n8n 工作流秒变 Claude Code Skill：SEO 关键词调研实战

任何 n8n 工作流都可以秒变 Claude Code Skill。
听起来像吹牛？我也这么想过。
直到我花了一天时间，真的把一个复杂的 SEO 关键词调研工作流完整迁移。那一刻我才意识到：这不是「转换」，是「升级」——因为 Skill 自带 Agent 能力，你不再需要配置一堆 API 节点，AI 直接理解任务并执行。
n8n 和 Skill 的底层逻辑是相通的——都是对流程化任务的编排处理。
今天，我要分享这个 SEO 关键词调研工作流的完整设计原理，让你理解为什么任何 n8n 工作流理论上都可以转化为 Skill，以及如何用这种思维让你的工作效率翻倍。
读完这篇文章，你将获得：

1. 一套结构化架构 ：理解数据采集 → AI 分析 → 报告生成的三阶段设计
2. 一种系统性思维 ：掌握 n8n 与 Skill 的底层统一性
3. 一个可复刻的神器 ：文末附完整提示词，从零构建这套系统

用生活理解技术 想象你是一位侦探，要调查某个关键词的「市场价值」。传统做法是：打开十几个网页，手动记录数据，再用 Excel 分析。这就像用放大镜一个个看线索。而自动化工作流，就像给你装了一套监控系统 + AI 助手，数据自动收集，分析报告自动生成。

1. 为什么要自动化关键词调研？

先说说痛点。
如果你也是那种「明知道可以自动化，却还在手动操作」的人——
一定经历过这种折磨：花几个小时在各种工具之间切换，手动复制粘贴关键词数据，用 Excel 做聚类分析，最后写一份半生不熟的报告。
更糟糕的是，这个过程每换一个关键词就要重来一遍。
核心问题在哪？

1. 数据散落 ：关键词数据分布在不同平台，需要手动整合
2. 分析低效 ：人脑处理大量数据的能力有限，容易遗漏规律
3. 流程重复 ：每次调研都是重复劳动，没有复用机制
4. 产出不稳定 ：质量取决于当天的状态和时间投入

记住这个 自动化的本质不是「让机器干活」，而是「让流程可复现」。一旦流程固化成工作流，你就可以无限次地以相同质量执行它。
根据 2025 年的行业调研，企业 SEO 团队平均有 68% 的时间花在数据收集和整理上，而真正的策略分析只占 32%。这个比例完全可以通过自动化反转。

自动化关键词调研的四大痛点

2. 这套工作流解决什么问题？

我设计的这套 Skill，用 6 个步骤完成一次完整的关键词深度调研：
Step 1：参数收集 → 询问关键词、目标市场、搜索深度
Step 2：DataForSEO 采集 → 6 路 API 并行，获取相关词、搜索量、竞争度、SERP 结果
Step 3：竞争者抓取 → 抓取 Top 5 排名页面的结构化内容
Step 4：AI 链式分析 → 4 轮深度分析（竞争者 → 用户意图 → 机会识别 → 内容大纲）
Step 5：报告生成 → 输出 6 Part 综合报告
Step 6：HTML 可视化 → 生成 Bento Grid 风格的仪表盘

设计洞见 为什么是「6 步」而不是「1 步搞定」？因为每个步骤的职责必须单一。数据采集和 AI 分析是两种完全不同的能力，混在一起会让系统变得脆弱。这就是软件工程里的「单一职责原则」。

6 步工作流的三阶段架构

3. 阶段一：数据采集——让 API 替你跑腿

这套工作流的第一阶段是「数据采集」，包含 Step 1-3。

Step 1：参数收集

工作流从一个简单的问题开始：「你要调研什么关键词？」
别小看这个步骤。一个好的参数收集设计，决定了后续所有步骤的执行质量。
我的设计包含 4 轮提问：

1. 主关键词 ：比如 "bluetooth earphones"
2. 目标市场区域 ：北美 / 欧洲 / 亚太，然后细分到具体国家和语言
3. 搜索深度 ：快速（limit=20）/ 标准（limit=50）/ 深度（limit=100）
4. 品牌名称 （可选）：用于过滤官方资产

打个比方 参数收集就像点外卖前填地址。你不告诉系统你在哪、要多辣、要不要葱，后面的所有配送都会出问题。
收集完成后，系统创建一个独立的运行目录，所有后续步骤的输出都存在这里：

