ai-marketing-skills: 15 skills open source para Claude Code

⏱️ Lectura: 12 min

El repositorio ericosiu/ai-marketing-skills lleva pocos meses publicado y ya acumula más de 2.000 estrellas en GitHub. La razón es simple: no es otro compendio de prompts para pegar en ChatGPT, sino un conjunto de 15 skills ejecutables para Claude Code que empaquetan scripts de Python, rubricas de puntuación, personas expertas y pipelines de automatización que el equipo de Single Brain usa para operar campañas reales de crecimiento, ventas y contenido.

📑 En este artículo

1. Introducción: el problema que resuelve
2. Qué es ai-marketing-skills
3. Instalación
   1. Windows
   2. macOS
   3. Linux
4. Uso básico
5. Integración en proyectos reales
6. Cuándo usarlo y cuándo no
7. Alternativas
8. Conclusión
9. Referencias
   1. 📚 Artículos relacionados

Introducción: el problema que resuelve

Cualquier desarrollador que haya trabajado con agentes de IA se enfrenta al mismo cuello de botella: los prompts son frágiles, se rompen con cada release del modelo y nunca se reutilizan bien entre proyectos. Si además el agente necesita ejecutar operaciones reales —enviar un email, puntuar un landing page, calcular una proyección financiera— el prompt solo no alcanza. Hay que envolverlo en código, darle acceso a APIs, definir esquemas de entrada y salida, y en algún punto terminar con un micro-servicio que nadie quiere mantener.

Claude Code introdujo hace unos meses el concepto de skills: carpetas autocontenidas con un archivo SKILL.md que describe capacidades, scripts ejecutables y referencias. El agente lee ese archivo y sabe cuándo y cómo invocar las herramientas. El problema era que había pocos ejemplos públicos de skills de producción. Ahí entra ai-marketing-skills: abre el código de los flujos que el equipo de Single Brain factura cada mes a sus clientes y los deja listos para copiar, adaptar y ejecutar.

La propuesta es directa: en lugar de reinventar workflows de growth experiments, puntuación de contenido o attribution, clonas el repo, activas una skill y Claude Code entiende el protocolo. Útil para equipos que ya operan con agentes y quieren saltar el arranque en frío, y también como material de estudio para desarrolladores que quieran ver cómo se estructura una skill de producción.

Qué es ai-marketing-skills

ai-marketing-skills es un monorepo Python bajo licencia MIT que agrupa 15 categorías de skills. Cada categoría vive en su propia subcarpeta con un SKILL.md, scripts ejecutables, plantillas de referencia y, en varios casos, rubricas YAML que definen los criterios de puntuación. Cada carpeta es independiente: no hay acoplamiento entre growth-engine y seo-ops, lo que significa que podés adoptar solo lo que te sirve.

Las categorías incluidas al momento de escribir este artículo son:

• growth-engine — experimentos autónomos con intervalos de confianza via bootstrap y pruebas Mann-Whitney U, alertas de pacing y scorecards semanales.
• sales-pipeline — router de leads desde RB2B, resurrección de deals perdidos, prospección por triggers e ICP learner que reescribe el perfil de cliente ideal con datos de wins/losses.
• content-ops — panel de 9 expertos que puntúa contenido hasta alcanzar 90+, quality gate, editorial brain y quote miner.
• outbound-engine — definición de ICP a emails en inbox con monitoreo competitivo.
• seo-ops — briefs de ataque de contenido, optimizador de Google Search Console y trend scout.
• finance-ops — análisis financiero, estimaciones de costo y modelador de escenarios.
• revenue-intelligence — pipeline de insights de Gong, atribución de ingresos y generador de reportes de cliente.
• conversion-ops, podcast-ops, team-ops, sales-playbook, autoresearch, deck-generator, yt-competitive-analysis y x-longform-post completan el set.

El detalle técnico relevante para un desarrollador es que estas skills no son demos de juguete. El Growth Engine usa estadística real, no vibes: intervalos de confianza bootstrap para estimar incertidumbre y Mann-Whitney U cuando los datos no siguen una distribución normal. El Deal Resurrector combina tres capas de inteligencia, incluyendo un mecanismo de follow the champion que rastrea contactos que dejaron una empresa hacia su nuevo empleador. El ICP Learner recalcula el perfil de cliente ideal con datos reales de ganancias y pérdidas, algo que en la mayoría de las agencias se hace en una hoja de cálculo a mano cada trimestre.

Instalación

ai-marketing-skills es un repositorio Python con dependencias declaradas por categoría en un requirements.txt local. No hay paquete en PyPI: se usa clonando el repositorio y trabajando desde la carpeta. Como el repo también incluye un hook de pre-commit y scripts de sanitización, conviene clonar con Git para mantener el workflow completo. A continuación los pasos para los tres sistemas operativos principales.

