GEO = 生成式引擎优化（Generative Engine Optimization）：让 DeepSeek、豆包、ChatGPT、Perplexity 这些 AI 引擎在回答用户问题时，主动提到并引用你的品牌。不是地理信息，也不是传统 SEO。

一、解决什么问题

越来越多的用户直接问 AI「有哪些好用的 XX 工具」「XX 和 YY 哪个好」。如果你的品牌：

问题	GeoLook 给的答案
AI 根本不提你——搜品类问题时你不在候选集里	逐引擎采样真实回答，量化提及率/位次/引用份额，诊断出「完全缺席」还是「竞品主导」
不知道为什么不提你——AI 是黑盒	六维站点体检 + 差距诊断：抓不到正文？缺抽取块？没铺 AI 实际引用的阵地？口径不一致？逐项定位
知道该做但落不了地——建议一堆，没人执行没人验收	生成带验收标准的实施工单，86% 可由程序自动验收（示例项目 18/21），做没做完不靠口头确认
做了不知道有没有用	逐题前后期采样对比 + 任务级 before/after，哪些动作真的让 AI 改了口，有数
给客户做 GEO 服务，交付难	一键产出诊断报告、优化方案、执行方案、工单 CSV、验收表的完整交付包

二、功能全景

四段主线 + 运营能力，全部在一个自托管看板里：

现状 · 我在 AI 里什么样

• 引擎表现：国内海外 17 个引擎（10 个 API 自动采样 + 7 个人工采样，含 Google AI Overviews 与秘塔），每个引擎的提及率、提及位次、引用份额、它实际在引用谁、样本回放（真实回答原文，品牌命中高亮）、疑似负面标记
• 品牌提及分布：单引擎与全引擎汇总，回答里你和竞品各占多少（国内/海外分开算）
• 竞品对比：同一批无提示样本下的对手出现率；每个对手最强的引擎一键联动；每个对手的信源构成（它被谁引用）与「竞品有、你没有的信源」阵地差集——输给谁升级为输在哪块阵地；「被抢走的问题」「你独占的问题」直接变成选题池
• 问题库：七组问题（推荐/比较/替代/价格/风险/品牌验证/场景），意图分组卡（买家/教育/探测三类，一眼看出哪类问题上最没存在感）；每题带诊断分型（疑似负面 > 竞品主导 > 完全缺席 > 排名靠后），点名探测题单独归类不污染指标
• 样本库：每条 AI 答案的元数据可浏览、可人工复核纠正——正则判读的撞词/否定语境误判在这里修，改完立刻重算指标、重跑不覆盖人工结论；每条样本带引用源站构成（域名 × 次数 · 占比）与采样环境溯源（沙箱/无痕/专用号/个人号，个人号自动降级待复核）
• 拓词选题：以品牌/竞品/品类为词根，拉百度下拉 + Google 补全的真实搜索词扩充选题（免费公开端点，无需 Key）；每期快照 diff 标「需求上升」参与选题排序；竞品词根扩出的替代/对比问法直达竞品对比页。只产候选，入库手动勾选，不动指标口径

诊断 · 为什么是这样

• 站点体检：按「访问 → 定向 → 理解 → 可引用」四层依赖链组织——每层依赖上一层，访问层失败时下游一切优化在引擎侧不可见，修复顺序算给你。访问层远不止查 robots：RFC 9309 规范的 robots 解析（通配符组封禁、多 UA 共享组、specificity 覆盖这些逐行正则漏掉的都能检出）、换真实 AI 爬虫 UA 的 WAF/CDN 差异探测（robots 放行但 CDN 403，浏览器里看不出来）、X-Robots-Tag 头级 noindex、llms.txt 链接有效性、hreflang 覆盖、sitemap 索引污染与重复标题/近重复正文检测；段落级可引分析——检索按段落选材，整页无一段自包含可引的页面会被点名并给出改法。点等级或缺块直接筛选问题页、直达修复工单
• 差距诊断：内容缺口 → 阵地缺口 → 事实偏差，三类按「先修哪个」排序
• 阵地地图：19 个阵地（百科/榜单站/公众号/头条/知乎/技术社区/G2/Wikipedia/Reddit/YouTube…）按真实引用语料标注分量与优先级；每个阵地写清建什么、建多少、节奏、谁来做
• 品牌事实库：全站唯一口径来源——llms.txt、JSON-LD、内容草稿都从这里取事实；AI 说法逐条比对，比对过「事实一致性」才进健康分

