品牌GEO分析

GEO（生成式引擎优化）品牌分析工具。自动向豆包、Kimi、DeepSeek、元宝、千问、百度 六个 AI 搜索引擎提问，分析品牌在 AI 回答中的出现率、情绪、信源引用、竞品对比，生成交互式 HTML 报告。当用户需要分析品牌在 AI 搜索引擎中的表现、GEO 优化、AI 搜索品牌监测、品牌 AI 可见度分析时使用。触发词：GEO分析、品牌AI搜索分析、AI搜索引擎优化、品牌可见度、GEO、geo analyzer。

简介

帮助品牌了解自己在 AI 搜索引擎（豆包、Kimi、DeepSeek、元宝、千问、百度）中的表现。系统自动向六个 AI 平台提出相同问题，分析品牌出现率、情绪倾向、信源引用、竞品对比，生成可视化 HTML 报告。

鉴权

前往 红狐hub 获取 API Key，通过以下方式配置：

bash

# 方式一：配置文件
{ "env": { "REDFOX_API_KEY": "ak_xxxx..." } }

# 方式二：终端环境变量
export REDFOX_API_KEY="ak_xxxx..."

依赖

bash

pip3 install requests

完整工作流

Step 0: 输入收集

向用户收集以下信息（使用 AskUserQuestion 或直接从用户消息中提取）：

必填信息：

• 品牌名称: 用户要分析的品牌名（如"元气森林"、"大疆"、"蔚来"）
• 品类/行业: 品牌所属品类（如"无糖饮料"、"无人机"、"新能源汽车"）

可选信息：

• 品牌别名: 品牌的其他常见称呼（如"小红书"的别名"RED"）
• 竞品列表: 用户已知竞品（如"可口可乐"、"百事可乐"）
• 自定义问题列表: 如果用户已有问题列表，直接使用，跳过 Step 1

关键规则：

• 如果用户只提供了品牌名没有品类，必须追问品类
• 如果用户提供了问题列表，跳过 Step 1 直接进入 Step 2
• 竞品和别名可以为空

Step 1: 问题生成（用户未提供问题时）

如果用户没有提供问题列表，需要生成 5 个热门问题。

1.1 搜索品类热度

调用任一 websearch skill 搜索品类相关信息：

bash

python3 ~/.agents/skills/doubao-websearch/scripts/doubao_search.py "{品类} 消费者最关心的问题"
python3 ~/.agents/skills/kimi-websearch/scripts/kimi_search.py "{品类} 品牌推荐 常见问题"

1.2 AI 生成 5 个问题

结合搜索结果和品类知识，生成 5 个用户最可能在 AI 搜索引擎中提问的问题。

问题类型必须覆盖以下三类（推荐类至少 1 个，多场景类与功能类合计至少 4 个）：

类型	示例	说明
推荐类	"{品类}哪个品牌好？"、"推荐几款好用的{品类}"	测试品牌是否进入通用推荐列表
多场景类	"{人群/场景}用什么{品类}好？"，如"经常熬夜看手机用什么缓解视疲劳眼药水好"、"学生党上课用眼多适合用的缓解视疲劳眼药水有哪些"、"长期对着电脑办公选什么缓解视疲劳眼药水合适"	测试品牌在真实使用场景下的可见度
功能类	"{功能诉求}的{品类}推荐"，如"温和不刺激的缓解视疲劳眼药水推荐"、"缓解视疲劳眼药水哪些好用不贵"	测试品牌在功能诉求下的匹配度

问题生成铁律：

• 所有问题一律不带目标品牌名（含别名）——AI 不知道在测谁，结果才客观
• 不生成明确的品牌对比类问题（如"{品牌A}和{品牌B}哪个好"）；与竞品的对比表现可从回答中的竞品提及自然观察
• 多场景类须贴合品牌的真实使用人群与场景（结合品类知识构造互不重复的场景，如不同人群、使用场合、使用强度）
• 功能类围绕该品类用户最关心的功能点或顾虑（如温和不刺激、性价比、便携性）
• 问题必须是用户真实可能搜索的自然语言，长度控制在 10-30 字，不要生成过于相似的问题

1.3 确认问题列表（必须执行）

将生成的 5 个问题展示给用户，使用 AskUserQuestion 询问确认。必须等待用户明确同意后，才能进入 Step 2 批量搜索。如果用户要求修改，重新调整问题列表并再次确认。

Step 2: 批量搜索

将 5 个问题同时提交到 6 个 AI 平台进行联网搜索。

bash

python3 scripts/geo_search.py --queries '["问题1","问题2",...,"问题5"]' --platforms doubao,kimi,deepseek,yuanbao,qianwen,baidu

脚本自动完成：

1. 批量提交 30 个搜索任务（6平台 x 5问题）
2. 并行轮询所有任务，每 30 秒检查一次
3. 最长等待 5 分钟
4. 输出 output/search_results.json

