频道：Greg Isenberg · 时长：54:07
| 项目 | 详情 |
|---|---|
| 视频标题 | Claude Code & MCPs built my $145K marketing machine |
| 视频 ID | RB_M2mKiOcY |
| 频道 | Greg Isenberg |
| 时长 | 54:07 |
| 发布日期 | 2026-03-02 |
| 嘉宾 | Cody Schneider（Graft 联合创始人、增长营销专家） |
| 链接 | https://www.youtube.com/watch?v=RB_M2mKiOcY |
“We actually spun up 10 Claude code instances, and we show you how you can do it to help you get customers on repeat.”
这期节目堪称”AI 自动化营销”的实战教科书。嘉宾 Cody Schneider 在直播中同时启动了多个 Claude Code 实例，从零开始搭建了一套完整的营销自动化流水线——包括 LinkedIn 自动回复、批量 Facebook 广告生成与发布、播客冷邮件外联、数据分析看板，甚至是根据广告表现自动关停低效广告。整个过程不到一个小时，而这些工作如果交给传统团队，可能需要数天乃至数周。
主持人 Greg Isenberg 直呼这是”自治营销（Autonomous Marketing）“的未来雏形。对于任何想理解 AI Agent、MCP（Model Context Protocol）和 GTM Engineering（Go-To-Market 工程化）如何落地的人来说，这是一期不可错过的实战课。
Cody 首先澄清了一个概念——GTM Engineering（Go-To-Market 工程化）。这个术语最早由 Clay.com 发明，原本指的是用级联式工作流做数据富集（data enrichment），然后通过邮件、Slack 或电话执行外联动作。但如今它已经演变为一种全新的工作范式。
“Everything that used to be the middle work that we would do… I’m now passing it on to some type of agent harness, whether it’s Claude Code or it’s Codex or any of these tools.”
Cody 提出了一个核心洞见：过去你日常要做的那些”中间层工作”——在键盘上反复操作的那些事——现在都可以交给 Agent 来完成。你的角色变成了三步循环：
“My job suddenly turns into like I have ideas, I pass them on to Claude Code, and then I’m basically polishing the end product.”
Cody 特别强调，这不是那种”给 AI 全部权限让它乱跑”的做法。他做的是针对特定”Jobs to Be Done”的定制化工作流——每一个 Agent 都有明确的任务边界和产出目标。
“This isn’t some like hype thing of like go do open claw and give it access to everything. I’m talking about specific jobs to be done workflows that are custom made for how you want to operate in your day-to-day.”
Cody
的第一步建议是：创建一个专属文件夹，所有后续工作都从这里开始。他自己的文件夹叫做
Graft Growth Agents，里面存放了所有的脚本、技能文件和配置。
“I want you to go and I need you to create a folder that you’re going to start living out of.”
这个文件夹不只是一个代码仓库——它是你和 Agent 协作的”大本营”。Cody 的所有工作流、Claude Code 技能（Skills）、自动化脚本都存放在这里。每次启动新任务，他都从这个文件夹开始。
.env 环境文件在这个文件夹里，最关键的是一个环境变量文件（.env），它存储了你日常使用的所有
API Key：
“Everything that I live on top of that is a part of my day-to-day growth stack, this is like what I’m working with.”
Cody 分享了一个正在改变他购买软件方式的洞见——现在选择 SaaS 工具时，最重要的标准是 API 的健壮程度。
“How I buy software in particular is how robust the API is.”
他举了一个例子：Salesforce 虽然历史上被认为是”笨重的 CRM”，但因为它拥有更强大的 API，实际上在 AI 时代反而成了更好的选择。
以下是 Cody 在本期节目中提到或使用的所有工具和服务：
| 工具 | 用途 |
|---|---|
| Claude Code | Agent 运行框架（核心） |
| Claude Chrome Extension | 浏览器内与 Claude Code 协作 |
| Instantly AI | 冷邮件发送与营销活动管理 |
| PhantomBuster | LinkedIn 数据爬取与自动化 |
| Refonic (Verifonic) | 播客主持人信息抓取 |
| Million Verifier | 邮箱地址验证 |
| Apollo API | 联系人数据富集 |
| Facebook Ads API | 广告创建、发布与管理 |
| Perplexity API | AI 搜索引擎，用于市场调研 |
| Graft MCP | 数据仓库连接，实时数据分析 |
| Notion MCP | 自动创建 Notion 文档 |
| Railway | 服务器部署，按需创建数据库 |
| Vercel | 前端应用部署 |
| SuperWhisper | 语音转文字输入 |
| HeyGen API | AI 视频生成（将静态广告转为视频） |
| Kai.ai / Nano Banana | 批量 AI 图片生成 |
Cody 在 LinkedIn 上发布了一系列”资源赠送”帖子（Giveaway），比如”Email Triage Notion 文档”。当有人在帖子下留言索取资源时，他需要逐一回复并发送链接。这个重复性劳动正是 Agent 的用武之地。
“Let’s run the LinkedIn respond software. Keyword that you’re looking for is triage.”
