品牌GEO分析

品牌GEO分析

简介

帮助品牌了解自己在 AI 搜索引擎（豆包、Kimi、DeepSeek）中的表现。系统自动向三个 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：

# 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

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"、"小红书App"）
• 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：

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四类（每类至少 2 个）：

问题生成规则：

• 问题必须是用户真实可能搜索的自然语言
• 不要在问题中直接包含用户品牌名（推荐类和场景类），除非是评价类问题
• 评价类问题中可以包含品牌名
• 问题长度控制在 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 3 个 AI 平台进行联网搜索。

python3 scripts/geo_search.py --queries '["问题1","问题2",...,"问题10"]' --platforms doubao,kimi,deepseek

脚本自动完成：

1. 批量提交 15 个搜索任务（3平台 x 5问题）
2. 并行轮询所有任务，每 5 秒检查一次
3. 最长等待 8 分钟
4. 输出 output/search_results.json

输出文件结构：

{
  "queries": ["问题1", "问题2", ...],
  "platforms": ["doubao", "kimi", "deepseek"],
  "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。

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）：

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 15 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

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：

[
  {
    "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）：

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

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

输出 output/geo_report.html。

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：

GEO 分析完成 — {品牌名} 在三大 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}%

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}%
   - {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}

完整报告: output/geo_report.html

错误处理

文件结构

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            # 3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