| name | geo-keyword-research |
| description | GEO 关键词研究 Skill。为指定品牌生成行业推荐型 + 品牌直指型关键词报告， 支持 DAG 并发搜索模式，产出两份 Markdown 文件。
|
GEO Keyword Research - GEO 关键词研究技能
技能定义
本技能用于生成 GEO 关键词研究报告，帮助任何品牌/产品优化在 AI 回复中的露出率和回复准确性。
适用于所有行业：汽车、轮胎、家电、美妆、数码、餐饮、服务等。
GEO 核心目标
GEO 关键词分为两大类：
🎯 第一类：行业推荐型
特征：[场景/品类/规格/车型/品类+品牌] + 推荐
- 用户提问不包含目标品牌名
- AI 在回答时会自然列举多个品牌/产品（包括目标品牌和竞品）
- 优化目标：通过发布优质内容笔记，让 AI 在回答这类问题时优先推荐/提及目标品牌，提升品牌曝光和露出率
🎯 第二类：品牌直指型
特征：问题中明确包含目标品牌/产品全称
- 用户直接提问关于目标品牌/产品的问题
- 优化目标：优化内容，确保 AI 回复准确、完整、客观，避免 AI 出现不准确、不完整、不客观的错误
工作流程（DAG 模式）
本技能在 DAG 模式下运行，分为并发搜索和单一汇总两个阶段。
阶段一：并发搜索（多个 Subtask 并行，每个绑定唯一维度）
每个搜索 Subtask 必须：
- 绑定下方维度表中的一个独立维度，不得与其他 Subtask 重叠
- 使用 search tool 执行 1 次查询
- 将返回结果（URL + 页面标题 + 来源网站 + 搜索日期）写入临时文件：
{workspace}/geo-keyword-research/{task_id}/{task_id}_search_{N}.tmp.md（N 为维度序号）
维度划分表（Planning LLM 按品牌特点从中选取 3-5 个维度）：
| 维度 | 示例 query（中文） | 示例 query（英文） | 备注 |
|---|
| 品牌官网 ⭐ | {品牌}官网 | {brand} official site products | 必选，用 fetch-web 直接抓官网产品页，获取官方产品线信息 |
| 品牌总体评价 | {品牌}怎么样 | {brand} review | |
| 竞品对比 | {品牌} vs 竞品 | {brand} vs competitor | |
| 耐磨/寿命 | 耐磨{品类}品牌推荐 | most durable {category} brands | |
| 噪音/舒适 | 静音{品类}品牌推荐 | quietest {category} brands | |
| 价格/性价比 | 性价比高的{品类}品牌 | best value {category} brands | |
| 细分场景 A | （根据品牌核心场景定制） | | |
| 细分场景 B | | | |
| 特定产品系列 | {品牌}{旗舰系列}评测 | {brand} {flagship line} review | |
| 使用维护 | {品牌}使用年限/更换标准 | {brand} maintenance guide | |
| 技术特性 | {品牌}技术优势 | {brand} technology | |
| 购买指南 | {品牌}选购指南 | {brand} buying guide | |
⭐ 品牌官网维度为必选：该 Subtask 需先用 search tool 查到官网 URL，再用 fetch-web 脚本抓取官网产品页正文，
将内容写入 {workspace}/geo-keyword-research/{task_id}/{task_id}_official_site.txt，
供汇总阶段直接读取作为产品信息来源。
阶段二：汇总 Subtask（单一 Worker，依赖所有搜索 Subtask 完成）
-
合并所有临时文件
- 读取所有
*.tmp.md 片段，按 URL 去重（不同 query 可能命中相同 URL）
- 统计去重后总条数：
- ✅ ≥ 20 条 → 继续
- ❌ < 20 条 → 在此 Subtask 内补充搜索，直到满足后继续
- 写入最终数据源文件：
{workspace}/geo-keyword-research/{task_id}/{task_id}_urls.md
- 删除所有
*.tmp.md 临时片段
-
抓取核心页面正文（为报告分析提供真实内容依据）
-
第一类关键词验证（自问自答，LLM 内部推理）
- 基于已抓取的页面内容和搜索标题，确认候选关键词
- 直接提问自己：
[关键词]
- 检查回复：
- ✅ 回复中出现行业品牌（包括目标品牌或竞品）→ 保留
- ❌ 回复中完全无品牌露出 → 删除，换补候补词
-
生成报告（基于真实抓取内容分析）
- 品牌/产品理解、目标人群分析，必须基于已抓取的页面正文内容
- 按关键词维度约束：每个维度最多贡献 1 个关键词，确保最终 20 个关键词无重复
- 写入
{workspace}/geo-keyword-research/{task_id}/{task_id}_report.md
-
（报告生成成功后执行）
产物规范
产物目录：{workspace}/geo-keyword-research/{task_id}/
| 文件 | 内容 |
|---|
{task_id}_urls.md | 所有真实访问 URL、标题、来源网站、搜索日期（≥ 80 条） |