提升 · 该做什么

• 行动计划：结构化工单（依据/负责角色/工作量/时间窗口/验收标准）带独立风险分级（低风险快速优化 / 需观察·发布后 7/14/28 天复核 / 高风险技术改造·备份小批量留回滚——优先级说多重要，风险说动手时多小心）；标「自动」的由重抓站点 + 下期采样判定；量化工单显示「首测 → 当前 → 目标」进度条，回归自动打回；工单直达它最该写的那道题
• 内容工作台：选题池按「未提及 + 无内容」排序；写稿时左侧给必含抽取块与品牌事实，右侧实时可被引用度预检；AI 初稿必须过编造风险 lint；分发清单按问题类别匹配目标阵地，铺完打勾
• 部署资产：llms.txt、JSON-LD（Organization/FAQ/Article…）、定义块与 FAQ 的 HTML 片段，每个文件标注去处；AI 流量归因包（GA4「AI 引擎」渠道组正则 + 服务器日志统计脚本 + 来源快照说明，把闭环从「被引用」延伸到「带来转化」）；DEPLOY.md 给开发的部署清单含验收标准
• 发布渠道：按通用 / 国内 / 海外分组——GitHub、WordPress 草稿、公众号草稿箱、Webhook，加真实接入的 X（标题+摘要+自动回链的引流推文）与 Reddit（markdown 全文自帖）；每个渠道配置弹窗内置分步教程与申请页直达；每篇成稿可勾选多渠道一次发布，发布状态同步回行动计划、待发布清单与问题库。没有个人可用官方 API 的平台（微博/小红书/头条/B站/LinkedIn/Facebook/Instagram）刻意不接——宁可不接不做假接入，页面写明原因并给 Webhook 桥接。凭证在本地 .env，每次发布逐篇人工确认，无任何自动外发路径

成效 · 做了有没有用

• 效果验收：逐题前后期提及率对比（全部/国内/海外分 tab）、任务级 before/after、验收历史
• 报告与交付：给老板的一页结论、给执行团队的分批执行方案、给客户的完整交付包（HTML + CSV）

运营

• 周期复跑：每 7/14/30 天自动跑完整一期；./scripts/service.sh install 把看板注册为 macOS 常驻服务（登录自启、崩溃自动拉起、关终端不停），到期必跑，真正无人值守
• 多品牌：一个实例管多个项目，数据互相隔离，侧栏一键切换
• 人工采样闭环：无 API 的引擎导出采样表（--intent buyer --limit 20 出每周买家意图轻量周检表），人工/浏览器填完回灌，与自动采样同一套指标

采样助手（Chrome 插件，extension/）

无 API 的引擎恰恰是真实用户最多的入口。侧栏载入买家意图队列（按分组分节）→ 填入问题（默认手动模式回车由你按）→ 答案生成完一键提取全文与全部引用链接 → 回传本机看板入库为 A 级样本——每周核查从半小时压到十分钟。可显式开启「自动跑队列」（人在场、限速、上限 20 题、撞验证码/风控立刻停，ToS 风险在其 README 如实写明）。配套 sandbox.sh：一条命令起一次性干净沙箱（无历史无 Cookie、插件自动装载）或持久登录沙箱——「陌生买家看到什么」的采样卫生从纪律变成一条命令。

三、和市面 GEO 工具的区别

市面上的 GEO 产品绝大多数是监测型 SaaS：告诉你提及率和排名，按月收订阅费，数据在别人云上。GeoLook 的定位是实施平台，差别在这几处：

	典型 GEO 监测 SaaS	GeoLook
闭环深度	监测 + 建议	监测 → 诊断 → 工单 → 资产 → 自动验收 → 交付，落地全流程
验收方式	无（或人工回填）	程序判定：重抓站点 + 下期采样自动验收，回归自动打回
指标口径	黑盒算法	全部可复现，界面里点开「这些数字怎么来的」查完整口径；算不出显示「未测」，不编数
中文市场	多为海外引擎	国内引擎矩阵（GLM/豆包/DeepSeek/Kimi/MiniMax/纳米/百度AI）+ 按国内引用语料标定的阵地（百科/榜单站/公众号/头条…），国内海外分开出题分开算
评分依据	经验规则	锚定公开实证数据：602 条 Prompt / 21,143 条引用 / CN-GEO 187,818 条国内去重引用（references/）
数据归属	厂商云端	全部在你本机 work/ 目录（JSON/Markdown），git 一下就是备份
成本	按月订阅	开源免费，只花你自己的引擎 API 采样费（可为零：纯人工采样也能跑）
交付能力	截图仪表盘	直接产出可发客户的诊断报告/优化方案/执行方案/工单表，适合代理商与顾问

诚实说明边界：GeoLook 是单机工具，没有账号体系和团队协作；采样频率与样本量由你自己的 API 预算决定；「疑似负面」等判定是线索提示，定性仍需人工复核——这些是刻意的设计取舍，不是还没做完。

