每天挑选一期硅谷AI科技值得关注的播客，让你与前沿同频。如果你现在没空可以收藏进 ，在通勤、走路或做家务时一篇篇轻松听完
"未来 18 到 24 个月，科技行业最有价值的人之一，会是营销工程师。"
"工具会不断变化，真正需要学会的是工作流。"
"Agent 终将成为商品，你把它们用在什么地方，才是壁垒。"
Greg Isenberg 经历过互联网、社交和移动三个技术周期，先后创办并出售了三家获得风险投资的公司。他发现，每当技术底座变化，最值钱的营销人才也会随之变化。如今，一个新角色正在出现：营销工程师。有人称它为前线部署营销人员，也有人叫 AI 增长操盘手，名字或许还会变，工作本身已经逐渐清晰。
Greg 把营销工程师定义为能够借助 AI Agent，完成整支营销团队工作的人。他给出的收入预期很大胆，从 25 万、50 万到 100 万美元，因为这个角色直接影响线索、转化和收入。对营销人来说，这是一条提高个人价值的路径；对创始人来说，这套方法能把零散的客户信息变成持续运转的增长系统。
营销正在进入第四个时代
Greg 把营销的演变分成四个阶段，传统营销依靠故事和心理洞察让人产生兴趣；互联网带来网站、邮件、SEO、广告和可衡量的点击，数字营销人开始研究渠道、漏斗与点击后的行为；到了增长黑客阶段，激活、推荐、留存和定价进入产品内部，产品本身也能成为增长引擎。
现在进入营销工程时代，过去积累的客户理解、定位、渠道判断和品味依然重要。新的能力，是亲手搭起营销背后的系统，把客户数据、实验结果、落地页、计算器和外呼流程连在一起，再将原始信号转成内容、定位与产品想法。
"营销工程师用 AI Agent、数据、代码和品味，把市场信号变成销售管线。"
许多公司已经有 CRM、仪表盘、销售电话、客服记录和内容日历，麻烦在于这些信息彼此分散。销售、客服、产品和营销各自看到一部分现实，创始人又容易被当周最有触动的一次客户电话牵着走。大家来到增长会议时，手里其实是几份不同版本的市场。
营销工程师的核心工作，是把这些信号放进同一个会学习的系统，让公司更早发现客户痛点、有效语言和胜出的实验。 AI 会让普通营销内容变得非常便宜，因此，决定收集什么、测试什么以及该相信哪条证据的品味，反而更加值钱。
第一步，先给公司建一套营销记忆
Greg 建议从一个 Growth Repo 开始。它可以是 GitHub 仓库，也可以只是结构清楚的文件夹，作用是保存公司的营销记忆。很多人打开 ChatGPT、Claude 或 Gemini，请它写十条帖子，挑中一条复制出去，随后整段工作就消失了。到了下一周，AI 又从零开始，对上次的表现、创始人的语气和销售异议一无所知。
仓库可以先放五类内容：客户真相保存销售电话、客服工单、流失原因和访谈；内容引擎记录创始人语气、有效开头与过往表现；外呼引擎保存理想客户画像、账户研究、触发事件、可用角度和禁用表达；创意测试保存广告角度、落地页、钩子、报价和结果；最后，Agent 文件夹负责写清每个 AI 工人的具体职责。
"这个仓库区分了两件事：AI 帮我做出一个东西，以及 AI 帮整个公司变得更聪明。"
有了这些上下文，提示词会从随手提问变成有依据的业务任务。任务不再是笼统的“写十条 LinkedIn 帖子”，而是先读取客户真相、创始人语气，以及最近五条带来合格回复的帖子，再围绕本周买家真正提到的痛点起草五条内容。 输出质量的差距，往往来自真实业务信息是否进入了工作流。
别背工具清单，先分清各自负责什么
Greg 对工具的分工很直观，依据是它们各自更接近哪一类信息。Grokbot 靠近公开互联网，可以分别监控竞争对手、X 和 Reddit 上的客户措辞、垂直领域创作者的新形式，以及广告与落地页的变化。Claude 和 Codex 更适合建设仓库、生成落地页、编写脚本和内部小工具，把反复发生的工作沉淀为耐用的系统。
