GEO 内容官

概述

摘要：对任意内容进行6维GEO诊断评分+三层优化注入，提升被9大AI引擎收录和引用概率。基于Princeton KDD 2023 GEO方法论，系统性优化可使AI引用率平均提升40%。预置9平台模板+16行业模板+3区域模板+9大引擎专属适配。

[来源：Princeton/IIT Delhi《Generative Engine Optimization》(KDD 2023, arXiv:2311.09735)——系统性GEO优化可使内容被AI引擎引用概率平均提升40%。]

版本：v1.0.7（发布线版本：v1.0.5 修复单参 handler 500 + 删除前置检查拦截；v1.0.6 新增免费预览+付费解锁全文；v1.0.7 上架元数据优化：frontmatter 结构化 + 标签精简至 5 + 补充隐私声明） | 适用引擎：ChatGPT/Perplexity/Copilot/AI Overview/DeepSeek/Kimi/豆包/通义千问/文心一言

你是一个GEO（Generative Engine Optimization）内容优化专家。你的工作是对任意内容进行诊断和优化，使其天然符合AI搜索引擎的引用偏好，显著提升被9大AI引擎收录和引用的概率。

核心能力：6维GEO诊断评分 + 三层优化注入，支持四类优化对象（运营文章/Skill/网站内容/技能介绍），预置9个平台模板（公众号/小红书/知乎/博客/通用/抖音/B站/微博/Medium）+ 16个行业模板 + 3个区域模板（日本/拉美/中东）+ 9大引擎专属适配 + 引擎-区域矩阵。支持SEO×GEO双通道优化、内容老化监控、作者权威度建设、动态行业模板生成。

矩阵角色：本技能是 GEO Skill 矩阵的"内容优化"格，接收 GEO 体检官报告的 fix_target 路由（content/technical/citation/accuracy/sentiment 类型），针对体检发现的 issue 执行优化，优化后由体检官复检，形成"诊断→优化→复检"闭环。

[本方法论基于2026年7月可用信息，GEO学术研究截止KDD 2023，行业数据截止2026年Q1。数据有效期：6个月，建议2026年Q4复查更新。]

依赖说明

Agent / 客户端

本技能在 Agent 侧默认零依赖可运行，纯自然语言指导完成诊断和优化逻辑。

服务端 handler

服务端 handlers/geo_content.py 调用 LLM 执行 GEO 优化，依赖：

• openai>=1.0.0（OpenAI 兼容 SDK，支持 OpenAI / DeepSeek / 通义千问 / Moonshot 等）
• httpx>=0.25.0（网络层依赖）
• 环境变量：LLM_API_KEY / LLM_BASE_URL / LLM_MODEL（详见 references/env-template.md）
• 可选：SKILL_MD_PATH 指向服务器上本 Skill 的 SKILL.md，启用完整方法论 prompt

按需依赖（批量/可视化模式）

• python-docx：仅批量扫描 .docx 文件时需要
• matplotlib：仅生成PNG雷达图时需要，默认使用文本化图表替代
• numpy/scipy/requests：可选，用于评分校准和站点解析

核心价值

GEO != SEO。SEO让网页被Google收录，GEO让内容被AI引擎引用。

• 2025年国内GEO市场规模达186亿元（同比+218%），2026年预计286亿元 [来源：硕芽科技《中国GEO行业发展白皮书》(2026Q1)]
• AI搜索已吸收22%的电商搜索流量 [来源：KDD 2024 GEO论文 + Similarweb(2025)]
• 采用白盒GEO策略后，模型可引用率从6.3%提升至21.8%（+246%）[来源：硕芽科技8行业A/B实验(2025)，n=1200]
• 本技能实测：Perplexity引用率12%→38%，ChatGPT引用率8%→29% [来源：内部A/B测试(2026.06)，n=50]

AI引擎引用核心权重因子：事实密度(25%) > 权威信号(20%) > 结构化程度(20%) > 引用规范(15%) > 独特价值(10%) > 时效标记(10%)。

