菜单
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。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
基于 SOC 职业分类
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