需要定时运行、保留记忆和人工审批的任务，可以交给 Hermes 一类工作流。例如每周一生成市场简报，每周五复盘实验，或在新一批销售电话进入文件夹后提取异议并更新定位。创意模型负责广告、缩略图、效果图和视频概念；涉及私人客户录音、受监管记录或敏感定价时，本地模型会更合适。
"工具会不断变化，真正需要学会的是工作流。"
Greg 并不要求每家公司照抄这份工具表，选一个顺手的生态同样能完成大部分工作。 重要的是让每种工具接到明确的数据和任务，并把结果送到能产生业务动作的地方。 只追逐新模型，很容易得到一堆彼此断开的聊天记录；只有围绕工作流完成分工，单个工具才会真正组成系统。
像招聘员工一样，给 Agent 写岗位说明
拿 SEO 内容举例，初学者会让 AI 围绕关键词写一篇博客。营销工程师会先接入 Google Search Console，再从 Ahrefs 或 Semrush 获取关键词数据，并检查 CMS 里是否已有同类内容。随后按搜索量与购买意图排列机会，研究当前排名结果。完成这些准备后，Agent 才会加入创始人的观点，写出正文、元标题、内链建议并送审。
Greg 建议给每个 Agent 写一份接近真人岗位说明的文档，先标明数据来源、运行时间和过滤条件。随后写清输出格式、好结果的标准、哪些步骤必须由人批准，以及真正要看的指标。最后注明结果应该写回哪里，让系统在下一次运行时继续学习。
"Agent 要有一份工作，工作要有输入，输入来自业务，输出要去一个有用的地方。"
例如竞争对手互动 Agent 每个工作日查看 20 个 LinkedIn 账户，找出新帖下的评论者。它需要补全信息、剔除不合格线索，再根据对方互动的具体帖子起草十条消息，最终写入文件等待审批。衡量它的指标应是合格账户的正向回复，发送多少条消息只是活动量。
训练方式也像带新人：从小任务开始，观察工作，纠正错误，把纠正写进记忆，再逐步扩大权限。如果外呼开场显得虚假，就把新的表达规则加入仓库；内容开头总有 AI 腔，就给出三条好例子和三条坏例子；客户洞察缺少依据，就要求每条结论附上引用、链接或来源。 只有把每次纠错都留下来，整套系统才会随着使用持续复利。
先找客户真正在意的那句话
为了让方法更具体，Greg 假设有一家向商用暖通承包商销售软件的垂直 SaaS 公司。客户要管理技师、服务电话、维护合同和调度，业务流程杂乱，行业语言也很具体。公司真正要找的，是哪一种痛点会促使老板预约演示：调度混乱、发票延迟、月底才知道哪些订单赚钱，还是技师离场后漏掉了更换设备的后续报价。
“每次服务结束后，别再丢掉更换设备的收入”，显然比“更好地经营暖通公司”更有力量。第一套客户真相系统会读取销售电话、客服工单、流失记录、Stripe 变动、CRM 备注和社交数据，每天或每周更新一份《市场正在告诉我们什么》的 Markdown 文件。
"我想要的，是一份让公司更难自欺欺人的材料。"
含糊的总结只会说“客户希望更好地协作”，有用的备忘录会明确指出，本周五通销售电话提到紧急调度。真正转化的客户都谈到技师离开后漏发后续报价，材料里还应附上原话、工单链接和事件数量。 当证据足够具体，营销团队才知道下一步该测试哪种表达。
第二套创始人内容引擎会继续使用这条信号，先把它变成讨论服务业隐形收入漏洞的帖子和解释首次上门后为何损失收入的短视频。接下来，系统还会生成落地页文案、冷邮件角度，以及一款估算损失收入的计算器。同一个客户事实由此进入多个渠道，系统再观察哪种钩子真正带来反馈。
让获客、创意和复盘连成闭环
第三套系统是外呼信号引擎，它关注的重点是客户出现需求的时机。低质量外呼通常从一张姓名表开始，高质量外呼先看时机：谁刚融资，谁正在招聘能解决相关问题的人，谁公开谈过某个痛点，谁既符合客户画像，又在本周有明确理由关注。对暖通公司来说，Agent 可以监控承包商招聘调度员、开设新网点或收到差评，再研究账户并起草消息供人审批。