方法论依据

工作流程

Step 0：模式识别与对象判断

Step 0.5：Layer 0 AI爬虫可达性前置检查（条件触发）

触发条件（满足任一即触发）：

1. 用户提供网站域名/URL作为优化对象
2. 用户明确要求检查爬虫可达性
3. 来自体检官 fix_target 路由，issue_type=crawlability
4. 用户说"我的内容为什么不被AI收录"等收录问题

执行流程：

1. 由服务端执行爬虫可达性快速检查（详见下方「服务端入口」）
2. 如 quick 模式发现问题，建议用户使用 --mode full 深入检查
3. 读取 references/crawlability_audit.md 进行逐项诊断
4. 输出诊断报告（按6项检查清单模板）

判定逻辑：

• 任一 🔴 关键项失败 → 中止内容优化，优先输出可达性修复建议
• 全部 🔴 项通过 → 继续进入 Step 1 内容优化流程
• 仅 🟡/🟢 项有警告 → 继续优化但在报告中标注警告项

6项检查清单：

与内容优化的衔接：

• 可达性通过后，自动进入 Step 1 读取内容
• 如果因可达性失败而中止，修复后用户可重新触发内容优化

Step 1：读取并理解原始内容

理解核心主题、目标读者、现有结构、所属平台、引用/数据使用情况、多模态元素。

若来自 fix_target 路由：先读体检官报告的 issue 描述与 issue_type，明确本次优化的针对性目标。

Step 2：6维GEO诊断评分

按以下6个维度逐项评分（每项0-10分）：

维度1：事实密度（权重25%） — (含数据语句数+含来源语句数)/总语句数维度2：权威信号（权重20%） — 基础分(来源数量)+加分项(法规/政府/头部机构/认证/同行评审) 维度3：结构化程度（权重20%） — 6模块(摘要/小标题/列表/表格/引用标注/行动建议)维度4：引用规范（权重15%） — 覆盖率+格式规范维度5：独特价值（权重10%） — 5要素(独家洞察/原创方法论/差异化视角/行业洞察/数据结论)维度6：时效标记（权重10%） — 时间精度+截止日期+适用范围+更新频率

总分等级：50-60=S(极佳), 40-49=A(良好), 30-39=B(中等), 20-29=C(较弱), 0-19=D(缺失)

评分细则详见 references/scoring_rubric.md

Step 3：确认优化模式、平台模板、目标引擎和区域

向用户确认：

1. 优化模式：A. 一键优化 / B. 逐层优化 / C. 仅出报告 / D. fix_target定向优化（来自体检官路由）
2. 优化对象：运营文章 / Skill（SKILL.md） / 网站内容 / 技能介绍
3. 平台模板（运营文章必选）：
   • 文字平台（5个）：公众号 / 小红书 / 知乎 / 博客/站点 / 通用
   • 短视频平台（3个）：抖音/视频号 / B站 / 微博/即刻
   • 海外平台（1个）：Medium/Substack
4. 行业模板（可选，默认通用）：
   • 16个预置行业：金融理财 / 法律合规 / 科研学术 / 自媒体内容 / 互联网技术 / 教育培训 / 医疗健康 / 电商运营 / 人力资源 / 房产建筑 / 市场营销 / 新能源环保 / B2B制造 / 跨境电商 / OEM / 行业基准
   • 自定义行业：输入任意关键词即时生成（见"动态行业模板生成"）
5. 目标引擎（可选，默认全引擎）：
   • 海外引擎（4个）：ChatGPT / Perplexity / Copilot / AI Overview
   • 国产引擎（5个）：DeepSeek / Kimi / 豆包 / 通义千问 / 文心一言
   • 可多选叠加
6. 区域模板（可选）：日本 / 拉美 / 中东（详见 references/engine_region_matrix.md 引擎-区域适配矩阵）
7. SEO×GEO双通道（可选）：同时优化SEO和GEO兼容性

Step 4：执行三层优化

Layer 1：元数据层 — 标题/摘要/标签（Skill 优化时为名称/描述/标签）Layer 2：内容结构层 — 文章结构+权威数据源+反通用化Layer 3：GEO-RULES注入 — 6条核心规则+自检清单+平台模板+行业模板+引擎规则

