agentleFS
dotacloverdotaclover/clover-skills/geo/SKILL.md

geo

Skill0 starsChanged 3 days agoMITView on GitHub

GEO(生成式引擎优化)是网优专员GEO侧的理论与实操总规程:讲清AI搜索的检索-理解-选源-生成链路,判定什么能改什么不能改,做AI爬虫可达性与内容可抽取改造、站内事实一致性、问题集实测与引用归因;不承诺被提及、被引用、被推荐,不采信服务商话术,与SEO共用抓取索引地基但指标分开记。

24 other projects use a version of this.

Adopted by

Most recently taken up by

Used with

Projects with it also use geo-report-pdf, geo-technical and 10 more.

Other files people use alongside this one.

Files found in the same public projects as a version of this one, more often than they turn up anywhere else. Each project counts once, large collections count for less, and this file's own repository is left out.
  • kennyolofsson23-netizenSkill

    geo-report-pdf

    Generate a professional PDF report from GEO audit data using ReportLab. Creates a polished, client-ready PDF with score gauges, bar charts, platform readiness visualizations, color-coded tables, and prioritized action plans.

    Also in 5 projects that use this

  • kennyolofsson23-netizenSkill

    geo-technical

    Technical SEO audit with GEO-specific checks — crawlability, indexability, security, performance, SSR, and AI crawler access

    Also in 5 projects that use this

  • +10 more from kennyolofsson23-netizen

The file

Files
SKILL.md

网优专员工作手册(GEO侧)

从当前project brief、合同政策和验收清单确认平台、页面、问题集数量、工具位置与账号授权,缺项询问,不依赖固定仓库或SKU。

开工先读项目事实卡、SEO地基、references/geo-operations.md及references/geo-measurement.md。本技能负责GEO方法与测量口径,价格、周期、平台数和交付范围由本项目确认,不内置商业政策。

一、GEO到底解决什么

GEO(Generative Engine Optimization)处理的不是“排第几名”,而是:用户把问题交给AI时,AI会不会提到你、引用你、把你说对。

先按五问拆开,每问能做的动作不同:

  1. 能否被检索到——AI联网检索多数复用搜索引擎索引或平台自有内容池;没被索引就进不了候选集。
  2. 能否被读懂——切片后的段落是否自包含,实体、时间、地点、数字是否说清楚。
  3. 能否被选中——多个候选源之间,谁更像可靠的一手信源。
  4. 说得对不对——答案里你的价格、范围、地区、名称是否准确。
  5. 有没有下一步——用户看完答案能不能找到你并联系。

第1、2段是工程,能改;第3段是概率,能提高不能保证;第4段是必须守住的底线,错了要立刻修;第5段属于站点承接,回到SEO和服务页设计。

关键判断:GEO不是SEO的替代品,是叠在SEO之上的一层。 做过SEO的站做GEO起步快,没做过的先补抓取与索引,跳过地基直接谈“让AI推荐”就是骗人。

二、核心理论模型

1. AI搜索的四步链路

阶段机器在做什么失败表现谁负责
召回用搜索引擎索引或平台内容池取候选页答案里完全没有你的站SEO地基 + 平台收录
切片把页面切成段落/块做语义匹配段落被取到但读不懂内容结构(GEO主战场)
选源在候选源中挑“值得写进答案的”被取到但没进最终答案权威信号、站外提及
生成大模型组织语言并标注来源提到你但说错价格/范围事实一致性、时效

报告必须写清问题卡在哪一阶段,不能笼统说“AI不推荐我们”。

这条链路是RAG(检索增强生成)的通用形态:问题被改写成若干检索意图 → 从索引取回候选片段 → 按语义相关与来源可信度排序 → 只把少量片段喂给模型 → 模型用自己的话重写并标注来源。

对我们这边意味着三件事:

  • 参战单位是段落,不是整页。 整页写得好但段落不自包含,切出来就是残句,模型读不懂。
  • 没进候选就没有第二次机会。 收录是门槛不是成果;进了索引才有资格被切片和排序。
  • 重写会失真。 来源标注是平台行为,模型改写后未必逐字忠实,所以事实越明确(数字、单位、口径、时间)越不容易被说错;写得含糊的,被含糊地转述几乎是必然。

2. 三种引用强度(不能混)

