geo-analyzer
GEO(生成式引擎优化)品牌分析工具。自动向豆包、Kimi、DeepSeek 三个 AI 搜索引擎提问,分析品牌在 AI 回答中的出现率、情绪、信源引用、竞品对比,生成交互式 HTML 报告。当用户需要分析品牌在 AI 搜索引擎中的表现、GEO 优化、AI 搜索品牌监测、品牌 AI 可见度分析时使用。触发词:GEO分析、品牌AI搜索分析、AI搜索引擎优化、品牌可见度、GEO、geo analyzer。
Install
npx skills add https://github.com/redfox-data/redfox-community/tree/main/skills/geo-analyzer
claude plugin marketplace add https://llmmart.ai/marketplace.json && claude plugin install redfox-data-redfox-community@llmmart
git clone https://github.com/redfox-data/redfox-community.git
The skills CLI installs just this skill, for any of its supported agents. Claude Code installs the whole redfox-data/redfox-community collection as a plugin from our marketplace. Git is the plain clone.
README
GEO Analyzer / geo-analyzer
简介
GEO Analyzer 是一款品牌 AI 搜索可见度分析工具,一键向豆包、Kimi、DeepSeek、元宝、千问、百度 六大 AI 搜索引擎提出相同问题,自动检测品牌出现率、情绪倾向、信源引用和竞品对比,生成交互式 HTML 报告。
核心价值
- 输入品牌名和品类,自动生成测试问题并批量提交六大 AI 平台
- 无需手动逐个测试,后台并行轮询所有任务,约 3-5 分钟出结果
- 输出完整 GEO 综合得分、提及率矩阵、情绪分布、竞品对比,一眼掌握品牌 AI 认知现状
适用对象
- 📊 品牌营销人员 — 了解品牌在 AI 搜索中的曝光与口碑,制定 GEO 优化策略
- 🎯 产品经理 — 对比竞品在 AI 回答中的表现,发现差异化机会
- 📝 内容运营 — 找到 AI 引用的高频信源,针对性布局内容提升品牌可见度
功能特性
核心功能
- 自动生成 5 个贴合品类的测试问题(推荐类 / 多场景类 / 功能类,一律不带品牌名),也支持自定义问题
- 批量提交 6 个 AI 平台 × N 个问题,并行轮询,最长等待 5 分钟
- 确定性分析:品牌提及率(跨平台 + 分平台)、信源域名聚合、提及矩阵热力图
- AI 深度分析:品牌排名位置、情绪倾向(正面/中性/负面)、竞品对比矩阵
- GEO 综合得分(0-100):提及率 40% + 排名 30% + 情绪 30% 加权计算
- 交互式 HTML 报告:导航锚点、品牌指纹、提及矩阵、情感分析、信源分析、竞品对比、原始存档
密钥获取与安全说明
- 本技能需要使用环境变量:
REDFOX_API_KEY。 REDFOX_API_KEY由 红狐 hub(https://redfox.hk)提供。- 请前往 红狐 hub 注册账号,获取
REDFOX_API_KEY。 - 配置设备环境变量
REDFOX_API_KEY后使用本技能。 - 在提供密钥前,请先确认密钥来源、可用范围、有效期及是否支持重置/撤销。
- 禁止在代码、提示词、日志或输出文件中硬编码/明文暴露密钥。
使用指南
直接用自然语言描述需求,无需记忆命令。
常用说法速查
| 意图 | 示例话术 | 效果 |
|---|---|---|
| 分析品牌 AI 可见度 | 「帮我分析元气森林在 AI 搜索中的表现」 | 自动生成问题,批量搜索六大平台,输出完整 GEO 报告 |
| 自定义问题测试 | 「用这 5 个问题测试大疆的 AI 搜索表现」 | 直接使用用户提供的问题列表执行批量搜索 |
| 竞品对比分析 | 「分析蔚来和理想、小鹏在 AI 搜索的对比」 | 包含竞品对比矩阵,各平台提及率和情绪分布 |
输出示例
分析「元气森林」在无糖饮料品类的 GEO 表现后,你会得到类似这样的报告摘要:
报告摘要 · 元气森林
综合评估: 元气森林 跨平台 GEO 综合得分 72 分,处于中上游水平。品牌提及率 70%(21/30 条回答提及),正面率 75%。
各平台表现: 豆包: GEO 得分 80(良好),提及率 100%,平均排名 #2.3 Kimi: GEO 得分 68(良好),提及率 80%,平均排名 #3.1 DeepSeek: GEO 得分 68(良好),提及率 60%,平均排名 #2.8 元宝: GEO 得分 74(良好),提及率 80%,平均排名 #2.6 千问: GEO 得分 66(良好),提及率 60%,平均排名 #3.0 百度: GEO 得分 52(一般),提及率 40%,平均排名 #3.4
发力方向: 重点提升百度平台的提及率(当前仅 40%);关注负面反馈,针对性解决用户痛点。
使用场景
| 场景 | 角色 | 示例问法 | 收益 |
|---|---|---|---|
| 品牌诊断 | 品牌方营销负责人 | 「分析我们品牌在 AI 搜索中的表现」 | 掌握 GEO 综合得分、各平台提及率和情绪分布 |
| 竞品对标 | 产品经理 | 「分析 A 品牌和 B、C 竞品的 AI 可见度对比」 | 竞品对比矩阵,发现差异化机会 |
| 信源布局 | 内容运营 | 「AI 搜索引擎引用了哪些网站来说我们品类」 | TOP10 引用域名,指导内容投放策略 |
| 定期监测 | 品牌公关团队 | 「每周分析一次品牌的 GEO 变化」 | 追踪 GEO 得分趋势,及时应对口碑变化 |
Skill manifest
品牌GEO分析
简介
帮助品牌了解自己在 AI 搜索引擎(豆包、Kimi、DeepSeek、元宝、千问、百度)中的表现。系统自动向六个 AI 平台提出相同问题,分析品牌出现率、情绪倾向、信源引用、竞品对比,生成可视化 HTML 报告。
鉴权
前往 红狐hub 获取 API Key,通过以下方式配置:
# 方式一:配置文件
{ "env": { "REDFOX_API_KEY": "ak_xxxx..." } }
# 方式二:终端环境变量
export REDFOX_API_KEY="ak_xxxx..."
