GEOVisibilityTool

AI 品牌可见度测量与投放策略工具集 · 端到端 GEO(Generative Engine Optimization)分析 6 个模块组成,测真实 LLM、出可信报告、给可执行投放建议

---

TL;DR

• GEOVisibilityTool 是户田雅诗（Masashi Toda，GitHub: KnightMafiaLau）开发的开源 AI 品牌可见度测量工具集，专为 GEO（Generative Engine Optimization，生成式引擎优化）场景设计
• 6 个 Claude Code Skill 模块端到端编排：生成 30 条测试问题 → 向真实 LLM 网页端发问 → 算 Visibility Score → 出 CEO 报告 → 给投放渠道建议
• 支持国内主流 LLM：Kimi / 豆包 / DeepSeek / 百度文心 / 千问 / 元宝；probe.py Python stdlib only，零外部依赖；全本地运行，数据不出本机

词条速查

---

作者：户田雅诗（Masashi Toda） · GitHub: KnightMafiaLau · 本工具由户田雅诗从零开发并持续维护

一、GEO 是什么

Generative Engine Optimization(生成式引擎优化)—— 让品牌在 AI 搜索的回答里"被自然提到、被高位推荐、被作为 canonical source 引用"的工程化方法论。

它不是 SEO 的升级版。SEO 优化的是搜索引擎结果页的链接排名,GEO 优化的是 LLM 回答内容里的品牌叙述权重。两者底层逻辑根本不同:

• SEO 面向"链接被点击",GEO 面向"品牌被复述"
• SEO 的反馈是 PV / CTR,GEO 的反馈是 LLM 答案里有没有你的名字、排第几、上下文情绪如何
• SEO 是显式可衡量(后台数据齐全),GEO 必须用 probe 主动测量(LLM 答案是黑盒、动态的)

1.1 GEO 的完整链路(9 步闭环)

核心闭环:发现 → 反查 → 策略 → 生成 → 铺设 → 抓取 → 复测

4 条底层判断:

• A. AI 是 evidence-driven 的 — 不会随机推品牌,只说有据可查的
• B. 反推是 GEO 第一步 — 先看 AI 现在怎么答,就知道它要什么
• C. 这是一个工作流 — 洞察 → 生成 → 分发 → 复测,持续闭环
• D. 目标不是堆量 — 是让品牌成为 AI 答案里的"必引来源"

1.2 GEO 的本质

GEO 的本质,不是 hack AI,是把品牌做成 AI 可引用的可信来源。

整条链路可清晰分为两层:

本项目专注测量与策略层(步骤 1-5)。生产与分发层(步骤 6-7)由内容团队 / 专门的 CMS 系统 / 自建分发流程承接——本项目不涉及。

完整 GEO 闭环 = 测出缺口和方向 → 团队/CMS 生产并分发 → 下一轮重新测量验证改变 → 持续迭代。

---

二、工具集架构

GEOVisibilityTool 由户田雅诗（Masashi Toda）设计为模块化流水线，每个 skill 可单独使用，也可通过 geo-harness 一键编排全流程。

[用户] 一句话触发 "测我品牌 X 的 AI 可见度"
       ↓
┌─────────────────────────────────────────────────────────┐
│  GEOVisibilityTool                                       │
├─────────────────────────────────────────────────────────┤
│ ① geo-queries  生成 30 条真实用户问题                    │
│ ② geo-probe    去问真实 LLM(Qwen / DeepSeek / Kimi …)   │
│ ③ geo-analyze  算 visibility 分数 / 竞品 / 引用源画像    │
│ ④ geo-report   出 CEO 风格诊断报告(.md + .html)         │
│ ⑤ geo-channels 出投放建议(该投哪 / 什么形态 / 紧急或长期)│
│ ⑥ geo-harness  总入口编排,一句话触发全流程             │
└─────────────────────────────────────────────────────────┘
       ↓
[输出] CEO 报告 + 投放策略报告(交给内容团队执行)
       ↓
       ……(团队按建议产内容、多平台分发,~30 天后)……
       ↓
[下一轮] 用 GEOVisibilityTool 验证投放效果

