AIEO monitoring

AIEO 效果监控与追踪工具，用于定期监测品牌在 AI 搜索平台的可见性变化、内容质量评估和业务转化追踪。当用户提到"AIEO监控"、"AI可见性追踪"、"效果监控"、"监控报告"、"定期测试"或需要追踪品牌在AI平台表现变化时，自动调用此Skill。监控报告保存至 monitoring/ 目录，文件名格式：{品...

Security Scan

The skill's stated purpose (AIEO monitoring) matches most of its instructions, but there are noteworthy scope and data-access details—browser automation that can capture logged-in pages and references to hidden/shared local paths—that the publisher did not justify or restrict.

Purpose & Capability

The skill is an instruction-only AIEO monitoring tool that uses browser automation (Playwright MCP actions), WebFetch/WebSearch and local read/write of monitoring/ and screenshots—these capabilities are consistent with automated cross‑platform monitoring. However, references to a shared dot-folder path (.claude/skills/shared/question_library.md) and audits/positioning/* suggest the skill expects access to other local skill resources or hidden config directories; the relationship of those paths to the user's environment isn't explained.

Instruction Scope

Runtime instructions instruct automated navigation to multiple AI platforms and saving screenshots/reports locally. That is expected for monitoring, but Playwright-based automation can access and capture content from logged-in sessions (chat.openai.com, claude.ai, yiyan.baidu.com). The SKILL.md and references also point to reading question libraries from local/shared paths (audits/positioning, .claude/skills/shared/...), which could read files outside the monitored project. The skill does not explicitly limit or warn about capturing sensitive page content or reading hidden folders.

Install Mechanism

Instruction-only skill with no install spec, no downloads, and no declared required binaries or env vars. This minimizes disk persistence risk and matches the simple documentation-only structure.

Credentials

The skill declares no required environment variables or credentials, which is proportional. But the allowed runtime tools (Playwright browser actions, WebFetch/WebSearch) permit access to web sessions and could capture secrets present in browser state (cookies, SSO tokens, account info) if the agent runs with logged-in sessions. The references to .claude shared paths imply reading other local skill resources—no justification or explicit scoping is provided.

Persistence & Privilege

always:false and no install means the skill does not request permanent, force-included presence or system modifications. It writes outputs to monitoring/ as part of normal function. There is no instruction to change other skills' configs or persistent agent settings.

What to consider before installing

This is an instruction-only monitoring skill that uses browser automation to query AI platforms and save reports/screenshots locally. Before installing or running it: 1) Confirm the skill's source/trustworthiness—there is no homepage or publisher info. 2) Inspect or control the question libraries it will read (audits/positioning/* and .claude/skills/shared/question_library.md) to ensure it won't read sensitive or unrelated files. 3) Run automation in an isolated environment (dedicated VM/container) or with browsers that are not logged into personal/organizational accounts—Playwright screenshots can capture sensitive UI content and session cookies. 4) Check where monitoring/screenshots/ and monitoring/ are stored and who can access them. 5) If you expect the skill to access any credentials or post/update content (UTM guidance is present), require explicit consent and review those steps before enabling autonomous runs. If the publisher identity, intended question libraries, or explicit file-scope restrictions are provided, re-evaluate; that information would increase confidence and could move the assessment toward benign.

AIEO 服务流程: 诊断(生成问题库初稿) → 定位(修正迭代问题库) → 内容(使用问题库) → 监控(使用问题库)

AIEO 效果监控 Skill

专业的 AI Engine Optimization 效果监控工具，帮助品牌定期追踪和评估 AIEO 优化效果，包括 AI 可见性变化、内容质量评估、竞品动态监测和业务转化追踪。

核心价值

AIEO 监控的特殊性

与传统 SEO 监控不同，AIEO 监控面临独特挑战：

维度	传统SEO监控	AIEO监控
数据获取	GA/Search Console	无直接数据，需手动测试
结果稳定性	相对稳定	AI回答存在随机性
平台数量	主要看Google/百度	6+ AI平台需同时监测
归因追踪	清晰的流量来源	间接归因为主
更新频率	实时/每日	每周/每两周