依赖
pip3 install requests
完整工作流
Step 0: 输入收集
向用户收集以下信息(使用 AskUserQuestion 或直接从用户消息中提取):
必填信息:
- 品牌名称: 用户要分析的品牌名(如"元气森林"、"大疆"、"蔚来")
- 品类/行业: 品牌所属品类(如"无糖饮料"、"无人机"、"新能源汽车")
可选信息:
- 品牌别名: 品牌的其他常见称呼(如"小红书"的别名"RED")
- 竞品列表: 用户已知竞品(如"可口可乐"、"百事可乐")
- 自定义问题列表: 如果用户已有问题列表,直接使用,跳过 Step 1
关键规则:
- 如果用户只提供了品牌名没有品类,必须追问品类
- 如果用户提供了问题列表,跳过 Step 1 直接进入 Step 2
- 竞品和别名可以为空
Step 1: 问题生成(用户未提供问题时)
如果用户没有提供问题列表,需要生成 5 个热门问题。
1.1 搜索品类热度
调用任一 websearch skill 搜索品类相关信息:
python3 ~/.agents/skills/doubao-websearch/scripts/doubao_search.py "{品类} 消费者最关心的问题"
python3 ~/.agents/skills/kimi-websearch/scripts/kimi_search.py "{品类} 品牌推荐 常见问题"
1.2 AI 生成 5 个问题
结合搜索结果和品类知识,生成 5 个用户最可能在 AI 搜索引擎中提问的问题。
问题类型必须覆盖以下三类(推荐类至少 1 个,多场景类与功能类合计至少 4 个):
| 类型 | 示例 | 说明 |
|---|---|---|
| 推荐类 | "{品类}哪个品牌好?"、"推荐几款好用的{品类}" | 测试品牌是否进入通用推荐列表 |
| 多场景类 | "{人群/场景}用什么{品类}好?",如"经常熬夜看手机用什么缓解视疲劳眼药水好"、"学生党上课用眼多适合用的缓解视疲劳眼药水有哪些"、"长期对着电脑办公选什么缓解视疲劳眼药水合适" | 测试品牌在真实使用场景下的可见度 |
| 功能类 | "{功能诉求}的{品类}推荐",如"温和不刺激的缓解视疲劳眼药水推荐"、"缓解视疲劳眼药水哪些好用不贵" | 测试品牌在功能诉求下的匹配度 |
问题生成铁律:
- 所有问题一律不带目标品牌名(含别名)——AI 不知道在测谁,结果才客观
- 不生成明确的品牌对比类问题(如"{品牌A}和{品牌B}哪个好");与竞品的对比表现可从回答中的竞品提及自然观察
- 多场景类须贴合品牌的真实使用人群与场景(结合品类知识构造互不重复的场景,如不同人群、使用场合、使用强度)
- 功能类围绕该品类用户最关心的功能点或顾虑(如温和不刺激、性价比、便携性)
- 问题必须是用户真实可能搜索的自然语言,长度控制在 10-30 字,不要生成过于相似的问题
1.3 确认问题列表(必须执行)
将生成的 5 个问题展示给用户,使用 AskUserQuestion 询问确认。必须等待用户明确同意后,才能进入 Step 2 批量搜索。如果用户要求修改,重新调整问题列表并再次确认。
Step 2: 批量搜索
将 5 个问题同时提交到 6 个 AI 平台进行联网搜索。
python3 scripts/geo_search.py --queries '["问题1","问题2",...,"问题5"]' --platforms doubao,kimi,deepseek,yuanbao,qianwen,baidu
脚本自动完成:
- 批量提交 30 个搜索任务(6平台 x 5问题)
- 并行轮询所有任务,每 30 秒检查一次
- 最长等待 5 分钟
- 输出
output/search_results.json
输出文件结构:
{
"queries": ["问题1", "问题2", ...],
"platforms": ["doubao", "kimi", "deepseek", "yuanbao", "qianwen", "baidu"],
"total_tasks": 30,
"completed": 28,
"failed": 2,
"results": [
{
"question": "问题1",
"query_index": 0,
"platform": "doubao",
"content": "AI回答全文...",
"sources": [{"title": "...", "url": "...", "domain": "..."}],
"status": "completed"
}
]
}
等待提示: 搜索过程约需 3-5 分钟,告知用户耐心等待。部分平台任务超时属常见现象,直接用已完成的回答继续分析。
Step 3: 确定性分析
运行分析脚本执行确定性分析(品牌提及检测、域名提取、频次统计):
python3 scripts/geo_analyze.py \
--brand "品牌名" \
--aliases '["别名1","别名2"]' \
--competitors '["竞品A","竞品B"]' \
--search-results output/search_results.json
输出两个文件:
output/deterministic.json— 确定性分析结果(提及率、域名统计等)output/ai_analysis_template.json— AI 分析模板(待填充)
Step 4: AI 分析(Agent 执行)
这是核心步骤。Agent 需要读取搜索结果,对每份 AI 回答执行深度分析。
4.1 读取搜索结果
读取 output/search_results.json,获取所有 30 份 AI 回答。