四、部署教程

环境要求

• macOS 或 Linux（Windows 请用 WSL；代码用了 fcntl 文件锁）
• Python 3.9+
• 唯三的第三方依赖：requests、beautifulsoup4、lxml

三步跑起来

# 1. 克隆并安装依赖
git clone https://github.com/aigclink/geolook.git
cd geolook
pip3 install requests beautifulsoup4 lxml

# 2. 启动看板（自动打开浏览器）
python3 scripts/geo.py ui        # → http://127.0.0.1:8765
#    macOS 可注册为常驻服务：./scripts/service.sh install
#   （登录自启、崩溃自动拉起、关终端不停）

# 3.（可选）配置引擎 API Key
#    方式 A：看板「设置 → 引擎与密钥」里点「配置」填入，自动写进本地 .env
#    方式 B：cp .env.example .env 后手动编辑

一个 Key 都不配也能用：自动采样会跳过，改用「导出人工采样表 → 人工/浏览器采样 → 回灌」的流程；抓站、体检、工单、资产等功能不依赖任何 Key。配一个国内引擎 Key（如 DeepSeek/GLM）即可解锁「自动推导问题库/品牌事实」和「AI 初稿」。

服务器/远程部署

服务默认只绑定 127.0.0.1。要远程访问，两种方式：

# 方式 A（推荐）：SSH 隧道，不暴露任何端口
ssh -N -L 8765:127.0.0.1:8765 user@your-server
# 然后本地浏览器打开 http://127.0.0.1:8765

# 方式 B：绑定公网 + 访问令牌（两个变量缺一不可，不设令牌会拒绝启动）
export GEOLOOK_TOKEN=$(openssl rand -hex 16)
export GEOLOOK_HOST=0.0.0.0
python3 scripts/geo.py ui
# 浏览器首次访问输入令牌（或打开 http://server:8765/?token=令牌），
# 之后凭 HttpOnly cookie 访问；API 调用带 X-Geolook-Token 头

公网部署建议再套一层 HTTPS 反向代理（nginx/caddy），令牌走明文 HTTP 会被中间人看到。.env 与 work/ 含密钥和项目数据，注意文件权限。

升级

git pull        # 数据在 work/ 与 .env，均被 gitignore，升级不影响

五、使用教程

路线 A：一条命令全自动（约 10–30 分钟）

python3 scripts/geo.py new --url https://example.com --market both

--market 取 cn / global / both。九步自动完成：抓站 → 体检 → 推导品牌事实/竞品/问题库 → 逐引擎采样 → 生成工单 → 产出资产 → 报告 → 自动验收 → 交付包。产出在 work/<项目>/delivery/<日期>/。

路线 B：看板逐步走（推荐首次使用）

第 1 步 · 接入品牌：python3 scripts/geo.py ui → 首次进入自动到接入引导，填官网域名、选目标市场，点「创建并开始自动引导」。后台自动跑完首期（可关页面，任务照跑）。

第 2 步 · 人工核对底座（重要，10 分钟）：自动推导只从官网正文抽取，抽不到的标「待确认」。到「品牌事实库」核对口径、补别名与关键数字；到「问题库」检查题目是否像真实用户问法（漏配别名会低估提及率）。

第 3 步 · 看现状：「总览」一句结论 + 健康分五项；「引擎表现」逐引擎下钻，点样本回放看 AI 原话，发现说错的点「记一条事实偏差」；「竞品对比」看对手最强的引擎——那就是你要去建设的信源。

第 4 步 · 看诊断：「站点体检」技术层（点缺块直达修复工单）→「差距诊断」内容/阵地/事实三类缺口 →「阵地地图」每个阵地点开看建设方案（建什么/建多少/节奏/谁来做）。

第 5 步 · 执行：

• 「行动计划」按 P0→P1 领工单，点标题看详情（为什么做/具体怎么干/怎么算做完）
• 「内容工作台」从选题池选题 → 按大纲写稿（右侧预检达到 B 以上）→「发布为成稿」→ 分发清单告诉你该铺到哪些阵地，铺完打勾
• 「部署资产」把 llms.txt 传网站根目录、JSON-LD 贴进 <head>、片段贴进模板（每个文件顶部写了去处，完整清单见 DEPLOY.md）

第 6 步 · 验收：「设置 → 运行任务」点「自动验收」（重抓站点判定工单）；下一期采样后到「效果验收」看逐题 before/after。

第 7 步 · 长期运营：「设置」开启周期复跑（每 7/14/30 天自动跑一期）；「报告与交付」生成月报与客户交付包。

没有官网的商品/品牌

没有自有网站也能做 GEO——官网只占国内引用的 1.37%，AI 可见性主要靠外部阵地：

python3 scripts/geo.py init --no-site --name "商品名" --materials 介绍材料.md --market cn