监控三层体系

┌─────────────────────────────────────────────────────────────┐
│                     第一层：可见性监控                        │
│         品牌是否被AI提及？排名如何？竞品动态？                  │
├─────────────────────────────────────────────────────────────┤
│                     第二层：质量监控                          │
│         AI回答是否准确？定位是否一致？情感是否正面？            │
├─────────────────────────────────────────────────────────────┤
│                     第三层：转化监控                          │
│         品牌搜索量变化？官网流量变化？业务指标变化？            │
└─────────────────────────────────────────────────────────────┘

---

报告输出规范

保存位置

monitoring/

命名格式

{品牌名}_AIEO监控报告_{YYYY-MM-DD}.md

示例：
- 百威中国_AIEO监控报告_2025-12-13.md
- 飞鹤奶粉_AIEO监控报告_2025-12-13.md
- OurSchool_AIEO监控报告_2025-12-13.md

截图保存

monitoring/screenshots/
├── {品牌名}_{平台名}_{问题编号}_{日期}.png
├── 百威中国_豆包_Q1_2025-12-13.png
└── ...

---

监控指标体系

一、可见性指标 (Visibility Metrics)

指标代码	指标名称	定义	计算方式	目标值
V-1	AI提及率	品牌被AI提及的问题比例	提及问题数/测试问题数	>80%
V-2	AI首推率	品牌被首先推荐的比例	首推问题数/测试问题数	>30%
V-3	平台覆盖率	品牌在各平台的覆盖	有提及平台数/总平台数	>70%
V-4	竞品提及率	竞品被同时提及的比例	用于竞争分析	监测

二、质量指标 (Quality Metrics)

指标代码	指标名称	定义	评估方式	目标值
Q-1	内容准确率	AI回答中信息的准确性	人工评估	>90%
Q-2	定位一致率	AI描述与目标定位的一致性	对照定位声明	>70%
Q-3	情感正面率	AI描述的情感倾向	正面/中性/负面	>70%
Q-4	信息完整率	核心信息点的覆盖程度	检查核心卖点	>60%

三、业务指标 (Business Metrics)

指标代码	指标名称	数据来源	监测频率
B-1	品牌搜索量	Google Trends / 百度指数	每周
B-2	官网流量	GA4 / 百度统计	每周
B-3	AI来源流量	GA4 UTM标记	每周
B-4	品牌词转化	电商后台 / CRM	每月

---

监控问题库

问题库来源

监控阶段使用定位阶段输出的问题库定稿（v2.0）作为监控基准：

问题库获取路径:
audits/positioning/{品牌名}_问题库_*.md

注意: 问题库经过诊断(v1.0初稿)→定位(v2.0定稿)的迭代，已包含完整的核心问题和扩展问题。

问题库流转示意

诊断阶段                    定位阶段                     内容阶段                    监控阶段
    │                          │                           │                          │
    ▼                          ▼                           ▼                          ▼
生成问题库初稿 ──────→ 修正/扩展问题库 ──────→ 基于问题库生成FAQ ──────→ 使用问题库监控
(v1.0 初稿)              (v2.0 定稿)              (内容输出)                (追踪变化)
    │                          │                           │                          │
audits/diagnosis/        audits/positioning/       content/                  monitoring/

监控问题选取原则

从问题库定稿中选取 20-40 个核心问题作为监控基准：

问题类型	建议数量	选取优先级	来源
品牌认知类 (BR)	5-8题	P0 必选	问题库 Tier 1
品类推荐类 (CR)	5-8题	P0 必选	问题库 Tier 1
对比决策类 (CP)	5-8题	P0 必选	问题库 Tier 1
场景推荐类 (SC)	3-5题	P1 推荐	问题库 Tier 2
产品详情类 (PD)	2-3题	P2 可选	问题库 Tier 2
行业专属问题	3-5题	P1 推荐	问题库 Tier 3

基准问题设定

首次监控时，读取问题库定稿设定监控基准：

Step 1: 读取问题库定稿
        Glob: audits/positioning/{品牌名}_问题库_*.md
        Read: 最新版本的问题库

Step 2: 选取监控问题
        - 全部 Tier 1 问题（约15题）
        - 筛选 Tier 2 核心问题（约10题）
        - 筛选 Tier 3 行业关键问题（约5题）