1. runs/{keyword}-{timestamp}/
   • state/：progress.json（进度状态）
   • step01-collect-params/：config.json
   • step02-dataforseo-fetch/：API 数据
   • step03-competitor-scrape/：竞争者内容
   • step04-ai-analysis/：AI 分析结果
   • output/：最终报告

Step 2：DataForSEO 6 路并行采集

这是整套工作流的「数据引擎」。
我第一次运行这个脚本时，愣住了。
6 路 API 并行请求，几秒钟内获取了我手动要花 2 小时整理的数据。那一刻我突然理解了什么叫「用系统打败努力」——不是你不够勤奋，是你在用错误的方式勤奋。
一个 Shell 脚本通过 6 路 API 并行请求，在几秒钟内获取：

1. Related Keywords ：与主词语义相关的关键词
2. Keyword Suggestions ：基于主词的扩展建议
3. Keyword Ideas ：AI 生成的关键词创意
4. Autocomplete ：Google 自动补全的热门查询
5. Subtopics ：主题的子话题分解
6. SERP ：当前排名前 10 的搜索结果

三秒版 6 路 API 并行 = 用 1 次请求的时间，完成 6 次请求的数据采集。
这里有个设计细节：API 请求是用 Bash 脚本执行的，不是让 AI Agent 去调用。为什么？
因为 API 调用是「确定性任务」，输入输出完全可预测。这种任务用脚本执行更可靠、更快速、更省 Token。
把 Agent 能力留给真正需要「思考」的步骤。
这就是「数据与智能分离」的核心：能用确定性代码解决的，绝不浪费 AI 的「智力」。

DataForSEO 6 路 API 并行采集

Step 3：竞争者网页抓取

有了 SERP 数据，我们知道了排名前 10 的 URL。接下来，抓取这些页面的结构化内容。
这个步骤用 Jina AI 的 Reader 服务抓取网页，再用 Node.js 脚本提取：

1. Meta 信息 ：标题、描述
2. 标题结构 ：H1、H2、H3 层级
3. 内容特征 ：字数、N-gram 词频
4. 结构化元素 ：列表、表格、图片等

底层原理 为什么要抓取竞争者页面？因为 Google 已经用排名「投票」告诉你，这些页面是当前最符合搜索意图的内容。分析它们的共性，就是在「逆向工程」Google 的排名算法。

4. 阶段二：AI 分析——让大模型替你思考

数据采集完成后，进入最核心的「AI 分析」阶段。
这个阶段只有一个步骤（Step 4），但内部分成 4 个顺序执行的子分析：

4.1 竞争者分析

这一轮的核心问题：别人在怎么做？
输入：竞争者网页的结构化数据
输出：

1. 竞争者编码列表 ：C1（肯德基）、C2（麦当劳）...
2. Meta 趋势 ：标题描述中的高频词、定位策略
3. 大纲模式 ：重复出现的板块结构
4. N-gram 分析 ：二元、三元词组的语义模式
5. 差异化策略 ：每个竞争者的独特定位

4.2 用户意图分析

这一轮的核心问题：用户真正想要什么？
输入：关键词数据 + 配置参数
输出：

1. 主要意图 ：信息获取 / 导航 / 交易 / 商业调研
2. 次要意图 ：相关问题和延伸需求
3. 用户画像 ：搜索者的角色、痛点、背景
4. 买家旅程阶段 ：认知 / 考虑 / 决策
5. 问题-解决方案框架 ：如何定位你的内容

4.3 机会识别

输入：前两轮分析结果
输出：

1. 内容缺口 ：竞争者没覆盖但用户需要的话题
2. 长尾机会 ：低竞争高价值的关键词
3. 差异化切入点 ：你可以做得更好的方向

4.4 内容大纲生成

输入：所有前置分析
输出：

1. 推荐标题结构 ：H1 到 H3 的完整大纲
2. 每个板块的要点 ：需要覆盖的关键信息
3. 内容建议 ：篇幅、格式、多媒体元素

结构拆解 为什么 AI 分析要分 4 轮，而不是一次性分析？因为每轮分析的输出是下一轮的输入。4.3 的「机会识别」必须基于 4.1 的竞争者洞察和 4.2 的用户意图。这就像写论文，你不能在没有文献综述的情况下直接写结论。
这里有个关键的上下文管理策略：每轮分析完成后，必须执行 /compact 压缩上下文。否则，4 轮分析累积的内容会撑爆 Token 限制。
我知道你在想什么——「这也太麻烦了吧？」
是的，第一次配置确实需要花时间。但我们这群人不都是这样吗？宁愿花 8 小时搭系统，也不愿意花 2 小时重复劳动。
因为我们清楚：系统是一次性投入，重复劳动是永久成本。

