| name | gt |
| description | Google Trends 查询 + SEO 选词工作流引擎。四个基础查询：关键词热度对比曲线、地区热度分布、相关飙升查询、每日热搜榜；三套工作流：小语种/小国市场竞争力探测、模糊关键词多角度扩词并收敛成可做站的 SEO 词、新兴趋势捕捉。用户提到 谷歌趋势、Google Trends、搜索热度、热度对比、搜索趋势、关键词趋势、trending、"XX 和 YY 哪个更火"、"XX 搜索量怎么样"、"今天美国/日本在搜什么"、"这个词能不能做站"、"哪个市场/国家有机会"、"帮我选 SEO 关键词"、"这个方向值不值得做"、选词、选品调研、市场探测 时使用本 skill。即使用户只说 /gt 或只给了一个模糊的产品词/方向，也应触发。不要自己手写 pytrends 代码或直接调 opencli——本 skill 的脚本已处理好 venv、urllib3 兼容性和路由。 |
gt — Google Trends 查询与 SEO 选词工作流
两层能力：基础查询（四个子命令）和工作流（把查询串成决策）。用户问单点问题走基础查询；用户给的是模糊方向、要选词选市场时，走工作流。
基础查询
| 用户想要 | 子命令 | 数据源 |
|---|
| 热度对比 / 趋势曲线 / "XX 和 YY 哪个火" | compare | pytrends |
| 地区分布 / "哪个国家搜得多" | region | pytrends |
| 相关词 / 飙升查询 / "大家搜 XX 时还搜什么" | related | pytrends |
| 今日热搜 / "美国现在在搜什么" | hot | opencli |
脚本位于本 skill 目录下的 scripts/gt.py（以下示例用 $GT 代指，实际执行时替换为 skill 的 base directory + /scripts/gt.py）：
python3 $GT <子命令> [关键词...] [选项]
python3 $GT compare ChatGPT Claude Gemini
python3 $GT compare "wireless charger" --geo US --time 5y
python3 $GT compare sunscreen --time 2024-01-01:2025-12-31 --geo AU
python3 $GT region "remove background" --top 15
python3 $GT related Claude --geo US
python3 $GT hot --region JP --limit 10
选项速查：--geo（US/JP/ID…，留空=全球，任意 ISO 国家码都行）、--time（1m/3m/12m/5y/all 或 起:止 日期）、--raw（compare 不聚合）、--top N、--region/--limit（仅 hot）。
关键约束（路由和解读时必须知道）
- 数值是 0-100 归一化的相对值，100 = 所选范围内峰值。某小国 100 ≠ 搜索量大，只代表"占该国总搜索的比例高"。绝对量要靠 keyword-research skill / Keyword Planner 收口。
- Trends 只反映需求侧，看不到竞争侧（SERP 排名难度、广告出价）。"潜在竞争力 = 需求 ÷ 竞争"，gt 只给分子。
- 关键词语言要匹配地区：查德国用德语词、查日本用日语词。用户给中文词但查英语区时，先翻译再查。
- compare 一次最多 5 个词；多于 5 个分簇查，同簇内才可直接比较。
- hot 不支持 CN（无大陆 feed），建议 TW/HK，或改用 agent-reach 查微博/百度热搜。
- 429 限流：连续查询过快会被拒；工作流里每次调用间隔几秒，被限就等 1-2 分钟。
- 太冷门的词在小国会返回空数据——这本身就是信号（需求不足）。
- 首次运行 compare/region/related 会自动建 venv（~/.cache/gt-skill/venv），约 30 秒。
工作流
W1 · 小语种/小国市场竞争力探测
输入：一个产品关键词。产出：值得做的市场清单 + 内容语言决策。
- 全球扫描：
region <词> --time 12m --top 15 → 圈出 over-index 的国家（相对热度高 = 该国用户格外关心这个需求）。
- 趋势健康度：对每个候选国
compare <词> --geo <国> --time 5y → 只留上升或平稳的市场，衰退的淘汰；顺便记录季节性。
- 语言决策：同一国家内
compare "本地语词" "英语词" --geo <国> → 哪个赢就做哪种语言的内容。不要想当然——实测中印尼用户搜 "remove background"（英语）反而压过 "hapus background"（本地语）。
- 挖本地搜法：
related <词> --geo <国> → rising 词往往是当地真实长尾，回填候选词表。
- 收口：把幸存词交给 keyword-research skill 查绝对搜索量和关键词难度，才能下"竞争力"结论。
W2 · 模糊关键词 → 可做站的 SEO 词（扩词 → 验证 → 收口）
输入：用户只给一个模糊词或产品方向（如"图片处理"）。产出：一张可执行的选词决策表。
第一步：多角度扩词（发散）。 调用以下 skill，各自从不同角度产出候选词，汇成 3-6 个词簇（每簇 ≤5 个词，正好一批 compare）：
- brainstorming → 先澄清：产品到底解决什么问题、目标用户是谁。扩词前置，防止方向跑偏。
- marketing-psychology → 买家心理角度的词：痛点词（"photo too blurry"）、对比词（"X vs Y"、"X alternative"）、决策词（"best X"、"X free"）。
- marketing-ideas → 使用场景/人群角度的词：不同职业、不同平台、不同用例的搜法。
- ai-seo → 问句型和 AI 搜索引擎偏好引用的 query 形态（"how to X without Y"）。
第二步：用 gt 验证（收敛）。
- 每簇
compare ... --time 5y：淘汰长期衰退的词，标注上升词。
- 对幸存词
related：rising 列表里常有比原词更好的变体，发现了就回填词簇再比一轮。
- 对最终幸存词
region：标注每个词的机会市场（可衔接 W1 深挖）。
第三步：收口与交付。
- keyword-research skill → 查绝对搜索量、难度、竞争度，定主词 + 长尾组合。
- 选定词后建站阶段 → seo-geo（站内优化、schema、传统+AI 搜索）和 ai-seo（被 LLM 引用的内容策略）接棒。
- 给用户的最终产出用这张表：
这些 skill 不可用时（比如换了环境），自己顶上做扩词即可，角度不变：痛点/对比/场景/问句四个方向。
W3 · 新兴趋势捕捉
related 的 rising 列表是最强信号源：+several-thousand-% 的词 = 正在起飞的需求。- 疑似新词
compare <新词> <类目老词> --time 12m → 判断是昙花一现还是持续爬坡（连续 3 个月以上抬升才算数）。
hot 只用于时效性话题，不作为选词依据。
输出处理
脚本输出 markdown 表格，可直接引用。回答用户时：
- 先给结论（谁更火、趋势方向、哪个市场有机会），再贴数据表。
- compare 指出峰值和拐点（脚本末尾已给峰值行）；解读时提醒数值是相对值。
- 工作流产出优先用 W2 的决策表格式，让用户能直接行动。
- 用户要图表时，用已有输出数据画，不要重复查询。