4.2 逐份分析
对每份状态为 completed 的回答,分析以下字段:
- brand_rank (int | null): 品牌在回答的推荐列表或排名中的位置。如果回答列举了"推荐5个品牌",品牌排第几?未提及则为 null。
- brand_context (str): 品牌被提及时的一句话上下文摘要。未提及则为空字符串。
- sentiment (str): 回答对该品牌的整体情绪倾向。
"positive": 正面/推荐/强调优势"neutral": 中性/客观描述"negative": 负面/强调劣势/不推荐- 未提及则为
"neutral"
- sentiment_reason (str): 情绪判断的依据,引用回答中的原文或概括原因。
- competitors_mentioned (list[str]): 回答中提及的所有竞品品牌名称。不限于已知竞品,发现新竞品也列出。
- competitor_details (list[dict]): 对每个被提及的竞品,提供其排名和情绪信息。格式为列表,每项含:
name(str): 竞品品牌名rank(int | null): 竞品在推荐列表中的排名,无排名则为 nullsentiment(str): 竞品的情绪倾向 (positive/neutral/negative)
- key_claims (list[str]): 关于该品牌的关键描述或评价(2-3条简短摘要)。
分析规则:
- 情绪判断基于回答中对品牌的整体描述,不是单句话
- 如果回答只是列举品牌名没有评价,sentiment 为 "neutral"
- 如果回答明确推荐该品牌或强调其优势,sentiment 为 "positive"
- 如果回答指出该品牌的缺点或不推荐,sentiment 为 "negative"
- competitors_mentioned 应包含回答中出现的所有同品类品牌,即使用户没有列为竞品
- competitor_details 中每个竞品的 rank 和 sentiment 基于回答中对竞品的描述判断
- brand_rank 只在回答有明确的品牌排序时填写(如"第一名是XX,第二名是YY"),无排序则为 null
- 同一回答内排名不得重复:brand_rank 与各竞品的 rank 必须互不相同;回答中并列呈现时,按先呈现/更被推荐的一方排前,依次递增(不得出现两个并列第1)
4.3 写入 AI 分析结果
将所有分析结果写入 output/ai_analysis.json,格式如下:
[
{
"question": "问题1",
"query_index": 0,
"platform": "doubao",
"brand": "品牌名",
"competitors": ["竞品A", "竞品B"],
"brand_rank": 3,
"brand_context": "品牌被提及时的上下文摘要",
"sentiment": "positive",
"sentiment_reason": "回答中明确推荐该品牌",
"competitors_mentioned": ["竞品A", "竞品C"],
"competitor_details": [
{"name": "竞品A", "rank": 1, "sentiment": "positive"},
{"name": "竞品C", "rank": null, "sentiment": "neutral"}
],
"key_claims": ["关键描述1", "关键描述2"]
}
]
关键规则:
- 只包含 status 为 completed 的回答
- 每份回答一个 JSON 对象
- query_index 和 platform 必须与 search_results.json 中的对应
- 必须输出合法 JSON
Step 5: 合并分析与报告生成
5.1 合并分析
将确定性分析与 AI 分析合并,计算完整指标(GEO 得分、情绪分布、平均排名等):
python3 scripts/geo_analyze.py \
--brand "品牌名" \
--aliases '["别名1"]' \
--competitors '["竞品A","竞品B"]' \
--search-results output/search_results.json \
--ai-analysis output/ai_analysis.json
输出 output/analysis_result.json(包含所有指标数据)。
5.2 生成 HTML 报告
python3 scripts/geo_report.py \
--analysis output/analysis_result.json \
--search-results output/search_results.json
输出 output/geo_report.html(单页交互式,顶部锚点导航,滚动高亮当前板块)。报告结构:
| 板块 | 内容 |
|---|---|
| 顶部摘要 | 品牌名、GEO 综合得分、提及率、覆盖平台、生成时间 + AI 文字总结(综合评估 / 各平台表现 / 发力方向) |
| 品牌指纹 | GEO 综合、提及率、平均排名、正面率四大指标卡 + 分平台得分卡(得分 / 等级徽章 / 提及率 / 条数)+ 行业位置(#排名 · 参与品牌数) |
| 提及矩阵 | 问题 × 平台热力表:已提及 = 出现次数,未提及 = —,查询失败 = ✕ |
| 情感分析 | 整体分布(正 / 中 / 负)+ 各平台情感对比条 + 正面/负面信号标签 + 非中性回答详情卡(含判断依据) |