Step 3: 记录监控基准
        在监控报告中记录本次使用的问题清单
        后续监控使用相同问题集，确保可比性

Step 4: 问题集更新
        当定位策略调整时，同步更新监控问题集
        记录变更历史，便于趋势分析

---

AI 平台测试配置

必测平台矩阵

平台	URL	优先级	免登录	监测重点
豆包	doubao.com	P0	是(有限制)	国内主流用户
Kimi	kimi.moonshot.cn	P0	是	深度内容消费者
文心一言	yiyan.baidu.com	P0	否	百度生态用户
DeepSeek	chat.deepseek.com	P1	是	技术人群
Perplexity	perplexity.ai	P1	是	国际市场参考
ChatGPT	chat.openai.com	P2	否	国际市场参考

Playwright MCP 自动化测试

使用 Playwright MCP 进行自动化测试：

测试流程：
1. mcp__playwright__browser_navigate → 导航到AI平台
2. mcp__playwright__browser_snapshot → 获取页面快照定位输入框
3. mcp__playwright__browser_type → 输入测试问题
4. mcp__playwright__browser_press_key (Enter) → 发送问题
5. mcp__playwright__browser_wait_for → 等待AI响应
6. mcp__playwright__browser_snapshot → 获取AI回答
7. mcp__playwright__browser_take_screenshot → 截图保存证据

---

监控频率建议

按阶段推荐

阶段	时间段	监控频率	监控范围
初期	优化后1-3个月	每周一次	全量问题+全平台
稳定期	优化后3-6个月	每两周一次	核心问题+重点平台
维护期	优化后6个月+	每月一次	抽样问题+主要平台

特殊监控时机

• 内容发布后: 新FAQ/对比内容上线后3-7天
• 竞品动态: 发现竞品优化动作后立即监测
• 负面舆情: 发现负面AI回答后立即监测
• 重大事件: 品牌重大活动/事件前后

---

监控报告结构

完整的监控报告应包含以下章节：

# {品牌名} AIEO监控报告

**监控日期**: YYYY-MM-DD
**监控周期**: 第X周/月
**对比基准**: 上次监控日期

---

## 一、核心指标摘要

| 指标 | 本期 | 上期 | 变化 | 趋势 |
|------|------|------|------|------|
| AI提及率 | XX% | XX% | +X% | ↑/↓/→ |
| AI首推率 | XX% | XX% | +X% | ↑/↓/→ |
| 定位一致率 | XX% | XX% | +X% | ↑/↓/→ |
| 情感正面率 | XX% | XX% | +X% | ↑/↓/→ |

**整体评价**: [进步/稳定/需关注]

---

## 二、AI可见性详情

### 2.1 各平台测试结果

| 问题 | 豆包 | Kimi | 文心 | DeepSeek | Perplexity |
|------|------|------|------|----------|------------|
| Q1: [品牌]怎么样？ | ✅首推 | ✅提及 | ❌ | ✅提及 | ✅首推 |
| Q2: [品类]推荐 | ✅提及 | ✅首推 | ✅提及 | ❌ | ✅提及 |
| ... | ... | ... | ... | ... | ... |

### 2.2 与上期对比

[变化分析]

### 2.3 竞品动态

| 竞品 | 本期提及率 | 上期提及率 | 变化 |
|------|-----------|-----------|------|
| 竞品A | XX% | XX% | +X% |
| 竞品B | XX% | XX% | -X% |

---

## 三、内容质量评估

### 3.1 准确性检查

[AI回答中是否有错误信息]

### 3.2 定位一致性

[AI描述是否符合目标定位]

### 3.3 需修正的AI回答

[列出需要通过内容优化来修正的AI回答]

---

## 四、业务指标追踪

### 4.1 品牌搜索趋势

[Google Trends / 百度指数数据]

### 4.2 官网流量变化

[GA4 / 百度统计数据]

### 4.3 转化指标

[相关业务转化数据]

---

## 五、发现与建议

### 5.1 本期亮点

- [正面发现1]
- [正面发现2]

### 5.2 需关注问题

- [问题1及建议对策]
- [问题2及建议对策]

### 5.3 下期优化重点

1. [优化建议1]
2. [优化建议2]