“It ran for 15 minutes on its own in the background.”
这个 LinkedIn 回复 Agent 只是 Cody 同时运行的众多 Agent 之一。他描述自己的工作方式为”Agent Jockey”——像骑师一样在多个 Agent 之间切换：
“This is literally how I’m working now… I’m just jockeying agents across and then if I can automate them and get them to do like a specific lane… then I’m spinning that up onto a server.”
Greg 开玩笑说，到播客结束时 Cody 大概会打开一百个桌面窗口。但这确实是 Cody 的日常——每个窗口运行一个 Claude Code 实例，处理一个独立的工作流。
这是本期最核心的实战环节。Cody 要构建一个能批量生成 Facebook 广告创意的工具。
给 Claude Code 的指令：
“I want you to create a bulk Facebook ad generator. It’s going to be a 1080 by 1080 pixel image… I’ll give you an example of what one of these ads looks like and then we’re going to build a template around that.”
技术要点： - 广告是用 React 组件 纯代码生成的，不是图片编辑软件 - 使用 HTML-to-Canvas 库将 React 组件转换为可下载的 PNG - 可以同时生成 UI 预览界面，方便可视化检查
“Everything in here is just react components… This is just a react component and entirely built by code.”
Greg 提出了一个好问题：为什么不用 Nano Banana Pro 这样的顶级图片模型来生成广告？Cody 的回答非常务实：
“The only thing I found with Nano Banana is that I sometimes have trouble getting it to stay on brand.”
用代码生成的优势： - 几乎零成本：可能只需要一千个 token 就能生成所有变体 - 品牌一致性：代码模板确保每张广告都符合品牌规范 - 极端可扩展：可以一次性生成一千个变体
“We can go and create a thousand ad variations right now, G. And like this literally costs nothing.”
这里引发了一场精彩的讨论：
流派一：精品创意派 - 先找到最佳创意，用 Nano Banana Pro 生成”吸引眼球”的高质量素材
流派二：大规模测试派（Cody 的做法） - 先用代码批量生成大量”看起来不那么精致但直击痛点”的广告 - 快速测试，找到表现最好的 1-3 个创意 - 然后再投入资源优化这些赢家
“I’m just trying to find the format or the angle that’s going to be most receptive. I’m going to remix that a thousand times after it.”
Cody 还展望了更进一步的可能——一旦找到有效的广告文案和格式，可以跨格式迁移：
“I made a static format. I’m now going to port that over to a UGC format and I’m sending that to the HeyGen API to pull in that… to make that creative, pull it in as a video and then bulk upload that to Facebook.”
这意味着同一套痛点文案可以先做成静态图片测试，验证有效后再转为 UGC 视频格式，用 HeyGen API 生成，然后继续批量上传。每一步都是 Agent 自动完成。
广告文案不是拍脑袋写的，而是从真实用户反馈中提取的。Cody 让 Claude Code 调用 Perplexity API 去 Reddit 上爬取增长营销人员的痛点和期望，特别聚焦于：
“Not just variations. These are variations based on pain points that people have said publicly.”
当 Perplexity API 在实际爬取中遇到限制时，Cody 灵活地调整了策略：
“Instead I want you to just brainstorm pain points that people have with data reporting, specifically the unification of the data into multiple locations.”
这展示了与 Agent 协作的一个重要技巧——当一条路走不通时，快速调整指令，不要死磕。
生成的广告创意被下载为 ZIP 文件，然后通过 Facebook Ads API 批量上传为草稿广告到指定的 Ad Set 中。
“Bulk upload all of those pieces of creative into that ad set.”
