Show HN：我构建了一个55K词的电子邮件营销知识库和Claude Code技能

Source: Hacker News

我的研究过程

在所有主要的邮件营销主题上进行多轮冲刺。爬虫抓取了 908 个来源：Litmus、Klaviyo、HubSpot、Campaign Monitor 和 Salesforce 的年度报告；从业者博客；学术研究；平台文档；Reddit 讨论串；Shopify 论坛；以及 X（原 Twitter）上的社区讨论。从中提取了 4,798 条离散洞见。每一个进入指南的主张都有来源；任何没有来源的观点都被剔除。

于是产生了 EMB v4：共计超过 80 k 字，分为 16 章。经过两轮编辑——删除重复内容、合并重叠章节、剔除不够价值的部分——最终定格在 55 000 字。我联系了所有被引用的邮件专家征求反馈；超过一半的专家参与并做了修改。

技能 vs. 圣经（Bible）的问题

完整的 55 k 字指南对上下文窗口来说太大了。你不可能直接把整个文档喂给 Claude 并期待它给出连贯的答案。

因此 SKILL.md 是一个单独的、浓缩的提取版本：其中包含关键框架、基准、从业者姓名以及适合上下文的战术阈值。当你在安装了该技能的情况下向 Claude 提问时，它会依据 结构化摘要 而不是从原始文档转储中检索信息。

问题在于技能与“圣经”之间可能出现漂移。随着圣经的更新（专家提交更正、出现更好的数据），技能需要手动保持同步。显而易见的解决方案是构建一个 MCP 服务器，使两者相连，圣经的更改能够自动传播到技能中。我可能会在下一次大规模更新圣经时实现它。

数据缺口

我在 SmartrMail 上看到，偶尔会出现“转化智慧”或邮件最佳实践与我们真实的整体发送数据不匹配的情况。例如：“发送新闻稿的最佳时间是周二/周四上午 9 点”。实际操作中，这往往是因情况而异的解决方案，而这个经验法则常常会削弱参与度。

该项目的弱点在于它基于 已发布的研究，而非专有的发送数据。已发布的基准是回顾性的，汇总自截然不同的使用场景，且往往由有意让邮件表现良好的 ESP（邮件服务提供商）生成。

我真正想要的是 匿名化的发送层级数据，例如：

• 主题行 → 开启率，按名单规模、行业、发送时间细分
• 正文结构 → 点击率
• 流程配置 → 每位收件人的收入

如果有人正在做这件事，或拥有发送层级数据并愿意贡献，我非常感兴趣。

ESP 集成问题

AI 与 ESP 的连接仍然很糟糕。大多数平台的 API 只覆盖基本的 CRUD 操作，远不能满足从 Claude 实际运行一次活动的需求。你可以拉取订阅者数量，但无法有意义地分析流的表现、触发分段重建，或以编程方式获取真实的投递诊断信息。

少数 ESP 正在开始添加 MCP 服务器（在指南的 第 14 章 中提到），但仍处于早期且零散的阶段。等这问题解决之前，技能只能提供建议——它可以告诉你该怎么做，但不能替你执行。这一缺口值得去构建。

当前已上线内容

安装

git clone https://github.com/CosmoBlk/email-marketing-bible.git ~/.claude/skills/email-marketing-bible

• 网站：
• MIT 许可证。无付费墙。无邮件门槛。无联盟链接。

欢迎提问！

评论链接： (Points: 6) (Comments: 1)