输出文件结构：

json

{
  "queries": ["问题1", "问题2", ...],
  "platforms": ["doubao", "kimi", "deepseek", "yuanbao", "qianwen", "baidu"],
  "total_tasks": 30,
  "completed": 28,
  "failed": 2,
  "results": [
    {
      "question": "问题1",
      "query_index": 0,
      "platform": "doubao",
      "content": "AI回答全文...",
      "sources": [{"title": "...", "url": "...", "domain": "..."}],
      "status": "completed"
    }
  ]
}

等待提示： 搜索过程约需 3-5 分钟，告知用户耐心等待。部分平台任务超时属常见现象，直接用已完成的回答继续分析。

Step 3: 确定性分析

运行分析脚本执行确定性分析（品牌提及检测、域名提取、频次统计）：

bash

python3 scripts/geo_analyze.py \
  --brand "品牌名" \
  --aliases '["别名1","别名2"]' \
  --competitors '["竞品A","竞品B"]' \
  --search-results output/search_results.json

输出两个文件：

• output/deterministic.json — 确定性分析结果（提及率、域名统计等）
• output/ai_analysis_template.json — AI 分析模板（待填充）

Step 4: AI 分析（Agent 执行）

这是核心步骤。Agent 需要读取搜索结果，对每份 AI 回答执行深度分析。

4.1 读取搜索结果

读取 output/search_results.json，获取所有 30 份 AI 回答。

4.2 逐份分析

对每份状态为 completed 的回答，分析以下字段：

1. brand_rank (int | null): 品牌在回答的推荐列表或排名中的位置。如果回答列举了"推荐5个品牌"，品牌排第几？未提及则为 null。
2. brand_context (str): 品牌被提及时的一句话上下文摘要。未提及则为空字符串。
3. sentiment (str): 回答对该品牌的整体情绪倾向。
   • "positive": 正面/推荐/强调优势
   • "neutral": 中性/客观描述
   • "negative": 负面/强调劣势/不推荐
   • 未提及则为 "neutral"
4. sentiment_reason (str): 情绪判断的依据，引用回答中的原文或概括原因。
5. competitors_mentioned (list[str]): 回答中提及的所有竞品品牌名称。不限于已知竞品，发现新竞品也列出。
6. competitor_details (list[dict]): 对每个被提及的竞品，提供其排名和情绪信息。格式为列表，每项含:
   • name (str): 竞品品牌名
   • rank (int | null): 竞品在推荐列表中的排名，无排名则为 null
   • sentiment (str): 竞品的情绪倾向 (positive/neutral/negative)
7. key_claims (list[str]): 关于该品牌的关键描述或评价（2-3条简短摘要）。

分析规则：

• 情绪判断基于回答中对品牌的整体描述，不是单句话
• 如果回答只是列举品牌名没有评价，sentiment 为 "neutral"
• 如果回答明确推荐该品牌或强调其优势，sentiment 为 "positive"
• 如果回答指出该品牌的缺点或不推荐，sentiment 为 "negative"
• competitors_mentioned 应包含回答中出现的所有同品类品牌，即使用户没有列为竞品
• competitor_details 中每个竞品的 rank 和 sentiment 基于回答中对竞品的描述判断
• brand_rank 只在回答有明确的品牌排序时填写（如"第一名是XX，第二名是YY"），无排序则为 null
• 同一回答内排名不得重复：brand_rank 与各竞品的 rank 必须互不相同；回答中并列呈现时，按先呈现/更被推荐的一方排前，依次递增（不得出现两个并列第1）

4.3 写入 AI 分析结果

将所有分析结果写入 output/ai_analysis.json，格式如下：

json

[
  {
    "question": "问题1",
    "query_index": 0,
    "platform": "doubao",
    "brand": "品牌名",
    "competitors": ["竞品A", "竞品B"],
    "brand_rank": 3,
    "brand_context": "品牌被提及时的上下文摘要",
    "sentiment": "positive",
    "sentiment_reason": "回答中明确推荐该品牌",
    "competitors_mentioned": ["竞品A", "竞品C"],
    "competitor_details": [
      {"name": "竞品A", "rank": 1, "sentiment": "positive"},
      {"name": "竞品C", "rank": null, "sentiment": "neutral"}
    ],
    "key_claims": ["关键描述1", "关键描述2"]
  }
]

关键规则：

• 只包含 status 为 completed 的回答
• 每份回答一个 JSON 对象
• query_index 和 platform 必须与 search_results.json 中的对应
• 必须输出合法 JSON

Step 5: 合并分析与报告生成

5.1 合并分析

将确定性分析与 AI 分析合并，计算完整指标（GEO 得分、情绪分布、平均排名等）：

bash

python3 scripts/geo_analyze.py \
  --brand "品牌名" \
  --aliases '["别名1"]' \
  --competitors '["竞品A","竞品B"]' \
  --search-results output/search_results.json \
  --ai-analysis output/ai_analysis.json