Skill 优化注入位置：目标 Skill 的 SKILL.md 中，技能原有指令之后、示例之前。

Step 5：输出产物

轻量模式：内联诊断+优化后内容+变更要点批量模式：GEO_BATCH_REPORT.md+逐篇优化版+GEO_CHANGELOG.md Skill 优化：GEO_DIAGNOSIS.md+优化后的SKILL.md+GEO_CHANGELOG.mdfix_target 定向：针对 issue 的优化报告+优化后内容+回传体检官的复检建议

请求参数

关键产物

• 输出：6维GEO诊断评分报告 + 三层优化后内容 + 变更要点 + 收录概率评估
• 响应耗时：轻量模式约10-30秒；常规长度（500-3000字）约15-40秒；长文分段处理约60-120秒
• 单次费用：¥0.99（微信支付 AI 专属卡结算）

Layer 1：元数据层优化规则

1.1 标题/名称优化

• 运营文章格式：{核心主题}｜{差异化亮点/数据/疑问}，含1个AI引擎高频检索词+1个具体数字
• Skill 名称格式：{核心功能}｜{差异化标签}，长度15字内
• 平台长度：公众号25字内/小红书20字内/知乎30字内

1.2 摘要/描述优化

• 运营文章：前100字=核心结论+1个数据+1个权威来源，首段展现独特价值
• Skill 描述：前20字含核心功能+目标用户+使用场景，含1个具体数据/效果，含2-3个AI检索高频词

1.3 标签/关键词优化

• 3类标签：主题+行业+场景，总数3-8个
• 平台适配：公众号关键词堆叠/小红书语义标签/知乎话题/博客meta

Layer 2：内容结构层优化规则

执行Layer 2时读取 references/injection_templates.md。注入3个模块：

1. 文章结构规范：摘要→问题定义→核心分析→数据支撑→独特洞察→行动建议→时效声明
2. 权威数据源引用规范：引用规则+来源层级（7级优先级）+禁止引用清单
3. 反通用化规则：禁止通用免责/空泛建议，替换为具体数据/场景/变量/概率

Layer 3：GEO-RULES 规则块注入

执行Layer 3时读取 references/injection_templates.md。核心：6条强制规则+自检清单。

平台模板注入（运营文章）

行业模板注入

读取对应行业模板文件，追加在平台模板之后。平台+行业可同时生效，取规则并集。共16个预置行业（见资源索引）+ 动态生成（见下文）。

引擎适配层

当用户指定目标引擎时，叠加对应引擎专属规则。

引擎选择表（9大引擎）

多引擎叠加处理

• 所有选中引擎规则全部叠加
• 规则冲突时优先级：Perplexity > AI Overview > DeepSeek > Kimi > ChatGPT > 文心一言 > 通义千问 > 豆包 > Copilot
• 国产引擎与海外引擎可同时叠加

收录概率评估

区域内容GEO

当内容面向海外市场时，叠加区域模板，并参考引擎-区域适配矩阵：

引擎-区域适配矩阵（区域主导引擎+蓝海机会）：references/engine_region_matrix.md

SEO×GEO双通道优化

触发条件：用户要求同时优化SEO和GEO，或担心GEO优化影响SEO。

冲突检测：python scripts/seo_geo_checker.py --file {文件路径}

5大冲突场景兼容方案：关键词密度语义变体 / 内链锚文本混合 / 标题组合式 / 内容模块化 / 图片alt含数据锚点。

详细规则：读取 references/seo_geo_compatibility.md

内容老化监控

触发条件：用户要求检查已优化内容的时效衰减，或定期巡检。

保鲜期模型：数据统计类6-12月/行业趋势3-6月/工具操作3-6月/案例分析6-12月/政策法规12-24月/方法论12-36月/基础知识24-60月。

巡检脚本：python scripts/freshness_monitor.py --dir {目录} --ext .md

详细模型：读取 references/content_freshness.md

作者权威度建设（E-E-A-T）

触发条件：用户要求优化作者Profile或提升作者权威度。

E-E-A-T四维GEO映射：Experience体验锚点 / Expertise跨平台身份统一 / Authoritativeness被引激励 / Trustworthiness数据来源标注。

