gtm-engineer-skills
gtm-engineer-skills 是一套专为"go-to-market"工程设计的 AI 智能体技能集合,旨在帮助团队系统化地提升网站在 AI 引擎中的可见性。它通过自动化流程解决传统营销中内容策划、SEO 优化与前端落地脱节的问题,特别针对新兴的 AEO(AI 引擎优化)和 GEO(生成式引擎优化)场景,提供从品牌调研到代码修复的全链路支持。
这套工具非常适合开发者、增长工程师以及需要兼顾技术与内容的市场研究人员使用。其核心亮点在于将复杂的市场工作拆解为可顺序或并行执行的标准化步骤:首先深度分析品牌基因与关键词机会,接着规划内容架构并自动生成包含数据图表的 SEO 文章,最后直接输出经过审计的前端资源页面及具体的代码修复方案。
与其他工具不同,gtm-engineer-skills 不仅关注内容创作,更强调“落地”。它能识别网站代码中阻碍 AI 抓取的因素并提供修复建议,同时利用 Reddit 等社区信号挖掘真实用户需求。整个流程兼容 Claude Code 和 Codex 等主流编程助手,让用户能通过简单的指令串联起研究、写作与开发环节,高效构建对 AI 友好的现代化营销技术栈。
使用场景
一家 B2B SaaS 初创公司的增长工程师正急于为新发布的 AI 数据分析平台构建内容中心,以应对生成式搜索引擎(如 Perplexity、Google SGE)带来的流量变革。
没有 gtm-engineer-skills 时
- 策略割裂:品牌定位、关键词研究与 Reddit 社区洞察由不同人员手动完成,导致内容架构缺乏统一的品牌 DNA 支撑,信息传递混乱。
- 忽视 GEO 优化:团队仅关注传统 SEO,完全忽略针对 AI 引擎的提示词目标(Prompt Targets)设计,导致内容难以被大模型引用为权威来源。
- 人工审计低效:撰写完文章后,需人工逐一核对数据来源和声称的准确性,耗时数天且极易遗漏错误引用,存在合规风险。
- 落地脱节:内容团队交付的 Markdown 文档无法直接转化为前端资源页面,开发人员需重复编写代码,导致上线周期长达数周。
使用 gtm-engineer-skills 后
- 全流程自动化串联:通过
research-brand到geo-content-planning的串行技能,自动输出包含品牌定位、高意图关键词及 Reddit 机会的统一内容架构图,确保策略一致性。 - 原生支持 AEO/GEO:利用
geo-content-research和write-seo-geo-content技能,直接生成针对 AI 引擎优化的结构化内容与 JSON-LD 数据,显著提升被生成式答案引用的概率。 - 智能审计与验证:
audit-content技能自动交叉验证文章中的数据源与事实声明,几分钟内即可输出可信度报告,消除人工核对的盲区。 - 代码级即时落地:
build-resource-pages与improve-aeo-geo技能直接将审核后的内容转化为客户代码库中的前端页面,并自动修复网站代码以提升 AI 可发现性,实现当天上线。
gtm-engineer-skills 将原本分散数周的市场调研、内容创作与工程落地工作,压缩为一套连贯的自动化流,让团队能以前所未有的速度抢占生成式搜索流量高地。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明

快速开始
GTM 工程师技能
面向上市工程的一系列代理技能——研究、内容创作、SEO、地理定位内容研究及前端实现。该仓库旨在同时适用于 Codex 和 Claude Code。
工作流程
这些技能被设计为按顺序执行。每一步都会生成文件,作为下一步的输入。
flowchart TD
RB["品牌研究<br/>URL → brand_dna"]
RK["关键词研究<br/>→ keyword_research"]
ROR["Reddit 机会研究<br/>→ reddit_opportunities"]
GCR["地理内容研究<br/>→ geo_prompt_targets"]
GCP["地理内容规划<br/>→ content_architecture"]
BB["建立反向链接<br/>→ backlink_plan"]
WSGC["撰写 SEO 地理内容<br/>→ markdown 文章"]
CGC["创建地理图表<br/>→ SVG + 数据表"]
AC["内容审核<br/>验证来源"]
BRP["构建资源页面<br/>内容 → 前端"]
IAG["优化 AEO 地理<br/>网站代码修复"]
RB --> RK
RB --> ROR
RB --> GCR
RK --> GCP
ROR --> GCP
GCR --> GCP
ROR --> BB
GCR --> BB
GCP --> WSGC
GCP --> CGC
WSGC --> AC
CGC --> AC
AC --> BRP
AC --> IAG
步骤详解
| 步骤 | 技能 | 输入 | 输出 |
|---|---|---|---|
| 1 | research-brand |
公司 URL | brand_dna.md — 定位、受众、竞争对手、声音 |
| 2a | research-keywords |
品牌 DNA + 产品类别 | keyword_research.md — 按意图优先排列的关键词 |
| 2b | reddit-opportunity-research |
品牌 DNA + 可选关键词/GEO 文件 | reddit_opportunities.md — 排名靠前的 subreddit 和帖子机会 |
| 2c | geo-content-research |
品牌 DNA + 产品类别 | geo_prompt_targets.md — 按商业价值分级的 AI 提示词 |
| 3 | geo-content-planning |
品牌 DNA + 关键词 + GEO 提示词 + Reddit 信号 | content_architecture.md — 包含类型、URL 和优先级的页面规划 |
| 4a | write-seo-geo-content |
内容架构 + 研究 | 带有 frontmatter 的 Markdown 文章 |
| 4b | create-geo-charts |
文章中的数据 | SVG 图表 + HTML 表格 + JSON-LD |
| 5 | audit-content |
文章 + 品牌 DNA | 审计报告 — 验证过的 URL、统计数据、声明 |
| 6a | build-resource-pages |
审计后的内容 + 客户代码库 | 前端资源中心页面 |
| 6b | improve-aeo-geo |
客户网站代码库 | 用于提升 AI 可发现性的代码修复 |
标有 a/b/c 的步骤可以并行运行。
安装
克隆一次仓库,然后将你想要使用的技能文件夹配置到 Codex 或 Claude Code 中即可。
