geo-keyword-researchGEO 关键词研究 Skill。为指定品牌生成行业推荐型 + 品牌直指型关键词报告， 支持 DAG 并发搜索模式，产出两份 Markdown 文件。
Independent GitHub snapshot · Automated classification · Original documentation governs
本技能用于生成 GEO 关键词研究报告，帮助任何品牌/产品优化在 AI 回复中的露出率和回复准确性。
适用于所有行业：汽车、轮胎、家电、美妆、数码、餐饮、服务等。
GEO 关键词分为两大类：
特征：[场景/品类/规格/车型/品类+品牌] + 推荐
特征：问题中明确包含目标品牌/产品全称
本技能在 DAG 模式下运行，分为并发搜索和单一汇总两个阶段。
每个搜索 Subtask 必须：
{workspace}/geo-keyword-research/{task_id}/{task_id}_search_{N}.tmp.md（N 为维度序号）维度划分表（Planning LLM 按品牌特点从中选取 3-5 个维度）：
| 维度 | 示例 query（中文） | 示例 query（英文） | 备注 |
|---|---|---|---|
| 品牌官网 ⭐ | {品牌}官网 | {brand} official site products | 必选，用 fetch-web 直接抓官网产品页，获取官方产品线信息 |
| 品牌总体评价 | {品牌}怎么样 | {brand} review | |
| 竞品对比 | {品牌} vs 竞品 | {brand} vs competitor | |
| 耐磨/寿命 | 耐磨{品类}品牌推荐 | most durable {category} brands | |
| 噪音/舒适 | 静音{品类}品牌推荐 | quietest {category} brands | |
| 价格/性价比 | 性价比高的{品类}品牌 | best value {category} brands | |
| 细分场景 A | （根据品牌核心场景定制） | ||
| 细分场景 B | |||
| 特定产品系列 | {品牌}{旗舰系列}评测 | {brand} {flagship line} review | |
| 使用维护 | {品牌}使用年限/更换标准 | {brand} maintenance guide | |
| 技术特性 | {品牌}技术优势 | {brand} technology | |
| 购买指南 | {品牌}选购指南 | {brand} buying guide |
⭐ 品牌官网维度为必选：该 Subtask 需先用 search tool 查到官网 URL，再用 fetch-web 脚本抓取官网产品页正文， 将内容写入
{workspace}/geo-keyword-research/{task_id}/{task_id}_official_site.txt， 供汇总阶段直接读取作为产品信息来源。
合并所有临时文件
*.tmp.md 片段，按 URL 去重（不同 query 可能命中相同 URL）{workspace}/geo-keyword-research/{task_id}/{task_id}_urls.md*.tmp.md 临时片段抓取核心页面正文（为报告分析提供真实内容依据）
{task_id}_urls.md 中，按来源多样性选取 8-12 个高价值页面：
FETCH_SCRIPT=$(python3 -c "from nanobot.agent.skills import BUILTIN_SKILLS_DIR; print(BUILTIN_SKILLS_DIR / 'fetch-web/scripts/fetch.py')")
python3 "$FETCH_SCRIPT" --url "{url}" --output "{workspace}/geo-keyword-research/{task_id}/page_{n}.txt"
"[FETCH FAILED]" 并跳过，继续处理下一个 URL第一类关键词验证（自问自答，LLM 内部推理）
[关键词]生成报告（基于真实抓取内容分析）
{workspace}/geo-keyword-research/{task_id}/{task_id}_report.md清理临时文件（报告生成成功后执行）
rm -f {workspace}/geo-keyword-research/{task_id}/page_*.txt
rm -f {workspace}/geo-keyword-research/{task_id}/{task_id}_product_page.txt
rm -f {workspace}/geo-keyword-research/{task_id}/*.tmp.md
⚠️ 不删除
{task_id}_official_site.txt：后续 on_success.py 需读取此文件生成产品画像。
产物目录：{workspace}/geo-keyword-research/{task_id}/
| 文件 | 内容 |
|---|---|
{task_id}_urls.md | 所有真实访问 URL、标题、来源网站、搜索日期（≥ 80 条） |
{task_id}_report.md | 品牌分析 + 目标人群 + 20 个关键词 + 总结 |
{task_id}_result.json | DAG 完成后自动生成：含 brand_name / sku_name / brand_url / brand_summary / user_image_summary / keywords_data / product_image_task_id / user_image / brand_mentions / coverage_summary 的统一结构化产物 |