| 信源分析 | 引用域名 TOP10(带分类标签,品牌域名高亮 *)+ 引用文章 TOP10(可点击)+ 域名分类占比 + 官网是否进入 TOP10 提示 |
| 竞品对比 | 本品牌行(高亮"本品牌"徽章)+ 竞品按提及率降序(最多 10 个),列为提及率 / 平均排名 / 正面率,点击行展开各平台明细 |
| 原始存档 | 按问题分组展示全部 AI 回答原文(品牌词高亮),每条带平台徽章 + 情绪徽章,失败任务标注 [status] |
依赖说明: 情感分析板块依赖 Step 4 写入的 ai_analysis.json,缺失时显示"暂无 AI 情感分析数据"占位,报告其余板块照常生成。
Step 6: 交付
- 交付 HTML 报告文件:
output/geo_report.html - 输出关键发现摘要(3-5 条核心结论),格式参考:
GEO 分析完成 — {品牌名} 在六大 AI 搜索引擎中的表现:
1. 跨平台提及率: {X}%({被提及数}/{总问题数})
- 豆包: {X}% | Kimi: {X}% | DeepSeek: {X}% | 元宝: {X}% | 千问: {X}% | 百度: {X}%
2. GEO 综合得分: {X}/100
- {最佳平台} 表现最佳({X}分),{最差平台} 表现最弱({X}分)
3. 情绪分布: 正面 {X}% | 中性 {X}% | 负面 {X}%
- 正面率 = 1 − 负面率(中性计入正面)
- {如果有负面,指出主要负面原因}
4. 竞品对比: 共发现 {N} 个竞品
- 提及率最高的竞品: {竞品名}({X}%)
- 您的品牌提及率排名: 第 {N} 位
5. 信源引用: TOP3 引用域名为 {域名1}、{域名2}、{域名3}
- 品牌官网是否被引用: {是/否}(若某平台整体无信源数据,须说明该平台信源不可用,不要当作"官网未被引用")
完整报告: output/geo_report.html
核心指标
详细定义见 references/geo-metrics.md。核心公式:
GEO 得分 = 提及率得分 × 40% + 排名得分 × 30% + 情绪得分 × 30%
= 提及率×100 × 40% + max(0, 100 - (均排名-1)×10) × 30%
+ 正面率×100 × 30%(正面率 = 1 − 负面率,中性计入正面)
解读:70+ 优秀 / 50-69 良好 / 30-49 一般 / <30 不足。
错误处理
| 情况 | 处理方式 |
|---|---|
| 未配置 REDFOX_API_KEY | 提示用户前往红狐hub获取 API Key |
| 搜索任务部分失败/超时 | 属常见现象(DeepSeek/Kimi 可能长时间排队),最长等待5min,超时直接用已完成的回答继续分析,在报告中标注失败项,不要反复重试 |
| 搜索全部超时 | 提示用户稍后重试,可能是 API 负载过高 |
| AI 分析结果缺失 | 仅生成确定性分析报告(提及率、域名统计),情绪等模块标注"待分析" |
| 品牌名太短导致误匹配 | 提示用户提供品牌别名以提高匹配精度 |
文件结构
geo-analyzer/
├── SKILL.md # 本文件
├── scripts/
│ ├── geo_search.py # 批量搜索调度器
│ ├── geo_analyze.py # 分析编排器
│ ├── geo_report.py # 报告生成器
│ └── lib/
│ ├── platforms.py # 6平台适配器
│ ├── analyzer.py # 分析逻辑库
│ └── report_template.py # HTML 模板库
├── output/ # 输出目录
│ ├── search_results.json # 搜索结果
│ ├── deterministic.json # 确定性分析
│ ├── ai_analysis_template.json # AI 分析模板
│ ├── ai_analysis.json # AI 分析结果(Agent 写入)
│ ├── analysis_result.json # 完整分析结果
│ └── geo_report.html # 最终报告
└── references/
└── geo-metrics.md # GEO 指标定义说明
Files (redfox-community)
-
references
-
geo-metrics.md 5 KB
Loading…
-
-
scripts
-
lib
-
analyzer.py 22.4 KB
Loading… -
platforms.py 9.3 KB
Loading… -
report_template.py 56.9 KB
Loading… -
__init__.py 0 B
Loading…
-
-
geo_analyze.py 12 KB
Loading… -
geo_report.py 3.1 KB
Loading… -
geo_search.py 8.4 KB
Loading…
-
-
README.en.md 4.7 KB
Loading… -
README.md 4.3 KB