介绍材料取代官网正文，成为品牌事实、竞品与问题库的推导底座（不给 --materials 会生成模板让你填）。差异只有三处：抓取/体检自动跳过、llms.txt 与 JSON-LD 不产出 （需挂自有域名）、引用官网率显示「不适用」而非 0。其余全部照常。

无 API 引擎的人工采样

python3 scripts/geo.py sample-sheet --slug <项目>    # 导出采样表（含每题指引）
python3 scripts/geo.py sample-sheet --slug <项目> --intent buyer --limit 20  # 每周买家意图周检表
# 人工/浏览器在纳米AI、百度AI、ChatGPT网页版等提问并粘贴回答
python3 scripts/geo.py sample-import --slug <项目> --file <采样表>

也可在看板「设置 → 运行任务」里点「导出人工采样表」，「引擎表现」页导入。

CLI 速查

命令	作用
new / serve / cycle	全自动新项目 / 已有项目跑完整一期 / 轻量循环
ui	全流程看板
bootstrap / crawl / audit	推导底座 / 抓站 / 六维打分
sample / sample-sheet / sample-import	API 采样 / 人工采样表导出与回灌
plan / generate / lint	生成工单 / 生成资产（--draft 出初稿）/ 初稿风险检查
verify / report / deliverables / deliver	自动验收 / 报告 / 三份交付物 / 客户交付包
publish / task / status / list	发布成稿 / 工单状态 / 项目看板 / 项目列表

每条命令 --help 有完整参数。

FAQ

Q：AI 回答每次都不一样，采样结果怎么保证稳定？

单条 AI 回答天然有随机性，所以 GeoLook 的指标从不看单条回答，稳定性靠四层机制：

1. 聚合口径——提及率等指标是「几十道题 × 多个引擎」的比例，单题抖动会被摊平；
2. 固定变量——每个引擎的采样模型版本固定（设置里可查可改），问题库固定，同一套题跨期复用，变的只有时间；
3. 多轮加密——sample --repeat N 支持每题重复采样，预算够可以加密样本量；
4. 归因纪律——界面里明确标注「单期波动默认只作观察相关」「下降未必是变差——采样有噪声」，连续两期同向变化才当趋势；工单验收靠重抓站点这类确定性信号，不单赌采样。

诚实说：它测的是分布不是定值——这恰恰更接近真实用户体验，因为真实用户每次问 AI，得到的本来就是随机采样的回答。

评分依据

六个体检维度全部锚在公开实证数据上，scripts/audit.py 是 references/method.md 的代码实现。几条最有用的结论：

• 高影响力页面平均 1,943 词，低分页仅 170 词（11.4×）
• 含数字 +61.6%、定义 +57.3%、对比 +55.3%、how-to +41.2% 被引用概率
• 纯 Q&A 排版反而 −5.7%——排成问答样子没用
• 对题性是最强预测因子（r = 0.432），高于权威度
• 品牌官网类信源只占国内全库引用的 1.37%——官网是事实源不是引用源，外部阵地才是引用来源

设计原则与安全边界

• 单机自托管：标准库 http.server 只绑 127.0.0.1；无数据库无账号，数据即文件
• 宁缺毋滥：品牌事实只从官网正文抽取，抽不到标「待确认」；竞品严禁发明名字；AI 初稿必须过 lint 并人工核实
• 验收即产品：能自动判定的绝不靠人回填
• 发布永远手动：渠道凭证在本地 .env（权限 600），每次发布人工点击确认；公众号/WordPress 只进草稿箱

与 Claude Code 集成（可选）

本仓库同时是一个 Claude Code 技能（SKILL.md）：放进技能目录后对 Claude 说「给 example.com 做 GEO」即可驱动全流程。不用 Claude 也完全可用——所有脚本都是普通 CLI。

目录结构

scripts/          全部逻辑（geo.py CLI · dashboard.py 看板服务 · ui.html 单页前端 · service.sh 常驻服务）
extension/        Chrome 采样助手插件 + sandbox.sh 沙箱 + 自带 e2e 测试
references/       方法论：采样纪律、内容模式实测、归因口径、国内外平台引用结构
tests/            单元测试
work/<slug>/      每个项目的全部数据（gitignore，不出本机）
docs/             截图与 40 秒演示视频

致谢

• @yaojingang

联系我

问题、建议或合作：邮箱 [email protected]，或提 issue。

License

MIT