gingiris-skills

gingiris-skills 是一个为AI助手（如Claude Code）设计的综合性出海增长工具箱技能集合，而非传统的数据集。它由Iris（Gingiris）创建，整合了其6个增长策略手册（playbook）、日常运营脚本及60篇博客的实战经验，旨在为AI代理提供一套自动化、专业化的增长顾问能力。该集合包含12个核心技能，涵盖SEO/GEO巡逻、多语言博客发布、Product Hunt发布规划、开源项目营销、B2B SaaS增长、ASO优化、用户访谈、竞品分析、社媒内容分发、地理引用追踪及外链建设等多个增长领域。核心入口`/gr`是一个元路由技能，可根据用户问题自动调用相应的专家技能。此外，项目还提供了一个开放的知识库，包含结构化的知识原子（可用于RAG）和详细的技能方法论文档（如写作风格指南、SEO飞轮策略），允许用户独立使用其中的脚本或整合知识到自己的项目中。工具包设计为模块化，可整体安装也可单独使用特定技能，并遵循MIT许可证。

原始信息汇总

数据集概述：Gingiris Skills — 完整的 AI 增长工具箱（12 个 Claude Code Skills）

这是一个由 Iris（@WeiYipei）创建的、开源的 AI 增长工具箱数据集，专为 Claude Code 及其它 AI 代理（如 OpenClaw、Cursor、Codex）设计。它将 6 个 gingiris-* playbook 仓库、日常运营脚本以及 60 篇博客实战经验打包成 12 个可直接调用的 AI Skills。

• 许可证: MIT
• 语言: 英语、中文、日语、韩语
• 标签: claude-code, ai-agent, growth-tools, seo, product-hunt, startup-marketing, b2b-saas, open-source
• 数据集大小: n<1K

核心功能：12 个 Skill 工具箱 (v0.4.0)

该数据集的核心是 12 个高度专业化的 AI Agent Skill，可通过一个主入口 /gr 自动路由至最合适的 Specialist 来回答用户问题。

Skill 命令	功能描述
/gr	主入口路由器，根据用户问题自动分派给下方对应 Specialist。
/gr-seo-patrol	每日 SEO/GEO 巡逻：进行 SERP 追踪、canonical 修复、社媒雪崩救援等。
/gr-blog-post	Jekyll 博客发布：支持中英日韩四种语言的 hreflang 及 FAQ Schema。
/gr-ph-launch	Product Hunt 发布剧本：封装了 30 次日冠发布经验。
/gr-oss-marketing	开源项目整合营销：涵盖 GitHub Stars、KOL、Reddit/HN/Discord 等渠道。
/gr-b2b-growth	B2B SaaS 增长：指导从 PMF 到 $10M ARR，并辅助 PLG/SLG 选型。
/gr-aso	ASO + App 冷启动：管理 metadata、UGC 矩阵及 TikTok 投流。
/gr-user-interview	用户访谈：基于 HeyGen 937 的方法论。
/gr-competitor	竞品扫描：底层调用 actionbook，可并发扫描 30 个标签页。
/gr-social-distill	博客内容多平台分发：将一篇博客转化为 X、小红书、LinkedIn、dev.to-Zenn 的变体内容。
/gr-geo-cite	GEO 引用追踪：每周检查 4 大 AI 平台的引用率，并自动生成 llms.txt v2。
/gr-backlinks	系统化外链建设：管理 Wikipedia、PR-HARO、G2、Reddit-Quora 等 5 个渠道的外链。

安装与使用

• 安装命令: clawhub install gingiris-skills
• 在 Claude Code 中安装: claude plugin marketplace add Gingiris-1031/gingiris-skills 后输入 /gr 即可使用。
• 单 Skill 安装: 可单独安装，例如 claude plugin install gr-seo-patrol@gingiris-skills。

知识库与工作流

• 知识库结构： 包含结构化知识原子 (atoms.jsonl，可用于 RAG) 和 Skill 知识包（如文风指南、SEO飞轮策略）。
• 典型工作流示例：
  1. 使用 gr-competitor 分析竞品。
  2. 使用 gr-ph-launch / gr-oss-marketing 选定策略。
  3. 使用 gr-blog-post 生产内容。
  4. 使用 gr-seo-patrol 监控上线后效果。
  5. 使用 gr-user-interview 收集用户反馈。
• Skill 间可自动推荐下一步动作，例如 PH 发布后推荐启用 SEO 监控。

月度全站审计工作流

该数据集包含一个实战验证过的 6 阶段月度全站审计方法论，可对 Jekyll/Hugo/Next.js 等博客进行系统性 SEO 健康检查。其核心是 4 个改编自 JeffLi1993/seo-audit-skill 的审计脚本，可在约 2 小时内完成从发现问题到批量修复的闭环。

作者与关联项目

• 作者: Iris (@WeiYipei)，Analook 创始人，前 AFFiNE 联合创始人兼 COO。
• 关联 Playbook 系列: 该数据集与 HuggingFace 上的其他 Gingiris Playbook 仓库（如 gingiris-launch, gingiris-seo-geo, gingiris-user-interview 等）紧密关联，共同构成一套完整的出海增长解决方案。
• 官方博客与社区: gingiris.tools、skills.sh/Gingiris

