Claude Superpowers:营销人的CMO Agent搭建指南
文章介绍了GitHub上高星的Claude Superpowers插件,将其从开发领域引入营销工作。该插件通过强制工作流程(头脑风暴、明确需求、拆解任务、并行处理、审核)解决了营销人直接上手导致的效率问题。文章详细阐述了如何利用子代理系统(研究员、文案、编辑等)构建高效的营销工作流,并提供了具体的配置文件示例,强调其核心在于“先思考再行动”,可作为低成本的品牌营销顾问替代方案。
文章介绍了GitHub上高星的Claude Superpowers插件,将其从开发领域引入营销工作。该插件通过强制工作流程(头脑风暴、明确需求、拆解任务、并行处理、审核)解决了营销人直接上手导致的效率问题。文章详细阐述了如何利用子代理系统(研究员、文案、编辑等)构建高效的营销工作流,并提供了具体的配置文件示例,强调其核心在于“先思考再行动”,可作为低成本的品牌营销顾问替代方案。
文章清晰拆解了Claude Superpowers在营销领域的应用与搭建方法,落地指导性强,观点跨界新颖,但深度分析和信息密度相对基础,结尾的聊天记录略显冗余。
文章推荐了一款名为Superpowers的Github插件(11万Star),旨在解决Agent开发中缺乏标准流程的问题。该插件通过包含头脑风暴、苏格拉底式提问、任务拆解、子Agent开发和代码审查等在内的14个Skills,强制构建结构化的工作流(规划-拆解-执行-审查),从而显著提升任务产出质量和AI开发效率,适用于Claude Code、Cursor等多种环境。
作者分享了国庆期间折腾 Grok Bot 的进阶用法,搭建了两套 AI 组织体系:一套服务跨境电商的 12 岗位亚马逊团队,一套服务个人自媒体 IP。核心玩法包括:将本地电脑托管给云 Bot,把在 Claude、Codex 中打磨好的 Skill 迁移给 AI 员工;按功能拆分岗位并写清职责边界;用 1+N 统筹机器人模式降低 Token 消耗;让 Grok 调用 Codex、Cursor 等外部 Agent 实现模型分层;接入飞书 CLI 落成云文档,以及通过 GBrain 知识库打通手机资料收集与工作流。文中还强调了岗位权限边界与人工把关的重要性。
作者整理了16个面向电商运营的 Agent Skill,按开店流程分类推荐:选品(TikTok Shop、跨境选品工具LinkFox)、建站与后台(Anthropic官方Claude Commerce Agents、Shopify与WooCommerce官方agent-skills)、商品页与视觉(服装出图、详情页策划)、素材与广告(视频克隆Hypit、带货视频工具)、承接与增长(营销skill库、SEO工具、178个skill索引库)。作者强调优先安装官方skill和平台插件,因为它们会随平台更新维护,而个人开发的skill可能因API变更而失效。每个skill附GitHub地址、功能说明、安装要求及注意事项。
作者介绍如何将 Obsidian 笔记库作为 AI 代理的上下文来源,构建一个名为 /todays-focus 的每日专注技能。文章指出工作工具(如 Linear、Gmail、Slack、日历)只能告诉 AI 发生了什么,而个人笔记库能补充'什么对自己最重要'的背景。作者展示了四个步骤:连接工作工具、授权代理读取 Obsidian 库、创建原则(Principles)文档、创建'心头事'(Top of Mind)文档。该技能每天早晨生成三个焦点领域、反思检查和三个日记问题,成为一种有用的每日仪式,也是检验笔记库组织是否利于代理理解的方法。
文章介绍了 AI PM OS——一套面向产品经理的 Agent Skill 体系。作者强调:与其信任模型凭提示词自由发挥,不如为 Agent 配备结构化技能,确保输出质量稳定。核心方法论是'监督比你更聪明的人':通过间接提示让 Agent 自己复述问题、避免被先入为主的假设带偏,并用 /first-principles、/mckinsey-issue-tree、/causal-tree、/jtbd-forces 等技能栈按'定义问题、选择赌注、理解用户、定义成功、塑造构建、写作、推动组织'分阶段组织工作。同时利用记忆和历史会话,让 Agent 继承过往决策背景,提升产品判断力。
文章探讨了高级 AI Skill 的本质:不是把更多指令塞进一份文件,而是把多个单点能力按任务关系编排组合。作者通过分析 GitHub 上多个热门 Skill 仓库,总结出五种组合模式:路由(判断调用哪个 Skill)、顺序(强制工作流程)、选择(按需分诊组合)、流水线(专业能力交接)和分层(Skill 与系统能力分工)。文章提出组合 Skill 的五个核心零件:路由、输入输出契约、顺序与并行、上下文状态、验证反馈,并建议从真实返工中逐步长出组合关系。核心观点:Prompt 让 AI 听懂一次需求,Skill 固化一类做法,而组合 Skill 才能把复杂任务交付出来。
作者提出九条原则,帮助判断 Agent Skill 是否真正有效,覆盖 Skill 生命周期三个阶段:被选中、可靠执行、经受现实检验。核心观点包括:元数据描述是触发与否的关键入口;上下文是共享预算,需渐进式加载;流程与检查点优于长篇散文;规则应解释原因以应对边缘情况;预先记录并反驳模型常见的跳过理由;确定性逻辑写成脚本代码而非依赖推理;严格限定修改范围;Skill 会随库更新和约定变化而腐化,需版本化管理;上线前必须用真实用例运行验证,从观察到的行为而非想象中调试。
作者分享了管理 AI Agent Skills 的经验:不建议在本地一次性安装太多 Skills,因为过多的 Skill 会误触发模型调用并限制模型发挥,同时 Skill 描述会占用上下文窗口的 Token 预算。管理方法分两步:第一步将所有 Skills 统一放在本地目录(分 Github、personal、official 三类),并建立管理文档和定时更新脚本;第二步用软连接(symlink)按项目需要启用 Skill,而不是复制安装,避免全局启用浪费上下文。这些工作都可以交给 Codex/Claude 等 Agent 自动完成。
作者介绍了 DeThink 这款类 Codex 的 Agent 助手,其核心价值在于覆盖 X、抖音、小红书、YouTube 等 30+ 数据源的数据插件(基于 MCP)。通过插件查询平台真实数据而非依赖模型推测,大幅减少热点分析中的幻觉。作者展示了跨平台追踪 AI 话题的工作流:固定关键词、平台和时间范围做可复核的分时追踪,比较不同平台的讨论侧重;并利用模型切换功能(先用快速模型整理信息,再切 Claude 写文案)在同一条工作流内完成选题到成稿。定价每月 20 美元起,支持国内支付。
文章解读了 Anthropic 官方发布的《打造高效的人机协作团队》,总结了让 AI 高效融入团队的 4 条经验:一是写清楚协作信息,通过会议纪要、聊天记录总结、企业知识库、项目配置文件给 AI 提供背景;二是给 AI 和人类分好工,用 Skills 文件定义 Agent 角色,实现多 Agent 协作;三是设定'北极星'目标,让 AI 主动提出建议;四是循序渐进地与 AI 建立信任。作者结合知乎回答工作流等实例,指出 AI 不会拯救混乱的团队,只会放大团队原本的样子。