geo-queries

name	geo-queries
description	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。
triggers	["生成 GEO 测试问题","GEO 可见度测试问题","生成品牌可见度测试问题","GEO 问题清单","我要测我品牌的 AI 可见度"]
metadata	{"author":"KnightMafiaLau","source":"geo-flow v0.1"}
user-invocable	true
disable-model-invocation	false

geo-queries — 生成 GEO 可见度测试问题

什么时候用这个 skill

用户要为某个品牌做 GEO（AI 可见度）测试，需要先得到一份"真实用户会问 AI 的问题清单"。这份清单后续会被拿去问 Kimi / 豆包 / DeepSeek 等模型，用来测：

• 品牌会不会在 AI 回答里被自然提到
• 在竞品里排第几
• 哪些场景命中率低（机会清单）

这个 skill 只负责生成问题清单。不做问答、不评分、不出报告。

你（Claude）要做的事

1. 先拿到 5 项输入

调用这个 skill 时，从用户那里拿下面 5 项。少一项就追问，不要自己编：

1. 品牌名（中文）
2. 行业（如"AI / 软件 SaaS"、"机器人"、"消费电子"）
3. 垂类（具体子赛道，如"具身智能小脑"、"开源向量数据库"、"跨境电商 SaaS"）
4. 一句话定位（产品到底干嘛的、解决什么问题）
5. 竞品（2-3 个，写品牌名即可）

2. 按下面规则生成 30 条问题

6 类意图（每类 ~5 条）

⚠️ 顺序很重要：品牌识别 必须排在最前（q001-q005）。这是为了让 probe 阶段先跑这 5 条 → 拿到"品牌收没收录"的核心信号 → 再决定后续 25 条的执行策略（比如完全 0 收录时 probe 会先停下问用户）。

1. 品牌识别 — 直接问品牌本身："X 是什么？X 做什么产品？X 的核心技术 / 团队 / 客户群是什么？"。用来测 LLM 有没有收录这个品牌、收录得对不对、有没有跟同名/类似品牌串掉。必须排第一类。
2. 探索发现 — 用户在摸索一个陌生领域："X 领域有哪些公司？""目前业界有什么方案？"
3. 选型推荐 — 用户在挑工具/服务："做 X，用哪个最合适？"
4. 对比评估 — 用户在对比候选："A 和 B 谁更适合 X 场景？"
5. 了解原理 — 用户想搞懂技术/事实："X 怎么工作？成本花在哪？"
6. 采购/投资 — B2B 找供应商 / 投资人调研："找谁能做 X？哪些值得投？"

每类内部要混两种风格

短抽象（每类 2-3 条，15-40 字）：宽泛、探索式

• 例："国内有哪些值得关注的开源向量数据库？"

长场景具体（每类 3-4 条，80-150 字）：具体场景 + 2-3 个真实约束 + 买家口吻

• 例："做 RAG 知识库项目，初创团队选哪个向量库最省心、不用专门请人运维？"

硬规则（违反就重写）

1. 品牌名出现规则（分两种情况）：
   • ✅ 「品牌识别」类问题必须包含品牌名——这就是测点（看 LLM 知不知道这个品牌、收录得对不对）。q001-q005 都要点名。
   • 🚫 后 5 类（探索发现 / 选型推荐 / 对比评估 / 了解原理 / 采购/投资）问题里，绝对不准出现品牌名——这是测"自然提及"的核心。问题里给了暗示，整个测试就废了。q006-q030 都不能出现品牌名。
2. 中文，符合中国用户问 AI 的自然口吻（不要像教科书、不要像营销文案）
3. 紧扣用户给的"垂类"和"一句话定位"，不要泛化到行业之外
4. 题型多样：长短交错、角度不同（不要 6 条都长得一样）
5. 30 条之间不能高度重复（换几个词重问同一个问题不算新问题）
6. 不准复合题——一个 text 里只能问一件事，不许把两个独立子问题用句号/问号串起来。判别方法：能不能拆成两条独立问题且都成立?能 = 复合题,必须拆或删一条。
   • 🚫 反例："FDM 高速打印是靠电机、主板还是算法实现的？为什么同样声称 500mm/s，不同机器实际打印效果差别很大？"（两个独立追问硬拼）
   • 🚫 反例："X 的核心技术是什么？团队背景和主要客户群是什么？"（三件事拼成一句）
   • ✅ 正例："现在桌面级 FDM 都标 500mm/s 起步，实际打印效果差异为什么这么大？判断真实可用速度该看哪几个指标？"（一个核心问题 + 一个紧贴的补充澄清，不是两件事）
   • 区分原则：一个核心问题可以带一句补充语境或追问澄清（"…该看哪些指标？""…为什么？"），但不能塞两个独立可单测的问题。
7. 不准 multiple-choice 引导式——别给 LLM "是 X 还是 Y 还是 Z" 的选项框,这是教科书口吻不是用户口吻。
   • 🚫 反例："高速打印是靠电机、主板还是算法实现的？"
   • ✅ 改成："高速打印的真正瓶颈卡在哪？" 或 "为什么有些高速机能用,有些不能用？"