搜集汇总

数据集介绍

构建方式

gingiris-skills数据集由出海增长专家Iris基于其实战经验构建，将6个gingiris-* playbook仓库、每日运营脚本以及60篇博客的实践知识，系统化打包为12个Claude Code技能（Skill）。数据集以Claude Code插件的形式呈现，安装命令简洁，通过`/gr`主入口实现自动路由，根据用户问题智能调用对应的专业技能，如SEO巡逻、博客发布、Product Hunt发布等。每个技能均附有独立的知识包和脚本，元知识以原子库（atoms.jsonl）形式结构化存储，便于RAG检索。

特点

该数据集最大的特点在于其一体化与实用导向。12个技能覆盖从SEO诊断、多语言博客发布、Product Hunt上线到用户访谈的完整出海增长链路，技能间可自动推荐下一步操作，形成闭环工作流。数据集内含丰富的实战方法论，如Iris文风指南、SEO飞轮与GEO三件套，并附带可独立运行的审计脚本，支持月度全站审计。所有内容均遵循MIT开源许可，无论是整套安装还是单独取用某个skill或原子知识点，均极为灵活。

使用方法

用户可通过Claude Code插件市场一键安装`gingiris-skills`，安装后在AI Agent（如Claude Code、Cursor）中输入`/gr`即可激活元路由。系统会根据用户描述的场景（如“准备一个月后发Product Hunt”）自动匹配最适合的技能，生成包含时间线、检查清单的完整规划。用户亦可仅安装特定skill，或直接调用`skills/`目录下的独立脚本运行审计任务。知识库中的markdown文档可嵌入System Prompt，atoms.jsonl可导入向量数据库用于RAG，适应从单页诊断到批量处理的多种使用场景。

背景与挑战

背景概述

在人工智能代理与开发者工具深度融合的时代背景下，Claude Code等智能编程助手的应用场景正从代码生成向全链路增长运营拓展。由资深创业者Iris（Wei Yipei）及其团队于2024-2025年间主导构建的Gingiris Skills数据集，以12个结构化技能（Skill）为核心，系统整合了SEO/GEO监控、多语言博客发布、Product Hunt发布策略、用户访谈框架及B2B SaaS增长方法论等AI出海增长工具。该数据集源自作者在Analook及AFFiNE联合创始人期间的真实操盘经验，其核心研究问题在于如何将增长实践转化为可复现、可编排的AI代理技能，为开发者提供从0到1的全球化增长工具箱。作为面向LLM工具生态的开源成果，Gingiris Skills在Claude Code、OpenClaw等平台获得广泛集成，推动了AI代理从代码辅助向增长决策辅助的范式迁移，对AI创业公司的GTM策略研究具有重要参考价值。

当前挑战

Gingiris Skills数据集所解决的领域核心困境在于，AI增长工具面临方法论碎片化与执行链路断裂的双重挑战：一方面，SEO、ASO、用户访谈等增长环节各自为政，缺乏统一的智能编排机制；另一方面，开发者往往缺少将零散策略（如PH发布、外链建设）落地为可监控、可迭代的系统化流程的能力。在构建过程中，团队需要将60余篇博客实战经验、6个playbook仓库及每日运营脚本提炼为12个高度内聚的Skill指令，同时确保各技能之间形成自推荐工作流（如发布后自动触发SEO监控），这对知识原子化与跨技能路由提出了严苛要求。此外，非英语市场的多语言内容运营（中英日韩）、API密钥的安全管理以及大规模站点审计的时效性问题，均在数据集构建中构成了现实障碍。

常用场景

经典使用场景

在人工智能与增长营销的交汇地带，gingiris-skills数据集以一套完整的Claude Code技能包形态，为AI驱动的出海增长提供了系统化工具链。其最为经典的使用场景聚焦于赋能AI Agent执行端到端的增长运营任务，涵盖从Product Hunt发布策划、SEO/GEO双引擎巡逻、多语言博客内容生产到竞品扫描与用户访谈的全流程。开发者仅需在Claude Code环境中输入一条指令，即可触发集成了12项专业化技能的元路由系统，自动匹配最优策略并输出可执行的行动计划，极大降低了AI创业团队在全球化市场中的运营门槛。

实际应用

在真实商业场景中，gingiris-skills已演变为AI创业团队应对全球化竞争的数字化引擎。具体而言，它被广泛应用于每周SEO审计与修复、多语种博客自动化发布、Product Hunt冷启动战役规划以及开源项目社区裂变增长等高频任务。数据集的实战属性使其能够直接对接企业级工作流，例如在58页博客的全站审计中，30分钟内即可捕获数十项SERP截断风险并生成分层修复策略，同时支持跨团队协作与月度趋势追踪，真正实现了增长决策的数据化与执行效率的指数级提升。

衍生相关工作

基于gingiris-skills的架构理念，社区已衍生出一系列扩展性极强的协同项目，进一步丰富了AI增长工具生态。代表性工作包括gingiris-launch数据集，专注于Product Hunt发布策略的知识沉淀；gingiris-seo-geo则深化了搜索引擎与生成式引擎的双轮驱动框架。此外，外部贡献者从该数据集中汲取灵感，开发了涵盖25项技能的claude-seo全家桶与GEO评分体系，甚至将审计脚本适配至Hugo、Next.js等静态站点框架。这些衍生工作共同编织了一张以数据驱动增长为核心、开源共建为纽带的生态网络。