{task_id}_report.md）前置：数据源统计
执行了多少次 search tool / 浏览了多少个数据源 / 数据源文件路径
第一段：品牌/产品理解
基于 web 搜索 + 官网内容，输出：
- 品牌定位
- 核心产品线
- 产品信息：基于官网抓取内容，列出主要产品系列、型号、核心规格、价格区间
- 主要优势特点
- 市场地位
- 信息来源：列出本段内容的来源 URL（官网地址及其他参考页面，每行一条）
第二段：目标人群理解
基于 web 搜索，输出：核心人群特征 / 主要痛点 / 搜索行为特点
末尾必须输出以下格式的人群分类列表（供系统自动处理，格式严格）：
**人群分类：** - 人群名称A：人群特征一句话简要描述（20-80字） - 人群名称B：人群特征一句话简要描述（20-80字）人群数量通常为 2-4 个，每个名称简洁（2-6字），描述须包含年龄/性别/核心需求等关键维度。
第三段：关键词列表（⚠️ 格式严格，供系统自动解析，不可更改结构）
必须严格按以下模板输出，每个关键词一个编号标题 + 两个子项。不要使用表格、不要合并行、不要更改标签名称。
### 第一类关键词（行业推荐型）- 10个
1. 关键词文本A
- **为什么选择**：选择理由说明
- **GEO策略**：对应的GEO优化策略
2. 关键词文本B
- **为什么选择**：选择理由说明
- **GEO策略**：对应的GEO优化策略
...（共10个）
### 第二类关键词（品牌直指型）- 10个
1. 关键词文本A
- **为什么选择**：选择理由说明
- **GEO策略**：对应的GEO优化策略
...（共10个）
格式规则：
- 编号使用
1.、2....10.，后接关键词文本（不要加粗，不要加**）- 子项标签必须是
**为什么选择**和**GEO策略**，不要用其他名称- 每个子项以
-开头- 关键词文本中不要包含编号、冒号、引号
第四段：总结与研究洞察
第一行：数据覆盖描述（保留原格式）： 「本次执行 N 次搜索，收集 M 条数据源，满足/未满足 覆盖目标」 不进行精确覆盖百分比计算，只需说明满足/未满足覆盖目标。
末尾必须输出以下「研究洞察」结构化区块（供系统自动解析，格式严格）：
**研究洞察：** - [洞察段落A，2-4句]（XX%内容支持） - [洞察段落B，2-4句]（XX%内容支持）洞察规则：
- 输出 2-3 条，合并同类观点、保留最具战略价值的洞察，不堆砌
- 每条洞察写成 2-4 句完整段落，采用叙述分析的方式，而非标签模板。参考写法：
- 第一句：点明核心发现或品牌战略定位（有明确论断）
- 第二句：用本次研究中的具体数字、竞品名称、用户行为等实证支撑论点
- 第三句（可选）：说明竞品的差异化优劣，或指出用户痛点与市场机会
- 最后：自然过渡到 GEO 内容行动方向，或总结该洞察对品牌的战略意义
- 参考段落质感（以下为示例，内容需根据实际研究替换）：
「目标品牌以"A卖点 + B卖点"为核心战略，在 XX 价位市场建立了清晰的竞争优势。X元起售价将旗舰级配置拉入中端市场，辅以 Y 和 Z 形成差异化护城河。竞品 P、Q、R 虽在单项指标上各有建树，但目标品牌的综合均衡性和生态是难以复制的竞争力。GEO 内容应重点覆盖…场景，强化…心智认知。」
- 每条洞察末尾必须标注「（XX%内容支持）」，XX 为估算有多少比例的抓取内容/搜索结果支持该结论
- 内容涵盖：市场竞争格局、用户高频关注点、目标品牌核心优劣势、GEO 策略机会点
- 禁止使用「可能」「也许」「建议考虑」等模糊措辞，每句话须有实证依据或明确论断
| 情况 | 处理方式 |
|---|---|
| 目标品牌排名第 1 | ✅ 保留（高价值） |
| 目标品牌排名第 2-3 | ✅ 保留（有露出就有价值） |
| 目标品牌排名第 4+ | ✅ 保留（只要提及就有价值） |
| 目标品牌完全没有提及 | ❌ 删除，换补候补词 |
注意：只要回复中出现了行业品牌（包括竞品）就算满足，不一定只要求目标品牌出现。
用户提供：brand_name（例：固特异轮胎）
系统输出：`
1. {task_id}_urls.md（数据源记录，≥ 80 条）
2. {task_id}_report.md（10 个第一类 + 10 个第二类关键词报告）
3. {task_id}_result.json（on_success.py 自动生成，含 brand_name + sku_name 等字段）
/xxxx 或任何占位路径，搜索失败须记录"失败原因"，不得伪造 URL| 目标覆盖 | 需要 search 次数 | 需要 URL 数量 |
|---|---|---|
| 70%+ | 5-8 次 | 20-30 个 |
| 85%+ | 10-15 次 | 80-100 个 |
| 90%+ | 15-20 次 | 120-180+ 个 |
当 task_type 为 geo_keyword_match 时，不执行上述关键词研究流程，而是执行以下匹配任务：
根据前端传入的关键词列表和用户画像（含具体 profiles），使用 LLM 完成：
industry 关键词的问题严禁包含具体品牌名、产品名等专有名词，保持行业通用视角brand 关键词的问题必须包含关键词中的品牌名custom 关键词的问题必须直接体现关键词的核心词max_questions，默认 150）：
| 字段 | 类型 | 说明 |
|---|---|---|
keywords | object | 关键词数据，包含 industry、brand、custom 三个数组 |
keywords.industry | array | AI 研究生成的行业推荐型关键词，每项 {keyword, reason} |
keywords.brand | array | AI 研究生成的品牌直指型关键词，每项 {keyword, reason} |