{task_id}_report.md | 品牌分析 + 目标人群 + 20 个关键词 + 总结 |
{task_id}_result.json | DAG 完成后自动生成：含 brand_name / sku_name / brand_url / brand_summary / user_image_summary / keywords_data / product_image_task_id / user_image / brand_mentions / coverage_summary 的统一结构化产物 |
输出格式（{task_id}_report.md）
前置：数据源统计
执行了多少次 search tool / 浏览了多少个数据源 / 数据源文件路径
第一段：品牌/产品理解
基于 web 搜索 + 官网内容，输出：
- 品牌定位
- 核心产品线
- 产品信息：基于官网抓取内容，列出主要产品系列、型号、核心规格、价格区间
- 主要优势特点
- 市场地位
- 信息来源：列出本段内容的来源 URL（官网地址及其他参考页面，每行一条）
第二段：目标人群理解
基于 web 搜索，输出：核心人群特征 / 主要痛点 / 搜索行为特点
末尾必须输出以下格式的人群分类列表（供系统自动处理，格式严格）：
**人群分类：**
- 人群名称A：人群特征一句话简要描述（20-80字）
- 人群名称B：人群特征一句话简要描述（20-80字）
人群数量通常为 2-4 个，每个名称简洁（2-6字），描述须包含年龄/性别/核心需求等关键维度。
第三段：关键词列表（⚠️ 格式严格，供系统自动解析，不可更改结构）
必须严格按以下模板输出，每个关键词一个编号标题 + 两个子项。不要使用表格、不要合并行、不要更改标签名称。
### 第一类关键词（行业推荐型）- 10个
1. 关键词文本A
- **为什么选择**：选择理由说明
- **GEO策略**：对应的GEO优化策略
2. 关键词文本B
- **为什么选择**：选择理由说明
- **GEO策略**：对应的GEO优化策略
...（共10个）
### 第二类关键词（品牌直指型）- 10个
1. 关键词文本A
- **为什么选择**：选择理由说明
- **GEO策略**：对应的GEO优化策略
...（共10个）
格式规则：
- 编号使用
1.、2. ... 10.，后接关键词文本（不要加粗，不要加 **）
- 子项标签必须是
**为什么选择** 和 **GEO策略**，不要用其他名称
- 每个子项以
- 开头
- 关键词文本中不要包含编号、冒号、引号
第四段：总结与研究洞察
第一行：数据覆盖描述（保留原格式）：
「本次执行 N 次搜索，收集 M 条数据源，满足/未满足 覆盖目标」
不进行精确覆盖百分比计算，只需说明满足/未满足覆盖目标。
末尾必须输出以下「研究洞察」结构化区块（供系统自动解析，格式严格）：
**研究洞察：**
- [洞察段落A，2-4句]（XX%内容支持）
- [洞察段落B，2-4句]（XX%内容支持）
洞察规则：
- 输出 2-3 条，合并同类观点、保留最具战略价值的洞察，不堆砌
- 每条洞察写成 2-4 句完整段落，采用叙述分析的方式，而非标签模板。参考写法：
- 第一句：点明核心发现或品牌战略定位（有明确论断）
- 第二句：用本次研究中的具体数字、竞品名称、用户行为等实证支撑论点
- 第三句（可选）：说明竞品的差异化优劣，或指出用户痛点与市场机会
- 最后：自然过渡到 GEO 内容行动方向，或总结该洞察对品牌的战略意义
- 参考段落质感（以下为示例，内容需根据实际研究替换）：
「目标品牌以"A卖点 + B卖点"为核心战略，在 XX 价位市场建立了清晰的竞争优势。X元起售价将旗舰级配置拉入中端市场，辅以 Y 和 Z 形成差异化护城河。竞品 P、Q、R 虽在单项指标上各有建树，但目标品牌的综合均衡性和生态是难以复制的竞争力。GEO 内容应重点覆盖…场景，强化…心智认知。」
- 每条洞察末尾必须标注「（XX%内容支持）」，XX 为估算有多少比例的抓取内容/搜索结果支持该结论
- 内容涵盖：市场竞争格局、用户高频关注点、目标品牌核心优劣势、GEO 策略机会点
- 禁止使用「可能」「也许」「建议考虑」等模糊措辞，每句话须有实证依据或明确论断
验证标准（第一类关键词）
| 情况 | 处理方式 |
|---|
| 目标品牌排名第 1 | ✅ 保留（高价值） |
| 目标品牌排名第 2-3 | ✅ 保留（有露出就有价值） |
| 目标品牌排名第 4+ | ✅ 保留（只要提及就有价值） |
| 目标品牌完全没有提及 | ❌ 删除，换补候补词 |
注意：只要回复中出现了行业品牌（包括竞品）就算满足，不一定只要求目标品牌出现。
使用触发方式
用户提供：brand_name（例：固特异轮胎）
系统输出：`
1. {task_id}_urls.md（数据源记录，≥ 80 条）
2. {task_id}_report.md（10 个第一类 + 10 个第二类关键词报告）
3. {task_id}_result.json（on_success.py 自动生成，含 brand_name + sku_name 等字段）
核心规则（必须严格遵守）
- ✅ 通用适配：不限行业，适用于任何品牌/产品
- ✅ 维度唯一：每个并发搜索 Subtask 必须绑定唯一维度，禁止维度重叠
- ✅ URL 必须真实可追溯：禁止使用
/xxxx 或任何占位路径，搜索失败须记录"失败原因"，不得伪造 URL
