Keyword Research

核心用法

Keyword Research 是一款面向 SEO 和 GEO 规划的专业关键词研究技能，采用系统化的8阶段工作流：

1. Scope（范围界定） — 明确产品、受众、业务目标、域名权重、地域和语言
2. Discover（种子发现） — 从核心词、问题词、解决方案词、受众词和行业词中挖掘种子
3. Variations（变体扩展） — 通过修饰符和长尾模式扩展关键词池
4. Classify（意图分类） — 按信息型、导航型、商业型、交易型四分类标注
5. Score（评分排序） — 计算 Opportunity = (搜索量 × 意图价值) / 难度，支持 Impact × Confidence 进阶评分
6. GEO-Check（GEO检测） — 识别AI答案友好型查询（问题、定义、对比、列表、操作指南）
7. Cluster（聚类分组） — 构建支柱页面+聚类内容的话题中心
8. Deliver（交付输出） — 生成执行摘要、Quick Wins/增长型/GEO机会、话题聚类、内容日历和下一步行动

显著优点

• 零依赖免费方案：内置 suggest.py 脚本调用 Google Autocomplete 获取关键词建议，firecrawl.py 实现免密钥SERP采样，pageviews.py 用维基百科流量作为需求代理指标
• 严谨的数据标注：所有指标强制标注来源（Measured/用户提供/Estimated），杜绝虚构数据
• 漏斗阶段映射：自动识别 BOFU/MOFU/TOFU 关键词，支撑收入优先或覆盖优先的策略选择
• GEO 原生设计：专设第6阶段检测 AI 答案友好型查询，适配搜索生成体验时代
• 标准化交付物：输出格式统一，支持向 memory/hot-cache.md、memory/open-loops.md 和 memory/research/ 自动沉淀

潜在缺点与局限性

• 搜索量/难度仍需付费工具：核心指标（搜索量、关键词难度）在没有 ~~SEO tool 或 Search Console 时无法获取，需标记为 N/A 或估算
• Autocomplete 脚本非官方：依赖未公开的 Google 端点，存在稳定性风险
• 维基百科代理指标局限：pageviews.py 反映的是注意力而非搜索量，仅用于话题排序和时机判断，不可直接引用为搜索量
• GSC 数据无位置过滤：Search Analytics API 不支持按排名位置过滤，需客户端处理 positions 5–20 的 "striking distance" 数据
• 学习曲线：8阶段流程和评分体系对新手有一定门槛

适合人群

• SEO/内容营销从业者规划新页面或campaign
• GEO 优化师寻找 AI 答案友好型话题
• 需要快速启动关键词研究但暂无工具预算的中小团队
• 希望建立系统化关键词工作流的企业营销部门

常规风险

• 数据合规：Google Autocomplete 非官方接口，大规模调用可能触发反爬机制
• 估算误用：若未严格标注 "Estimated"，模型推断的搜索量/难度可能被误认为真实数据
• 季节性误判：维基百科流量代理指标与真实搜索趋势存在偏差，需交叉验证
• API 限额：Firecrawl 免费版约 1,000 credits/月，高频使用需监控用量

核心用法

Keyword Research Skill 是一套完整的关键词研究方法论框架，专为SEO和GEO（生成引擎优化）内容规划设计。用户通过自然语言指令启动研究流程，如"Research keywords for [topic]"或"What keywords is [competitor URL] ranking for"。Skill 自动执行8阶段标准化流程：Scope（明确产品、受众、目标、地域）→ Discover（从核心词、问题词、解决方案词等维度种子发散）→ Variations（修饰词与长尾变体扩展）→ Classify（按信息型/导航型/商业型/交易型标注意图）→ Score（计算 Opportunity = Volume × Intent Value / Difficulty）→ GEO-Check（识别AI答案友好型查询）→ Cluster（构建支柱+集群话题中心）→ Deliver（输出执行摘要、Quick Wins/Growth/GEO机会矩阵、内容日历）。

所有指标强制标注数据来源：Measured（工具导出）、User-provided（用户提供）或 Estimated（模型推断），禁止将估计值呈现为实测数据。支持零依赖运行，内置Python脚本可调用Google Autocomplete（非官方端点）和Firecrawl免费层获取实时SERP样本，但搜索量与难度仍需专业SEO工具或Search Console数据。

显著优点

1. 方法论完整性：覆盖从种子发散到话题聚类的全链路，非简单关键词罗列，而是可执行的内容策略产出
2. 双评分体系：基础 Opportunity 公式 + 可选 Impact × Confidence lens，兼顾价值估算与胜率评估
3. 漏斗阶段映射：自动识别BOFU（交易型）、MOFU（信息型+购买信号）、TOFU（纯信息型），指导内容优先级
4. GEO前瞻性：专门设置AI答案友好型查询检测（问题、定义、对比、列表、操作指南），适应搜索形态演变
5. 零依赖兜底：无专业工具时仍可通过Wikipedia关注度代理、SERP实时采样、Google Autocomplete获取方向性证据
6. 记忆系统集成：自动生成标准化交接文档，推送 durable priorities 到 hot-cache 和 open-loops，支持持续迭代

潜在缺点与局限性

1. 数据依赖外部：核心指标（搜索量、关键词难度）必须依赖第三方SEO工具（Ahrefs/Semrush等）或Search Console，Skill本身不提供数据
2. 非官方端点风险：Google Autocomplete脚本使用非官方接口，可能因Google策略变更而失效
3. 个人开发者维护：作者为个人GitHub账号（aaron-he-zhu），长期维护承诺与商业支持无保障
4. 中文场景适配：框架术语（pillar/cluster、BOFU/MOFU/TOFU）为英文SEO语境，需用户自行本地化理解
5. 无竞品深度分析：明确声明竞品覆盖缺口分析需转交 content-gap-analysis Skill，非一体化解决方案

适合人群

• SEO/内容营销从业者：需要结构化研究流程而非凭直觉选词
• GEO策略制定者：关注AI搜索答案优化的内容规划者
• 中小型网站运营者：资源有限，需快速识别"Quick Win"机会（排名5-20位的现有关键词提升）
• 内容团队管理者：需要标准化输出格式（话题聚类、内容日历）以分配创作任务

常规风险

1. 数据合规风险：关键词研究可能保存到项目记忆文件，若涉及敏感客户策略或保密活动，需提前确认数据边界
2. 第三方工具审查：文档提及的可选集成（SEO工具、Firecrawl等）由用户自主选择，需自行评估其数据安全与隐私政策
3. 估计值误用：Skill强制标注数据来源，但用户若忽略标注可能在后续传播中混淆Measured与Estimated数据，导致决策偏差
4. 记忆文件权限：生成的研究文档写入 memory/research/ 路径，多用户共享环境需确认文件权限隔离