核心用法
keyword-research 是一款面向SEO和GEO（生成式引擎优化）的专业关键词研究技能，采用8阶段结构化流程：
1. Phase 1/8 范围界定 — 明确产品/服务、目标受众、商业目标、域名权重、地理与语言定位
2. Phase 2/8 发现 — 从核心术语、问题关键词、解决方案关键词、受众术语、行业术语五个维度展开
3. Phase 3/8 变体扩展 — 生成修饰词变体（Best/Top/How to等）和长尾变体（for beginners/free/guide等）
4. Phase 4/8 意图分类 — 按信息型(Informational)、导航型(Navigational)、商业型(Commercial)、交易型(Transactional)四级分类，并匹配内容类型
5. Phase 5/8 机会评分 — 采用公式 Opportunity = (Volume × Intent Value) / Difficulty，意图价值权重为1/1/2/3，输出1-100分难度评估与优先级矩阵
6. Phase 6/8 GEO检测 — 识别AI答案触发概率高的关键词类型：问题格式、定义查询、对比查询、列表查询、操作指南
7. Phase 7/8 主题聚类 — 构建支柱内容(Pillar)+集群内容(Cluster)的hub-and-spoke架构
8. Phase 8/8 交付 — 生成含具体数据点的可执行报告（每条推荐必须包含搜索量、难度、竞品数据等数字）
显著优点
- 方法论严谨：8阶段流程确保不遗漏关键维度，符合专业SEO agency交付标准
- 双语原生支持：英语、中文、日语、韩语、西班牙语、葡萄牙语触发词全覆盖
- GEO前瞻性：专门设置AI答案重叠检测阶段，适应搜索生态从SEO向GEO演进
- 质量门槛机制：强制要求每条推荐包含具体数字，杜绝"优化你的页面"类空洞建议
- 开源生态：Apache-2.0协议，支持MCP网络接入Ahrefs/SEMrush等工具，也可纯手动操作
- 技能契约体系：与entity-optimizer、competitor-analysis等技能形成完整SEO/GEO工具链
潜在缺点与局限性
- 数据依赖性：无API连接时完全依赖用户手动输入，数据准确性和时效性受限
- 地域相关性中等：geo-relevance标记为"medium"，本地SEO深度有限
- 无实时SERP抓取：本身不包含爬虫功能，需依赖外部工具或用户提供的SERP快照
- 评分公式简化：意图价值权重(1/1/2/3)为经验值，未考虑行业差异和季节性波动
- 学习曲线陡峭：8阶段流程对新手过于复杂，小型项目可能过度工程化
适合人群
- 内容营销团队：需要系统化选题流程、建立内容日历的中大型团队
- SEO专业机构：寻求标准化交付框架、减少自由发挥空间的服务商
- GEO早期采用者：希望在ChatGPT/Perplexity等AI引擎中获得可见性的前瞻型营销人员
- 多语言市场运营者：需要同时覆盖中、日、韩、西、葡等市场的跨境电商或SaaS企业
- 竞品分析需求者：与competitor-analysis技能联动，进行关键词缺口分析
常规风险
| 风险类型 | 具体表现 | 缓解措施 |
|---------|---------|---------|
| 数据过时风险 | 手动输入的搜索量/难度数据可能已过期 | 明确标注数据来源与日期，建议季度复核 |
| 过度优化风险 | 严格按意图分类可能导致内容机械化 | 保留创意空间，意图分类作为参考而非约束 |
| 工具依赖风险 | API连接失败时流程中断 | 设计纯手动fallback路径，完整功能不依赖工具 |
| 误判GEO潜力 | AI答案触发预测基于模式匹配，无实际A/B验证 | 将GEO检测作为探索性阶段，需后续实测验证 |
| 聚合偏差风险 | 长尾关键词 individually 流量低，聚合后可能被低估 | 显式展示集群总流量潜力，补充单个关键词视角 |
权威性与来源评估
该技能由aaron-he-zhu开发，隶属于20技能的SEO+GEO技能库，采用Apache-2.0开源协议，GitHub仓库公开可审计。方法论基于行业通用的关键词研究框架（如Ahrefs/SEMrush的KD计算逻辑、HubSpot的主题集群模型），但经过结构化封装和双语本地化适配。作为Claude Code生态系统中的技能，其输出质量最终受限于底层大模型的知识截止日期（2025年初），建议关键数据点通过API或人工验证。