Greg 对此感触很深——手动上传大量广告变体曾经是营销人员最痛苦的体验之一：
“Just uploading the ads alone… I have literally spent like… I’m just imagining uploading a thousand ad variations… Don’t give me PTSD on the pod.”
“I did this early in my career. It was absolutely painful. It was painful, and it’s not fun. It’s not fun at all.”
Cody 使用 Graft（他自己公司的产品）的 MCP 接口，让 Claude Code 直接从数据仓库中拉取 Facebook Ads 数据，自动构建一个分析看板：
这是最令人兴奋的部分。Claude Code 通过 Graft MCP 拉取实时广告表现数据，识别出 CPM（千次展示成本）最高的广告，然后自动调用 Facebook Ads API 关停这些低效广告。
“It went and it paused those ads for me.”
Cody 强调了一个很多人忽略的问题：直接用 MCP 对接 Facebook Ads API 会遇到严重的分页问题（Pagination Problem）。
“People are like, yeah, I plugged in a Facebook Ads MCP I’m interacting with it and then I realize that I’m only seeing like 5% of the data that I think I’m actually seeing.”
通过数据仓库（如 Graft），你可以访问完整的数据集，避免 API 的速率限制和分页陷阱。
Cody 还展示了一个更日常的用法——用 Graft MCP 在手机上获取每日业务简报：
“In the morning, I’ll wake up and be like, how much traffic… how many new users went to the homepage of the website yesterday?”
他在 Claude 的手机端（Claude iOS）上直接输入问题，Claude 通过 Graft MCP 调用 Google Analytics 4 的数据，几秒钟内返回答案。这意味着整个团队都可以用自然语言与实时数据对话——不需要打开任何看板工具。
“You can give this to your whole team as well so that everybody on your team also has access to this both from within Claude Code, within their… whatever their harnesses that they use.”
回顾这个阶段，Cody 和 Claude Code 完成了一个完整的营销闭环：
“You’re probably starting to have the epiphany like, oh, I can just turn this into a repeatable process.”
Cody 构建了一个自动化的播客外联系统，用于帮自己争取更多播客嘉宾出场机会：
“Scraped all of the podcasts that were within the marketing category and then built a workflow that goes and cold emails them and then an agent that responds back to book me on the podcast.”
Cody 展示了 Instantly 的后台界面，显示这套系统的效果远超预期。
这个工作流更加复杂，涉及多个 API 的串联：
/linkedin-post
命令，粘贴一条有价值的 LinkedIn 帖子“Whenever they come across a LinkedIn post… they could be adding that into the queue so that it just automatically goes into the cold email process.”
当一个工作流被验证有效后，下一步是把它部署到服务器上持久运行。Cody 使用 Railway 来完成这一步：
“I can just tell Railway via Claude Code, hey, spin this up into a server that I can access.”
也可以部署到 Vercel 或其他平台。关键是让这些工具不再依赖你打开电脑——它们在后台 24/7 运行。
Cody 分享了一个令人印象深刻的案例：他需要做一些数据分析，传统做法是下载到 Excel 做数据透视表。但现在他的做法是：
“What would have taken me probably 5 hours historically… I smashed that out in probably 20 to 30 minutes.”
这次经历让 Cody 产生了一个更深层的觉悟：
“On the fly UIs, on the fly databases, on the fly software is going to become the standard for these people that are working at the forefront of this.”
软件不再是你需要提前购买、配置和维护的东西——它变成了按需生成、用完即弃的资源。
Greg 提到他有个朋友想裁掉 70% 的团队（约 50 人），用 Agent Swarm 替代。Cody 解释了 Agent Swarm 的结构：
“It’s just an agent that does a specific thing, and then there’s an agent that manages that whole system, and then imagine five pillars under another agent.”
Cody 自己就在运行这样的 Agent Swarm：
“I have one that’s just crawling LinkedIn as we speak. And it’s looking for ICP, and then it enriches them, it writes a personalized email, and it cold emails them.”
这不是实验室里的 demo——这是每天在运行的生产系统。
在讨论谁将从 AI 中获益最多时，Cody 分享了一个关于”专业词汇”的深刻见解。他的技术联合创始人 Max 能用更精准的技术语言描述问题，因此从 Agent 那里获得的输出质量处于 top 1%。
“The vocabulary you have to describe something is going to be so much more sophisticated than what I have.”
