GEO Gap Fixer
Skill d'agent qui audite la visibilité des marques dans les LLM et convertit les lacunes en un plan d'action GEO concret.
Quand l'utiliser
Utilisez ce skill lorsqu'un utilisateur souhaite auditer sa part de voix en optimisation pour les moteurs génératifs (GEO) pour savoir à quels prompts de LLM sa marque perd, comprendre pourquoi les concurrents sont recommandés, et obtenir un plan de correction de contenu spécifique.
N'utilisez PAS ce skill pour : les audits SEO généraux, l'optimisation des annonces payantes ou la surveillance continue des réseaux sociaux. Il s'agit d'un audit ponctuel de visibilité dans les LLM.
Étape 1 : Entrées
Pour exécuter l'audit, l'utilisateur doit fournir des clés API et un fichier de configuration. Assurez-vous que les éléments suivants sont configurés :
- Clés API : Au moins 2 des 4 clés doivent être définies dans l'environnement ou le fichier
.env(OPENAI_API_KEY,ANTHROPIC_API_KEY,GOOGLE_API_KEY,PERPLEXITY_API_KEY). - Dépendances :
pip install openai anthropic google-genai - Fichier de configuration :
config.json(copié depuisconfig.example.json) doit contenir :brand_name(chaîne, obligatoire)competitors(liste de chaînes, obligatoire, 1 à 10 entrées)category(chaîne, obligatoire)buyer_intent_prompts(liste de chaînes, optionnel. Si vide, 20 prompts sont générés automatiquement)target_llms(liste de chaînes, optionnel)website_url(chaîne, optionnel)
Étape 2 : Pipeline d'exécution
Exécutez les scripts suivants dans l'ordre. Arrêtez-vous et demandez des clarifications si un script échoue.
-
python scripts/probe_llms.py(Optionnel : ajoutez--dry-runpour tester la configuration sans appels API)- Envoie des prompts d'intention d'achat aux API LLM configurées.
- Enregistre les réponses dans
data/raw_responses.json.
-
python scripts/analyze_results.py- Analyse les réponses brutes pour les mentions de marque, le classement, le sentiment et les domaines cités.
- Enregistre l'analyse structurée dans
data/analysis.json.
-
python scripts/build_report.py- Assemble le rapport d'audit GEO final en 5 sections.
- Enregistre dans
report/geo_audit_report.mdetreport/geo_audit_report.json.
Étape 3 : Sorties et interprétation
La sortie principale est report/geo_audit_report.md. Présentez ses résultats à l'utilisateur.
Sections clés à interpréter :
- Tableau de part de voix : Un taux de mention inférieur à 30 % est critique. Le taux de mention est le % de prompts où la marque est recommandée.
- Journal des pertes par prompt : Quels prompts exacts la marque a perdus et au profit de qui.
- Modèles linguistiques des concurrents : Les adjectifs spécifiques que les LLM utilisent pour les concurrents.
- Liste des lacunes de citation : Domaines que les LLM citent et dont la marque est absente.
- Plan d'action GEO : Corrections priorisées (🔴 Critique, 🟡 Haute priorité, 🟢 Opportunités de croissance).
Dirigez d'abord l'utilisateur vers le Plan d'action GEO, car il contient les étapes concrètes pour corriger les lacunes identifiées dans l'audit.
Étape 4 : Gestion des erreurs
Si vous rencontrez des problèmes lors de l'exécution du pipeline, suivez ces règles :
| Condition | Action de l'agent |
|---|---|
config.json manquant | Dites à l'utilisateur de copier config.example.json et de le remplir. |
| JSON invalide dans la configuration | Informez l'utilisateur de l'emplacement de l'erreur d'analyse et demandez-lui de la corriger. |
| Champs obligatoires manquants | Listez les champs exacts manquants (brand_name, competitors, category). |
| Aucune clé API définie | Demandez à l'utilisateur d'exporter au moins 2 des 4 clés API prises en charge. |
| 1 seule clé API | Avertissez l'utilisateur que les résultats sont moins fiables, mais procédez à l'exécution. |
| Échec API transitoire | Le script réessaie automatiquement. S'il échoue complètement, il ignore le fournisseur. |
| Échec API persistant | Le script ignore le fournisseur proprement. Continuez le pipeline. |
| Zéro réponse | Le script se termine avec un code non nul. Informez l'utilisateur de vérifier les clés API ou la configuration. |
| Fichier de données amont manquant | Réexécutez le script précédent dans le pipeline (par exemple, probe avant analyze). |
Limites à garder à l'esprit :
- Il s'agit d'un audit ponctuel, pas d'un moniteur en arrière-plan.
- L'analyse des sentiments utilise la proximité des mots-clés, pas du NLP profond.
- Des coûts API s'appliquent pour chaque exécution (généralement ~0,50–2,00 $).