---

## 六、附录

### 测试截图

[截图链接或目录]

### 原始数据

[详细测试记录]

---

**生成工具**: AIEO Monitoring Skill
**版本**: v1.0
**生成日期**: YYYY-MM-DD

---

执行流程

完整监控流程

Step 1: 获取历史基准
        - 读取上一次监控报告（如有）
        - 读取诊断报告作为初始基准
        - 确定监控问题集

Step 2: 执行AI平台测试
        - 使用 Playwright MCP 自动化测试
        - 按平台优先级依次测试
        - 记录所有AI回答并截图

Step 3: 数据记录与分析
        - 统计各项指标
        - 与上期/基准对比
        - 分析变化原因

Step 4: 质量评估
        - 检查AI回答准确性
        - 评估定位一致性
        - 识别需修正内容

Step 5: 业务指标收集
        - 获取品牌搜索趋势数据
        - 获取官网流量数据
        - 关联业务转化数据

Step 6: 生成报告
        - 按报告模板整理内容
        - 保存至 monitoring/ 目录
        - 命名: {品牌名}_AIEO监控报告_{日期}.md

快速监控流程

仅执行核心可见性测试（适用于周度快速检查）：

Step 1: 选取5-10个核心问题
Step 2: 测试3-4个主要平台（豆包、Kimi、文心、Perplexity）
Step 3: 记录提及率和首推率
Step 4: 与上期快速对比
Step 5: 生成简要监控记录

---

必需工具清单

基础必需（免费）

工具	用途	优先级
AI平台直接测试	可见性监控	P0 必须
Google Trends	品牌搜索趋势	P0 必须
百度指数	国内搜索趋势	P0 必须
GA4	官网流量分析	P0 必须
百度统计	国内流量分析	P1 推荐

进阶可选（付费）

工具	用途	价格参考
Profound	自动化AI监控	$500+/月
Otterly.ai	AI可见性追踪	$200+/月
Brand24	品牌舆情监控	$100+/月

---

触发关键词

当用户提到以下关键词时，自动调用此 Skill：

• "AIEO监控" / "AI监控" / "效果监控"
• "可见性追踪" / "AI可见性监测"
• "监控报告" / "定期监测"
• "效果评估" / "AIEO效果"
• "品牌追踪" / "AI表现追踪"

---

Resources

references/

• monitoring_metrics.md - 监控指标详细定义和计算方法
• tools_guide.md - 监控工具使用指南

assets/

• monitoring_report_template.md - 监控报告模板
• quick_check_template.md - 快速检查模板
• tracking_spreadsheet.md - 追踪表格模板

shared/（跨 Skill 共享资源）

• question_library.md - 统一问题库（监控问题来源）

---

与其他 Skill 的协作

输入依赖

Skill	提供内容
aieo-diagnosis	初始基准数据、竞品列表、测试问题
aieo-positioning	目标定位声明、核心信息点
aieo-content	已发布内容清单、FAQ列表

输出价值

输出	用途
可见性变化趋势	评估优化效果
需修正的AI回答	指导内容迭代
竞品动态	调整竞争策略
业务归因数据	证明AIEO ROI

---

评分标准

AI可见性评分

得分	评级	说明
0-20%	🔴 危险	紧急需要优化
21-50%	🟠 待改进	需要系统优化
51-70%	🟡 一般	有基础，需强化
71-90%	🟢 良好	保持并持续优化
91-100%	⭐ 优秀	行业领先水平

趋势评估

趋势	符号	定义
上升	↑	较上期提升5%以上
稳定	→	较上期变化在±5%以内
下降	↓	较上期下降5%以上

---

快速参考

监控检查清单

• 监控问题集已确定（20-40题）
• 测试平台已覆盖（至少4个主要平台）
• 截图已保存
• 指标已计算并与上期对比
• 质量评估已完成
• 业务指标已收集
• 报告已生成并保存至 monitoring/ 目录
• 下期优化建议已明确

常见问题处理

情况	处理方式
AI回答不稳定	同一问题测试2-3次取众数
平台需要登录	优先测试免登录平台，记录限制
首次监控无对比基准	使用诊断报告数据作为基准
业务数据获取困难	先聚焦可见性监控，逐步完善