第四套创意测试引擎会围绕一个报价生成 20 个钩子、10 个广告角度并记录结果。第五套 AI 搜索可见性系统检查公司是否能被 ChatGPT、Gemini、Perplexity 或 Claude 理解和引用，再据此调整内容与网站。第六套增长驾驶舱每周汇总有效内容、真实对话、重复异议、实验胜率、竞争对手变化和下一项测试。
"好的外呼从时机开始：谁符合你的客户画像，而且这周确实有理由在意？"
增长驾驶舱给管理层的结论，必须具体到足以指导下一步行动。比如“漏掉设备更换收入”的角度点击量低于“调度混乱”，却从拥有 20 名以上技师的老板那里带来了两倍演示申请。 这类结果能帮助团队继续押注高质量客户，避免只被表面的点击量带着走。 六套系统共同完成一件事：从信号出发，产生动作，读取结果，再把学到的内容写回公司的营销记忆。
这项能力，可以怎样变成收入
Greg 为这项新能力提出了四条清晰的变现路径。第一条是在公司内部成为负责这套系统的人，适合营销、RevOps、增长、内容或任何有营销意识的人。因为工作紧挨着销售管线、转化率和浪费支出，个人创造的价值更容易被看见。若一套系统能省下 200 万美元、提升收入或让转化率翻倍，公司就有理由支付高薪。
第二条是以 30、60 或 90 天为周期做顾问，嵌入一家创始人公司，交付客户真相、创始人内容或外呼信号中的一套系统，按成果收费，每月可能是 5000、1 万或 3 万美元。第三条是产品化服务，专做垂直 SaaS 的外呼引擎、B2B CEO 的内容引擎，或种子期公司的客户真相仓库。切口越窄，服务越容易销售、交付，也越容易在不同客户间复用。
"先为五家、十家公司手工搭同一套系统，看到重复的痛点后，再把它做成软件。"
第四条是软件，Greg 认为它可能带来最大的结果，但起点仍然是服务。先靠顾问工作弄清有效做法，再把重复需求做成产品化服务，最后沉淀成一组 Agent，可以减少闭门造车的风险。 如果明天就开始，第一版应该简单得近乎朴素，先追求完整跑通。
建一个 Growth OS 文件夹，准备客户真相、创始人语气、实验和 Agent 工作等五类文件，再放入 20 条真实客户笔记。先让 Agent 完成一个任务：告诉我发生了什么变化，拿出证据，并建议一项本周就能创造销售管线的测试。随后根据输出做出一个东西，先证明杂乱的市场信息能够变成一次有用行动。
用 30 天，做出第一份真实案例
第一周从审计开始，选择一家你能接触到的真实公司。研究网站、报价、理想客户、创始人内容、销售电话和客服工单，然后画出一张市场地图。地图需要回答客户是谁、他们怎样描述痛点、正在购买什么替代方案、漏斗哪里流失，以及最值得先测什么。第二周建立 Growth Repo，补齐文件夹，做出第一份带证据的《市场正在告诉我们什么》。
第三周只建一台机器，可以是内容引擎、外呼信号引擎或落地页测试器。Greg 强调，一套能工作的系统胜过五套半成品。第四周盯结果：回复是否改善、有没有约到会议、转化是否提升、创始人的表达是否更清楚，并把过程写成案例。
"一个能运行的系统，胜过五个只完成一半的系统。"
他给出的案例模板很具体：审计一家公司的增长，建立客户真相仓库，找到一项团队原本没有意识到的高意向痛点，再将其做成外呼信号引擎；发送 75 条定向消息，获得 9 个积极回复，约到 3 次通话，并记录全部过程。 真实业务结果会成为求职、接顾问项目和建立可信度的共同凭证。
写在最后
营销工程师并不要求一个人同时精通所有工具，也没必要一开始就建设完整系统。可以先选一家真实公司，收集二十条客户信息，让一个 Agent 完成一份带证据的市场变化报告，再据此做一次小实验。工具很快会换代，真正能留下来的，是你把客户信号变成行动、用结果修正系统的能力。
内容来源："Marketing Engineer: The \$1M Job with AI Agents"丨Greg Isenberg
原视频：https://www.youtube.com/watch?v=8ZC1G1ezN5o