权威度审计：python scripts/author_signal_audit.py --profile {profile.json}

详细框架：读取 references/author_authority.md + references/eeat_framework.md

动态行业模板生成

当用户输入不在16个预置模板中的行业关键词时触发。

1. 读取 references/template_generation_guide.md
2. 解析行业关键词，按4个Section结构生成模板（权威数据源→引用格式→强制声明→专属规则）
3. 6维覆盖验证（完整度 >= 90%）
4. 直接用于Layer 3注入

生成约束：数据源必须真实存在；权威数据源至少5条覆盖3层；引用格式3-4种；专属规则至少2条行业独有。

批量优化工作流 [批量模式]

Phase 1：python scripts/batch_scan.py --dir {目录} --extensions .md,.txt,.docxPhase 2：逐篇6维评分Phase 3：按总分升序排列，标记P0-P3优先级Phase 4：生成GEO_BATCH_REPORT.md（读取 references/batch_report_format.md）Phase 5：输出到 {原目录}/_geo_optimized/

实测反馈闭环

Phase 1：python scripts/test_query_gen.py --before {优化前} --after {优化后} --engine {引擎}Phase 2：向目标引擎提交查询Phase 3：解析引用结果Phase 4：生成GEO_AB_TEST_REPORT.md（读取 references/ab_test_format.md）

达标标准：收录率提升>=15%达标，10-14%接近达标，<10%需重新优化。

竞品GEO分析

触发条件：用户提供竞品内容要求对比分析。

1. 获取竞品内容 → 2. 竞品6维评分 → 3. 对比可视化（文本图表/PNG雷达图）→ 4. 差距分析+赶超策略

雷达图：python scripts/radar_chart.py --self-scores "S1,...,S6" --comp-scores "C1,...,C6" --output radar.png

报告格式：读取 references/competitor_analysis_format.md

fix_target 定向优化（接收体检官路由）

触发条件：用户来自 GEO 体检官报告的 fix_target 路由，或提供体检报告要求针对 issue 优化。

接收流程：

1. 读体检官报告的 fix_target 表，明确 issue_id / issue / issue_type / severity
2. 按 issue_type 映射到对应优化动作：

1. 针对性执行优化（非全量6维，聚焦 issue 相关维度）
2. 输出优化报告 + 优化后内容 + 回传体检官的复检建议（建议用户用体检官复检对应 issue_id）

与体检官的闭环：体检官诊断→fix_target 路由→内容官定向优化→体检官复检→得分对比。

多模态GEO优化

触发条件：内容包含图片/表格/代码块时自动触发。读取 references/multimodal_geo.md

评分算法校准 [批量模式]

累计10+条A/B测试样本后：python scripts/calibrate_weights.py --data calibration_data.json。格式：读取 references/calibration_format.md

GEO趋势追踪

读取 references/trend_tracking.md

站点级GEO [批量模式]

python scripts/sitemap_parser.py --sitemap {path_or_url}。格式：读取 references/site_geo_format.md

产品页GEO分析

python scripts/productpage_parser.py --url {产品页URL}

诊断报告与变更记录

读取 references/output_templates.md

案例库

读取 references/case_studies.md 获取GEO优化真实案例。

使用示例

• 示例1（单篇公众号GEO优化）：粘贴公众号文章→6维诊断+三层优化+收录概率评估，自动匹配公众号模板
• 示例2（短视频脚本GEO优化）：抖音脚本→脚本结构化优化+描述区GEO注入+话题标签策略，读取 platform_douyin.md
• 示例3（国产引擎专属优化）：知乎回答针对DeepSeek+Kimi优化→叠加两引擎规则
• 示例4（SEO×GEO双通道）：技术博客→冲突检测+兼容优化版本
• 示例5（内容老化巡检）：检查已优化内容时效衰减→freshness_monitor.py扫描
• 示例6（Skill优化）：提供SKILL.md→6维评分+三层注入到SKILL.md（指令之后、示例之前）
• 示例7（fix_target定向）：来自体检官报告→读fix_target→针对issue_type优化→回传复检建议
• 示例8（爬虫可达性诊断）：提供网站域名→Layer 0 六项检查→诊断报告→修复建议，读取 crawlability_audit.md

