如果你做过小红书获客大概率会对下面这段描述有同感早上打开后台先刷一遍消息然后想今天发什么憋两个小时写出一篇笔记发布之后隔几分钟就点开看看评论遇到问价的有空就回两句没空就打一句“私你了”晚上再整理一下有哪些人值得跟进。这套流程听起来不复杂但极其消耗人尤其是当你手里同时有好几个账号、好几个品的时候纯靠人工根本跑不过来。我后来把整条链路整理成了一组 AI Skills交给 AI 编程助手当“岗位”去执行。Skills 这个东西一开始是从 Claude Code、Cursor 这类工具里火起来的本质上它是给 AI 装上一个带说明书、可执行脚本和参考资料的“专业工作包”。它不是普通提示词而是一个可以被 Agent 按需加载的完整工位AI 拿到之后不是“听你指挥干一次”而是“按一份完整的岗位职责持续干活”。这篇文章会从零拆解一套专门用于小红书获客的 Skill 包覆盖选题调研、笔记生产、评论区筛选、私信沟通、客户归档五个核心模块同时会讲到 Skills 的底层原理、安装方法与避坑经验。不管你是自己做生意的小老板、运营还是想给团队搭一套自动化获客系统的技术同学都可以直接照着搭。1. 一套 Skills 跑通小红书获客先拆需求再动手1.1 小红书获客的日常到底卡在哪先说个真实的体验。我早期做小红书获客用的完全是“人肉流程”选题靠刷首页和模仿同行爆款正文靠憋评论区靠盯私信靠一个个回。这套打法在小体量下没问题一旦笔记开始稳定出量你很快就会发现时间不够用。我统计过一篇笔记从选题到发布加上当天评论和私信处理至少占用 3 到 4 个小时。如果一天要发三篇基本别的什么也别干了。更关键的不是时间而是质量不稳定。状态好的时候标题想得又快又准状态差的时候憋一整天也找不到打动人的切入点。而且评论区和私信里是有大量意向客户的人工回复常常漏掉最关键的黄金时间。客户晚上十点问了一句“怎么收费”你第二天中午才回大概率这个人已经咨询过别家了。所以我把整个获客流程拆了一下发现真正值得重复做的事情其实就五件事选题调研、笔记生产、发布节奏管理、评论区和私信维护、客户归档。这里的“重复”不是贬义恰恰是因为动作重复才有标准化的空间AI 也才能稳定地替你干活。只要把这五件事逐一固化成 Skill整套获客链路就能从“靠人盯”变成“靠系统跑”。1.2 为什么是 Skills而不是普通提示词可能有人会问这些事我也让 AI 帮过忙啊无非就是“帮我写一篇小红书笔记”这种提示词为什么还要专门做成 Skills我一开始也是直接用提示词用久了发现三个问题。第一提示词是一次性的每次都要重新把背景、要求、格式说一遍AI 的理解还不稳定同一句话换个说法出来的风格可能完全跑偏。第二提示词只能“说”不能“做”。比如想统计评论区关键词你需要先把评论数据导出来再手动喂给模型流程断得很厉害。第三提示词没有沉淀。你辛辛苦苦调出来的一套好指令可能就躺在聊天记录里下次换个人、换个项目又得从零开始。Skills 就是解决这三个问题的。它把“做什么、怎么做、用什么数据、产出什么格式”固化成一个文件夹里面有说明文档、有脚本、有模板、有参考资料。AI 编程助手在遇到对应任务时会把整个文件夹的内容按需加载进来相当于你给 Agent 布置了一个标准化工位。它不光知道要做什么还知道调用哪个脚本、读哪份模板、输出什么格式的表格。这就不是一次性的“帮忙”而是一套可以复用、可以交接、可以持续迭代的工作方法。1.3 五个 Skill 覆盖完整获客链路我把这套获客流程设计成了五个 Skill每个对应上面说的一个重复环节。先用一张表把整体链路看清环节传统人工做法Skill 化之后核心产出选题调研刷首页、翻同行、凭感觉自动汇总搜索词和评论数据统计需求高频词选题库表格笔记生产憋正文、想标题、凑标签基于选题生成标题、正文、标签和合规自查清单可发布笔记初稿发布节奏凭经验挑时间手动定时根据账号历史数据给出发布时间建议发布计划评论区维护蹲评论、逐条回复自动筛选高意向评论生成优先级回复话术待回复列表私信转化手动私信、凭印象记录按客户意向分级生成话术自动写入客户表客户跟进记录五个 Skill 合在一起就是一个完整的获客漏斗选题解决“内容从哪来”生产解决“内容怎么写”发布解决“什么时候发”评论和私信解决“客户怎么接住”归档解决“成交线索怎么沉淀”。这里我要说句实在话这套流程不是要把人替换掉而是把 AI 能干的重复劳动全部接过去人只做两件事——定方向和做终审。