Windows

En Windows conviene usar PowerShell con Python 3.11 o superior instalado. Si usás WSL2, seguí las instrucciones de Linux.

git clone https://github.com/ericosiu/ai-marketing-skills.git
cd ai-marketing-skills
python -m venv .venv
.\.venv\Scripts\Activate.ps1
cd growth-engine
pip install -r requirements.txt
Copy-Item .env.example .env
notepad .env

macOS

En macOS se recomienda Python via Homebrew o pyenv para evitar conflictos con el Python del sistema.

git clone https://github.com/ericosiu/ai-marketing-skills.git
cd ai-marketing-skills
python3 -m venv .venv
source .venv/bin/activate
cd growth-engine
pip install -r requirements.txt
cp .env.example .env
open -e .env

Linux

En distribuciones basadas en Debian o Fedora asegurate de tener python3-venv instalado antes de empezar.

git clone https://github.com/ericosiu/ai-marketing-skills.git
cd ai-marketing-skills
python3 -m venv .venv
source .venv/bin/activate
cd growth-engine
pip install -r requirements.txt
cp .env.example .env
${EDITOR:-nano} .env

Una vez configurado el archivo .env con las claves de API necesarias (Anthropic, proveedores de analytics, etc.), cada skill se ejecuta como un script Python normal. Para habilitar la skill dentro de un proyecto Claude Code se copia el archivo descriptor correspondiente:

mkdir -p .claude/skills
cp ai-marketing-skills/growth-engine/SKILL.md .claude/skills/growth-engine.md

A partir de ese momento el agente reconoce la skill y puede invocarla en la conversación.

Uso básico

El ejemplo canónico del README usa el experiment-engine del Growth Engine. El escenario es simple: querés validar si los threads en X generan más impresiones que los posts individuales. En lugar de armar una planilla, cargar datos a mano y correr un t-test, creás un experimento declarativo:

python experiment-engine.py create \
  --hypothesis "Thread posts get 2x engagement vs single posts" \
  --variable format \
  --variants '["thread", "single"]' \
  --metric impressions

El script registra el experimento, define las variantes y empieza a recopilar métricas. Conforme llegan datos, el engine estima diferencias con bootstrap y, cuando el intervalo de confianza separa ambas variantes de forma estable, emite una recomendación. No es un script que te diga thread ganó después de tres tuits: usa pruebas no paramétricas porque los datos de engagement casi nunca son normales.

Si operás desde Claude Code, una vez copiada la skill podés pedirle en lenguaje natural que inicie el experimento y el agente se encarga de invocar el script con los parámetros correctos. Este es el patrón que se repite en todo el repo: cada script expone una CLI con argumentos claros, y el SKILL.md le enseña al agente cuándo traducir una intención en una invocación.

Integración en proyectos reales

El valor del repo aparece cuando combinás varias skills en un pipeline. Un patrón habitual en agencias es encadenar sales-pipeline con outbound-engine y revenue-intelligence. El RB2B Router identifica visitas anónimas en el sitio, las enriquece, deduplica empresas por seniority y clasifica agencias antes de enrutar a secuencias de outbound. Después, el revenue-attribution cruza los deals cerrados con los touchpoints de contenido para calcular qué activos realmente generan pipeline.

Otro patrón común es el de content-ops con autoresearch. El Expert Panel puntúa recursivamente un borrador con personas expertas por dominio hasta que la pieza supera 90 puntos. Si el contenido es una landing page, autoresearch entra en juego: genera 50 o más variantes, las somete al mismo panel y aplica un motor evolutivo inspirado en las ideas de Andrej Karpathy sobre optimización por búsqueda. El resultado no es un copy generado por IA plano, sino una iteración dirigida por scoring objetivo.

En equipos más pequeños o freelancers, el valor está en skills individuales. podcast-ops convierte un episodio en más de 20 piezas de contenido para múltiples plataformas con un solo comando. yt-competitive-analysis encuentra outliers en canales de YouTube y extrae patrones de títulos que funcionan, información que antes había que raspar a mano. finance-ops implementa un CFO virtual que identifica costos ocultos en treinta minutos con un briefing estructurado.

Un detalle que suma puntos para uso profesional: el repo incluye un sanitizador de PII en security/sanitizer.py que escanea código y datos en busca de información sensible antes de cada commit. Se instala como un hook de pre-commit y es configurable con listas de bloqueo para nombres de empresas, personas y patrones personalizados. Es el tipo de detalle que indica que el código se usa en pipelines reales donde un leak de datos de clientes no es aceptable.

python3 security/sanitizer.py --scan --dir . --recursive
cp security/pre-commit-hook.sh .git/hooks/pre-commit
chmod +x .git/hooks/pre-commit

Además hay telemetría opt-in en telemetry/: el uso local siempre se registra en ~/.ai-marketing-skills/analytics/, pero el reporte remoto solo se activa si el usuario da consentimiento explícito la primera vez. Los datos enviados son mínimos: nombre de la skill, duración, éxito o fallo, versión y sistema operativo. Nada de código, rutas de archivos ni contenido del repo.