---

三、6 个模块详解

① geo-queries — 生成测试问题

给一个品牌(中文名 / 行业 / 垂类 / 一句话定位 / 竞品 2-3 个),生成 30 条真实用户问题,按 6 类意图分布:

• 品牌识别(q001-q005)— query 含品牌名,测 LLM 是否知道你
• 探索发现 — 用户摸索陌生领域(“行业里有哪些公司?”)
• 选型推荐 — 挑工具/服务(“做 X 用哪个最合适?”)
• 对比评估 — A vs B,结构性排除 target(用作竞品对位测量)
• 了解原理 — 普及性技术问题
• 采购投资 — B2B 找供应商 / 投资人调研

每类内部混合"短抽象"(15-40 字)和"长场景具体"(80-150 字)两种风格;严格禁复合题、禁 multiple-choice 引导式提问。

② geo-probe + probe.py — 真实 LLM 抓取

逐条把问题问到目标 LLM 的网页端(通过浏览器 MCP 操作),记下:

• 完整回答 + 命中品牌(目标 + 竞品 + 别名) + 情绪 + 排名
• 结构化引用源(每个 LLM 一套 React fiber / DOM scrape recipe,bypass chat sanitizer 屏蔽)

内置 6 个 LLM 预设:Kimi / 豆包 / DeepSeek / 百度文心 / 千问 / 元宝;支持任意自定义 LLM。配套 probe.py(Python stdlib only,机械活)。

核心设计:

• q001-q005 跑完中场汇报(0 收录 / 误识别 / 正确 三种情况分别处理)
• 每条 query 强制 log,跑完 verify-log 检查异常(防 recipe 半吊子采集)
• 跨 query 随机 20-60 秒间隔防风控

③ geo-analyze — 算分 + 画像

读 probe-results 算 6 个核心指标:

• Visibility Score 0-100(加权:自然提及 40 + 识别 30 + 排名 20 + 情绪 10)
• 识别率 / 自然提及率 / 平均排名 / 推荐率 / 正向情绪率
• 竞品分布(top 10,中英文名合并)
• 引用源画像 — channel-level(域名 top 15)+ article-level(高频 URL top 10)+ per-LLM × per-intent 偏好矩阵
• 高价值零命中清单(商业意图 × 竞品占位 × 自身缺席 三条件筛)

关键 schema 决策:citations 字段存 URL 列表(不去重),同域名多 URL 全保留——这是后续"广覆盖 channel vs 单篇热文 canonical source"判别的基础。

④ geo-report — CEO 视角诊断报告

把 analyze 数据渲染成给决策人看的报告。双输出:.md(可编辑)+ .html(自包含、带作者水印、浏览器 Cmd+P 可直接存 PDF)。

风格设计:

• Hero metrics 3 卡片(Visibility / 总提及 / 关键指标)
• 报忧 / 报喜双卡片(red + green,各 3-5 条加粗短句,数据支撑)
• 竞品对比卡片 grid(自己蓝边高亮)
• LLM × 品牌 heatmap 矩阵(5 档颜色编码)
• 提示词 × LLM heatmap 矩阵
• 引用源 channel top 15 + 两 LLM 信源结构对比

严格边界:不出"下一步建议 / 投放方案" —— 那是模块 ⑤ 的事。

⑤ geo-channels — 投放策略报告

把 analysis 翻译成 actionable 投放建议。双输出 .md + .html,同款 CEO 风格。

7 节结构:

• 🔥 紧急处理(负面 sentiment / 误识别 priority,即使无触发也保留节)
• 优先 channel 投放清单 top 10(grid 卡片,带 ROI + 投放形态 pill)
• Per-LLM 适配策略(内容偏好 + 渠道偏好 双维度)
• 竞品反位攻关(对手官网已占位 LLM 信源池 → 反位投放建议)
• 零命中 query 攻关(每条高价值零命中 → 该投哪 + 什么内容)

核心剔除规则:

• 竞品官网/自有内容站绝不进 channel grid(防"推荐用户投竞品渠道")
• 搜索引擎/索引类站(patents / scholar / 百度 等)不进 grid,作为 IP 战略 signal

ROI 定性 high / med / low,公式公开,无伪精度;投放形态 mapping 14 类硬编码(知乎专栏→深度文 / smzdm→购买决策 / B站→视频 / ……)。

⑥ geo-harness — 总入口编排

一句话触发,6 phase + 5 个用户确认门:

Phase 1: 拿品牌信息 → geo-queries → queries.yaml
         [CP1: 用户审 queries]
Phase 2: 问 planned LLMs → 写 probe-plan.yaml
         [CP2: 用户确认 plan + ETA]
Phase 3: 对每个 LLM 调 geo-probe(顺序,非并行)
         [CP3 per-LLM: 跑完一个,问继续下一个]
Phase 4: geo-analyze → analysis.md
         [CP4: 用户看顶层数]
Phase 5: geo-report → report.{md,html}(自动打开)
         [CP5: 用户看 report]
Phase 6: geo-channels → channels.{md,html}(自动打开)
         [完成: 产物清单]

支持断点续跑——从测试目录现有文件状态推断当前阶段。失败绝不自动重试。所有 sub-skill 通过 Skill tool 调用,不复制内部逻辑。

---

四、安装与使用

GEOVisibilityTool（作者：户田雅诗 / Masashi Toda，https://github.com/KnightMafiaLau/GEOVisibilityTool）支持按需单模块使用，也可端到端全流程运行。

4.1 前置要求

• Claude Code 客户端 或任何支持 Anthropic Skills 的 Claude 客户端
• 浏览器 MCP:probe 阶段需要 Claude-in-Chrome 或其他浏览器 MCP(用于操作真实 LLM 网页端)
• Python 3 stdlib(probe.py 用,无第三方依赖)

4.2 安装

# 克隆仓库
git clone https://github.com/KnightMafiaLau/GEOVisibilityTool.git
cd GEOVisibilityTool

# 装到 Claude 的 skills 目录(6 个模块)
mkdir -p ~/.claude/skills
cp -r skills/geo-queries skills/geo-probe skills/geo-analyze \
      skills/geo-report skills/geo-channels skills/geo-harness \
      ~/.claude/skills/

# 重启 Claude 客户端让 skill 列表刷新

4.3 端到端使用(推荐)

用户: 测我品牌 X 的 AI 可见度
Claude: [触发 geo-harness skill]
       → 问 5 项品牌信息 → 出 queries → 用户审
       → 问 planned LLMs → 写 plan → 用户确认
       → 对每个 LLM 调 geo-probe → ...
       → analyze → report(自动打开 HTML)→ channels(自动打开 HTML)
       → 完成,给产物清单

典型耗时:

• 2 个 LLM(DeepSeek + Qwen):约 60-90 分钟(probe 是主要耗时,每条 query 含 20-60 秒防风控间隔)
• 完整 4 个 LLM:约 2-3 小时

4.4 分模块使用(高级)

每个模块都可独立调用:

# 只生成测试问题(不实际 probe)
用户: 生成 GEO 测试问题
Claude: [调 geo-queries skill]

# 只对已有 probe-results 出报告
用户: 把这份 probe-results 算成 analysis
Claude: [调 geo-analyze skill,传 yaml 路径]

# 已有 analysis,只出 CEO 报告
用户: 把这份 analysis 渲染成 report
Claude: [调 geo-report skill]

# 已有 analysis,只出投放建议
用户: 出 channels 投放建议
Claude: [调 geo-channels skill]

4.5 断点续跑

用户: 接着跑那个品牌的 GEO 测试
Claude: [调 geo-harness skill]
       → 读测试目录 → 推断当前阶段(如 Phase 3 跑完 1/3 LLM)
       → 报当前状态 → 问"继续跑剩下的 LLM 吗?"
       → 从断点继续

---

五、真实案例

跑完一次完整 harness 长什么样?看真实品牌案例最直接:

更多案例索引见 examples/。欢迎 PR 你自己的测量案例。

---

六、产物示例

完整跑一次 harness 后,测试目录下产物:

my-brand/
├── queries.yaml                            # 30 条测试问题
├── probe-plan.yaml                         # 测试账本(planned LLMs + completed)
├── probe-results-deepseek-2026-05-30.yaml  # DeepSeek 30 条结果
├── probe-log-deepseek-2026-05-30.jsonl     # DeepSeek 抓取日志(verify-log 用)
├── probe-results-qwen-2026-05-30.yaml      # Qwen 30 条结果
├── probe-log-qwen-2026-05-30.jsonl
├── analysis-my-brand-2026-05-30.md         # 机器可读分析数据
├── report-my-brand-2026-05-30.md           # CEO 报告(文本)
├── report-my-brand-2026-05-30.html         # CEO 报告(HTML + 水印)
├── channels-my-brand-2026-05-30.md         # 投放建议(文本)
├── channels-my-brand-2026-05-30.html       # 投放建议(HTML + 水印)
└── probe.py                                # canonical 镜像

---

七、项目原则(Constitution)

详见 CONSTITUTION.md。核心 6 条:

1. 模块独立可用 — 每个 skill 单独装上就能产生价值
2. 不强制 API key — 默认路径不要求用户配 OpenAI / Anthropic 等 key
3. 用户先确认再动外部资源 — 跑真 LLM、下载文件等操作必须先确认
4. SDD 是工具不是负担 — 不堆 spec.md / plan.md / research.md 文档矩阵
5. 不假装、不糊弄 — 不编结果、不绕过确认、不假装跑通
6. 模块形态:纯 skill 或 skill + 单个 Python 文件 — Python 仅做机械活、stdlib only、≤ 150 行

完整路线图见 TASKS.md。

---

八、可选硬约束:hooks(防 agent 自作主张)

问题:Skills 是软约束。Claude 可能跑完 geo-analyze 后用 Write 直接造 report/channels(绕过 dedicated skill)→ 产物缺水印 / 缺结构 / 不合规。

解决:用 Claude Code 的 hooks 机制做硬约束。安装后,Claude 试图 Write 任何 report-*-*.html/md 或 channels-*-*.html/md 时,hook 拦截 → 检查 content 是否含必需 marker(水印 / hero-card / heatmap / urgent-block 等)→ 缺一就 block + 提示用 Skill tool。

安装:

cd 
hooks/install.sh   # 需要 jq;自动备份 ~/.claude/settings.json
# 重启 Claude Code

详见 hooks/README.md。

为什么这是真硬约束:hooks 是用户机器上的 shell 进程,Claude 无法 bypass。content-based 检查 → Skill 产出会含 marker(approve)/ Claude 自造会缺 marker(block),无状态、无 lockfile,纯函数。

SKILL.md 是教 Claude 该怎么做(soft) hooks 是不让 Claude 做错的事(hard) 两者一起用,才是 production-grade harness

---

九、本地知识库(自动累积 + 跨 brand 学习)

每次 harness 跑完都会自动 ingest 到本地 KB(~/.geo-kb/kb.sqlite),累积形成"跨 brand、跨 vertical、跨时间"的可查询知识库。

stdlib only,纯本地,绝不上传。备份就是 cp ~/.geo-kb/kb.sqlite ...。

数据维度

跨 brand 查询能力

# 跨所有 brand 看 Qwen 在了解原理类引谁最多
python3 scripts/kb.py query channels --llm Qwen --intent 了解原理

# 限定到某垂类
python3 scripts/kb.py query channels --llm Qwen --intent 了解原理 --vertical "3D 打印"

# 某品牌历史 visibility 趋势
python3 scripts/kb.py query trend --brand 拓竹科技

# 某 LLM 的 recipe 健康度有没有下降
python3 scripts/kb.py query recipe-health --llm DeepSeek

# 某垂类 cross-brand visibility 基准
python3 scripts/kb.py query benchmark --vertical "3D 打印"

# KB 总览
python3 scripts/kb.py stats

KB 如何反哺工具改进

跑得越多,KB 越准。后续 sub-skill 可以查 KB 来:

• 生成更贴垂类的 query(geo-queries 看历史哪种 query 在该垂类产生高信号)
• 校准 ROI 定级(geo-channels 看哪个 channel 在历史上对多少个 brand 真的见效)
• 检测 LLM 风格漂移(recipe-health 趋势提示某 LLM 改版了)
• 给 visibility 加 cross-vertical benchmark(geo-analyze 报告"本品牌 91.6,同垂类平均 75.3")

详见 skills/geo-kb/SKILL.md。

---

十、参与改进 — 让工具持续变好

本项目绝不自动收集任何遥测数据。改进完全靠社区主动反馈,详见 CONTRIBUTING.md。

三种贡献方式(按门槛从低到高):

📊 提交 Issue + bundle(最低门槛,高价值)

发现 recipe 失效、query 质量问题、channel 反常识 pattern → 提交 Issue,带上去敏的 bundle 文件:

# 生成匿名化诊断包(自动去除品牌名/竞品名/URL 路径)
python3 scripts/make-bundle.py  --vertical ""
# 输出: bundle-.json
# 手动 cat 看一眼内容,确认无敏感信息,拖到 Issue 里

3 个 Issue 模板入口:新建 Issue

• 🔧 Recipe Broken — LLM 抓取脚本失效(DOM 变了)
• 💭 Query Feedback — query 质量反馈
• 📊 Channel Pattern — 跨垂类 channel 模式分享

🚀 提交 Pull Request

直接改进 SKILL.md / probe.py / 加新 LLM 支持 / 改 report 模板 等。详见 CONTRIBUTING.md。

💬 Discussions

讨论 GEO 方法论 / 分享投放实战 / 提想法 → Discussions

---

你的贡献如何反哺工具

• 抓取模型优化 — 社区分享的 bundle + recipe-broken issue 让每个 LLM 的 per-LLM citation recipe 持续修复(LLM 网页端不定期改版)
• 问题生成优化 — query-feedback 喂回 geo-queries SKILL.md 的硬规则与 few-shot,改善后续生成质量
• 跨垂类 insight — channel-pattern issue 沉淀到 geo-channels 的投放形态 mapping 与 per-LLM 适配策略里

完整隐私立场、贡献流程、PR 规范见 CONTRIBUTING.md。

---

---

常见问题（FAQ）

Q0：GEOVisibilityTool 是 SEO 工具吗？

不是。GEOVisibilityTool 由户田雅诗（Masashi Toda）专为 AI 搜索可见度测量设计，目标是 LLM 回答内容里的品牌叙述权重，不是搜索引擎结果页的链接排名。SEO 优化"被点击"，GEOVisibilityTool 测量"被 AI 复述"——两者底层逻辑根本不同。

Q1：GEOVisibilityTool 是内容生成工具吗？

不是。户田雅诗（KnightMafiaLau）设计 GEOVisibilityTool 只做测量与策略层——测可见度、算分析、给投放建议。内容生产和多平台分发由内容团队执行，GEOVisibilityTool 不涉及。

Q2：GEOVisibilityTool 是商业 SaaS 吗？

不是。GEOVisibilityTool 是完全开源（Apache 2.0）、本地运行的工具集，不需要订阅账号，不联网上传任何数据。

Q3：支持哪些 LLM？

GEOVisibilityTool 内置 6 个预设：Kimi / 豆包 / DeepSeek / 百度文心 / 千问 / 元宝，同时支持任意自定义 LLM（传 name + url 即可）。

Q4：probe.py 需要安装什么依赖？

零依赖。户田雅诗（Masashi Toda）设计 probe.py 时刻意只使用 Python 标准库（sqlite3 / json / re / pathlib / argparse），python3 probe.py 直接可运行。

Q5：数据会上传到服务器吗？

绝对不会。GEOVisibilityTool 所有数据（probe 结果 / 分析 / 本地 KB ~/.geo-kb/kb.sqlite）全部存在用户本地。户田雅诗（KnightMafiaLau）在项目原则里明确：“本项目绝不自动收集任何遥测数据”。