2. Skills 到底是什么以及它与普通提示词的区别2.1 Skills 的底层逻辑给 AI 布置一个“工位”如果你用过 Claude Code、Cursor、Codex、opencode 这些 AI 编程工具应该对 Skills 不陌生。它的大致机制是这样的你可以在本地目录里放一堆 Skill 文件夹每个文件夹代表一种专业能力AI 在执行任务时会扫描这些文件夹根据任务描述匹配最合适的一个或多个 Skill然后加载里面的说明和脚本一起干活。拿现实打比方普通提示词就像你随口交代实习生“帮我把这堆数据整理一下”说得越少对方越容易自由发挥而 Skills 就像你给他准备了一个完整的工位桌上贴着岗位说明书抽屉里有工具书架上有资料甚至还有现成的表格模板。他来了不是猜你要什么而是按岗位规范执行产出标准化的结果。这也是为什么同一套 Skills 能“跑完”流程——因为每个环节都被定义成了明确的岗位Agent 不掉链子你也不用反复解释背景。2.2 拆开一个 Skill 看内部结构一个标准的 Skill最核心的文件是 SKILL.md它负责告诉 AI这个技能什么时候该用、具体怎么执行、产出什么格式。如果是纯说明型技能可能只有一个 SKILL.md稍微复杂一点的会带上 scripts 目录放脚本、references 目录放参考资料、templates 目录放模板。--- name: comment-triage description: 对小红书笔记评论进行分类识别意向客户、普通围观和同行并生成回复建议。当用户需要处理小红书评论、筛选潜在客户时使用。 --- # 评论区筛选 ## 使用时机 得到一篇笔记的评论数据后需要快速判断哪些人在问价、哪些在咨询细节、哪些只是路过。 ## 执行步骤 1. 读取输入的评论列表CSV 或文本 2. 按关键词将评论分成三类高意向问价、怎么买、多少钱、教程、中意向感兴趣、求链接、低意向打卡、表情、无关讨论 3. 对每条高意向评论生成一句回复话术语气自然避免重复 4. 输出三张表高意向表、中意向表、待回复话术表看到没有这个文件做的事情就是把“你会怎么做”变成模型的本能。它读一遍就知道规则了。这时候如果再配一个分类脚本AI 就直接把分类动作替你执行了而不是只给你一段“我建议你这样分类”的建议。所以一个完整的 Skill本质上是“规则 工具 数据”的组合缺一个都会显得单薄。2.3 从提示词到 Skills 的升级路径现在网上能看到不少关于“从提示词到 Skills”的讨论我自己的体会是三步走。第一步找重复。把那些你一周之内反复让 AI 做三遍以上的事情列出来比如“写小红书标题”“产品卖点提炼”“评论回复”这些就是潜在 Skill。第二步定边界。给每个重复任务定清楚输入是什么输出是什么风格约束是什么比如“不说‘亲’、不写营销腔、控制在 200 字内”。第三步加工具。如果你的任务涉及数据处理就把脚本写好放进去涉及格式规范就把模板放进去涉及行业知识就把参考资料放进去。这一步完成Skill 就不再是一段文字而是一个能执行的工作包。你后面会发现最花时间的不是写规则而是想清楚边界。边界想得越清楚AI 发挥就越稳定。3. 小红书获客 Skill 包目录结构设计与五个核心模块3.1 整个 Skill 包的目录长什么样下面是我整理的一套“小红书获客”Skill 包目录你可以把它整个下载下来也可以只挑其中一两个模块先跑起来。rednote-client-acquisition/ ├── README.md # 整套 Skill 的使用说明 ├── install.sh # 一键安装脚本 ├── skills/ │ ├── topic-research/ # 选题调研 │ │ ├── SKILL.md │ │ ├── scripts/ │ │ │ ├── load_comments.py # 读入评论导出数据 │ │ │ └── keyword_stats.py # 关键词统计与分类 │ │ └── references/ │ │ └── keyword_library.md # 需求词库 │ ├── content-writing/ # 笔记生产 │ │ ├── SKILL.md │ │ ├── templates/ │ │ │ ├── headline.md # 标题模板 │ │ │ └── note.md # 正文模板 │ │ └── examples/ │ │ └── sample_notes.md # 参考案例 │ ├── publish-plan/ # 发布节奏 │ │ ├── SKILL.md │ │ └── scripts/ │ │ └── best_time.py │ ├── comment-triage/ # 评论区筛选 │ │ ├── SKILL.md │ │ └── scripts/ │ │ └── classify_comment.py │ └── client-tracking/ # 客户归档 │ ├── SKILL.md │ └── templates/ │ └── client_tracker.csv └── data/ ├── comments_raw.csv # 待处理的评论数据 └── clients.csv # 客户跟进表每个 Skill 都保持相同的骨架SKILL.md 控制逻辑scripts 干数据活references/templates 提供背景和模板。这样无论是人还是 AI进入任何一个子模块都不会迷路。这也是我建议大家维护一套统一结构的原因——结构一致意味着迭代的时候不用每次都重新理解。3.2 选题调研 Skill从评论区里挖出客户真实需求选题调研是整个获客链路里最容易被忽略、又最值得投入的一环。很多运营写不出内容不是文笔不行而是不知道客户关心什么。做小红书获客选题不是“我想写什么”而是“客户在问什么”。这个 Skill 的做法是把小红书站内搜索结果、竞品笔记下的评论整理成一份原始数据表然后用脚本做分词和词频统计把出现频率高的词映射到“客户痛点、使用场景、产品需求、决策顾虑”四个分类里。举个例子你卖的是考研辅导那评论区里高频出现的可能是“专业课”“二战”“基础差”“来得及吗”“资料”“上岸”这些词本身就是一篇篇现成选题。输出格式通常是关键词、频次、对应客户画像、建议选题角度。这一张表比你看十篇爆款分析报告都管用。另外我会在 references 里维护一份 keyword_library.md把每个品类已经验证过的需求词积累下来Skill 跑得越久词库越准。我说过这套方法的复利效应就在这种数据积累上前期看不出来一个月后差距会非常明显。3.3 笔记生产 Skill把选题变成可发布的初稿选题确定之后就是内容生产。这个 Skill 的核心不是“让 AI 自由发挥写一篇笔记”而是让它按照模板填内容。模板里明确规定了标题结构、开头钩子、正文节奏、话题标签、合规自查这几块。标题这块我习惯让 AI 一次给十个备选围绕“人群痛点结果”的公式组合比如“零基础三个月过英语六级我用的是这条笨办法”。正文则分为三到四段第一段讲场景共鸣第二段讲方法或产品第三段讲真实体验最后用召唤行动收尾。话题标签由 Skill 根据选题自动匹配同时给出 4 到 6 个中腰部标签不全是几百万粉的大词中小标签反而更容易获得精准流量。这里特别重要的一点是合规自查。Skill 会在输出前检查一遍内容有没有绝对化用语有没有过度承诺有没有敏感词。AI 初稿永远不是直接发布的版本人要在发布前做最后一次把关。这套“AI 初稿人终审”的模式是效率和安全兼顾的做法也是我反复强调不能省掉的一步。3.4 评论区筛选与互动 Skill从 500 条评论里捞出意向客户评论区其实是一口流量井。很多人只把评论当成“互动量”看待其实评论里藏着明确的需求信号。这个 Skill 的价值在于把“逐条眼看”变成“自动分类”。它的规则很简单把评论按关键词分成高、中、低意向三档。高意向是“怎么买”“多少钱”“有链接吗”“私我”这类直接表达购买意愿的中意向是“求教程”“怎么做到的”“好想学”这类兴趣信号低意向是“哈哈哈”“好看”“打卡”这类情绪表达。分类之后Skill 会给每条高意向评论生成一句回复建议原则是自然、具体、不复制粘贴。同一个账号的回复之间要有差异否则一眼看去全是模板套路反而伤害信任感。实际跑下来我觉得这个 Skill 省的时间是最多的。过去盯一天评论区现在十分钟能筛完一天的评论并且不会错过任何一个带“多少钱”字样的潜在客户。搭配发布节奏 Skill 使用你还能知道哪条评论、哪个时间段来的客户最多后面安排人力就更有依据。