GEO-Lücken-Schließer
Agenten-Skill, der die Markensichtbarkeit in LLMs prüft und Lücken in einen konkreten GEO-Content-Aktionsplan umwandelt.
Wann verwenden
Verwenden Sie diesen Skill, wenn ein Benutzer seine Generative Engine Optimization (GEO) Share-of-Voice prüfen möchte, um zu erfahren, bei welchen LLM-Prompts seine Marke verliert, zu verstehen, warum stattdessen Wettbewerber empfohlen werden, und einen spezifischen Content-Fix-Plan zu erhalten.
Nicht verwenden für: allgemeine SEO-Audits, bezahlte Anzeigenoptimierung oder kontinuierliches Social-Media-Monitoring. Dies ist eine punktuelle LLM-Sichtbarkeitsprüfung.
Schritt 1: Eingaben
Um das Audit durchzuführen, muss der Benutzer API-Keys und eine Konfigurationsdatei bereitstellen. Stellen Sie sicher, dass Folgendes eingerichtet ist:
- API-Keys: Mindestens 2 von 4 Keys müssen in der Umgebung oder
.env-Datei gesetzt sein (OPENAI_API_KEY,ANTHROPIC_API_KEY,GOOGLE_API_KEY,PERPLEXITY_API_KEY). - Abhängigkeiten:
pip install openai anthropic google-genai - Konfigurationsdatei:
config.json(kopiert vonconfig.example.json) muss enthalten:brand_name(Zeichenkette, erforderlich)competitors(Liste von Zeichenketten, erforderlich, 1-10 Einträge)category(Zeichenkette, erforderlich)buyer_intent_prompts(Liste von Zeichenketten, optional. Wenn leer, werden 20 Prompts automatisch generiert)target_llms(Liste von Zeichenketten, optional)website_url(Zeichenkette, optional)
Schritt 2: Ausführungspipeline
Führen Sie die folgenden Skripte der Reihe nach aus. Stoppen Sie und fragen Sie nach Klärung, wenn ein Skript fehlschlägt.
-
python scripts/probe_llms.py(Optional:--dry-runanhängen, um die Konfiguration ohne API-Aufrufe zu testen)- Sendet kaufabsichtsbezogene Prompts an die konfigurierten LLM-APIs.
- Speichert Antworten in
data/raw_responses.json.
-
python scripts/analyze_results.py- Analysiert rohe Antworten auf Markenerwähnungen, Ranking, Stimmung und zitierte Domains.
- Speichert strukturierte Analyse in
data/analysis.json.
-
python scripts/build_report.py- Erstellt den abschließenden 5-teiligen GEO-Audit-Bericht.
- Speichert in
report/geo_audit_report.mdundreport/geo_audit_report.json.
Schritt 3: Ausgaben & Interpretation
Die primäre Ausgabe ist report/geo_audit_report.md. Präsentieren Sie die Ergebnisse dem Benutzer.
Zu interpretierende Schlüsselabschnitte:
- Share-of-Voice-Tabelle: Eine Erwähnungsrate unter 30% ist kritisch. Die Erwähnungsrate ist der Prozentsatz der Prompts, bei denen die Marke empfohlen wird.
- Prompt-Level-Verlustprotokoll: Bei welchen genauen Prompts die Marke verloren hat und an wen.
- Sprachmuster der Wettbewerber: Die spezifischen Adjektive, die LLMs für Wettbewerber verwenden.
- Zitierlücken-Liste: Domains, die LLMs zitieren, auf denen die Marke fehlt.
- GEO-Aktionsplan: Priorisierte Korrekturen (🔴 Kritisch, 🟡 Hohe Priorität, 🟢 Wachstumschancen).
Leiten Sie den Benutzer zuerst zum GEO-Aktionsplan, da er die konkreten Schritte zur Behebung der im Audit identifizierten Lücken enthält.
Schritt 4: Fehlerbehandlung
Wenn bei der Ausführung der Pipeline Probleme auftreten, befolgen Sie diese Regeln:
| Bedingung | Agentenaktion |
|---|---|
Fehlende config.json | Teilen Sie dem Benutzer mit, config.example.json zu kopieren und auszufüllen. |
| Ungültiges JSON in der Konfiguration | Informieren Sie den Benutzer über den Ort des Parse-Fehlers und bitten Sie ihn, ihn zu beheben. |
| Fehlende erforderliche Felder | Listen Sie die genauen fehlenden Felder auf (brand_name, competitors, category). |
| Keine API-Keys gesetzt | Bitten Sie den Benutzer, mindestens 2 der 4 unterstützten API-Keys zu exportieren. |
| Nur 1 API-Key | Warnen Sie den Benutzer, dass die Ergebnisse weniger zuverlässig sind, aber führen Sie den Lauf durch. |
| Kurzzeitiger API-Fehler | Das Skript wiederholt sich automatisch. Wenn es vollständig fehlschlägt, überspringt es den Anbieter. |
| Dauerhafter API-Fehler | Das Skript überspringt den Anbieter ordnungsgemäß. Fahren Sie mit der Pipeline fort. |
| Keine Antworten | Das Skript beendet sich mit einem Fehler. Informieren Sie den Benutzer, API-Keys oder Konfiguration zu überprüfen. |
| Fehlende vorgelagerte Datendatei | Führen Sie das vorherige Skript in der Pipeline erneut aus (z. B. probe vor analyze). |
Zu beachtende Einschränkungen:
- Dies ist eine punktuelle Prüfung, kein Hintergrundmonitor.
- Die Stimmungsanalyse basiert auf Schlüsselwortnähe, nicht auf tiefer NLP.
- Für jeden Lauf fallen API-Kosten an (normalerweise ~0,50–2,00 $).