AI 4 轮链式分析流程

5. 阶段三：报告生成——让系统替你交付

最后阶段包含 Step 5-6，把分析结果转化为可交付的成果。

Step 5：综合报告

把 4 份分析文档整合成一份 6 Part 的战略报告：

1. 执行摘要 ：关键发现的一页纸总结
2. 关键词策略规划 ：推荐词 + 优先级矩阵
3. 竞争格局洞察 ：市场定位地图
4. 用户意图深度解读 ：需求分析
5. 内容创作指南 ：可执行的写作方向
6. 数据附录 ：原始数据表格

Step 6：HTML 可视化

把报告转化成 Bento Grid 风格的交互式仪表盘，可以直接在浏览器里打开查看。

说人话 报告是「给人看的」，但 HTML 仪表盘是「给人用的」。一个让决策者快速抓住重点，一个让执行者深入探索细节。

6. 实战效果

我用这套工作流调研了 "bluetooth earphones" 这个关键词，整个流程从启动到输出报告，大概 5 分钟。
输出包括：

1. 150+ 个相关关键词 ，按搜索量和竞争度排序
2. 5 个竞争者的深度分析 ，包括内容结构、关键词策略
3. 用户意图画像 ，包括买家旅程阶段和预期内容
4. 机会矩阵 ，标注低竞争高价值的切入点
5. 内容大纲 ，可以直接开始写作

如果手动做这些，保守估计需要 4-6 小时。
效率提升 50 倍。
但这不是重点。重点是：你可以把这套流程复用到任何关键词，质量完全一致。

7. 为什么 n8n 工作流可以转化为 Skill？

现在回到开头的问题：为什么 n8n 工作流可以转化为 Skill？
答案藏在两者的底层架构里。
我之前也以为 n8n 和 Skill 是完全不同的东西——一个是可视化拖拽，一个是文档驱动。直到我画出两者的结构图，才发现一个惊人的事实：
它们是同一个范式的两种表达。

n8n 与 Skill 的底层统一性

8. 如何把你的 n8n 工作流转化为 Skill？

如果你有一个 n8n 工作流想转化为 Skill，可以按这个框架操作：

第一步：识别节点类型

把 n8n 的节点分成两类：

1. 确定性节点 ：HTTP 请求、文件操作、数据转换 → 转为 Bash/Node.js 脚本
2. 智能节点 ：内容生成、数据分析、决策判断 → 转为 Agent 步骤

第二步：设计数据流

画出数据如何从一个步骤流向下一个步骤：

1. 每个步骤的输入文件是什么？
2. 每个步骤的输出文件是什么？
3. 文件存储在哪个目录？

第三步：编写 workflow/*.md

为每个步骤创建一个文档，包含：

1. 执行者 ：脚本 / Agent
2. 输入文件 ：依赖哪些文件
3. 执行说明 ：具体做什么
4. 输出文件 ：生成哪些文件
5. 验证检查点 ：如何确认步骤成功

第四步：编写 SKILL.md

在主文档里定义：

1. 触发条件 ：用户说什么关键词时触发
2. 工作流概览 ：步骤列表和依赖关系
3. 数据流图 ：可视化的流程说明
4. 参考资料 ：Prompt 模板、配置文件等

记住这个 Skill 的核心是「文档驱动」。你不是在写代码，而是在写「执行手册」。Agent 读取手册，按手册执行。手册写得越清晰，执行越准确。

9. 这套方法论可以迁移到哪些场景？

「数据采集 → AI 分析 → 报告生成」这个三阶段架构，不止适用于 SEO 调研。
它是纳瓦尔所说的「代码杠杆」的具体实现——一旦你把流程固化成 Skill，它就能无限次执行，边际成本趋近于零。
这不是工具转化，是把「个人能力」升级成「可复用资产」。
竞品分析
采集竞品官网、App Store 评价、社交媒体提及 → AI 分析定位差异和用户痛点 → 生成竞品情报报告
市场调研
采集行业报告、新闻、专利数据 → AI 分析市场趋势和机会点 → 生成调研报告

