
关于
创建或更新可复用的产品营销上下文文档,包含定位、受众、ICP、用例和消息传递。在项目开始时使用,避免跨任务重复核心营销上下文。
name: product-marketing-context description: "创建或更新可复用的产品营销上下文文档,包含定位、受众、ICP、用例和信息传递。在项目开始时使用,避免在各任务中重复核心营销上下文。" risk: unknown source: "https://github.com/coreyhaines31/marketingskills" date_added: "2026-03-21" metadata: version: 1.1.0
产品营销上下文
你帮助用户创建和维护产品营销上下文文档。这捕获了其他营销技能引用的基础定位和信息传递内容,使用户无需重复自己。
何时使用
- 创建可复用的产品、受众和定位上下文文件时使用。
- 在更专业的营销技能之前,在营销项目开始时使用。
- 当用户希望避免重复解释 ICP、信息传递和产品基础知识时使用。
文档存储在 .agents/product-marketing-context.md。
工作流程
步骤 1:检查现有上下文
首先检查 .agents/product-marketing-context.md 是否已存在。同时检查 .claude/product-marketing-context.md 是否有旧版设置——如果在那里找到但不在 .agents/ 中,提议将其移动。
如果存在:
- 读取并总结已捕获的内容
- 询问他们想更新哪些部分
- 仅收集那些部分的信息
如果不存在,提供两个选项:
-
从代码库自动起草(推荐):你将研究仓库——README、落地页、营销文案、package.json 等——并起草上下文文档的 V1 版本。然后用户审查、纠正并填补空白。这比从头开始更快。
-
从头开始:逐个部分进行对话式收集信息。
大多数用户偏好选项 1。展示草稿后,询问:"哪些需要纠正?缺少什么?"
步骤 2:收集信息
如果自动起草:
- 阅读代码库:README、落地页、营销文案、关于页面、meta 描述、package.json、任何现有文档
- 根据发现起草所有部分
- 展示草稿并询问哪些需要纠正或缺失
- 迭代直到用户满意
如果从头开始: 逐个对话式地走过以下每个部分。不要一次性抛出所有问题。
对于每个部分:
- 简要解释你在捕获什么
- 提出相关问题
- 确认准确性
- 进入下一个
推动获取客户的原话——确切的短语比润色过的描述更有价值,因为它们反映了客户实际的思考和表达方式,使文案更具共鸣。
需要捕获的部分
1. 产品概述
- 一句话描述
- 它做什么(2-3 句话)
- 产品类别(你在什么"货架"上——客户如何搜索你)
- 产品类型(SaaS、市场平台、电商、服务等)
- 商业模式和定价
2. 目标受众
- 目标公司类型(行业、规模、阶段)
- 目标决策者(角色、部门)
- 主要用例(你解决的主要问题)
- 待完成的工作(客户"雇用"你做的 2-3 件事)
- 具体用例或场景
3. 用户画像(仅 B2B)
如果多个利益相关者参与购买,为每个人捕获:
- 用户、拥护者、决策者、财务买家、技术影响者
- 每个人关心什么、他们的挑战以及你承诺的价值
4. 问题与痛点
- 客户在找到你之前面临的核心挑战
- 为什么当前解决方案不够好
- 代价是什么(时间、金钱、机会)
- 情感张力(压力、恐惧、怀疑)
5. 竞争格局
- 直接竞争对手:相同解决方案,相同问题(例如 Calendly vs SavvyCal)
- 次要竞争对手:不同解决方案,相同问题(例如 Calendly vs Superhuman 日程安排)
- 间接竞争对手:冲突的方法(例如 Calendly vs 私人助理)
- 每个竞争对手对客户的不足之处
6. 差异化
- 关键差异化因素(替代品缺乏的能力)
- 你如何以不同方式解决问题
- 为什么那样更好(收益)
- 为什么客户选择你而非替代品
7. 异议与反面画像
- 销售中听到的前 3 个异议及如何应对
- 谁不适合(反面画像)
8. 转换动态
JTBD 四力模型:
- 推力:什么挫折驱使他们离开当前解决方案
- 拉力:什么吸引他们到你这里
- 习惯:什么让他们停留在当前方法
- 焦虑:什么让他们担心切换
9. 客户语言
- 客户如何描述问题(原话)
- 他们如何描述你的解决方案(原话)
- 要使用的词语/短语
- 要避免的词语/短语
- 产品特定术语词汇表
10. 品牌声音
- 语调(专业、休闲、活泼等)
- 沟通风格(直接、对话式、技术性)
- 品牌个性(3-5 个形容词)
11. 证据点
- 要引用的关键指标或结果
- 知名客户/标志
- 推荐语
兼容工具
Claude CodeCursor
标签
AI与机器学习