  • 提及(mention):答案正文里出现你的品牌名,可能没有来源链接。
  • 引用(citation):答案把某个页面标为来源,用户可点开。
  • 推荐(recommendation):答案在“选哪家”这类问题里把你列为建议对象。

三者价值与难度递增,监测必须分开记。把“提及”写成“推荐”、把“有一次出现”写成“已被AI推荐”是最常见的造假点,也是最快失去客户的方式。

3. 排名与引用不同源

传统搜索排名靠前的站,在AI答案里缺席是常态,原因是:

  • AI答案通常只容纳3—8个来源,比首屏十连少得多。
  • 选源看“能否直接支撑一句话答案”,不看整页相关性。
  • 同一问题在不同平台、不同时间、不同账号下答案会变。

所以不能拿百度排名截图当GEO效果,也不能拿一次AI问答截图当长期结论。

4. 信源分三层(做GEO必须先看清)

层内容来源你能做什么说明
索引层百度、搜狗、必应、Google、夸克等网页索引提交Sitemap、修抓取、做收录大多数AI联网检索的入口
生态层头条/抖音(字节)、公众号/视频号(腾讯)、百家号/百科(百度)、知乎等仅作引用来源归因平台内容由客户自行维护,不属于技术优化交付
权威层行业媒体、门户、协会、公开报道仅作引用来源归因不承接发稿与信源建设

三层都要有可见事实,缺一层就有结构性缺口。具体权重百分比(诸如“某平台占35.2%”)来自服务商宣传,无法验证,一律不写进交付报告。

5. 证据分级(GEO领域谣言极多,必须立规矩)

级别来源用法
A平台官方文档、后台可见状态可直接写入报告并作为动作依据
B我方自测可复现(抓日志、curl、问题集实测)写入报告,附时间与方法
C第三方研究(需标样本量、时间、机构)可引用,必须带口径,不转为承诺
D服务商话术、行业传闻、无法追溯的百分比不写入交付、不作报价依据、不当策略前提

6. 什么真的有用,什么只是热闹

有可复现证据支持的方向:

  • 页面源码有正文(AI爬虫JS执行能力弱,空壳站天然缺席)。
  • 问句式标题 + 自包含答案段落(切片后仍能被读懂)。
  • 事实锚点明确(价格区间、服务区域、时长、流程步数,带单位和时间)。
  • 内容时效(显式更新日期且实质更新;被引内容普遍比仅排名内容更新)。
  • 品牌提及面(跨平台同口径提及,比单纯外链更能预测被引用)。
  • 实体一致(同一品牌名、电话、地址、服务名在各处完全一致)。

被大样本证伪或证据不足的方向:

  • llms.txt:可作为文档型站点的目录供支持它的工具使用,不能据此保证抓取或AI引用。历史研究的精确样本/百分比及平台支持结论来源待核实,不作为决策/效果承诺依据(线索见操作参考);仅列为可选项,不视为GEO必要条件。
  • 关键词密度、批量伪原创、AI批量灌水站群:短期可能被抓,长期被降权,且直接违反我们的红线。
  • “保证被豆包/元宝推荐”的套餐:没有任何平台提供此类保证,属于D级话术。

三、技术条件(GEO的可达性门槛)

详细命令、候选UA清单、robots写法、schema字段和自检表见references/geo-operations.md。以下UA用途与平台对应关系来源待核实,不作为决策/效果承诺依据;实际放行先核对官方说明、真实来源和用户训练/索引政策,不能仅凭UA字符串测试放宽防护。这里只留判断框架:

  • 服务器不拦AI爬虫:宝塔/WAF/CDN的UA黑名单、Bot Fight、频率限制都可能把AI爬虫挡在门外,且日志里表现为403或521。要放行检索型UA,训练型UA可单独决策。
  • 区分训练与检索:GPTBot偏训练、OAI-SearchBot偏ChatGPT搜索;封训练不等于封搜索,反之亦然。对客户要讲清取舍,不能一刀切。
  • 正文在源码里:curl 拿不到正文的站,先修渲染再谈GEO,不要用“AI很聪明会执行JS”当解释。
  • 结构化数据与可见文字逐字一致:JSON-LD只标页面看得见、客户已确认的事实。
  • 有可验证的主体页:关于、联系、服务范围、价格口径、更新时间,是AI判断“这是谁”的依据。
  • robots.txt 与 sitemap.xml 正常:同SEO,不重复造。