输出 output/analysis_result.json（包含所有指标数据）。

5.2 生成 HTML 报告

bash

python3 scripts/geo_report.py \
  --analysis output/analysis_result.json \
  --search-results output/search_results.json

输出 output/geo_report.html（单页交互式，顶部锚点导航，滚动高亮当前板块）。报告结构：

板块	内容
顶部摘要	品牌名、GEO 综合得分、提及率、覆盖平台、生成时间 + AI 文字总结（综合评估 / 各平台表现 / 发力方向）
品牌指纹	GEO 综合、提及率、平均排名、正面率四大指标卡 + 分平台得分卡（得分 / 等级徽章 / 提及率 / 条数）+ 行业位置（#排名 · 参与品牌数）
提及矩阵	问题 × 平台热力表：已提及 = 出现次数，未提及 = —，查询失败 = ✕
情感分析	整体分布（正 / 中 / 负）+ 各平台情感对比条 + 正面/负面信号标签 + 非中性回答详情卡（含判断依据）
信源分析	引用域名 TOP10（带分类标签，品牌域名高亮 *）+ 引用文章 TOP10（可点击）+ 域名分类占比 + 官网是否进入 TOP10 提示
竞品对比	本品牌行（高亮"本品牌"徽章）+ 竞品按提及率降序（最多 10 个），列为提及率 / 平均排名 / 正面率，点击行展开各平台明细
原始存档	按问题分组展示全部 AI 回答原文（品牌词高亮），每条带平台徽章 + 情绪徽章，失败任务标注 [status]

依赖说明： 情感分析板块依赖 Step 4 写入的 ai_analysis.json，缺失时显示"暂无 AI 情感分析数据"占位，报告其余板块照常生成。

Step 6: 交付

1. 交付 HTML 报告文件: output/geo_report.html
2. 输出关键发现摘要（3-5 条核心结论），格式参考：

text

GEO 分析完成 — {品牌名} 在六大 AI 搜索引擎中的表现：

1. 跨平台提及率: {X}%（{被提及数}/{总问题数}）
   - 豆包: {X}% | Kimi: {X}% | DeepSeek: {X}% | 元宝: {X}% | 千问: {X}% | 百度: {X}%

2. GEO 综合得分: {X}/100
   - {最佳平台} 表现最佳（{X}分），{最差平台} 表现最弱（{X}分）

3. 情绪分布: 正面 {X}% | 中性 {X}% | 负面 {X}%
   - 正面率 = 1 − 负面率（中性计入正面）
   - {如果有负面，指出主要负面原因}

4. 竞品对比: 共发现 {N} 个竞品
   - 提及率最高的竞品: {竞品名}（{X}%）
   - 您的品牌提及率排名: 第 {N} 位

5. 信源引用: TOP3 引用域名为 {域名1}、{域名2}、{域名3}
   - 品牌官网是否被引用: {是/否}（若某平台整体无信源数据，须说明该平台信源不可用，不要当作"官网未被引用"）

完整报告: output/geo_report.html

核心指标

详细定义见 references/geo-metrics.md。核心公式：

text

GEO 得分 = 提及率得分 × 40% + 排名得分 × 30% + 情绪得分 × 30%
        = 提及率×100 × 40% + max(0, 100 - (均排名-1)×10) × 30%
          + 正面率×100 × 30%（正面率 = 1 − 负面率，中性计入正面）

解读：70+ 优秀 / 50-69 良好 / 30-49 一般 / <30 不足。

错误处理

情况	处理方式
未配置 REDFOX_API_KEY	提示用户前往红狐hub获取 API Key
搜索任务部分失败/超时	属常见现象（DeepSeek/Kimi 可能长时间排队），最长等待5min，超时直接用已完成的回答继续分析，在报告中标注失败项，不要反复重试
搜索全部超时	提示用户稍后重试，可能是 API 负载过高
AI 分析结果缺失	仅生成确定性分析报告（提及率、域名统计），情绪等模块标注"待分析"
品牌名太短导致误匹配	提示用户提供品牌别名以提高匹配精度

文件结构

text

geo-analyzer/
├── SKILL.md                        # 本文件
├── scripts/
│   ├── geo_search.py               # 批量搜索调度器
│   ├── geo_analyze.py              # 分析编排器
│   ├── geo_report.py               # 报告生成器
│   └── lib/
│       ├── platforms.py            # 6平台适配器
│       ├── analyzer.py             # 分析逻辑库
│       └── report_template.py      # HTML 模板库
├── output/                         # 输出目录
│   ├── search_results.json         # 搜索结果
│   ├── deterministic.json          # 确定性分析
│   ├── ai_analysis_template.json   # AI 分析模板
│   ├── ai_analysis.json            # AI 分析结果（Agent 写入）
│   ├── analysis_result.json        # 完整分析结果
│   └── geo_report.html             # 最终报告
└── references/
    └── geo-metrics.md              # GEO 指标定义说明