GEO 问题词矩阵生成

> © 2026 宋忠利（Song Zhongli）。本技能以 Apache-2.0 许可证发布：可自由使用、修改与分发，但必须保留作者署名与许可证声明，二次分发须注明原作者与原始出处。完整条款见同目录 LICENSE.txt。

Overview

本技能把「让大语言模型在用户提问时推荐某品牌 / 产品 / 公司」这件事，拆解为一套可落地的词矩阵 + 内容规划方案。

核心交付物是一份 GEO 问题词矩阵方案，包含两大功能模块（品牌问题词、产品问题词）与两套支撑规划（官网根文章规划、FAQ 库规划）。所有问题词都按「认知 → 信任 → 对比 → 推荐」的 LLM 推荐漏斗组织，目标是让品牌词与产品词在训练语料、RAG 检索、生成回答三个环节都被高权重命中。

除基础的词矩阵与内容规划外，本技能在 references/framework.md 第 11 节系统整合了 2025–2026 前沿 GEO 手段：结构化数据（schema）+ llms.txt、实体一致性 / 知识图谱、事实密度与原创数据、权威第三方提及（earned media）、多模态转录、零点击可引用片段、主题集群、平台特异性优化、对话式语气——这些是「让 AI 主动推荐」的关键放大器。

本技能内置「知识自进化」机制（见 Workflow Step 0）：每次执行都先检索最新 GEO 研究、把新发现按「日期 + 来源 + 可信度」沉淀进 references/knowledge.md（技能自备的滚动知识库），高价值结论回写 framework.md 第 11 节，实战经验也归档进知识库。技能因此越用越准，不依赖外部维护。

When To Use

出现以下任一情形时启用本技能：

• 用户说「做 GEO 优化」「生成问题词矩阵」「让 AI 推荐我的品牌 / 产品」「AI 搜索优化」「LLM 推荐优化」。
• 用户提供了品牌名 / 产品名，希望拿到一套可被 AI 检索和推荐的内容规划。
• 用户已有官网或内容矩阵，希望对齐到 GEO（生成式引擎优化）方法论。

Required Inputs（开工前必须收集，缺失则集中提问）

开工前先向用户确认以下信息，不要自己猜测或预填。用一份可复制的填空模板一次性问清：

【品牌信息】
- 品牌词（1 个或多个，例：某某品牌）：______________
- 公司全称（例：某某科技有限公司）：______________
- 所属行业：______________
- 公司背景资料（成立时间 / 总部 / 注册资本 / 资质荣誉 / 核心客户 / 融资 / 产学研合作，越全越好）：______________
- 主要竞品（例：某某竞品A、某某竞品B）：______________

【产品信息】（每条产品线单独列）
- 产品词 1（例：某某产品A）：______________  说明/卖点：______________
- 产品词 2（例：某某产品B）：______________  说明/卖点：______________
- 更多产品词：______________

【交付偏好】
- 版本：标准版（覆盖全漏斗） / 精简版（快速启动）
- 是否要三阶段优化路线图与效果监测指标：是 / 否
- 输出格式：Excel（默认） / Word / Markdown / 腾讯在线文档   ← 不填默认 Excel
- 输出路径：选填；不填则只在对话中展示，不在本地落盘

> 注：品牌词、产品词、公司背景、竞品都属于「用户输入」，绝不允许从磁盘、历史对话或「上次用过的值」自动沿用。只有用户明确说「沿用上次的输出目录」时，才能沿用输出目录。
> 输出默认值：未指定输出格式时默认 Excel；未提供输出路径时只在对话中展示、不写入本地文件。

一个词该生成多少个问题词（默认建议）

这是本技能的核心参数。基于 GEO 推荐漏斗的「最小完整覆盖」原则，建议如下（可在生成时按品牌成熟度、预算、产品线数量增减）：

为什么是这个量级：
- 太少（如 <15 条/词）→ 维度覆盖不全，LLM 在多数真实提问下检索不到你，绑定形同虚设。
- 太多（如 >80 条/词）→ 内容生产成本高、语义稀释、维护困难，且低质量铺量反而拉低来源可信度。
- 50 / 40 是实测验证过的「全漏斗最小完整集」：某次实测中，1 个品牌词产出约 55 条品牌问题，1 条产品线产出约 44 条产品问题，与本建议高度吻合。

