GEO Gap Fixer
Skill de agente que audita a visibilidade da marca em LLMs e converte lacunas em um plano de ação GEO concreto.
Quando Usar
Use esta skill quando um usuário quiser auditar seu share-of-voice em Generative Engine Optimization (GEO) para saber em quais prompts de LLM sua marca está perdendo, entender por que concorrentes são recomendados em vez dela e obter um plano de correção de conteúdo específico.
NÃO use esta skill para: auditorias gerais de SEO, otimização de anúncios pagos ou monitoramento contínuo de mídias sociais. Esta é uma auditoria pontual de visibilidade em LLMs.
Passo 1: Entradas
Para executar a auditoria, o usuário deve fornecer chaves de API e um arquivo de configuração. Certifique-se de que os seguintes itens estejam configurados:
- Chaves de API: Pelo menos 2 de 4 chaves devem ser definidas no ambiente ou no arquivo
.env(OPENAI_API_KEY,ANTHROPIC_API_KEY,GOOGLE_API_KEY,PERPLEXITY_API_KEY). - Dependências:
pip install openai anthropic google-genai - Arquivo de Configuração:
config.json(copiado deconfig.example.json) deve conter:brand_name(string, obrigatório)competitors(lista de strings, obrigatório, 1-10 entradas)category(string, obrigatório)buyer_intent_prompts(lista de strings, opcional. Se vazio, 20 prompts são gerados automaticamente)target_llms(lista de strings, opcional)website_url(string, opcional)
Passo 2: Pipeline de Execução
Execute os scripts na ordem a seguir. Pare e peça esclarecimentos se algum script falhar.
-
python scripts/probe_llms.py(Opcional: adicione--dry-runpara testar a configuração sem chamadas de API)- Envia prompts de intenção de compra para as APIs LLM configuradas.
- Salva as respostas em
data/raw_responses.json.
-
python scripts/analyze_results.py- Analisa as respostas brutas em busca de menções à marca, ranqueamento, sentimento e domínios citados.
- Salva a análise estruturada em
data/analysis.json.
-
python scripts/build_report.py- Monta o relatório final de auditoria GEO com 5 seções.
- Salva em
report/geo_audit_report.mdereport/geo_audit_report.json.
Passo 3: Saídas e Interpretação
A saída principal é report/geo_audit_report.md. Apresente suas descobertas ao usuário.
Seções Principais para Interpretar:
- Tabela de Share-of-Voice: Uma taxa de menção abaixo de 30% é crítica. A taxa de menção é a % de prompts em que a marca é recomendada.
- Log de Perdas por Prompt: Quais prompts exatos a marca perdeu e para quem.
- Padrões de Linguagem dos Concorrentes: Os adjetivos específicos que os LLMs usam para os concorrentes.
- Lista de Lacunas de Citação: Domínios que os LLMs citam e dos quais a marca está ausente.
- Plano de Ação GEO: Correções priorizadas (🔴 Crítico, 🟡 Alta Prioridade, 🟢 Jogos de Crescimento).
Direcione o usuário para o Plano de Ação GEO primeiro, pois ele contém as etapas concretas para corrigir as lacunas identificadas na auditoria.
Passo 4: Tratamento de Erros
Se você encontrar problemas ao executar o pipeline, siga estas regras:
| Condição | Ação do Agente |
|---|---|
config.json ausente | Diga ao usuário para copiar config.example.json e preenchê-lo. |
| JSON inválido no config | Notifique o usuário sobre a localização do erro de análise e peça para corrigi-lo. |
| Campos obrigatórios ausentes | Liste os campos exatos ausentes (brand_name, competitors, category). |
| Nenhuma chave de API definida | Peça ao usuário para exportar pelo menos 2 das 4 chaves de API suportadas. |
| Apenas 1 chave de API | Avise o usuário que os resultados são menos confiáveis, mas prossiga com a execução. |
| Falha de API transitória | O script tenta novamente automaticamente. Se falhar completamente, ele pula o provedor. |
| Falha de API persistente | O script pula o provedor de forma graciosa. Continue o pipeline. |
| Zero respostas | O script sai com código não-zero. Notifique o usuário para verificar as chaves de API ou a configuração. |
| Arquivo de dados upstream ausente | Execute novamente o script anterior no pipeline (por exemplo, probe antes de analyze). |
Limitações a serem lembradas:
- Esta é uma auditoria pontual, não um monitor em segundo plano.
- A análise de sentimento usa proximidade de palavras-chave, não PNL profunda.
- Custos de API se aplicam a cada execução (tipicamente ~US$ 0,50 a US$ 2,00).