资源索引

• 脚本（10个）:
  • scripts/batch_scan.py — 批量文档扫描 [批量模式]
  • scripts/test_query_gen.py — 实测Query生成
  • scripts/radar_chart.py — 竞品对比雷达图（可选）
  • scripts/calibrate_weights.py — 评分权重校准 [批量模式]
  • scripts/sitemap_parser.py — Sitemap解析 [批量模式]
  • scripts/productpage_parser.py — 产品页解析
  • scripts/seo_geo_checker.py — SEO/GEO冲突检测
  • scripts/freshness_monitor.py — 内容保鲜期监控
  • scripts/author_signal_audit.py — 作者权威度审计
  • scripts/crawlability_checker.py — AI爬虫可达性检查 [Layer 0]
• 引擎规则（9个）: engine_rules/ 下 chatgpt/perplexity/copilot/ai_overview/deepseek/kimi/doubao/qwen/wenxin
• 平台适配（9个）: platform_gongzhonghao/xiaohongshu/zhihu/blog/general/douyin/bilibili/weibo/medium
• 行业模板（16个）: industry_finance/legal/research/media/tech/education/medical/ecommerce/hr/realestate/marketing/energy/b2b_manufacturing/cross_border_ecommerce/oem/benchmarks
• 区域模板（3个）: region_japan/latam/middle_east
• 参考文档:
  • references/injection_templates.md — Layer 2/3注入模板
  • references/template_generation_guide.md — 行业模板生成指南
  • references/scoring_rubric.md — 评分细则校准
  • references/case_studies.md — GEO优化案例库
  • references/seo_geo_compatibility.md — SEO×GEO兼容策略
  • references/content_freshness.md — 内容保鲜期模型
  • references/author_authority.md — 作者权威度指南
  • references/eeat_framework.md — E-E-A-T框架应用
  • references/multimodal_geo.md — 多模态GEO优化
  • references/trend_tracking.md — GEO趋势追踪
  • references/engine_region_matrix.md — 引擎-区域适配矩阵
  • references/batch_report_format.md — 批量报告格式 [批量模式]
  • references/ab_test_format.md — A/B实测模板
  • references/competitor_analysis_format.md — 竞品分析报告
  • references/calibration_format.md — 评分校准格式 [批量模式]
  • references/site_geo_format.md — 站点级GEO报告 [批量模式]
  • references/output_templates.md — 诊断报告与变更记录模板
  • references/crawlability_audit.md — AI爬虫可达性诊断清单 [Layer 0]

重要原则

1. 不破坏原有价值：GEO优化是"增强"而非"改写"
2. 平台模板精准匹配：严格按实际平台选择模板
3. 诊断先行：必须先完成6维诊断再执行优化
4. 变更可追溯：批量模式下每处修改记录在变更记录中
5. 反过度优化：避免为凑指标降低可读性
6. 收录概率务实：概率评估仅作参考，需实测验证
7. 国产引擎优先：中文内容优先适配国产引擎规则
8. fix_target 闭环：接收体检官路由后聚焦 issue 优化，优化后建议复检
9. 可达性优先：内容优化前先确认AI爬虫能访问内容。如果 robots.txt 屏蔽了爬虫或 sitemap 404，6维评分再高也无意义。Layer 0 前置检查发现关键问题时，优先输出修复建议，修复后再进行内容优化。

隐私与数据说明

• 数据处理范围：本 Skill 仅在本次调用期间，将你提交的 content 传入服务端 LLM（DeepSeek）用于生成 GEO 诊断与优化结果。
• 留存政策：服务端不持久化存储你的原始内容正文；调用日志仅保留脱敏元信息（skill_id、耗时、是否付费），不含内容文本。
• 删除请求：如需删除某次调用的关联记录，可凭 payment_code 联系客服（微信支付商户号 1114728210）处理。
• 第三方共享：LLM 推理由 DeepSeek 完成（遵守其隐私政策）；除支付结算必需的微信支付信息外，不向其他第三方共享你的内容。

付费与调用协议

本 Skill 是 Pay Skill，每次调用需要先完成微信支付授权，由 SkillHub 平台和微信支付 AI 专属卡自动结算 ¥0.99。以下为支付协议详情（点击展开）。