# GEO Analyzer / geo-analyzer --- ## 简介 GEO Analyzer 是一款品牌 AI 搜索可见度分析工具,一键向豆包、Kimi、DeepSeek、元宝、千问、百度 六大 AI 搜索引擎提出相同问题,自动检测品牌出现率、情绪倾向、信源引用和竞品对比,生成交互式 HTML 报告。 **核心价值** - 输入品牌名和品类,自动生成测试问题并批量提交六大 AI 平台 - 无需手动逐个测试,后台并行轮询所有任务,约 3-5 分钟出结果 - 输出完整 GEO 综合得分、提及率矩阵、情绪分布、竞品对比,一眼掌握品牌 AI 认知现状 **适用对象** - 📊 **品牌营销人员** — 了解品牌在 AI 搜索中的曝光与口碑,制定 GEO 优化策略 - 🎯 **产品经理** — 对比竞品在 AI 回答中的表现,发现差异化机会 - 📝 **内容运营** — 找到 AI 引用的高频信源,针对性布局内容提升品牌可见度 --- ## 功能特性 ### 核心功能 - 自动生成 5 个贴合品类的测试问题(推荐类 / 多场景类 / 功能类,一律不带品牌名),也支持自定义问题 - 批量提交 6 个 AI 平台 × N 个问题,并行轮询,最长等待 5 分钟 - 确定性分析:品牌提及率(跨平台 + 分平台)、信源域名聚合、提及矩阵热力图 - AI 深度分析:品牌排名位置、情绪倾向(正面/中性/负面)、竞品对比矩阵 - GEO 综合得分(0-100):提及率 40% + 排名 30% + 情绪 30% 加权计算 - 交互式 HTML 报告:导航锚点、品牌指纹、提及矩阵、情感分析、信源分析、竞品对比、原始存档 --- ## 密钥获取与安全说明 - 本技能需要使用环境变量:`REDFOX_API_KEY`。 - `REDFOX_API_KEY` 由 [红狐 hub](https://redfox.hk/settings/api-keys?source=github)(`https://redfox.hk`)提供。 - 请前往 [红狐 hub](https://redfox.hk?source=github) 注册账号,获取 `REDFOX_API_KEY`。 - 配置设备环境变量 `REDFOX_API_KEY` 后使用本技能。 - 在提供密钥前,请先确认密钥来源、可用范围、有效期及是否支持重置/撤销。 - 禁止在代码、提示词、日志或输出文件中硬编码/明文暴露密钥。 --- ## 使用指南 直接用自然语言描述需求,无需记忆命令。 ### 常用说法速查 | 意图 | 示例话术 | 效果 | |------|---------|------| | 分析品牌 AI 可见度 | 「帮我分析元气森林在 AI 搜索中的表现」 | 自动生成问题,批量搜索六大平台,输出完整 GEO 报告 | | 自定义问题测试 | 「用这 5 个问题测试大疆的 AI 搜索表现」 | 直接使用用户提供的问题列表执行批量搜索 | | 竞品对比分析 | 「分析蔚来和理想、小鹏在 AI 搜索的对比」 | 包含竞品对比矩阵,各平台提及率和情绪分布 | ### 输出示例 分析「元气森林」在无糖饮料品类的 GEO 表现后,你会得到类似这样的报告摘要: > **报告摘要 · 元气森林** > > **综合评估:** 元气森林 跨平台 GEO 综合得分 **72** 分,处于中上游水平。品牌提及率 70%(21/30 条回答提及),正面率 75%。 > > **各平台表现:** > **豆包**: GEO 得分 80(良好),提及率 100%,平均排名 #2.3 > **Kimi**: GEO 得分 68(良好),提及率 80%,平均排名 #3.1 > **DeepSeek**: GEO 得分 68(良好),提及率 60%,平均排名 #2.8 > **元宝**: GEO 得分 74(良好),提及率 80%,平均排名 #2.6 > **千问**: GEO 得分 66(良好),提及率 60%,平均排名 #3.0 > **百度**: GEO 得分 52(一般),提及率 40%,平均排名 #3.4 > > **发力方向:** 重点提升百度平台的提及率(当前仅 40%);关注负面反馈,针对性解决用户痛点。 --- ## 使用场景 | 场景 | 角色 | 示例问法 | 收益 | |------|------|---------|------| | 品牌诊断 | 品牌方营销负责人 | 「分析我们品牌在 AI 搜索中的表现」 | 掌握 GEO 综合得分、各平台提及率和情绪分布 | | 竞品对标 | 产品经理 | 「分析 A 品牌和 B、C 竞品的 AI 可见度对比」 | 竞品对比矩阵,发现差异化机会 | | 信源布局 | 内容运营 | 「AI 搜索引擎引用了哪些网站来说我们品类」 | TOP10 引用域名,指导内容投放策略 | | 定期监测 | 品牌公关团队 | 「每周分析一次品牌的 GEO 变化」 | 追踪 GEO 得分趋势,及时应对口碑变化 | -
SKILL.md 14.1 KB
--- name: geo-analyzer description: GEO(生成式引擎优化)品牌分析工具。自动向豆包、Kimi、DeepSeek、元宝、千问、百度 六个 AI 搜索引擎提问,分析品牌在 AI 回答中的出现率、情绪、信源引用、竞品对比,生成交互式 HTML 报告。当用户需要分析品牌在 AI 搜索引擎中的表现、GEO 优化、AI 搜索品牌监测、品牌 AI 可见度分析时使用。触发词:GEO分析、品牌AI搜索分析、AI搜索引擎优化、品牌可见度、GEO、geo analyzer。 --- # 品牌GEO分析 ## 简介 帮助品牌了解自己在 AI 搜索引擎(豆包、Kimi、DeepSeek、元宝、千问、百度)中的表现。系统自动向六个 AI 平台提出相同问题,分析品牌出现率、情绪倾向、信源引用、竞品对比,生成可视化 HTML 报告。 ## 鉴权 前往 [红狐hub](https://redfox.hk/settings/api-keys?source=github) 获取 API Key,通过以下方式配置: ```bash # 方式一:配置文件 { "env": { "REDFOX_API_KEY": "ak_xxxx..." } } # 方式二:终端环境变量 export REDFOX_API_KEY="ak_xxxx..." ``` ## 依赖 ```bash pip3 install requests ``` ## 完整工作流 ### Step 0: 输入收集 向用户收集以下信息(使用 AskUserQuestion 或直接从用户消息中提取): **必填信息:** - **品牌名称**: 用户要分析的品牌名(如"元气森林"、"大疆"、"蔚来") - **品类/行业**: 品牌所属品类(如"无糖饮料"、"无人机"、"新能源汽车") **可选信息:** - **品牌别名**: 品牌的其他常见称呼(如"小红书"的别名"RED") - **竞品列表**: 用户已知竞品(如"可口可乐"、"百事可乐") - **自定义问题列表**: 如果用户已有问题列表,直接使用,跳过 Step 1 **关键规则:** - 如果用户只提供了品牌名没有品类,必须追问品类 - 如果用户提供了问题列表,跳过 Step 1 直接进入 Step 2 - 竞品和别名可以为空 ### Step 1: 问题生成(用户未提供问题时) 如果用户没有提供问题列表,需要生成 5 个热门问题。 **1.1 搜索品类热度** 调用任一 websearch skill 搜索品类相关信息: ```bash python3 ~/.agents/skills/doubao-websearch/scripts/doubao_search.py "{品类} 消费者最关心的问题" python3 ~/.agents/skills/kimi-websearch/scripts/kimi_search.py "{品类} 品牌推荐 常见问题" ``` **1.2 AI 生成 5 个问题** 结合搜索结果和品类知识,生成 5 个用户最可能在 AI 搜索引擎中提问的问题。 **问题类型必须覆盖以下三类(推荐类至少 1 个,多场景类与功能类合计至少 4 个):** | 类型 | 示例 | 说明 | |------|------|------| | 推荐类 | "{品类}哪个品牌好?"、"推荐几款好用的{品类}" | 测试品牌是否进入通用推荐列表 | | 多场景类 | "{人群/场景}用什么{品类}好?",如"经常熬夜看手机用什么缓解视疲劳眼药水好"、"学生党上课用眼多适合用的缓解视疲劳眼药水有哪些"、"长期对着电脑办公选什么缓解视疲劳眼药水合适" | 测试品牌在真实使用场景下的可见度 | | 功能类 | "{功能诉求}的{品类}推荐",如"温和不刺激的缓解视疲劳眼药水推荐"、"缓解视疲劳眼药水哪些好用不贵" | 测试品牌在功能诉求下的匹配度 | **问题生成铁律:** - 所有问题一律不带目标品牌名(含别名)——AI 不知道在测谁,结果才客观 - 不生成明确的品牌对比类问题(如"{品牌A}和{品牌B}哪个好");与竞品的对比表现可从回答中的竞品提及自然观察 - 多场景类须贴合品牌的真实使用人群与场景(结合品类知识构造互不重复的场景,如不同人群、使用场合、使用强度) - 功能类围绕该品类用户最关心的功能点或顾虑(如温和不刺激、性价比、便携性) - 问题必须是用户真实可能搜索的自然语言,长度控制在 10-30 字,不要生成过于相似的问题 **1.3 确认问题列表(必须执行)** 将生成的 5 个问题展示给用户,使用 AskUserQuestion 询问确认。必须等待用户明确同意后,才能进入 Step 2 批量搜索。如果用户要求修改,重新调整问题列表并再次确认。 ### Step 2: 批量搜索 将 5 个问题同时提交到 6 个 AI 平台进行联网搜索。 ```bash python3 scripts/geo_search.py --queries '["问题1","问题2",...,"问题5"]' --platforms doubao,kimi,deepseek,yuanbao,qianwen,baidu ``` **脚本自动完成:** 1. 批量提交 30 个搜索任务(6平台 x 5问题) 2. 并行轮询所有任务,每 30 秒检查一次 3. 最长等待 5 分钟 4. 输出 `output/search_results.json` **输出文件结构:** ```json { "queries": ["问题1", "问题2", ...], "platforms": ["doubao", "kimi", "deepseek", "yuanbao", "qianwen", "baidu"], "total_tasks": 30, "completed": 28, "failed": 2, "results": [ { "question": "问题1", "query_index": 0, "platform": "doubao", "content": "AI回答全文...", "sources": [{"title": "...", "url": "...", "domain": "..."}], "status": "completed" } ] } ``` **等待提示:** 搜索过程约需 3-5 分钟,告知用户耐心等待。部分平台任务超时属常见现象,直接用已完成的回答继续分析。 ### Step 3: 确定性分析 运行分析脚本执行确定性分析(品牌提及检测、域名提取、频次统计): ```bash python3 scripts/geo_analyze.py \ --brand "品牌名" \ --aliases '["别名1","别名2"]' \ --competitors '["竞品A","竞品B"]' \ --search-results output/search_results.json ``` **输出两个文件:** - `output/deterministic.json` — 确定性分析结果(提及率、域名统计等) - `output/ai_analysis_template.json` — AI 分析模板(待填充) ### Step 4: AI 分析(Agent 执行) 这是核心步骤。