Cody 举了一个生动的例子：他想给广告加一种”电视雪花屏”的背景纹理，但他不知道该怎么描述。尝试了无数次都失败了。后来他找到一个专业设计师的描述——用了一套特定的设计术语——Claude Code 立刻一次生成了完美的效果。
“Literally one shots it, immediately, like what I was looking for.”
这个故事告诉我们：AI 工具放大的是你的领域知识，而不是取代它。20 年的行业经验在 AI 时代不仅没有贬值，反而变得更有价值了。
| 概念 | 解释 | 对应工具/方法 |
|---|---|---|
| GTM Engineering | Go-To-Market 工程化，用自动化工作流驱动市场拓展 | Claude Code + API 集成 |
| Agent Harness | Agent 运行的”载体”或”框架” | Claude Code、Codex、Cursor |
| MCP | Model Context Protocol，让 LLM 与外部工具/数据通信 | Graft MCP、Notion MCP |
| Agent Swarm | 多个专注特定任务的 Agent 组成的协作系统 | 一个管理 Agent + 多个执行 Agent |
| On-the-fly Software | 按需创建、用完即弃的临时软件/数据库 | Railway API |
| 中间层工作 | 你以前在键盘上重复执行的操作性工作 | 被 Agent 取代 |
| Domain Vocabulary | 领域专业词汇，决定了你给 Agent 指令的质量 | 行业经验 + 专业术语 |
| Bulk Generation | 批量生成广告创意/内容的能力 | React 组件 + HTML-to-Canvas |
| Data Enrichment | 从基础数据出发，通过多个 API 补充完整信息 | Apollo、PhantomBuster |
| Pagination Problem | 直接调用 API 时因分页导致的数据缺失问题 | 用数据仓库替代直接 API |
创建一个专属文件夹，把所有 API Key 存入 .env
文件，把所有脚本和技能文件都放在这里。这是你与 Agent 协作的大本营。
安装 SuperWhisper 或类似工具，用语音直接向 Claude Code 描述任务。速度比打字快得多，而且能保持你的思维流畅性。
在让 Claude Code 执行复杂任务之前，先启用 Plan Mode 让它制定计划。确认计划合理后再执行，避免返工。
同时打开多个 Claude Code 实例，分别处理不同任务。一个在做 LinkedIn 回复，另一个在生成广告，第三个在构建外联系统——像”Agent Jockey”一样在多个窗口之间切换。
在开始批量生成广告之前，去 Facebook Ads Library 研究竞品的广告格式和创意，找到一个好的模板，然后让 Claude Code 基于这个模板批量生产变体。
不要凭直觉写广告文案。用 Perplexity API 从 Reddit、YouTube、Twitter 等平台抓取目标用户的真实痛点，让广告文案”说用户的话”。
用代码批量生成大量低成本广告变体，快速上线测试。找到表现最好的 2-3 个创意后，再投入更多资源（如 AI 图片生成、视频制作）进行深度优化。
当一个工作流被证明有效，立即用 Railway 或 Vercel 将其部署为后台服务。不要让有效的自动化停留在”需要手动启动”的阶段。
Cody 明确反对这种做法。有效的 Agent 都是针对具体”Jobs to Be Done”的定制化工作流，有明确的任务边界。
对于广告测试阶段来说，用代码生成的”简陋”广告反而更有优势——成本几乎为零，可以批量生产，而且直击痛点的文字广告往往比精美图片更有效。
这是一个常见陷阱。直接调用 Facebook Ads API 等服务时，分页机制可能导致你只看到 5% 的真实数据。应该通过数据仓库来获取完整数据。
恰恰相反，领域知识比以往任何时候都更重要。你的专业词汇决定了你能给 Agent 多精准的指令。
“The vocabulary you have to describe something is going to be so much more sophisticated than what I have.”
在 Agent 时代，API 的健壮程度远比 UI 的美观程度重要。一个 UI 漂亮但 API 功能缺失的工具可能会被淘汰。
“There’s a thing you can do in their UI I can’t do in their API and I’m literally about to churn.”