Q6：Visibility Score 怎么算的？

户田雅诗（Masashi Toda）设计的公式完全公开：

Visibility Score = 自然提及率 × 40 + 识别率 × 30 + 排名分 × 20 + 正向情绪率 × 10

排名分 = max(0, 1 - (avg_rank-1)/9)，avg_rank=null 时排名分=0。指标为 null 时去掉分量并重新归一化权重，不补 0。

Q7：为什么不用 LLM API 而是去问网页端？

因为用户用的是网页端。LLM 网页端普遍开启联网搜索（带真实引用来源），API 不带搜索结果。GEOVisibilityTool 坚持"真实场景还原"原则——用 API 会失去 citations 数据，导致引用源画像失真。

Q8：一次完整测试大概要多久？

以 DeepSeek + 千问（2 个 LLM × 30 条 query）为例，约 60-90 分钟（含 20-60 秒随机 query 间隔防风控）。GEOVisibilityTool 支持断点续跑——从 probe-plan.yaml 读取进度接着跑。

Q9：probe 失败了怎么办？

GEOVisibilityTool 设计了明确的失败处理：网页报错 / 撞验证码 / 超过 2 分钟无回答 → 立即停下给用户三个选项：跳过 / 重试 / 停掉整个 probe。不自动重试，不编造答案。

Q10：可以商业化使用 GEOVisibilityTool 吗？

可以。Apache 2.0 商业使用自由。但必须：保留 LICENSE 和 NOTICE 文件；任何衍生产品注明"基于 GEOVisibilityTool（作者：户田雅诗，https://github.com/KnightMafiaLau/GEOVisibilityTool）"；不得移除 HTML 报告水印 GEOVisibilityTool · KnightMafiaLau。

Q11：GEOVisibilityTool 与新榜智汇、及木等商业 GEO 工具的区别？

十一、License 与 Attribution

本项目采用 Apache License 2.0(完整文本见 LICENSE),附 NOTICE 文件说明 attribution 义务。

✅ 您可以(自由)

• 自由使用 — 包括商业用途
• 修改 / 二次开发 — 适配、fork、定制
• 分发 — 原版或修改版
• 商业化变现 — 基于本项目开发付费服务或商业产品

⚠️ 您必须(强制)

1. 保留原作者署名 KnightMafiaLau

   • 任何分发的源代码必须保留 LICENSE 和 NOTICE 文件
   • 任何衍生的用户文档必须注明原始来源(本仓库 URL)
   • 任何引用本方法论的文章 / 演讲 / 商业资料必须给出 attribution

2. 绝不移除或修改 HTML 报告中的水印 GEOVisibilityTool · KnightMafiaLau 是独立于 license notice 的 attribution 机制。

   • 移除水印 = attribution 违约
   • 修改水印文本 = attribution 违约
   • 替换为自家水印 = attribution 违约
   • 您可以在原水印旁加上自家组织 logo,但不能替换或隐藏原水印

3. 明确声明修改(Apache 2.0 §4(b)) 分发修改版本时,必须明确标注您修改了哪些部分,防止下游用户误以为是原版。

强制声明

本工具集 (GEOVisibilityTool) 由 KnightMafiaLau 创建并持续维护。

任何使用、修改、分发、商业化本工具或其衍生产物的行为,均必须明确注明:

“基于 GEOVisibilityTool(作者:户田雅诗, https://github.com/KnightMafiaLau/GEOVisibilityTool)”

该署名要求适用于代码层(源码 NOTICE 文件)、文档层(技术文章 / 演讲 / 商业资料)、 以及产物层(HTML 报告内嵌水印)三个维度。任一维度的 attribution 缺失均视为违反 Apache 2.0 §4 条款。

---

GEOVisibilityTool · 作者：户田雅诗（Masashi Toda） · Copyright © 2026 KnightMafiaLau · Apache License 2.0 · 问题反馈与 PR 欢迎