GEO Gap Fixer
Skill de agente que audita la visibilidad de la marca en LLMs y convierte las brechas en un plan de acción GEO concreto.
Cuándo usar
Utiliza este skill cuando un usuario desee auditar su cuota de voz en Optimización de Motores Generativos (GEO) para saber qué prompts de LLM está perdiendo su marca, entender por qué se recomienda a los competidores en su lugar y obtener un plan de corrección de contenido específico.
NO uses este skill para: auditorías SEO generales, optimización de anuncios pagados o monitoreo continuo de redes sociales. Esta es una auditoría puntual de visibilidad en LLMs.
Paso 1: Entradas
Para ejecutar la auditoría, el usuario debe proporcionar claves de API y un archivo de configuración. Asegúrate de que esté configurado lo siguiente:
- Claves de API: Al menos 2 de 4 claves deben estar configuradas en el entorno o archivo
.env(OPENAI_API_KEY,ANTHROPIC_API_KEY,GOOGLE_API_KEY,PERPLEXITY_API_KEY). - Dependencias:
pip install openai anthropic google-genai - Archivo de configuración:
config.json(copiado deconfig.example.json) debe contener:brand_name(cadena, obligatorio)competitors(lista de cadenas, obligatorio, de 1 a 10 entradas)category(cadena, obligatorio)buyer_intent_prompts(lista de cadenas, opcional. Si está vacía, se generan automáticamente 20 prompts)target_llms(lista de cadenas, opcional)website_url(cadena, opcional)
Paso 2: Pipeline de ejecución
Ejecuta los siguientes scripts en orden. Detente y pide aclaración si algún script falla.
-
python scripts/probe_llms.py(Opcional: añade--dry-runpara probar la configuración sin llamadas a la API)- Envía prompts de intención de compra a las APIs de LLM configuradas.
- Guarda las respuestas en
data/raw_responses.json.
-
python scripts/analyze_results.py- Analiza las respuestas sin procesar en busca de menciones de marca, ranking, sentimiento y dominios citados.
- Guarda el análisis estructurado en
data/analysis.json.
-
python scripts/build_report.py- Ensambla el informe final de auditoría GEO en 5 secciones.
- Guarda en
report/geo_audit_report.mdyreport/geo_audit_report.json.
Paso 3: Salidas e interpretación
La salida principal es report/geo_audit_report.md. Presenta sus hallazgos al usuario.
Secciones clave para interpretar:
- Tabla de cuota de voz: Una tasa de mención por debajo del 30% es crítica. La tasa de mención es el % de prompts donde se recomienda la marca.
- Registro de pérdidas por prompt: Qué prompts exactos perdió la marca y ante quién.
- Patrones de lenguaje de la competencia: Los adjetivos específicos que los LLMs usan para los competidores.
- Lista de brechas de citas: Dominios que los LLMs citan y en los que la marca está ausente.
- Plan de acción GEO: Correcciones priorizadas (🔴 Crítico, 🟡 Alta prioridad, 🟢 Jugadas de crecimiento).
Dirige al usuario primero al Plan de acción GEO, ya que contiene los pasos concretos para corregir las brechas identificadas en la auditoría.
Paso 4: Manejo de errores
Si encuentras problemas al ejecutar el pipeline, sigue estas reglas:
| Condición | Acción del agente |
|---|---|
Falta config.json | Dile al usuario que copie config.example.json y lo complete. |
| JSON de configuración inválido | Notifica al usuario la ubicación del error de análisis y pídele que lo corrija. |
| Faltan campos obligatorios | Enumera los campos exactos que faltan (brand_name, competitors, category). |
| No hay claves de API configuradas | Pide al usuario que exporte al menos 2 de las 4 claves de API soportadas. |
| Solo 1 clave de API | Advierte al usuario que los resultados son menos fiables, pero procede con la ejecución. |
| Fallo transitorio de API | El script reintenta automáticamente. Si falla por completo, omite el proveedor. |
| Fallo persistente de API | El script omite el proveedor de forma controlada. Continúa con el pipeline. |
| Cero respuestas | El script sale con código de error no cero. Notifica al usuario que verifique las claves de API o la configuración. |
| Falta archivo de datos upstream | Vuelve a ejecutar el script anterior en el pipeline (ej., probe antes de analyze). |
Limitaciones a tener en cuenta:
- Esta es una auditoría puntual, no un monitor en segundo plano.
- El análisis de sentimiento utiliza proximidad de palabras clave, no PNL profunda.
- Se aplican costos de API por cada ejecución (típicamente ~$0.50–$2.00).