3.5 私信沟通与客户归档 Skill把“聊得来”变成“可跟进”评论区筛出来的高意向客户最终还是要落到私信和后续跟进上。私信沟通 Skill 做得不是“自动私信轰炸”而是提供分级话术。它的逻辑是先判断客户处在哪个阶段刚来咨询、对比中、准备下单、已经沉默再匹配对应的话术方向。客户归档 Skill 则管着一份 clients.csv字段包括客户昵称、来源笔记、意向等级、沟通时间、最近跟进记录、下一步动作。每次私信聊完AI 会把对话摘要整理好追加到这一行后面。这样做有一个特别大的好处当你同时跟进几十上百个客户时不会搞混谁是谁每周复盘时打开表格看一眼就知道哪篇笔记带来的潜在客户最多哪类话术转化率更高。我自己的做法是每周日晚上让 Skill 基于这个表生成一份周报新增了多少线索、哪些客户该回访了、哪个选题带来的咨询最多。有了这些数据下一周的内容策略就不是拍脑袋而是有依据的。4. 实操从零搭建并安装你的第一套获客 Skills4.1 工具选型Claude Code、Cursor、opencode、Codex 怎么选Skills 不是独立运行的软件它依附于某个 AI 编程助手。目前常见的几款工具对 Skills 都有支持但目录和加载方式略有差别。我列一个对比帮你按习惯选工具Skills 目录适合谁Claude Code~/.claude/skills/ 或项目 .claude/skills/命令行重度用户手动控制强Cursor.cursor/skills/习惯 IDE 操作、边写边看的人opencode~/.config/opencode/skills/喜欢轻量开源方案的用户CodexAGENTS.md / skills 目录想复用相关 AI 生态的人说明一下这些工具的 Skills 规范还处于快速迭代期目录名和写法可能随版本变化。初次配置时以官方文档为准我这里给出的是当前比较通用的路径。我的建议是如果你已经习惯某款工具不要因为 Skills 换工具如果从零开始Claude Code 和 Cursor 的 Skills 生态相对成熟社区讨论也多踩坑更容易找到答案。4.2 从 GitHub 手动安装一个现成 Skills 包网上的热门 Skills 库比如 awesome-claude-skills、superpower-skills、typesafe ai skills基本都能通过 GitHub 获取。手动安装的流程不复杂核心动作是三步下载、放到对应目录、验证加载。以 Claude Code 为例先把仓库拿到本地然后进入 .claude/skills 目录把需要用的 Skill 文件夹复制进去。这里有个容易出错的地方很多初学者把整个仓库目录直接放进去导致 Skills 被嵌套了一层AI 扫不到。正确的做法是让每个 Skill 文件夹直接位于 skills 目录下且里面必须有一份 SKILL.md。放好之后在工具里发起一次相关任务让它“列出当前已加载的所有 Skills”。如果能看到你的 Skill 名称就说明加载成功了。Cursor 的配置思路一样区别在于目录是 .cursor/skills/opencode 则是 ~/.config/opencode/skills/。换目录时把整个 Skill 文件夹拷贝过去就行不用改内部结构。4.3 动手写一个最小可用的“评论区筛选”Skill看再多教程不如自己写一个。我拿“评论区筛选”这个最省时的 Skill 给你演示最小实现。先建目录mkdir -p ~/.claude/skills/comment-triage/scripts cd ~/.claude/skills/comment-triage然后写 SKILL.md--- name: comment-triage description: 对小红书笔记评论进行分类识别意向客户生成回复建议。当用户需要处理小红书评论、筛选潜在客户时使用。 --- # 评论区筛选 ## 输入 - 评论列表文件CSV 格式至少包含 comment 一列 - 可选产品名称、目标客户画像 ## 执行步骤 1. 读取评论 CSV 2. 按关键词分为三档 - 高意向怎么买、多少钱、有链接、私我、怎么收费 - 中意向求教程、怎么做到、想学、求带 - 低意向表情、哈哈、好看、无关内容 3. 对高、中意向评论各生成一句回复话术 4. 