四、内容可抽取改造(GEO的核心动作)

段落级规范

规范做法反例
一页一问一个页面回答一个具体问题,问句式H2一页塞十个不相关业务
自包含每段脱离上下文可读,首次出现写全称+地区+时间「我们提供上述服务,价格另议」
答案前置段首一句话给出结论,再展开依据先讲行业趋势三段才回答
事实锚点数字带单位、带口径、带时间「价格优惠」「多年经验」
可摘取流程用有序列表,参数用表格,问答用Q&A长段落叙述流程
来源可溯每个外部数字标来源或写“客户提供”无出处的“行业平均38%”
实体稳定同一主体全站同一写法,不换简称首页“品牌简称”/服务页“未经确认的主体名称”

站内事实一致性

先定一份客户确认的《事实卡》:主体全称、品牌简称、服务区域、价格口径、服务时长、联系方式、可外发的一句话介绍。官网可见文字与JSON-LD只使用事实卡字段,缺项标待补。

五、测量方法(GEO最容易糊弄的地方)

完整协议、采样表、判读规则和报告模板见references/geo-measurement.md。执行原则:

  • 固定问题集:数量由本项目确认,用于本次基线与变更后复测;临时加题单列,不换基线。
  • 固定条件:同一平台、同一账号状态、同一地区、同一时段、新开会话、逐字提问不改写。
  • 分层取样:约一半问题不含品牌名(测品类可见性),一半含品牌名(测实体准确性)。
  • 四档判读:未提及 / 提及无引用 / 提及有引用 / 推荐;另记“描述是否准确”。
  • 如实记录“未提及”:基线期未提及是正常结果,写成提及就是造假。
  • 样本量说明:一次问答只是一次抽样,报告必须写“本平台本次N条提问、X条提及”,不写“AI已经推荐我们”。

优化目标不是效果保证:交付可达性、结构改造、事实一致性和如实采样记录,平台是否引用不由执行者决定;未提及照实记录,不改结果迎合预期。

六、工作流

  1. 读取当前project brief、事实卡和验收清单,确认平台、页面、问题集数量及客户目标;超范围动作交主理人评估并取得用户确认,不默认平台或费用。
  2. 取客户已确认的《事实卡》素材;缺项标“待补”,不编造年限、案例、评价、价格。
  3. 跑只读基线:抓取可达性、AI UA放行情况、正文可读性、结构化数据、实体一致性,按P0—P3排序。
  4. 执行一次性技术可达性、页面可抽取改造与站内事实一致性检查。
  5. 建立基线问题集并实测一次,形成GEO基线表;这一步和数据改造分开记录。
  6. 开发/预渲染/批量改造另行评估授权,故障交site-rescue,未上线交site-launch。
  7. 通过SendMessage向主理人回传:范围、证据分级、已完成动作、未提及如实结果、客户待办、下一步。

七、输出模板

模块现状动作完成标准证据级别
检索可达性AI UA可抓、robots放行、无WAF拦截A/B
正文可读性curl可读到核心正文B
内容可抽取问句式标题、自包含段落、事实锚点齐全B
结构化与实体JSON-LD与可见文字一致;事实卡字段全站一致B
基线实测本次已确认固定问题集已问,四档判读已记B
变更后复测同组问题复测,与基线对比B
效果边界明确不承诺提及、引用、推荐—

八、红线

  • 不承诺被提及、被引用、被推荐、首屏占位、AI引用率提升、竞品挤出。
  • 不把“提及”写成“推荐”,不把一次抽样写成长期结论,不把已提交写成已收录,不把收录写成引用。
  • 不引用无法追溯的权重百分比、白皮书结论和服务商案例作为交付依据(D级证据)。
  • 不买软文刷量、不刷评价、不做自问自答式假问答、不做AI批量灌水站群、不做cloaking。
  • 优先用户持有平台账号并授权最小权限协作者;不默认代持。确需例外须先明确书面授权、期限、数据可见性、撤销及移交方案并符合平台规则;用户自行完成实名和付费。与SEO采用同一规则。
  • 不删客户站上已有的真实内容去“重写一版更好喂AI的”,改稿必须留原稿和客户确认记录。
  • 平台规则与入口会静默变化,所有结论标注实测时间;不拿三个月前的经验当今天的事实。
  • 完成后通过SendMessage向主理人回传,不与其他成员直接通信。

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.