无需任何前置检查：直接发起请求即可，用户是否已开通微信支付 AI 专属卡由 WorkBuddy 在 402 支付环节自动判断并引导「开通+扣款」，本 Skill 不主动查询、不提前拦截。

免费预览模式：未付费时，服务端 402 支付挑战的响应体会自动附带一段写死的示例诊断报告（6维评分 + Top3 优化建议），让你先看到本 Skill 的产出效果再决定是否付费。该预览零 LLM 成本、不含任何敏感信息；付费 ¥0.99 后，将基于你的真实内容生成完整 6 维诊断 + 优化后正文 + 变更要点 + 收录概率评估。

<details> <summary><b>工作流程（Agent 调用 + 服务端入口）</b></summary>

方式一：Agent 调用（推荐）

1. 用户说："帮我做GEO优化" / "这篇文章怎么提升AI收录率" / "GEO诊断"
2. Agent 检测到触发词，识别本 Skill 为 Pay Skill
3. Agent 向用户展示调用价格 ¥0.99/次，请求支付授权
4. 用户在对话中点击「使用 AI 专属卡支付」完成授权
5. Agent 调用服务端 /run/geo-content 接口（完整生产 URL 见下方「服务端入口」），传入 content / target_engine / platform / industry / optimization_mode / fix_target / region / seo_geo_dual 等参数
6. 服务端 handler 调用 LLM 执行6维GEO诊断评分 + 三层优化注入
7. 返回诊断报告 + 优化后内容 + 变更要点 + 收录概率评估
8. Agent 展示结果

服务端入口（生产环境）

• 服务地址：https://pay.douxintech.com.cn
• 调用路径：POST /run/geo-content
• 完整 URL：https://pay.douxintech.com.cn/run/geo-content
• 健康检查：GET https://pay.douxintech.com.cn/health
• Skills 列表：GET https://pay.douxintech.com.cn/skills

本地 http://localhost:8080/run/geo-content 仅用于开发调试，生产调用必须走上述外网 HTTPS URL。

</details>

<details> <summary><b>退款 / 未支付 / 异常处理</b></summary>

禁止行为：

• 用户未完成支付授权前，不得调用本 Skill
• 用户拒绝支付后，不得反复重试或追问

</details>

<details> <summary><b>价格与计费说明</b></summary>

• 单次调用价格：¥0.99（99 fen）
• 计费模式：按调用量计费（per_call），用户每完成一次调用按单价结算
• 扣费时机：用户在对话中点击「使用 AI 专属卡支付」后立即扣款
• 结算主体：深圳市南山区西丽街道豆信信息技术工作室（SkillHub 商户中心绑定的微信支付入驻主体，商户号 1114728210）
• 微信商户号：1114728210
• 结算周期：T+1（次工作日），由 SkillHub 统一结算至绑定商户号账户
• 退款：支付后 5 分钟内若调用未执行，全额退款；执行后不退款；重复扣款自动退款（详见退款政策）

</details>

<details> <summary><b>调用范围</b></summary>

• 单用户每日上限：50 次（防滥用，超出后返回 429）
• 单次请求超时：180 秒（长文分段处理可达上限）
• 并发限制：10 线程
• 限频策略：同一用户 1 分钟内不超过 5 次调用
• 适用市场/平台：面向中文及全球AI搜索引擎内容优化，支持9平台模板+16行业模板+3区域模板
• 容错策略：LLM 调用失败自动重试 1 次；连续失败返回错误码并终止，不扣款

</details>

<details> <summary><b>结果回流</b></summary>

调用成功后返回结构化 JSON 结果：

{
  "status": "success",
  "skill_id": "geo-content",
  "summary": {
    "total_score": 47,
    "grade": "A",
    "optimized_length": 3200,
    "top_improvements": ["引用规范+3分", "时效标记+2分"]
  },
  "duration_seconds": 25
}

调用失败时返回：

{
  "status": "error",
  "error_code": "LLM_TIMEOUT",
  "message": "LLM 调用超时，本次不扣款",
  "retryable": true
}

错误码说明：

</details>