GEO差距修复器
代理技能，用于审计LLM品牌可见性，并将差距转化为具体的GEO内容行动方案。
何时使用
当用户希望审计其生成式引擎优化（GEO）品牌声量以了解哪些LLM提示词中品牌被忽略、为什么竞争对手被推荐，并获得具体的内容修复方案时，使用此技能。
不要将此技能用于：常规SEO审计、付费广告优化或持续的社交媒体监控。这是一个即时点的LLM可见性审计。
步骤1：输入
要运行审计，用户必须提供API密钥和配置文件。请确保已设置以下内容：
- API密钥：必须在环境或
.env文件中设置至少4个密钥中的2个（OPENAI_API_KEY、ANTHROPIC_API_KEY、GOOGLE_API_KEY、PERPLEXITY_API_KEY）。 - 依赖项：
pip install openai anthropic google-genai - 配置文件：
config.json（从config.example.json复制）必须包含：brand_name（字符串，必需）competitors（字符串列表，必需，1-10个条目）category（字符串，必需）buyer_intent_prompts（字符串列表，可选。如果为空，将自动生成20个提示词）target_llms（字符串列表，可选）website_url（字符串，可选）
步骤2：执行流水线
按顺序运行以下脚本。如果任何脚本失败，请停止并要求澄清。
-
python scripts/probe_llms.py（可选：追加--dry-run以在不进行API调用的情况下测试配置）- 将买家意图提示词发送给配置的LLM API。
- 将响应保存到
data/raw_responses.json。
-
python scripts/analyze_results.py- 分析原始响应中的品牌提及、排名、情感倾向和被引用的域名。
- 将结构化分析保存到
data/analysis.json。
-
python scripts/build_report.py- 组装最终的5部分GEO审计报告。
- 保存到
report/geo_audit_report.md和report/geo_audit_report.json。
步骤3：输出与解读
主要输出是 report/geo_audit_report.md。将发现结果呈现给用户。
需要解读的关键部分：
- 品牌声量表：提及率低于30%为严重。提及率是指提示词中品牌被推荐的百分比。
- 提示词级别损失日志：品牌在哪些具体提示词上输了，输给了谁。
- 竞争对手语言模式：LLM用于竞争对手的具体形容词。
- 引用差距清单：LLM引用的域名，但品牌未被收录其中。
- GEO行动方案：按优先级排序的修复措施（🔴 关键，🟡 高优先级，🟢 增长点）。
首先引导用户查看 GEO行动方案，因为它包含解决审计中发现差距的具体步骤。
步骤4：错误处理
如果在执行流水线时遇到问题，请遵循以下规则：
| 条件 | 代理操作 |
|---|---|
缺少 config.json | 告知用户复制 config.example.json 并填写。 |
| 配置中的JSON无效 | 通知用户解析错误的位置，并要求其修复。 |
| 缺少必填字段 | 列出确切的缺少字段（brand_name、competitors、category）。 |
| 未设置API密钥 | 要求用户导出至少2个支持的API密钥。 |
| 只有1个API密钥 | 警告用户结果可靠性较低，但继续运行。 |
| 瞬时API故障 | 脚本自动重试。如果完全失败，则跳过该提供商。 |
| 持续性API故障 | 脚本优雅地跳过该提供商。继续流水线。 |
| 零响应 | 脚本以非零状态退出。通知用户检查API密钥或配置。 |
| 缺少上游数据文件 | 重新运行流水线中的前一个脚本（例如，在分析之前先探测）。 |
需要牢记的限制：
- 这是一个即时点审计，不是后台监控。
- 情感分析使用关键词接近度，而非深度NLP。
- 每次运行都会产生API费用（通常约$0.50–$2.00）。