Cuándo usarlo y cuándo no

ai-marketing-skills es una herramienta opinada y eso es, a la vez, su mayor fortaleza y su mayor limitación. El repo funciona bien si tu stack se parece al de una agencia moderna de growth: usás Claude Code o un agente compatible, operás contenido y ventas con datos, ya tenés integraciones con herramientas como RB2B, Instantly, Gong o Google Search Console, y tu workflow admite Python como lenguaje pegamento. En ese contexto, saltás meses de trabajo de arquitectura.

No es la elección correcta si trabajás en un producto SaaS tradicional sin equipo de marketing interno, si tu stack prohíbe ejecutar scripts Python con acceso a APIs externas, o si necesitás una solución empaquetada con interfaz gráfica. Las skills asumen que hay un operador técnico ejecutando comandos o un agente que lo hace por él. Tampoco es una plataforma: no hay UI, no hay observabilidad centralizada, no hay control de permisos granular. Son scripts de producción bien escritos, nada más y nada menos.

Otra consideración honesta: varias skills están fuertemente atadas a flujos específicos del negocio de Single Brain. RB2B Router espera datos en el formato de ese proveedor, Gong Insight Pipeline depende de Gong. Si no usás esas herramientas, la skill aún es útil como referencia de arquitectura, pero requiere adaptación. Para muchos equipos esa adaptación será rápida —reemplazar un cliente de API por otro— pero para otros puede no valer la pena si sus procesos son muy distintos.

Finalmente, el repo se actualiza activamente: el último push al momento de escribir este artículo fue el 19 de abril de 2026. Eso es bueno para mantenerse al día, pero implica que adoptarlo como librería base te ata a seguir esas actualizaciones. Si tu equipo no puede reservar tiempo para sincronizar cambios, podés terminar con un fork divergente que pierde mejoras.

Alternativas

El ecosistema de skills y agentes para marketing crece rápido. Estas son tres opciones a considerar según el caso de uso, sin hacer ranking:

• Anthropic agent-skills — el repositorio oficial de Anthropic con skills de referencia para Claude. Menos verticalizado que ai-marketing-skills, cubre tareas generales como edición de documentos, análisis de datos y navegación web. Buena base para aprender el formato SKILL.md sin acoplamiento a marketing.
• LangChain templates y LangGraph — aproximación basada en grafos de ejecución. Más abstracta y polivalente, permite construir flujos complejos con control explícito de estado, pero requiere más código boilerplate para lograr la misma funcionalidad que una skill individual en ai-marketing-skills.
• CrewAI — framework para orquestar múltiples agentes con roles definidos. Útil cuando necesitás que varios agentes colaboren en paralelo en tareas distintas. Complementario más que competidor: podrías usar CrewAI como orquestador y las skills de ai-marketing-skills como herramientas que los agentes invocan.

La diferencia clave es el nivel de abstracción. ai-marketing-skills entrega workflows verticales listos para ejecutar. Los frameworks generales entregan primitivas para construir workflows. Si lo que necesitás ya está en el repo de Eric Osiu, adoptarlo es más rápido. Si necesitás algo a medida, un framework te da más flexibilidad al costo de más trabajo.

Conclusión

ai-marketing-skills es uno de esos repositorios que vale la pena leer incluso si no lo vas a usar directamente. Como muestra de cómo se estructura una skill de Claude Code en producción, con sanitización de PII, telemetría opt-in, rubricas de evaluación y scripts desacoplados, es material didáctico de primera línea. Como base para operaciones de marketing en una agencia o startup técnica, puede ahorrar semanas de trabajo de arquitectura y dejarte con flujos que realmente corren en producción.

Para probarlo, clonar el repo y correr una sola skill toma menos de diez minutos. Te recomendamos empezar por content-ops o growth-engine, que son los módulos más autocontenidos y los que mejor muestran el estilo de diseño del repo.

Repositorio oficial: Repositorio oficial en GitHub.

Referencias

• ericosiu/ai-marketing-skills en GitHub — código fuente, SKILL.md por categoría y documentación.
• Single Brain — equipo detrás del repositorio.
• Single Grain — agencia de marketing origen de las skills.
• Leveling Up — newsletter de marketing vinculada al proyecto.

📱 ¿Te gusta este contenido? Únete a nuestro canal de Telegram @programacion donde publicamos a diario lo más relevante de tecnología, IA y desarrollo. Resúmenes rápidos, contenido fresco todos los días.