GEO搜索占位架构师

使用场景

关键原则: 本工具只承诺"优化",不承诺"排名"。通过结构化数据和内容质量提升,增加AI搜索引擎引用内容的概率。

工作流

工作流1: GEO优化流程

1. 接收内容: 获取图文内容或视频描述文本
2. 评估SEO基础指标: 分析关键词密度、标题结构、meta标签
3. 注入JSON-LD结构化数据: 根据内容类型注入Article/FAQPage/Organization/HowTo等Schema
4. 评估AI引用潜力评分: 基于5维度11项指标进行评分
5. 生成llms_txt摘要: 生成AI友好的内容摘要
6. 生成FAQ Schema: 自动生成3-5个FAQ片段
7. 计算GEO评分: 0-100分加权计算
8. 评分门控: GEO评分<60时自动优化重试(最多2次)
9. 输出优化结果: 优化后内容+GEO评分+各维度详情

工作流2: GEO评分流程

1. 接收内容文本
2. 5维度评分:
   - 结构化数据(25%): JSON-LD存在+Schema类型正确+无语法错误
   - 内容引用潜力(25%): 有数据支撑+有权威引用+FAQ片段+直接回答
   - AI可访问性(20%): robots.txt允许AI爬虫+无noindex+内容可提取
   - E-E-A-T信号(15%): 作者信息+机构信息+日期+来源标注
   - 内容质量(15%): 原创性+深度(>=500字)+可读性
3. 加权计算总分
4. 返回评分+各维度详情

输入格式

优化模式

{
  "action": "optimize",
  "content": "文章正文内容...",
  "content_type": "article",
  "title": "AI编程启蒙第3课"
}

评分模式

{
  "action": "score",
  "content": "文章内容..."
}

输出格式

优化模式输出

{
  "success": true,
  "data": {
    "optimized_content": "优化后的内容(含JSON-LD结构化数据)",
    "geo_score": 72,
    "score_details": {
      "structured_data": 80,
      "citation_potential": 70,
      "ai_accessibility": 75,
      "eeat_signals": 65,
      "content_quality": 70
    },
    "json_ld": {
      "@context": "https://schema.org",
      "@type": "Article",
      "headline": "AI编程启蒙第3课",
      "author": {"@type": "Person", "name": "作者名"},
      "datePublished": "2026-07-17",
      "description": "内容描述"
    },
    "faq_schema": [
      {"question": "什么是AI编程启蒙?", "answer": "AI编程启蒙是..."},
      {"question": "适合什么年龄段?", "answer": "适合6-12岁..."},
      {"question": "需要什么基础?", "answer": "零基础即可开始..."}
    ],
    "llms_txt": "本文介绍AI编程启蒙第3课的核心内容,涵盖...",
    "retry_count": 0,
    "optimization_notes": [
      "已注入Article类型JSON-LD结构化数据",
      "已生成3个FAQ片段提升AI引用潜力",
      "已补充作者信息和发布日期增强EEAT信号"
    ]
  },
  "error": null,
  "code": null
}

评分模式输出

{
  "success": true,
  "data": {
    "total": 72.5,
    "details": {
      "structured_data": 80,
      "citation_potential": 70,
      "ai_accessibility": 75,
      "eeat_signals": 65,
      "content_quality": 70
    },
    "suggestions": [
      "建议增加FAQ片段以提升引用潜力",
      "建议补充作者权威信息以增强EEAT信号",
      "建议添加数据支撑以增强内容可信度"
    ]
  },
  "error": null,
  "code": null
}

GEO评分模型

评分门控规则:
- GEO评分 >= 60: 允许发布
- GEO评分 < 60: 自动优化重试(最多2次)
- 2次重试后仍 < 60: 标记warning,建议人工审核

JSON-LD结构化数据类型

根据内容类型自动选择注入的Schema类型:

必填字段:
- Article: headline, author, datePublished, description
- HowTo: name, step[], totalTime, supply[]
- FAQPage: mainEntity
- Product: name, description, brand, offers

业务规则

异常处理

依赖说明

运行环境

• Agent平台: Claude Code / Cursor / Codex / Gemini CLI / Windsurf 等支持SKILL.md的任意Agent
• 操作系统: Windows / macOS / Linux
• 运行时: 需要Agent支持exec(命令行执行)能力

第三方依赖

API Key 配置

• LLM_API_KEY: 必需(通常由Agent内置) - JSON-LD注入/FAQ生成/llms.txt摘要/GEO评分
• 配置方式: 在Agent的环境变量中设置

纯Markdown使用说明

纯LLM驱动,GEO评分门控自动优化重试(最多2次)。只承诺优化,不承诺排名。

只需将SKILL.md文件放入Agent的skills目录即可直接使用。
如果Skill中包含exec工具调用,需要Agent支持命令行执行能力。

可用性分类

• 分类: MD+EXEC
• 说明: 纯Markdown,但需要exec能力(命令行执行),用于文件读写和命令调用

示例

示例1: 文章GEO优化

输入:

{
  "action": "optimize",
  "content": "AI编程启蒙课程介绍,本课程面向6-12岁少儿,通过Scratch图形化编程入门...",
  "content_type": "article",
  "title": "AI编程启蒙第3课"
}

输出:
- GEO评分: 72/100
- 各维度: 结构化数据80/引用潜力70/AI可访问性75/EEAT信号65/内容质量70
- JSON-LD: Article类型,含headline/author/datePublished
- FAQ: 3个问答("什么是AI编程启蒙?"/"适合什么年龄?"/"需要什么基础?")
- llms_txt: "本文介绍AI编程启蒙第3课的核心内容..."
- 优化说明: 已注入结构化数据/已生成FAQ/已补充EEAT信号
- 重试次数: 0

示例2: 教程内容GEO优化

输入:

{
  "action": "optimize",
  "content": "教你用Scratch制作一个简单的动画,分5步完成...",
  "content_type": "howto",
  "title": "Scratch动画制作教程"
}

输出:
- GEO评分: 78/100
- JSON-LD: HowTo类型,含name/step[]/totalTime
- FAQ: 3个问答("Scratch是什么?"/"需要安装软件吗?"/"适合几岁孩子?")
- 优化说明: 已注入HowTo Schema/已生成FAQ/已补充步骤说明