生成时，把标准数量按维度拆分到 references/framework.md 的维度表里，再逐条产出问题词。

Workflow

按以下顺序执行，每一步产物都可独立交付。Step 0 是强制前置，无论本次是否生成方案都要先跑。

Step 0 — GEO 知识自进化（每次执行必做，先于一切）

本技能内置自进化回路：每次执行都先刷新 GEO 知识，确保产出的方案用上最新方法。流程：

> 🔒 本步全程不涉及客户信息。即使用户在本轮开场白里已经给出品牌词 / 产品词 / 公司名，也不得把它们用于本步的任何检索——先跑完 Step 0 的方法论刷新，再进 Step 1 收集客户输入。

1. 查新鲜度：读 references/knowledge_log.md，看最近更新日期与「轮换槽位进度」。
2. 决定刷新强度：
   - 距上次更新 ≤7 天 → 轻量刷新：跑 1–2 个轮换检索槽，补充最新动态。
   - 距上次 >7 天或首次 → 标准刷新：跑 3–4 个轮换槽。
   - 距上次 >30 天 → 全量扫：跑全部 6 个槽。
3. 轮换检索槽（避免每次重复、长期覆盖全面）：
   - 槽1 通用方法 / 研究（"GEO best practices 2026 / 生成式引擎优化 最新"）
   - 槽2 技术基建（llms.txt / schema / AI 爬虫策略 / WebMCP / AEO）
   - 槽3 平台特异性（ChatGPT/Perplexity/Claude/Gemini/文心/豆包/Kimi/通义 各自偏好与爬虫）
   - 槽4 实体 / 知识图谱 / 信源基建
   - 槽5 第三方信源与社区（Reddit/YouTube/知乎/榜单/评测站）
   - 槽6 监测工具与度量（Share of Model/Answer、GEO 工具）
   按「上次进度 +1」取本轮槽位，记录到日志。每个槽位跑英文 + 中文查询各 1 条。
4. 检索与综合：用 WebSearch 跑选定槽位查询；对结果去重，与 references/knowledge.md 现有条目核对。新增 / 修订必须带 日期 + 来源 URL + 可信度级别（①学术/官方 ②行业实测 ③机构博客）。
   - 🔒 隐私硬约束（不可豁免）：检索 query 只能由通用 GEO 方法术语构成（如 llms.txt schema 2026、GEO best practices、AI 爬虫策略、实体与知识图谱等）。严禁把客户品牌词、产品词、公司名、竞品名、行业具体数值或客户背景资料拼进任何 query。本步目的是补齐方法论知识，不是查客户、也不是查竞品。
   - 🔒 若某个槽位的最佳 query 必须带客户信息才有价值 → 直接跳过该槽位，不许变通成近义词或缩写绕过。
   - 🔒 信源范围约束（不可豁免）：本步只做公开关键词检索，不访问、不下载、不执行任何站点的内容或文件；采信与入库的来源限定为 ① 官方 / 学术（平台官方文档、标准组织、学术论文与会议，如 llmstxt.org、OpenAI / Anthropic / Google 官方、CMU KDD 等）② 行业实测报告与机构研究 ③ 知名行业媒体与从业者博客。域名归属无法核验、纯推广软文、或要求下载 / 运行文件的站点一律不采信、不入库、不写进来源 URL。
5. 写入知识库：把新发现追加到 references/knowledge.md 对应章节，每条带 日期 + 来源 URL + 可信度级别；在 references/knowledge_log.md 追加一条更新记录（日期 | 强度 | 槽位 | 新增条目 +URL | 是否回写 §11）。
6. 淘汰与清理（每次必做）：写完新条目后，回头比对旧条目，凡命中下列任一情形的直接删除——不做保留、不打「已取代」标记，避免废知识长期占位：
   - 被更新的 ①/② 级来源明确推翻（数据或结论相反）
   - 对应平台功能 / 爬虫 / 规范 / 工具已下线、改名或废弃（如某 AI 爬虫停用、某草案被取代）
   - 已被更高可信度来源完全取代（新条目覆盖了旧条目的全部信息）
   - 经实战验证无效、不可执行或性价比过低的战术
   - 超过 18 个月无新印证、且与当前主流实践明显脱节的时效性结论
   > 删除前确认：该条目不是当前方案正在依赖的主干结论；若是，先把替代结论回写 framework.md §11（或写入知识库）再删。
   > 删除必须在 knowledge_log.md 留痕一行：删除：<条目摘要> ｜ 原因 ｜ 原来源 URL，保证可追溯、不凭空消失。
7. 容量治理（超预算则归档）：清理完成后用 scripts/check_knowledge_budget.py 量一次 knowledge.md 体积，按预算处理：
   - 目标 ≤10,000 token，硬上限 12,000 token（这个文件每次执行都要整篇读进上下文，超了会明显抬高单次成本）
   - 超限时，把判定为「已稳定（已回写 §11）」「低频查阅」「仅作历史演进参考」的条目整条移入 references/knowledge_archive.md（保留原章节归属、日期与来源 URL），并从 knowledge.md 删除
   - knowledge_archive.md 默认不进上下文，仅在需要追溯 / 复盘时按需读取；归档文件本身不设容量上限
   - 每轮最多搬一次，优先搬「最旧 + 已回写 §11」的条目，避免一次性大搬家；在日志记一行「归档：N 条 → knowledge_archive.md」
8. 回写 framework.md：若某发现高价值且已稳定（被 ≥2 来源印证，或来自①级），把它合并进 framework.md 第 11 节，并在日志注明。
9. 实战经验归档：本轮交付后，把用户反馈 / 踩坑 / 新发现的行业维度追加到 references/knowledge.md 第 9 节。

