القائمة
GEOVisibilityTool 本地知识库管理。把每次 probe→analyze→report 运行的产物自动 ingest 到 ~/.geo-kb/kb.sqlite,累积形成"跨 brand、跨 vertical、跨时间"的可查询知识库。**stdlib only(sqlite3)。所有数据全在本地,从不上传**。geo-harness 在每次跑完后自动调用;也可手动 query 历史数据。
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
استنادا إلى تصنيف SOC المهني
GEO 测试 harness 总入口。串起 geo-queries / geo-probe(每个 LLM 调一次)/ geo-analyze / geo-report / geo-channels 五个模块,**一句话触发,每个 checkpoint 都走用户确认门**。基于 probe-plan.yaml 编排,不引入新状态文件。**支持断点续跑**——从测试目录现有文件状态推断当前阶段,接着跑。
给一份 analysis-<brand>-<date>.md（geo-analyze 的输出，可选 + report-<brand>-<date>.md），渲染一份 actionable 的 GEO 渠道投放建议报告。**双输出**:`channels-<brand>-<date>.md` + `.html`(自包含、内嵌作者水印)。**Topify-CEO 风格,紧急/长期分流**:负面信号 → 紧急处理(红色专区);优先 channel 投放清单 → top 10 grid + 内容形态建议;per-LLM 适配 → 内容+渠道双维度;竞品反位 + 零命中攻关。**ROI 定性 high/med/low,公式公开,无伪精度**。
给一份 analysis-<brand>-<date>.md（geo-analyze 的输出），渲染一份给 CEO/决策人看的 GEO Visibility 报告。**双输出**:`report-<brand>-<date>.md` + `report-<brand>-<date>.html`(自包含、内嵌作者水印、可浏览器 Cmd+P 自存为 PDF)。**Topify-inspired 风格**:Hero 卡片 + 颜色编码矩阵 + 报忧/报喜双卡片 + 极少叙述。不出"下一步建议"——那是 geo-channels 的事。
给一份或多份 probe-results-*.yaml（geo-probe 的输出），算出 visibility 分数、识别率、自然提及率、平均排名、竞品分布、引用源画像、高价值零命中清单。输出 analysis.md（供下一步 geo-report 消费）。纯 skill，不带 Python：数据量小、判断活多。
给一份 queries.yaml（geo-queries 生成的）和一个目标 LLM（内置 6 个预设：Kimi / 豆包 / DeepSeek / 百度文心 / 千问 / 元宝；也支持用户自定义任何 LLM），逐条把问题问到目标 LLM 的网页端，记下每条的：完整回答、命中的品牌（你的 + 竞品）、引用的源（URL + 域名 + 标题）。输出 probe-results.yaml。每次只跑一个 LLM。Skill 配套 probe.py（仅 stdlib，机械活专用）。
给一个品牌（中文名、行业、垂类、一句话定位、竞品），生成 30 条用于测试 AI 可见度的真实用户问题，按 6 类意图（探索发现 / 选型推荐 / 对比评估 / 了解原理 / 采购投资 / 品牌识别）分布，每类内部混合"短抽象"和"长场景具体"两种风格。
| name | geo-kb |
| description | GEOVisibilityTool 本地知识库管理。把每次 probe→analyze→report 运行的产物自动 ingest 到 ~/.geo-kb/kb.sqlite,累积形成"跨 brand、跨 vertical、跨时间"的可查询知识库。**stdlib only(sqlite3)。所有数据全在本地,从不上传**。geo-harness 在每次跑完后自动调用;也可手动 query 历史数据。 |
| triggers | ["查 KB","查我跑过的 GEO 历史","这个 LLM 在历史上引谁最多","这个垂类的 visibility 基准","geo-kb","历史 GEO 数据"] |
| metadata | {"author":"KnightMafiaLau","source":"geo-harness v0.1"} |
| user-invocable | true |
| disable-model-invocation | false |
~/.geo-kb/
└── kb.sqlite # 唯一文件,SQLite 3 schema
# 3 表:runs / citations / recipe_health
全在本地,从不上传任何东西。备份就是 cp 这个文件。
| 用户问 | 用 |
|---|---|
| "把这次测试导入 KB" / "ingest" | kb.py ingest <test-dir> --vertical <V> |
| "KB 总览" / "我跑了多少" | kb.py stats |
| "Qwen 在了解原理类引谁最多" | kb.py query channels --llm Qwen --intent 了解原理 [--vertical V] |
| "拓竹的历史 visibility" | kb.py query trend --brand <slug> |
| "DeepSeek 的 recipe 健康度趋势" | kb.py query recipe-health --llm DeepSeek |
| "3D 打印垂类的 visibility 基准" | kb.py query benchmark --vertical "3D 打印" |
| "导出这次 run 看" | kb.py export <run-id> |
kb.py 在 repo 的 scripts/kb.py(用户 clone 后路径可能各异)python3 scripts/kb.py ...kb.py ... 直接调kb.py init(创建 ~/.geo-kb/ + schema)geo-harness Phase 6 完成后,自动调用:
python3 <repo-path>/scripts/kb.py ingest <test-dir> --vertical <从 plan.yaml 或用户输入推断>
如果用户没指定 vertical,问一次("这个品牌属于什么垂类?如 3D 打印 / SaaS / 机器人 等"),用于后续跨 brand 查询。
(v1 是手动 query;v2 可考虑让 sub-skill 自动读 KB)
kb.py query channels --vertical <V> 看该垂类历史强信号,调整生成倾向kb.py query benchmark --vertical <V> 看 cross-brand 平均水平,调整 ROI 定级口径KB 已更新:
- run_id =
- 累积: runs / brands / verticals / citations
- 这次新增: citations / recipe_health entries
想查:
kb.py query channels --llm X --intent Y— 跨 brand 找强信号kb.py query trend --brand <slug>— 看自家历史趋势kb.py stats— 总览