- name
- marketing-os
- description
- AI Agent 营销操作系统 — 包含 Virtual CMO（战略大脑）和 Marketing Operator（执行引擎），提供市场分析、策略制定、Campaign 规划与执行追踪全链路能力。
- tags
- version
- 1.0.0
🚀 Marketing OS — AI Agent 营销操作系统
概述
Marketing OS 是一个模块化、Schema 驱动的营销智能系统，设计为可直接接入任何 AI Agent Runtime 的 Skill Package。
它提供两个核心角色：
| 角色 | 功能 |
|---|---|
| Virtual CMO | 战略大脑 — 市场分析、机会识别、策略制定 |
| Marketing Operator | 执行引擎 — 任务分解、Campaign 管理、指标追踪 |
两个角色通过结构化协作协议 (schemas/cmo_to_operator.schema.json) 通信，确保战略到执行零歧义。
使用场景
| 场景 | 触发方式 |
|---|---|
| 市场发现 | "分析当前市场机会并生成战略建议" |
| Offer 选择 | "从已识别的机会中选择最佳产品匹配" |
| Campaign 规划 | "把策略拆解为可执行任务" |
| 执行冲刺 | "执行所有任务并收集指标反馈" |
技能调用格式
skill: marketing-os
input:
mode: market_discovery | offer_selection | campaign_planning | execution_sprint
business_context:
company_name: "公司名称"
products: ["产品1", "产品2"]
target_market: "目标市场"
budget_range: "预算范围"
brand_positioning: "品牌定位"
market_data: # 可选 — 外部市场信号
search_trends: []
competitor_moves: []
audience_signals: []
mission_id: "xxx" # campaign_planning / execution_sprint 时必填
auto_mode: false # 是否全自动执行系统架构
┌─────────────────────────────────────────────────┐
│ Agent Runtime │
├─────────────────────────────────────────────────┤
│ │
│ ┌──────────────┐ ┌─────────────────────┐ │
│ │ Virtual CMO │────▶│ Marketing Operator │ │
│ │ (Strategy) │◀────│ (Execution) │ │
│ └──────┬───────┘ └──────────┬──────────┘ │
│ │ │ │
│ ┌──────▼────────────────────────▼──────────┐ │
│ │ Shared Memory │ │
│ │ (insights / campaigns / learnings) │ │
│ └──────────────────────────────────────────┘ │
│ │ │ │
│ ┌──────▼──────┐ ┌────────────▼───────────┐ │
│ │ Workflows │ │ Adapters │ │
│ │ (flow.json) │ │ (CRM/Data/Content) │ │
│ └─────────────┘ └───────────────────────┘ │
└─────────────────────────────────────────────────┘核心模块
1. 🧠 Virtual CMO — 战略分析
执行步骤：
Step 1: 收集市场数据（信号、趋势、竞争对手动态）
Step 2: 分析信号 — 分类、评分（signal_strength 1-10）
Step 3: 识别机会 — 聚类相关信号，评估市场规模/竞争/匹配度
Step 4: 计算优先级 — priority_score = (信号强度×0.3) + (市场规模×0.25) + (能力匹配×0.25) + (紧迫度×0.2)
Step 5: 生成策略 — 定位、渠道推荐、KPI、风险评估
Step 6: 输出任务简报 — 传递给 Marketing Operator输出格式（schemas/cmo_output.schema.json）：
{
"analysis_id": "UUID",
"market_opportunities": [{"title": "...", "priority_score": 85, "confidence": "high"}],
"target_segments": [{"name": "...", "pain_points": ["..."]}],
"recommended_actions": [{"action": "...", "priority": "high", "owner": "operator"}],
"risks": [{"description": "...", "severity": 7, "mitigation": "..."}],
"next_steps": [{"action": "...", "owner": "operator", "deadline_type": "immediate"}],
"confidence_level": 78
}2. ⚙️ Marketing Operator — 任务执行
执行步骤：
Step 1: 验证 CMO Mission Brief
Step 2: 任务分解 — 将 action 拆成原子任务（每个任务有 owner/deadline/expected_result）
Step 3: 资源分配 — 预算、渠道、工具映射
Step 4: Campaign 组装 — 聚合任务，设置 KPI 目标
Step 5: 执行追踪 — 状态管理（pending → in_progress → completed/blocked/failed）
Step 6: 指标收集 — 量化（曝光/点击/转化）+ 定性（互动质量/品牌感知）
Step 7: 生成反馈 — 向 CMO 报告结果、学习、建议调整协作协议
CMO → Operator 通信格式（schemas/cmo_to_operator.schema.json）：
{
"mission_id": "UUID",
"objective": "明确的可衡量目标",
"target_audience": {"segment_name": "...", "pain_points": ["..."]},
"strategy": {"positioning": "...", "approach": "..."},
"priority": "critical | high | medium | low",
"recommended_channels": [{"channel": "LinkedIn", "priority_rank": 1}],
"actions": [{"action": "...", "priority": "high"}],
"success_criteria": {"primary_kpi": {"metric": "conversions", "target": "100"}}
}Operator → CMO 反馈格式（schemas/feedback.schema.json）：
{
"feedback_id": "UUID",
"execution_result": "事实总结",
"metrics": {"impressions": 15000, "clicks": 450, "conversions": 23},
"learnings": ["[MEASURED] LinkedIn 数据驱动标题 3x 互动率"],
"recommendations": ["将 30% 预算从 Display 转移到 LinkedIn"]
}行为规则
[!IMPORTANT] 系统内建以下严格约束： - ❌ 不允许模糊建议（"考虑"、"或许"、"可以试试" 一律禁止） - ✅ 必须给出优先级（critical / high / medium / low） - ✅ 必须给出下一步行动 - ✅ 必须给出风险评估 - ✅ 必须区分 [FACT] / [INFERENCE] / [RECOMMENDATION] - ✅ 信号强度 < 4 必须标记 "uncertain" - ✅ 信息不足必须明确声明 "INSUFFICIENT DATA"
文件结构
marketing-os/
├── SKILL.md # 本文件
├── README.md # 系统文档
├── skills/
│ ├── virtual-cmo/ # 战略分析
│ └── marketing-operator/ # 执行引擎
├── prompts/ # 4 个结构化 LLM Prompt
├── schemas/ # 5 个 JSON Schema
├── workflows/ # 3 个工作流编排
├── memory/ # 3 个持久化存储
├── logs/ # 执行审计日志
├── configs/ # 运行时配置
└── adapters/ # 外部接口规范（CRM/Data/Content）扩展方式
- 新增 Skill：在
skills/下创建目录，包含skill.json+logic.md+system_prompt.txt - 新增 Workflow：在
workflows/下创建.flow.json - 新增 Adapter：在
adapters/下创建.adapter.md - 接入 Stripe / CRM / 内容系统：配置
configs/system.config.json中的 adapters 部分
[!TIP] 建议先以 auto_mode: false 手动运行各 workflow，验证输出质量后再开启自动模式。*Skill Version: 1.0.0 | Designed for AI Agent Runtime Integration | 2026-03-22*