Cody 已经在生产环境中运行 Agent Swarm——一个 Agent 持续爬取 LinkedIn 寻找目标客户，自动做数据富集，写个性化邮件，然后发送冷邮件。这不是概念，是正在发生的事情。
正确的做法是从小规模开始——先同时管理 2-3 个 Agent，逐步扩展到更多。Cody 花了六周时间才从”同时管理 2-3 个 Agent”发展到”可以同时管理 50 个窗口”。
在多个 Agent 之间切换时，记住每个 Agent 正在做什么是一个真实的挑战。Greg 也承认这一点。这需要练习和适应。
“The context switching is actually difficult.”
Cody 本人不是传统意义上的程序员。他用语音输入、描述业务需求，让 Claude Code 来处理技术实现。关键是你要理解业务逻辑和工作流。
Cody 的朋友正在考虑裁掉 70% 的团队。Greg 直言这将导致”混乱”——工作岗位的消失将非常迅速。
“It’s going to be chaos. It’s going to be chaos.”
GTM Engineering 正在从”数据富集+外联”演变为 Agent 驱动的全自动化营销体系。掌握这套方法论的营销人员将具备巨大的竞争优势。
你的新角色是”Agent Jockey”——同时管理多个 AI Agent，在不同任务之间切换，把创意转化为自动化执行的工作流。
API 是新的护城河。选择工具时，API 的健壮程度比 UI 更重要。Sam Altman 说”每家公司都将成为 API 公司”，Cody 的实践证明了这一点。
“中间层工作”正在消失。过去需要你亲自在键盘上完成的操作性工作——上传广告、回复评论、发送邮件、做数据分析——都可以交给 Agent。
领域知识 + AI 工具 = 超级个体。Cody 强调，能用精准的专业词汇描述问题的人，能从 Agent 那里获得远超普通人的输出质量。
先测试、后优化。用近乎零成本的方式批量生成广告变体，找到赢家后再投入重资源优化。这比传统的”精心打磨一个广告”的方式效率高出数个量级。
数据仓库 > 直接 API 调用。在做大规模数据分析时，通过数据仓库（如 Graft）获取数据，可以避免 API 的分页和速率限制问题。
On-the-fly 基础设施是新常态。按需创建数据库、按需部署服务、用完即弃——这种”即时软件”的模式将成为 AI 时代的标准工作方式。
自动化应该是渐进式的。先手动走通整个工作流，验证可行后再用 Railway 等平台部署为 24/7 运行的后台服务。不要一上来就追求全自动。
Agent Swarm 已经是现实。一个管理 Agent 协调多个执行 Agent，每个 Agent 负责特定任务——这不是未来概念，而是 Cody 此刻正在使用的工作模式。
工作市场将经历剧烈动荡。能掌握这些工具的人将获得极大的价值倍增效应——一个人可以做十个人的工作。但这也意味着大量传统岗位将快速消失。
行动力比完美更重要。Cody 的方法论核心是”快速启动、持续迭代”。他甚至提到自己的 Etsy 自动化店铺两天前被封了——但那恰恰证明了他一直在测试边界、快速学习。
这期播客展示了一个令人震撼的未来：AI Agent 不再是概念验证的玩具，而是可以替代整个营销团队的生产力工具。Cody Schneider 在一小时内同时运行了十几个 Claude Code 实例，完成了从创意生成到广告投放、从数据分析到自动优化的全链条工作。
最值得深思的不是某个具体的工具或 API，而是一种全新的工作范式——你不再是执行者，而是指挥者。你的价值不在于你能点多少次鼠标、做多少张广告，而在于你能多精准地描述问题、多高效地协调 Agent、多快速地把验证过的工作流部署到生产环境。
正如 Cody 所说，掌握这套方法的人可以合理地向公司要求三倍薪资——因为你一个人就能创造十个人的价值。而对于创业者和小团队来说，这几乎是”作弊码”级别的竞争优势。
正如 Greg 总结的那样：
“The idea that you can make this an agent that’s working 24/7 and that’s managing all these different things is the dream. It is absolutely the dream. Autonomous marketing — the dream.”
Cody 已经承诺会在 gtmengineeringcourse.com 上免费发布完整的教程。无论你是营销从业者、创业者还是对 AI 自动化感兴趣的技术人员，现在就是开始学习和实践的最佳时机——因为这个窗口期不会持续太久。
“I don’t think people understand what’s about to happen in the next 12 months.”