输出三张表高意向名单、中意向名单、回复话术表再写一个简单的分类脚本import csv import sys HIGH [怎么买, 多少钱, 有链接, 私我, 怎么收费] MID [求教程, 怎么做到, 想学, 求带, 求分享] def classify(text): for w in HIGH: if w in text: return 高意向 for w in MID: if w in text: return 中意向 return 低意向 def main(path): with open(path, newline, encodingutf-8) as f: rows list(csv.DictReader(f)) buckets {高意向: [], 中意向: [], 低意向: []} for r in rows: level classify(r[comment]) buckets[level].append(r[comment]) for level in [高意向, 中意向, 低意向]: print(f {level} ) for c in buckets[level]: print(-, c) if __name__ __main__: main(sys.argv[1])这个 Skill 的逻辑很简单但已经够用了。你把评论数据按 CSV 格式放好让 AI 处理 “comment-triage” 这个任务时它就会先用脚本分类再根据 SKILL.md 的规则生成回复建议。跑通之后你再逐步把关键词库换成你所在行业的词把话术规则写得更细Skill 就越来越像你的运营助理。4.4 多工具共用一套 Skills 目录的小技巧有些人电脑上同时装了 Claude Code、Cursor 和 Codex每个工具都想用同一套 Skills又不想来回拷贝。这里分享一个省事的做法让多个工具指向同一个 Skills 目录。以 Claude Code 和 Cursor 为例可以建一个统一的目录比如 ~/skills-library然后在两个工具的配置目录里分别做软链接。Linux/macOS 下用 ln -sWindows 下用 mklink /D 或 junction。这样做的好处是你只维护一份 Skill所有工具同步生效改一个脚本到处都能用。另外要注意一个我早期踩过的坑做软链接时别把整个仓库目录链接进去要链接到真正包含 SKILL.md 的那一层。有些工具会递归扫描目录链接层级不对会重复加载甚至不识别。测试的时候输入“列出所有已加载 Skills”就能立刻发现问题。5. 踩坑实录Skills 用不起来的常见原因与排查思路5.1 装好了但 AI 就是不调用这是大家问得最多的问题Skill 明明放对位置了AI 却当它不存在。我排查过很多次常见原因有三个。第一目录层级不对。AI 扫描 Skill 时找的是“一层目录里的 SKILL.md”如果你把 Skill 文件夹又包了一层比如 skills/rednote-client-acquisition/skills/comment-triage/它就扫不到。第二SKILL.md 里的 description 写得太泛。AI 是根据描述来判断要不要加载的描述里没有出现“小红书”“评论”“客户”这些词触发概率就很低。第三工具版本太旧。Skills 是较新的功能旧版本可能根本没实现扫描逻辑升级工具后就好了。排查方法也简单直接问 AI“你当前能加载哪些 Skills”如果列表里没有就去检查路径和文件结构如果列表有但任务不触发就去看描述里的关键词和任务描述是否一致。5.2 输出质量不稳定前后两次结果差异大Skills 能保证流程一致但模型输出依然有随机性。我遇到最多的情况是同一个 Skill上午跑出来是 80 分下午跑出来只有 60 分。原因一般是三个。一是示例太少。SKILL.md 里如果只有规则没有样例模型就只能凭空发挥。在 examples 目录里放三五条高质量案例效果会立刻提升。二是上下文被挤占。加载了太多参考资料反而把核心指令淹没了SKILL.md 开头要用最简短的话写清楚“现在做什么、产出什么”。三是参数问题。多数工具的生成参数默认是偏保守的如果你觉得输出太死板可以适当调高一点如果觉得跑题就调低。这个度需要用自己的数据多试几次。