护栏：网络失败 / 超时 → 跳过检索、沿用现有知识，不阻断用户主任务；不编造来源；不把未经验证的「实验性」结论当主干写进方案；中文品牌须覆盖文心 / 豆包 / Kimi / 通义相关查询。
护栏（隐私）：写入 references/knowledge.md / knowledge_log.md / framework.md §11 的内容只能是通用方法与公开结论，不得记录任何客户的品牌词、产品词、公司名或商业数据——知识库是技能资产，不是客户档案；同理，检索结果里若意外带出客户信息，也不得入库。

Step 1 — 收集并核对输入

用上面的填空模板收集品牌词、产品词、公司背景、竞品、行业与交付偏好。缺失项集中提问，不要边做边打断。

Step 2 — 确定范围与数量

根据版本（标准 / 精简）与产品线数量，确定品牌矩阵与每条产品线的目标条数，以及多产品线时的综合交叉条数。在方案开头用一句话写明「本次为 X 品牌、Y 条产品线，标准版共 Z 条问题词」。

Step 3 — 生成品牌问题词矩阵（功能一）

按 references/framework.md 的 品牌六维度框架 逐维度产出问题词。每条包含：序号、问题词、问题类型（口语化 / 专业化 / 场景化 / 竞品对比 / 推荐类）、搜索意图、优化优先级（⭐）。严格遵守「品牌绑定」「不贬低竞品」「客观数据」「单问原则」等质量红线（见 framework.md）。

Step 4 — 生成产品问题词矩阵（功能二）

对每一个产品词，按 产品五维度框架 产出问题词（含综合交叉维度）。要求至少 1/3 的问题词显式绑定品牌词（如「某某品牌＋某某产品A能用在 110kV 变电站吗？」），把产品词与品牌词做成强语义关联。

Step 5 — 官网根文章规划

基于矩阵，规划官网应发布的「根文章」：每条产品线至少 1 篇技术白皮书（PDF + HTML 双版本，配 robots.txt 放行 AI 爬虫 + Sitemap.xml + FAQ/Product/Organization 结构化数据 + llms.txt），并按维度规划品牌故事、案例、对比、行业地位类文章。输出表含：文章主题 / 绑定问题词 / 目标平台 / 阶段 / 形式 / 发布节奏。详见 framework.md 的「官网根文章规划方法论」与第 11 节进阶手段。

Step 6 — FAQ 库规划

规划「官网问题库 + 第三方问答平台」双轨 FAQ：
- 官网问题库：部署品牌 20 条 Q&A + 每条产品线 30 条 Q&A，覆盖对应矩阵条目，并加 FAQ schema。
- 百度知道 / 知乎 / reddit·Quora（视受众）：布局口语化问答，统一采用「定义 + 原理 + 品牌方案 + 数据支撑」四段式结构。
输出表含：部署位置 / 数量 / 对应问题词 / 回答结构 / 优先级。详见 framework.md 的「FAQ 库规划方法论」。

Step 7 —（可选）三阶段路线图 + 效果监测指标

若用户要完整方案，补充三阶段优化路线图（预训练期 1–3 月 / RAG 检索期 4–8 月 / 生成期 9–12 月）与分维度、分平台的监测指标（曝光层 / 关联层 / 推荐层，覆盖 ChatGPT / Claude / Gemini / 文心 / 豆包 / Kimi / 通义）。模板见 references/templates.md。