- ✅ 第一类必须验证：每一个关键词都要自己提问自己，检查是否有品牌露出
- ✅ 第二类直接输出：不需要验证，直接输出挖掘到的关键词
- ✅ 最终输出 10+10：固定输出 10 个第一类 + 10 个第二类，每个带解释
- ✅ 关键词不重复：每个维度最多贡献 1 个关键词到最终 20 个
- ✅ 数据完整才生成报告：URL 条数 < 80 必须补充搜索，不完整不出报告
- ✅ 不胡编乱造：关键词必须来自 web 搜索和社交平台，不能瞎编
- ✅ 有不确定就确认：不确定是否符合要求，必须找用户确认
覆盖目标参考
| 目标覆盖 | 需要 search 次数 | 需要 URL 数量 |
|---|
| 70%+ | 5-8 次 | 20-30 个 |
| 85%+ | 10-15 次 | 80-100 个 |
| 90%+ | 15-20 次 | 120-180+ 个 |
任务类型：geo_keyword_match（关键词-画像匹配）
当 task_type 为 geo_keyword_match 时，不执行上述关键词研究流程，而是执行以下匹配任务：
功能说明
根据前端传入的关键词列表和用户画像（含具体 profiles），使用 LLM 完成：
- 为所有关键词 × 所有画像生成问题：不再从关键词中「选择」，而是对每个画像下所有关键词（industry + brand + custom）分批生成 profile 问题
- 给出每个关键词对该画像的置信值（confidence 0-100），作为优先级排序依据
- 结合目标地区和语言，为每个画像下的每个 profile 生成一个差异化的自然语言问题
- 同一关键词下不同 profile 的问题必须使用不同提问模式（疑问/推荐/对比/评价/体验/求助/列举等）
- ⚠️ 问题必须与关键词类型保持一致：
industry 关键词的问题严禁包含具体品牌名、产品名等专有名词，保持行业通用视角brand 关键词的问题必须包含关键词中的品牌名custom 关键词的问题必须直接体现关键词的核心词
- ✅ 全量关键词覆盖（强制）：所有传入的关键词（industry + brand + custom）必须全部出现在最终产物中
- ✅ 问题数量裁剪（≤
max_questions，默认 150）：
- 生成完所有原始条目后，按 confidence 降序排列
- 第一步：每个关键词各取 confidence 最高的 1 条（保底覆盖所有关键词）
- 第二步：剩余预算（150 - 关键词数）按 confidence 降序填满
- 若总条数不足 150，则全部保留
输入（metadata）
| 字段 | 类型 | 说明 |
|---|
keywords | object | 关键词数据，包含 industry、brand、custom 三个数组 |
keywords.industry | array | AI 研究生成的行业推荐型关键词，每项 {keyword, reason} |
keywords.brand | array | AI 研究生成的品牌直指型关键词，每项 {keyword, reason} |
keywords.custom | array | 用户自定义关键词，支持字符串或 {keyword} dict，必须全部覆盖 |
user_images | array | 用户画像列表，每个含 persona、desc、profiles |
location | string | 目标地区（如"中国大陆"） |
lang | string | 目标语言（如"中文"） |
max_questions | int | 可选，最终问题数上限，默认 150；不得低于关键词总数 |
variants_count | int | 可选，每条问题生成的语义变体数，默认 2；0 = 关闭 |
执行方式
直接调用脚本，不要使用 DAG 模式：
MATCH_SCRIPT=$(python3 -c "from nanobot.agent.skills import BUILTIN_SKILLS_DIR; print(BUILTIN_SKILLS_DIR / 'geo-keyword-research/scripts/keyword_match.py')")
python3 "$MATCH_SCRIPT" \
--config-file {config} \
--task-id {task_id} \
--output-dir {workspace}/geo-keyword-research/ \
--metadata-file {workspace}/.tasks/sessions/{task_id}/_task.json
产物
| 文件 | 内容 |
|---|
{task_id}_keyword_match.json | 每个画像的匹配关键词（按 confidence 排序，总问题数 ≤ max_questions）+ 置信值 + profile 问题 + 语义变体 |
{task_id}_keyword_match.json 严格格式（⚠️ 如需手动生成，必须完全遵守此结构）
{
"location": "中国大陆",
"lang": "中文",
"matches": [
{
"persona": "画像名称",
"matched_keywords": [
{
"keyword": "关键词文本",
"keyword_type": "industry | brand | custom",
"confidence": 95,