git clone https://github.com/onvoyage-ai/gtm-engineer-skills.git
cd gtm-engineer-skills
每个技能都位于各自的文件夹中,并使用一个 SKILL.md 文件,这与两种工具通用的代理技能模式一致。
Codex
将所需的技能文件夹符号链接或复制到 ~/.codex/skills/(如果你使用自定义的 Codex 主目录,则为 $CODEX_HOME/skills/)。
mkdir -p ~/.codex/skills
ln -s "$PWD/research-brand" ~/.codex/skills/research-brand
ln -s "$PWD/reddit-opportunity-research" ~/.codex/skills/reddit-opportunity-research
Claude Code
将所需的技能文件夹符号链接或复制到 ~/.claude/skills/ 或项目本地的 .claude/skills/ 目录中。
mkdir -p ~/.claude/skills
ln -s "$PWD/research-brand" ~/.claude/skills/research-brand
ln -s "$PWD/reddit-opportunity-research" ~/.claude/skills/reddit-opportunity-research
平台说明
reddit-opportunity-research 流程在两种工具中都很有用,但具体的 Reddit 访问体验因产品而异。ChatGPT 已经在其产品内原生支持 Reddit 访问;Claude 通常不支持,因此在比较输出时请注意这一点。
技能
品牌 DNA 研究
通过公司 URL 对其进行研究,生成一份涵盖定位、受众、竞争对手、声音和信息传递的品牌 DNA 文件。
文件夹:research-brand/
SEO/GEO 关键词研究
利用网络搜索、AI 分析,以及可选的付费工具如 Ahrefs 或 Semrush,找出高价值的 SEO 和 GEO 关键词。
文件夹:research-keywords/
Reddit 机会研究
基于品牌 DNA,寻找 Reddit 上的痛点讨论、目标子版块以及搜索语言模式。生成一份排名靠前的机会列表,可用于有效的推广、内容投放和提示词研究。
文件夹:reddit-opportunity-research/
地理内容研究
研究用户就某一产品类别向 AI 引擎提出的问题。生成一张包含商业价值等级(购买/解决/学习)的 GEO 提示词目标表。
文件夹:geo-content-research/
地理内容规划
读取品牌 DNA、关键词研究和 GEO 提示词目标,然后制定内容架构——需要创建哪些页面、页面类型、URL 以及优先级。
文件夹:geo-content-planning/
撰写 SEO + 地理内容
撰写以产品为导向的内容页面,针对搜索引擎和 AI 引擎的引用进行优化。采用研究先行的方法论,结合页面类型框架,不捏造任何统计数据。
文件夹:write-seo-geo-content/
创建 GEO/SEO 图表
创建 AI 引擎能够解析、引用和标注的数据可视化图表。每个图表都包含文本摘要、HTML 数据表和 JSON-LD。
文件夹:create-geo-charts/
内容审核
在发布之前,验证内容的真实性、准确性和链接完整性。及时发现捏造的统计数据、失效的 URL 和错误的来源标注。
文件夹:audit-content/
构建资源页面
将现有的内容 Markdown 文件整合到客户网站上,利用其现有的技术栈和设计系统,构建生产就绪的资源中心页面。
文件夹:build-resource-pages/
优化网站 AEO/GEO
审计网站代码库,并进行代码更改,使 AI 引擎能够更好地发现、解析、引用和标注该网站。
文件夹:improve-aeo-geo/
先检查你的分数:aeo-audit.sh
贡献
请参阅 CONTRIBUTING.md,了解如何贡献新技能、改进现有技能或添加示例。
许可证
MIT — 详见 LICENSE。
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
markitdown
MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具,专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片(含 OCR)、音频(含语音转录)、HTML 乃至 YouTube 链接等多种格式的解析,能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天,大语言模型(LLM)虽擅长处理文本,却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点,它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式,成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外,它还提供了 MCP(模型上下文协议)服务器,可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用,尤其是那些需要构建文档检索增强生成(RAG)系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性,但其核心优势在于为机器
LLMs-from-scratch
LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目,旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型(LLM)。它不仅是同名技术著作的官方代码库,更提供了一套完整的实践方案,涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型,却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码,用户能够透彻掌握 Transformer 架构、注意力机制等关键原理,从而真正理解大模型是如何“思考”的。此外,项目还包含了加载大型预训练权重进行微调的代码,帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API,而是渴望探究模型构建细节的技术人员而言,这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计:将复杂的系统工程拆解为清晰的步骤,配合详细的图表与示例,让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础,还是为未来研发更大规模的模型做准备