Agent 需要读取搜索结果,对每份 AI 回答执行深度分析。 **4.1 读取搜索结果** 读取 `output/search_results.json`,获取所有 30 份 AI 回答。 **4.2 逐份分析** 对每份状态为 `completed` 的回答,分析以下字段: 1. **brand_rank** (int | null): 品牌在回答的推荐列表或排名中的位置。如果回答列举了"推荐5个品牌",品牌排第几?未提及则为 null。 2. **brand_context** (str): 品牌被提及时的一句话上下文摘要。未提及则为空字符串。 3. **sentiment** (str): 回答对该品牌的整体情绪倾向。 - `"positive"`: 正面/推荐/强调优势 - `"neutral"`: 中性/客观描述 - `"negative"`: 负面/强调劣势/不推荐 - 未提及则为 `"neutral"` 4. **sentiment_reason** (str): 情绪判断的依据,引用回答中的原文或概括原因。 5. **competitors_mentioned** (list[str]): 回答中提及的所有竞品品牌名称。不限于已知竞品,发现新竞品也列出。 6. **competitor_details** (list[dict]): 对每个被提及的竞品,提供其排名和情绪信息。格式为列表,每项含: - `name` (str): 竞品品牌名 - `rank` (int | null): 竞品在推荐列表中的排名,无排名则为 null - `sentiment` (str): 竞品的情绪倾向 (positive/neutral/negative) 7. **key_claims** (list[str]): 关于该品牌的关键描述或评价(2-3条简短摘要)。 **分析规则:** - 情绪判断基于回答中对品牌的整体描述,不是单句话 - 如果回答只是列举品牌名没有评价,sentiment 为 "neutral" - 如果回答明确推荐该品牌或强调其优势,sentiment 为 "positive" - 如果回答指出该品牌的缺点或不推荐,sentiment 为 "negative" - competitors_mentioned 应包含回答中出现的所有同品类品牌,即使用户没有列为竞品 - competitor_details 中每个竞品的 rank 和 sentiment 基于回答中对竞品的描述判断 - brand_rank 只在回答有明确的品牌排序时填写(如"第一名是XX,第二名是YY"),无排序则为 null - 同一回答内排名不得重复:brand_rank 与各竞品的 rank 必须互不相同;回答中并列呈现时,按先呈现/更被推荐的一方排前,依次递增(不得出现两个并列第1) **4.3 写入 AI 分析结果** 将所有分析结果写入 `output/ai_analysis.json`,格式如下: ```json [ { "question": "问题1", "query_index": 0, "platform": "doubao", "brand": "品牌名", "competitors": ["竞品A", "竞品B"], "brand_rank": 3, "brand_context": "品牌被提及时的上下文摘要", "sentiment": "positive", "sentiment_reason": "回答中明确推荐该品牌", "competitors_mentioned": ["竞品A", "竞品C"], "competitor_details": [ {"name": "竞品A", "rank": 1, "sentiment": "positive"}, {"name": "竞品C", "rank": null, "sentiment": "neutral"} ], "key_claims": ["关键描述1", "关键描述2"] } ] ``` **关键规则:** - 只包含 status 为 completed 的回答 - 每份回答一个 JSON 对象 - query_index 和 platform 必须与 search_results.json 中的对应 - 必须输出合法 JSON ### Step 5: 合并分析与报告生成 **5.1 合并分析** 将确定性分析与 AI 分析合并,计算完整指标(GEO 得分、情绪分布、平均排名等): ```bash python3 scripts/geo_analyze.py \ --brand "品牌名" \ --aliases '["别名1"]' \ --competitors '["竞品A","竞品B"]' \ --search-results output/search_results.json \ --ai-analysis output/ai_analysis.json ``` 输出 `output/analysis_result.json`(包含所有指标数据)。 **5.2 生成 HTML 报告** ```bash python3 scripts/geo_report.py \ --analysis output/analysis_result.json \ --search-results output/search_results.json ``` 输出 `output/geo_report.html`(单页交互式,顶部锚点导航,滚动高亮当前板块)。报告结构: | 板块 | 内容 | |------|------| | 顶部摘要 | 品牌名、GEO 综合得分、提及率、覆盖平台、生成时间 + AI 文字总结(综合评估 / 各平台表现 / 发力方向) | | 品牌指纹 | GEO 综合、提及率、平均排名、正面率四大指标卡 + 分平台得分卡(得分 / 等级徽章 / 提及率 / 条数)+ 行业位置(#排名 · 参与品牌数) | | 提及矩阵 | 问题 × 平台热力表:已提及 = 出现次数,未提及 = —,查询失败 = ✕ | | 情感分析 | 整体分布(正 / 中 / 负)+ 各平台情感对比条 + 正面/负面信号标签 + 非中性回答详情卡(含判断依据) | | 信源分析 | 引用域名 TOP10(带分类标签,品牌域名高亮 *)+ 引用文章 TOP10(可点击)+ 域名分类占比 + 官网是否进入 TOP10 提示 | | 竞品对比 | 本品牌行(高亮"本品牌"徽章)+ 竞品按提及率降序(最多 10 个),列为提及率 / 平均排名 / 正面率,点击行展开各平台明细 | | 原始存档 | 按问题分组展示全部 AI 回答原文(品牌词高亮),每条带平台徽章 + 情绪徽章,失败任务标注 [status] | **依赖说明:** 情感分析板块依赖 Step 4 写入的 `ai_analysis.json`,缺失时显示"暂无 AI 情感分析数据"占位,报告其余板块照常生成。 ### Step 6: 交付 1. **交付 HTML 报告文件**: `output/geo_report.html` 2. **输出关键发现摘要**(3-5 条核心结论),格式参考: ``` GEO 分析完成 — {品牌名} 在六大 AI 搜索引擎中的表现: 1. 跨平台提及率: {X}%({被提及数}/{总问题数}) - 豆包: {X}% | Kimi: {X}% | DeepSeek: {X}% | 元宝: {X}% | 千问: {X}% | 百度: {X}% 2. GEO 综合得分: {X}/100 - {最佳平台} 表现最佳({X}分),{最差平台} 表现最弱({X}分) 3. 情绪分布: 正面 {X}% | 中性 {X}% | 负面 {X}% - 正面率 = 1 − 负面率(中性计入正面) - {如果有负面,指出主要负面原因} 4. 竞品对比: 共发现 {N} 个竞品 - 提及率最高的竞品: {竞品名}({X}%) - 您的品牌提及率排名: 第 {N} 位 5. 信源引用: TOP3 引用域名为 {域名1}、{域名2}、{域名3} - 品牌官网是否被引用: {是/否}(若某平台整体无信源数据,须说明该平台信源不可用,不要当作"官网未被引用") 完整报告: output/geo_report.html ``` ## 核心指标 详细定义见 `references/geo-metrics.md`。核心公式: ``` GEO 得分 = 提及率得分 × 40% + 排名得分 × 30% + 情绪得分 × 30% = 提及率×100 × 40% + max(0, 100 - (均排名-1)×10) × 30% + 正面率×100 × 30%(正面率 = 1 − 负面率,中性计入正面) ``` 解读:70+ 优秀 / 50-69 良好 / 30-49 一般 / <30 不足。 ## 错误处理 | 情况 | 处理方式 | |------|---------| | 未配置 REDFOX_API_KEY | 提示用户前往红狐hub获取 API Key | | 搜索任务部分失败/超时 | 属常见现象(DeepSeek/Kimi 可能长时间排队),最长等待5min,超时直接用已完成的回答继续分析,在报告中标注失败项,不要反复重试 | | 搜索全部超时 | 提示用户稍后重试,可能是 API 负载过高 | | AI 分析结果缺失 | 仅生成确定性分析报告(提及率、域名统计),情绪等模块标注"待分析" | | 品牌名太短导致误匹配 | 提示用户提供品牌别名以提高匹配精度 | ## 文件结构 ``` geo-analyzer/ ├── SKILL.md # 本文件 ├── scripts/ │ ├── geo_search.py # 批量搜索调度器 │ ├── geo_analyze.py # 分析编排器 │ ├── geo_report.py # 报告生成器 │ └── lib/ │ ├── platforms.py # 6平台适配器 │ ├── analyzer.py # 分析逻辑库 │ └── report_template.py # HTML 模板库 ├── output/ # 输出目录 │ ├── search_results.json # 搜索结果 │ ├── deterministic.json # 确定性分析 │ ├── ai_analysis_template.json # AI 分析模板 │ ├── ai_analysis.json # AI 分析结果(Agent 写入) │ ├── analysis_result.json # 完整分析结果 │ └── geo_report.html # 最终报告 └── references/ └── geo-metrics.md # GEO 指标定义说明 ```
Comments (0)
Sign in to join the conversation.
Reviews (0)
No reviews yet.
No comments yet.