keywords.custom | array | 用户自定义关键词，支持字符串或 {keyword} dict，必须全部覆盖 |
user_images | array | 用户画像列表，每个含 persona、desc、profiles |
location | string | 目标地区（如"中国大陆"） |
lang | string | 目标语言（如"中文"） |
max_questions | int | 可选，最终问题数上限，默认 150；不得低于关键词总数 |
variants_count | int | 可选，每条问题生成的语义变体数，默认 2；0 = 关闭 |
直接调用脚本，不要使用 DAG 模式：
MATCH_SCRIPT=$(python3 -c "from nanobot.agent.skills import BUILTIN_SKILLS_DIR; print(BUILTIN_SKILLS_DIR / 'geo-keyword-research/scripts/keyword_match.py')")
python3 "$MATCH_SCRIPT" \
--config-file {config} \
--task-id {task_id} \
--output-dir {workspace}/geo-keyword-research/ \
--metadata-file {workspace}/.tasks/sessions/{task_id}/_task.json
| 文件 | 内容 |
|---|---|
{task_id}_keyword_match.json | 每个画像的匹配关键词（按 confidence 排序，总问题数 ≤ max_questions）+ 置信值 + profile 问题 + 语义变体 |
{task_id}_keyword_match.json 严格格式（⚠️ 如需手动生成，必须完全遵守此结构）{
"location": "中国大陆",
"lang": "中文",
"matches": [
{
"persona": "画像名称",
"matched_keywords": [
{
"keyword": "关键词文本",
"keyword_type": "industry | brand | custom",
"confidence": 95,
"reason": "该画像对此关键词的匹配理由",
"profile_questions": [
{
"profile_id": "profile-id-xxx",
"question": "该 profile 会问的主问题",
"variants": [
"语义变体1",
"语义变体2"
]
}
]
}
]
}
]
}
⚠️ 格式约束：
- 顶层键为
matches（数组），不是results- 嵌套顺序为：
matches[].matched_keywords[].profile_questions[]profile_questions每项含profile_id、question、variants三个字段- 不存在
profiles[]或question_variant等字段
on_success.py 自动写入 {task_id}_result.json，字段如下：
| 字段 | 类型 | 来源 | 说明 |
|---|---|---|---|
brand_name | string | 报告标题 或 metadata | 纯品牌名，如 "肯德基" / "BMW" |
sku_name | string | metadata.brand_name LLM 拆分 | 产品型号，如 "吮指原味鸡" / "X1"；无则空字符串 |
target_type | string | sku_name 是否为空推导 | "brand" = 纯品牌模式，"sku" = 品牌+SKU 模式 |
brand_url | string | 报告信息来源块 | 品牌官网 URL |
brand_summary | string | 报告第一段 | 品牌定位与产品概述 |
user_image_summary | string | 报告第二段 | 目标人群描述 |
keywords_data | object | 报告第三段 | {industry: {...}, brand: {...}} |
product_image_task_id | string | on_success 子任务 | 产品画像子任务 ID |
user_image | array | on_success 子任务 | [{persona, task_id, desc}] |
sku_name 提取方式（on_success.py 内部逻辑）：
metadata.brand_name（用户当初输入的完整品牌名）调用 LLM 解析{brand_name: "...", sku_name: "..."}{workspace}/geo-keyword-research/{task_id}/{task_id}_result.json（由系统 on_success.py 自动生成）sku_name 字段：on_success.py 调用 LLM 从用户输入的 brand_name 中自动解析品牌名和产品型号，无需用户额外填写coverage_summary）brand_mentions（品牌+SKU tuple 数组）和 coverage_summary（洞察观点数组）target_type：根据 LLM 是否拆分出 SKU 推导 "brand" 或 "sku"，影响下游竞品发现和 QA 分析的粒度max_questions（默认150）裁剪机制：按 confidence 降序优先保留，每个关键词至少1条保底；支持 custom 关键词类型（必须全部覆盖）