•关键词布局
•内容结构优化
•表现复盘与再迭代
也就是说,SEO Machine 的价值不在于“AI 会写文章”,而在于它把内容团队原本分散的动作,逐步封装成一套可执行工作流。
第二个项目 slavingia/skills,气质和前者很不一样。
它不是一套偏企业内容生产的工作区,而是基于 Sahil Lavingia 的《The Minimalist Entrepreneur》,把创业过程中常见的关键判断拆成一组 Claude Code skills。
项目里目前给出的核心技能包括:
•/find-community:找到你的社区与用户群
•/validate-idea:验证想法是否值得做
•/mvp:定义最小可行产品
•/processize:先把产品价值用手工流程交付出来
•/first-customers:找到前 100 个客户
•/pricing:做定价
•/marketing-plan:制定营销计划
•/grow-sustainably:判断如何可持续增长
•/company-values:提炼公司价值观
•/minimalist-review:对业务决策做最小主义式审视
这个项目最有意思的地方,是它把一本偏创业方法论的书,转译成了一个 agent 可以直接调用的技能系统。
这背后其实对应着一个变化:
AI agent 不再只是在处理“明确任务”,而是在开始处理“带不确定性的商业判断”。
比如过去很多创业建议都停留在文章、播客、书籍或咨询里;现在像这样的技能库,开始尝试把它变成一套:
•可触发
•可复用
•有上下文
•可以嵌入项目流程里的方法工具
这种方向未必马上能替代人做决策,但它会显著改变很多创始人、独立开发者和小团队的工作方式。
因为很多原本“想了很久却没有结构”的问题,第一次有机会被拆成明确步骤,并且交给 agent 协助推进。
第三个项目 coreyhaines31/marketingskills,相比前两个项目,更像一套完整的营销能力地图。
它面向的不是单一任务,而是一整套围绕增长展开的技能体系,覆盖范围非常广,包括:
•SEO
•CRO(转化率优化)
•文案写作
•客户研究
•冷启动邮件
•邮件序列
•广告创意
•分析埋点
•定价策略
•推荐裂变
•销售支持
•RevOps
•程序化 SEO
•内容策略
•社交内容
•上线策略
•防流失策略
项目里一个很关键的设计是:
它不是把 skill 做成互不相关的散点,而是强调“共享上下文 + 技能依赖关系”。
其中 product-marketing-context 被设计成基础层,其他 skill 会先读取这个上下文,再执行对应任务。
这说明项目作者意识到,营销类任务之所以难,不只是因为动作多,而是因为:
•每个动作都依赖对产品的理解
•依赖目标用户画像
•依赖定位与价值主张
•依赖前后环节的一致性
如果没有这个上下文,AI 给出的建议通常会显得碎、泛、模板化。
所以这套 skill 体系试图解决的问题,其实不是“再多做几个 prompt”,而是:
如何让 AI agent 在营销场景下拥有持续一致的业务上下文。
这是一个很重要的方向,因为它意味着 Agent 开始从“执行某一个营销动作”,向“参与一个更完整的增长系统”演化。
如果只看单个项目,你会觉得它们分别服务于:
•SEO 内容团队
•创业者/独立开发者
•增长与市场团队
但如果把它们并列来看,更值得关注的不是它们各自做了什么,而是它们共同说明了一件事:
AI agent 的能力边界,正在从工程执行快速外移到业务执行。
过去大家谈 agent,最自然想到的是:
•写代码
•调接口
•操作终端
•控制浏览器
•跑自动化脚本
而现在越来越多项目开始系统化地把以下内容交给 agent:
•内容策略
•SEO 结构化生产
•用户研究
•定价讨论
•增长实验
•转化优化
•营销协同
这背后反映的并不只是“AI 用途变多了”,而是一个更本质的变化:
很多原本高度依赖“方法论 + 经验 + 协作”的知识工作,正在被重新拆解成可以被 agent 执行的技能单元。
这个变化带来的影响,可能比“又多了几个开源仓库”更深。
以往很多团队的问题不是没人做事,而是:
•做法不稳定
•经验难复制
•新人很难快速进入状态
•不同环节信息断裂
而 skill / workspace 这类项目的价值,就是把这些工作沉淀成结构化流程。
一旦流程足够清晰,AI agent 的参与度就会越来越高。
像《The Minimalist Entrepreneur》这类书,过去更多是启发式材料。
但当它被拆成 agent skills 之后,方法论就不再只是“你读过没有”,而是可以直接变成:
•当前该问什么问题
•下一步该验证什么
•哪些决策应该先被约束
•哪些动作应该优先执行
这会极大降低方法论在现实工作中的落地门槛。
单看模型本身,大家差距会越来越小。
但谁能把真实业务流程封装成:
•有上下文
•可调用
•可组合
•可追踪
•可复盘
的 skill / workspace / agent system,谁就更有机会形成真正的生产力优势。
这可能是下一阶段最值得关注的竞争点。
从 SEO Machine 到 slavingia/skills,再到 marketingskills,三者虽然方向不同,但都在做同一件事:
把过去分散在人脑、文档、会议和经验里的业务方法,重新封装成 AI agent 可执行的能力层。
如果这种趋势继续延续,接下来我们大概率会看到更多类似项目出现:
•面向销售团队的 agent skills
•面向客户成功团队的 agent workflow
•面向产品增长团队的跨职能执行系统
•面向独立开发者的一体化“产品 + 营销 + 转化”工作区
真正的变化不在于某一个 agent 会不会写文案,而在于:
AI 正在进入企业与个人业务流程的中层结构,开始参与那些原本最依赖经验和协作的工作。
这也是这三个项目放在一起时,最值得被持续观察的地方。
•SEO Machine[1]
•slavingia/skills[2]
•marketingskills[3]
本文由山行整理自:https://github.com/TheCraigHewitt/seomachine https://github.com/slavingia/skills https://github.com/coreyhaines31/marketingskills ,如果对您有帮助,请帮忙点赞、关注、收藏,谢谢~
参考链接
[1] SEO Machine: https://github.com/TheCraigHewitt/seomachine
[2] slavingia/skills: https://github.com/slavingia/skills
[3] marketingskills: https://github.com/coreyhaines31/marketingskills