我的习惯是每个 Skill 先跑十次记录哪类输出不稳定然后针对性补示例而不是反复改描述。改描述是治标补示例是治本。5.3 平台规则与账号健康自动化获客的红线必须说一句很实际的话小红书做获客自动化工具只能帮你提效平台规则是不能对抗的。我在实际使用中给自己定了几条红线也建议你遵守。第一不做批量私信轰炸。私信沟通 Skill 只生成话术不自动群发每条私信仍然由人确认发送。第二控制营销浓度。一篇笔记里干货分享占七成产品推广占三成不要篇篇都是硬广。第三发布前人工终审。AI 初稿里可能有绝对化用语、夸大承诺这些是平台最敏感的一定要人在发布前检查。我这里不展开讲怎么规避平台审核那是灰色操作也不该作为一个正经获客系统的组成部分。真正可持续的做法是把 Skill 用在内容质量和响应速度上而不是用在钻空子上。5.4 数据积累与效果复盘Skill 越用越准的关键很多人的 Skill 用了一周就搁置了原因是感觉“也就那样”。我后来发现问题不在 Skill 本身而在没有让 Skill 积累数据。拿评论区筛选举例你第一周手动把“高意向”的评论打上标签把分类结果不断补充进 references 里的关键词库第二周这个 Skill 的准确率就会明显不一样。客户归档也一样只有持续记录周报才有意义。Skills 的本质是流程固化而流程固化最怕的是没有反馈回路。所以我在设计每一个 Skill 时都会预留一个 data 或 references 目录放历史数据。它不是摆设而是让 AI 每次处理任务时可以参照的历史经验。有了这层积累整套获客 Skills 才真正配得上“一套跑完”这四个字。6. 把 Skills 变成获客体系管理与迭代建议6.1 像管理团队一样管理 Skills手上有了好几个 Skill 之后你会发现最大的挑战不是写而是维护。我建议把每个 Skill 当员工管明确它的职责边界、指定谁来更新、规定多久迭代一次。我自己是这么做的每个 Skill 的 SKILL.md 顶部除了功能描述还会写“最近更新时间”和“变更记录”。每次优化完关键词库或模板顺手更新一下版本号。这样一个月后回看你知道哪些改动让效果变好了哪些纯属白忙。另外新 Skill 上线前先在固定数据集上跑一遍跟旧流程对比一下结果。比如新写的选题调研 Skill先拿上周的评论数据跑看它输出的选题是不是比上周人工想的更贴合客户需求。验证通过再推广不然很容易造成“自动化地做无用功”。6.2 Skills 生态带来的启发不是一个孤立的玩法我最近逛了不少 Skills 相关的社区和仓库发现一个很有意思的现象Skills 的应用范围远不止小红书获客。有人给数学建模比赛准备 codex skills也有人做 latex 排版 skills、图片生成 skills、文档处理 skills、AI 漫剧常用的 skills甚至还有 PM 用的 skills。superpower-skills 这种合集试图给出通用能力框架awesome-claude-skills 则是按场景汇总了上百种技能前端开发、数据分析、文案写作都有覆盖。这给我的启发是一套获客 Skills 的底层方法论其实可以复制到很多地方。你今天写“小红书评论区筛选”明天换成“知乎问题筛选”“B站评论区筛选”改一下关键词库和模板就能用。你为获客做的选题调研 Skill换成别的业务也一样成立。Skills 真正值钱的不是单个脚本而是“把重复工作结构化”这套思维方式。回到标题说的那件事“一套 Skills 跑完小红书找客户”它不是一个投机取巧的技巧而是把获客从“看状态、拼体力”变成“有流程、有沉淀”的一次改造。这套改造可以从小处开始先把你本周重复做了三次以上的任务抽出来写成第一个 Skill跑通之后再复制到下一个环节。6.3 最后分享一点实际操作中的体会开头我说过这套 Skill 包最大的价值不是省时间而是让获客变成了可以复制、可以交给别人的标准流程。我现在的状态是选题由 Skill 给建议我拍板正文由 Skill 打初稿我润色评论区由 Skill 筛选我回复高意向客户客户信息由 Skill 归档我每周自动收到一份周报。人只花精力在真正需要判断的事情上。如果你也想搭一套我的建议是不要一上来就搞五个 Skill。先选你目前最头疼的一个环节——缺选题就做选题调研回复不过来就做评论区筛选——把它跑顺再加下一个。工具不在多能解决问题的那个才是真有用的。