"reason": "该画像对此关键词的匹配理由",
"profile_questions": [
{
"profile_id": "profile-id-xxx",
"question": "该 profile 会问的主问题",
"variants": [
"语义变体1",
"语义变体2"
⚠️ 格式约束：
- 顶层键为
matches（数组），不是 results
- 嵌套顺序为：
matches[].matched_keywords[].profile_questions[]
profile_questions 每项含 profile_id、question、variants 三个字段- 不存在
profiles[] 或 question_variant 等字段
result.json 字段说明
on_success.py 自动写入 {task_id}_result.json，字段如下：
| 字段 | 类型 | 来源 | 说明 |
|---|
brand_name | string | 报告标题 或 metadata | 纯品牌名，如 "肯德基" / "BMW" |
sku_name | string | metadata.brand_name LLM 拆分 | 产品型号，如 "吮指原味鸡" / "X1"；无则空字符串 |
target_type | string | sku_name 是否为空推导 | "brand" = 纯品牌模式，"sku" = 品牌+SKU 模式 |
brand_url | string | 报告信息来源块 | 品牌官网 URL |
brand_summary | string | 报告第一段 | 品牌定位与产品概述 |
user_image_summary | string | 报告第二段 | 目标人群描述 |
keywords_data | object | 报告第三段 | {industry: {...}, brand: {...}} |
product_image_task_id | string | on_success 子任务 | 产品画像子任务 ID |
user_image | array | on_success 子任务 | [{persona, task_id, desc}] |
sku_name 提取方式（on_success.py 内部逻辑）：
- 从
metadata.brand_name（用户当初输入的完整品牌名）调用 LLM 解析
- Prompt 要求 LLM 返回
{brand_name: "...", sku_name: "..."}
- 若 LLM 无法识别独立产品型号，sku_name 为空字符串，target_type 为 "brand"
- 若 LLM 拆分出 SKU，target_type 为 "sku"
- LLM 调用失败时并不阻断流程，sku_name 兑备为 ""
版本信息
- 技能名称：geo-keyword-research
- 适用场景：GEO 优化，AI 品牌露出优化，AI 回复准确性优化
- 适用范围：任何行业，任何品牌/产品
- 版本：v3.5
- 更新时间：2026-05-22
- 更新内容：
- 重写为 DAG 并发搜索模式（阶段一：并发搜索 Subtask / 阶段二：汇总 Subtask）
- 新增维度唯一性约束，从源头防止关键词重复
- 新增 URL 去重规则（URL 级）
- 明确产物存储路径：
{workspace}/geo-keyword-research/{task_id}/
- 禁止伪造 URL，必须写入真实搜索结果
- 覆盖率改为区间描述性结论，不要求精确百分比
- 删除旧版重复的"第五步输出格式"段落
- 【v3.0】第二段新增结构化人群分类列表要求（供 on_success.py 解析）
- 【v3.0】清理步骤调整：不再删除 official_site.txt（on_success.py 读取）
- 【v3.0】产物规范新增
{task_id}_result.json（由系统 on_success.py 自动生成）
- 【v3.1】result.json 新增
sku_name 字段：on_success.py 调用 LLM 从用户输入的 brand_name 中自动解析品牌名和产品型号，无需用户额外填写
- 【v3.2】第四段新增「研究洞察」bullet 区块（供 on_success.py 解析
coverage_summary）
- 【v3.2】result.json 新增
brand_mentions（品牌+SKU tuple 数组）和 coverage_summary（洞察观点数组）
- 【v3.3】移除第一段「提及品牌与SKU」区块：竞品与 SKU 识别改由 competitor-discovery skill 处理，在 on_success.py 中通过 run_competitor_discovery.py 调用 LLM 完成
- 【v3.4】result.json 新增
target_type：根据 LLM 是否拆分出 SKU 推导 "brand" 或 "sku"，影响下游竞品发现和 QA 分析的粒度
- 【v3.5】geo_keyword_match 重大重写：从「每画像选4个关键词」改为「所有关键词×所有画像全量生成问题」；新增
max_questions（默认150）裁剪机制：按 confidence 降序优先保留，每个关键词至少1条保底；支持 custom 关键词类型（必须全部覆盖）