设计洞见 这三阶段架构的核心是「数据与智能的分离」。数据采集用脚本（快、稳、便宜），智能分析用 Agent（深、准、灵活）。两者协作，发挥各自优势。

10. 总结

今天分享了一个 SEO 关键词调研工作流的完整设计原理：

1. 架构设计 ：6 步流程，分为数据采集、AI 分析、报告生成三个阶段
2. 核心洞见 ：n8n 与 Skill 底层相通，都是流程化任务编排，但 Skill 自带 Agent 能力
3. 迁移方法 ：识别节点类型 → 设计数据流 → 编写 workflow 文档 → 组装 SKILL.md

如果你也相信「效率不是懒，是把时间留给真正重要的事」——
那 Skill 就是你的下一个武器。
一键复刻
复制这段提示词给 Claude Code，从零复刻完整系统 ：
「你是一位高级系统架构师，专精于 AI 驱动的自动化工作流设计。现在，请帮我从零构建一个 SEO 关键词深度调研 Skill。
系统定位 ： 这是一个基于 Claude Code Skill 规范的自动化工作流，通过 DataForSEO API 采集关键词数据，结合 AI 链式分析，生成策略规划 + 内容创作指南的综合报告。
核心架构（三阶段六步骤） ：
阶段一：数据采集

1. Step 01 - 参数收集 ：通过 AskUserQuestion 询问用户（主关键词、目标市场、搜索深度、品牌名称），生成 config.json，创建运行目录结构
2. Step 02 - DataForSEO 采集 ：Bash 脚本调用 6 路 API 并行采集（Related Keywords、Keyword Suggestions、Keyword Ideas、Autocomplete、Subtopics、SERP），输出 dataforseo.json 和 serp_urls.json
3. Step 03 - 竞争者抓取 ：Bash 脚本调用 Jina AI Reader 抓取 Top 5 竞争者页面，Node.js 脚本提取结构化数据（Meta、标题层级、N-gram），输出 competitors.json

阶段二：AI 分析
4. Step 04 - AI 链式分析 ：启动 4 个顺序执行的 SubAgent，每轮完成后 /compact 压缩上下文
- 4.1 竞争者分析：分析 Meta 趋势、大纲模式、差异化策略
- 4.2 用户意图分析：识别主次意图、用户画像、买家旅程阶段
- 4.3 机会识别：发现内容缺口、长尾机会、差异化切入点
- 4.4 内容大纲：生成推荐标题结构和内容建议

阶段三：报告生成
5. Step 05 - 综合报告 ：整合 4 份分析文档，生成 6 Part 报告（执行摘要、关键词策略、竞争格局、用户意图、内容指南、数据附录）
6. Step 06 - HTML 可视化 ：将报告转化为 Bento Grid 风格的交互式仪表盘

目录结构 ：

1. SKILL.md ：主文档，定义触发条件、工作流概览、数据流图
2. workflow/：步骤文档
   • step01-collect-params.md
   • step02-dataforseo-fetch.md
   • step03-competitor-scrape.md
   • step04-ai-analysis.md
   • step05-report-generate.md
   • step06-html-visualize.md
3. scripts/：执行脚本
   • shell/fetch-dataforseo.sh
   • shell/fetch-jina.sh
   • node/extract-html.mjs
4. reference/：参考资料
   • prompts/prompt-*.md（6 个 Prompt 模板）
   • presets/presets.json（市场和语言预设）
   • specs/（API 规范、HTML 设计规范）
   • templates/（HTML 模板）
5. config/：配置文件
   • default.json（全局默认参数）
6. credentials/：凭证占位
   • dataforseo.md
   • jina.md

关键约束 ：

• 步骤必须顺序执行，不可跳步
• Agent 步骤每轮完成后必须 /compact
• 数据通过文件系统传递（JSON、Markdown）
• 进度持久化到 progress.json 支持断点恢复
• 确定性任务用脚本，智能任务用 Agent

请按上述规范，生成完整的 SKILL.md 和所有 workflow/*.md 文档，确保每个步骤的输入输出清晰定义，数据流完整可追溯。」