核心用法
GEO Content Optimizer 是一款面向生成式引擎优化（Generative Engine Optimization, GEO）的专业技能，旨在提升内容在 AI 驱动的搜索与问答场景中的引用就绪度。与面向网页排名的传统 SEO 不同，GEO 聚焦于让 ChatGPT、Perplexity、Google AI Overviews、Gemini、Claude 等 AI 系统能够识别、提取并引用你的内容。
标准工作流程（五步闭环）：
1. 加载 CORE-EEAT GEO 目标 — 优先处理 C02（清晰定义）、C09（可引用声明）、O03（来源归因）、O05（Q&A 结构）、E01（专家信号）等关键指标
2. 分析现有内容 — 评估定义清晰度、引用密度、权威信号、时效性、结构化程度
3. 应用 GEO 技术 — 添加 25-50 字独立定义、带来源的引用语句、专家背书、Q&A/表格/列表、具体数据、FAQ schema
4. 生成 GEO 输出 — 输出变更摘要、前后 GEO 评分、AI 查询覆盖率
5. CORE-EEAT 自检 + SLOP 检查 — 13 项指标 Pass/Warn/Fail 评估，并剔除 AI 腔调
关键产出物：
- 可直接部署的优化后内容
- 存储于
memory/content/的摘要文件 - 可测试的引用就绪度（通过 Tavily 等工具分钟级验证）
显著优点
- 前瞻性定位：直接响应 AI 搜索变革，比传统 SEO 更贴近未来搜索形态
- 可测量验证：提供 Tavily 等无密钥探测脚本，分钟级验证 citability，避免"黑箱"优化
- 系统化方法论：基于 CORE-EEAT 框架（Credibility, Originality, Expertise, Authority, Trust）的完整检查清单
- 多引擎适配：覆盖 9 大 AI 引擎的引用偏好差异（Google AI Overviews、ChatGPT、Perplexity、Claude、Copilot、Gemini、Grok、Brave、Bing）
- 工程化交付：明确的输入输出契约、实体关联检查、版本化引用材料
潜在缺点与局限性
- 引用 ≠ 曝光：分钟级 citability 测试仅为代理指标；AI 引擎的主动 surfacing 受爬取/索引周期制约（周级），且存在 confounding factors，无法承诺快速见效
- 依赖外部工具：完整功能需 ~~AI monitor、~~SEO tool 等连接器；离线时需用户手动提供目标查询、竞品示例等
- 实体数据时效敏感：若关联的品牌/人物/产品档案超过 90 天未更新，会触发
DONE_WITH_CONCERNS并建议转交entity-optimizer，可能中断主流程 - 控制组缺失：虽强调需控制组验证，但实际执行中用户可能忽略，导致归因困难
- 平台差异未完全弥合：Tavily 测试结果与 ChatGPT/Perplexity/Google 存在索引差异，标注为 Estimated proxy
适合人群
- 内容营销团队：需从 AI Overview 流量下滑中恢复（参见 AI Overview Recovery 四阶段方案）
- SEO 专业人士：希望扩展技能栈至 GEO 领域，掌握 AI 时代的可见性优化
- 品牌方 PR/传播负责人：追求被 AI 引擎作为权威来源引用，建立生成式搜索中的品牌心智
- 技术写作者与知识库维护者：希望内容被 AI 助手直接引用为答案来源
常规风险
| 风险类型 | 说明 | 缓释措施 |
|---------|------|---------|
| 过度承诺风险 | 混淆"可引用性（citability）"与"主动曝光（surfacing）"的时间线 | 明确标注信号延迟：分钟级 vs 周级 |
| 数据虚构风险 | 指标不可用时可能 tempted to invent | 强制标注 Measured/User-provided/Estimated，N/A 不得编造 |
| SLOP 残留风险 | 优化后内容仍带 AI 生成痕迹，降低真人可信度 | 强制前置 slop self-check |
| 实体过时风险 | 引用档案超 90 天导致权威信号失真 | 自动触发 `DONE_WITH_CONCERNS` + 转交建议 |
| 链式循环风险 | 技能间 handoff 可能无限递归 | 强制 visited-set + 最大深度 3 |
版本与维护
- 当前版本：16.0.1
- 许可证：Apache-2.0
- 维护者：aaron-he-zhu
- 项目主页：https://github.com/aaron-he-zhu/aaron-marketing-skills