3. 输出前先自检

输出 YAML 之前，自己过一遍：

• ✓ q001-q005 是「品牌识别」类（必须排最前），每一条都包含品牌名
• ✓ q006-q030 是其余 5 类（探索发现 / 选型推荐 / 对比评估 / 了解原理 / 采购/投资），没有任何一条提到品牌名（中文名 + 英文名都不行）
• ✓ 每类 4-6 条（粗略平衡），总数 30 左右
• ✓ 每类至少 1 条短 + 至少 2 条长
• ✓ 没有"换皮重问"的重复题
• ✓ 没有复合题（每条 text 只问一件事；能拆成两条独立问题 = 复合题，必须拆/删）
• ✓ 没有 multiple-choice 引导式（不出现"是 X 还是 Y 还是 Z" 这种教科书句式）

任何一条不过就重写，不要将就。

4. 输出格式

把 30 条问题包在一段 YAML 里：

brand: <品牌名>
vertical: <垂类>
positioning: <一句话定位>
competitors:
  - <竞品 1>
  - <竞品 2>
queries:
  - id: q001
    intent: 品牌识别
    text: <包含品牌名的问题>
  - id: q002
    intent: 品牌识别
    text: <包含品牌名的问题>
  # ... q001-q005 全部 品牌识别
  - id: q006
    intent: 探索发现
    text: <问题文本，不含品牌名>
  # ... 共 30 条

• id 从 q001 连续编号到 q030
• q001-q005 必须是 品牌识别 类
• intent 必须是 6 类之一（品牌识别 / 探索发现 / 选型推荐 / 对比评估 / 了解原理 / 采购/投资）
• 同一 intent 的问题连续放
• 输出 YAML 前不要写多余解释，输出 YAML 后用一两句话总结分布

5. 出完跟用户确认

把 YAML 给用户后，说：

这是给 <品牌名> 生成的 30 条 GEO 测试问题。你过一遍，告诉我要改哪些、删哪些、加哪些。改完确认了，我们再进入下一步（去真实的 AI 里跑这些问题）。

如果用户要改：

• "删第 q005" → 把 q005 从 queries 里去掉，剩下 id 保持不变
• "把 q010 改成…" → 替换 q010 的 text，id 不变
• "再加一条对比评估的" → 加下一个未用的编号

---

Few-shot 风格演示（仅供 Claude 学习套路，不是给用户用的模板）

假设用户给的是：

• 品牌：灵犀向量
• 行业：数据基础设施
• 垂类：开源向量数据库
• 定位：面向 AI 应用、高性能可水平扩展的开源向量数据库
• 竞品：Milvus、Qdrant、Weaviate

每类应该这样混风格(注意 品牌识别 排第一)——

品牌识别（q001-q005，唯一允许出现品牌名的类别）

• 短：灵犀向量是一家什么公司？
• 短：灵犀向量主要做什么产品？
• 长：灵犀向量作为开源向量数据库，技术路线和 Milvus / Qdrant 主流方案有什么不同？
• 长：灵犀向量这家公司的核心团队背景和主要客户群体分别是什么？

探索发现（q006 开始）

• 短：国内有哪些值得关注的开源向量数据库？
• 长：想给 LLM 应用配套向量存储，目前业界比较成熟、文档完善的开源选择都有哪些？

选型推荐

• 短：做 RAG 用哪个向量数据库最主流？
• 长：做 RAG 知识库项目，初创团队选哪个向量库最省心、不用专门请人运维？

对比评估

• 短：Milvus 和 Qdrant 主要区别是什么？
• 长：做百亿级语义检索，自建 Milvus 集群 vs 用云上托管向量服务，长期成本和稳定性怎么权衡？

了解原理

• 短：向量数据库做近似最近邻搜索，主流实现方案有哪些？
• 长：向量数据库的成本主要花在存储、内存还是索引重建？对中小团队的负担怎么算？

采购/投资

• 短：向量数据库赛道有哪些值得关注的公司？
• 长：把私有部署的 RAG 系统从原型推到生产，找一家能提供向量数据库企业版 + 技术支持的国内厂商，有哪些可选？

⚠ 上面是风格演示，不是模板。用户的真实品牌可能在完全另一个行业（机器人、SaaS、消费品都可能），要根据他的"垂类 + 定位"重新构造场景，不能照搬向量数据库的内容（品牌识别类里的"X 是什么 / X 做什么"句式可以套用，但具体角度要贴合用户的真实品牌）。

---

不做的事

• 不要执行问题（不要真的去问 LLM）——那是另一个 skill 的事
• 不要给 SEO 建议、写文案、做品牌策略
• 不要编造"已经测过的数据"或假装跑了测试
• 用户没给齐 5 项输入之前，不要先生成问题