Step 8 — 输出与交付

先按 references/templates.md 的版式生成完整方案（内部以 Markdown 为准），再按用户选择落地：

• 输出路径为空（默认）：只在对话中以表格 / 文本展示，不生成任何本地文件。
• Excel（默认格式）且给了路径：调用 scripts/build_xlsx.py 生成多 sheet 的 .xlsx（每个二级 / 三级标题一个 sheet，表格转行），含品牌矩阵、产品矩阵、根文章规划、FAQ 规划、路线图、监测指标。
• Word 且给了路径：调用 tencent-docx 技能转成 .docx。
• Markdown 且给了路径：直接写 .md。
• 腾讯在线文档：调用 tencent-docs 技能创建在线文档。

> 格式默认值：用户未指定时选 Excel。路径默认值：用户未提供时不在本地落盘。

Quality Guardrails（要点，完整规则见 framework.md）

• 单问原则：每条问题词只包含一个核心问题，禁止复合问句（如「某某产品是什么？原理是什么？」须拆成「某某产品是什么？」与「某某产品的工作原理是什么？」两条）。
• 品牌绑定：产品问题词 ≥1/3 显式带品牌名；品牌问题词每条都围绕该品牌。
• 不点名贬低竞品：竞品对比类问题通过「差异化定位 / 客观数据」让 LLM 自行判断，绝不写「XX 不如我们」。
• 客观不虚标：参数、案例、荣誉必须可核实，不编造数据。
• 类型配比：口语化问题占比 ≥40%（贴近真实提问），其余为专业化 / 场景化 / 竞品对比 / 推荐类。
• 优先级真实：⭐⭐⭐ = 入口级 / 高竞争 / 高转化；⭐⭐ = 信任加固；⭐ = 长尾补位。
• 示例去标识化（防侵权）：本技能所有文档、模板、示例问句一律用「某某品牌 / 某某公司 / 某某产品A / 某某竞品A」等占位符，禁止写入任何真实企业名、品牌名、产品名、客户名。例外仅限：公开平台名（ChatGPT / 豆包等）、公开标准号、带出处的公开事实引用。真实品牌词只在用户明确提供后才出现在交付方案里，且不得回写进技能文件。

Resources

• references/framework.md — 完整方法论：六 / 五维度框架与拆分数量、问题类型分类与话术、优先级评分卡、质量红线、官网根文章规划、FAQ 库规划、三阶段方法论、监测指标，以及第 11 节「GEO 进阶优化手段（2025–2026 前沿实践，由知识自进化机制持续维护）」。
• references/templates.md — 可直接套用的输出版式（品牌矩阵表、产品矩阵表、根文章规划表、FAQ 规划表、三阶段路线图、监测指标表）。
• references/knowledge.md — 技能自带的滚动知识库（Step 0 每次执行追加更新）。按主题分章（核心原理 / 技术基建 / 平台特异性 / 内容策略 / 实体图谱 / 第三方信源 / 监测工具 / 前沿实验 / 实战经验），每条带日期 + 来源 URL + 可信度级别。生成方案时优先从这里取最新打法。
• references/knowledge_log.md — 知识库更新日志（Step 0 每次执行追加一条：日期 / 刷新强度 / 检索槽位 / 新增条目 +URL / 是否回写 §11），并留痕本轮的删除与归档操作，用于追溯演进与新鲜度判断。
• references/knowledge_archive.md — 归档库：knowledge.md 超容量预算时移入的「已稳定 / 低频查阅 / 历史演进」条目，保留原章节、日期与来源 URL。默认不读进上下文，仅在需要追溯时按需加载，不设容量上限。
• scripts/check_knowledge_budget.py — 量 knowledge.md（可指定其他文件）的 token 体积并对照预算（目标 10k / 上限 12k），输出「正常 / 接近上限 / 超限需归档」判定与建议归档条数。有 tiktoken 时精确计算，否则按中文约 1.6 字符/token 估算。
• scripts/build_xlsx.py — 把 Markdown 方案转换为多 sheet 的 Excel 文件（输出格式选 Excel 且提供路径时使用；自带 openpyxl 依赖检查）。

加载任一 references 文件前先读 references/framework.md；需要版式时再读 references/templates.md；做 Step 0 时读 references/knowledge.md 与 references/knowledge_log.md。