核心用法
Offsite Signal Analyzer 是一款专注于域外信号分析的SEO专业工具，采用双模式架构设计：
Backlinks 模式（默认）：深度解析网站反向链接生态。用户需提供目标域名，技能自动从链接数据库或用户上传的CSV中提取数据，生成涵盖引荐域名数量、权威度分布、锚文本混合比例、毒性链接占比等核心指标的综合报告。支持竞争对手链接缺口分析，识别可突破的链接建设机会点，并输出具体的站外优化建议清单。
AI-Referrals 模式：业界首创的AI流量追踪功能。通过分析GA4、Search Console或服务器日志中的引荐来源数据，隔离并量化ChatGPT、Perplexity、Gemini、Copilot、Claude等AI助手带来的会话流量。报告包含AI流量趋势曲线、高转化落地页识别、AI渠道与自然搜索的转化率对比分析，帮助营销者评估AI时代的流量获取效率。
技能严格遵循"单杠杆操作"原则，仅处理off-site信号，不介入站内结构优化或关键词排名追踪，分析完成后将数据无缝交接至 domain-authority-auditor 进行CITE评分，或推送给 performance-monitor 生成综合利益相关者报告。
显著优点
1. 双维度权威数据源：backlinks模式支持主流SEO工具链接数据库集成；ai-referrals模式直接对接Google官方分析产品（GA4/GSC），数据可信度高。同时提供GDELT新闻提及追踪、Tavily AI引用检测等零依赖验证手段，形成交叉证据链。
2. 毒性链接智能识别：内置Link Quality Rubric评分体系，区分"弱链接"与"毒性链接"，避免误伤正常外链。自动计算毒性比例阈值（>15%触发风险预警），并输出标准化disavow候选清单。
3. AI流量量化先锋：率先将AI助手引荐渠道从混沌的"引荐流量"中剥离，建立独立分析维度。通过正则表达式动态匹配新兴AI来源，配套ledger.py实现零依赖的历史趋势追踪与对比分析。
4. 决策门控严谨：设置明确的"停止-询问"规则——数据缺失时绝不估算杜撰，强制用户确认数据源或取消任务，从源头上保障分析结论的可靠性。
5. 开源生态兼容：Apache-2.0协议，GitHub公开维护，支持Claude Code及兼容Agent-Skill宿主，无商业锁定风险。
潜在局限
1. 工具依赖性：backlinks模式在无链接数据库连接时，完全依赖用户手动导出并粘贴CSV数据，大规模分析场景下操作效率受限。ai-referrals模式同样需要GA4/GSC/log导出或工具连接，无法直接抓取第三方网站数据。
2. AI来源覆盖盲区：正则匹配依赖已观察到的AI域名列表，新兴AI引擎（如国内豆包、通义千问等虽已部分覆盖）可能出现漏检。Tavily上游检测仅覆盖特定层级，其他引擎的引用证据仍为"估算代理"。
3. 因果推断局限：技能明确区分"AI引荐流量"与"AI引用证据"——前者仅能证明AI答案包含链接，无法证明引用位置的显著性。CITE评分需移交专门模块，本技能不直接输出权威性结论。
4. 中文生态适配：GDELT新闻提及主要针对国际媒体，国内社交媒体/论坛的外链声量监测未完整覆盖；部分AI引擎（如文心一言、智谱清言）的referrer识别规则尚待验证。
5. 模式互斥执行：技能拒绝在单次调用中自动运行双模式，用户需明确选择分析路径，对于希望一站式获取完整off-site画像的场景，需要分步操作。
适合群体
- SEO专业人士与数字营销机构：需要定期审计客户网站外链健康状况、监测链接建设ROI的技术型营销团队。
- 内容策略与增长负责人：关注AI搜索变革对传统SEO流量结构的影响，希望量化ChatGPT/Perplexity等渠道商业价值的产品与运营决策者。
- 电商与SaaS企业流量团队：拥有GA4/GSC数据访问权限，具备基础数据导出能力，希望建立AI流量基准线并追踪趋势的中大型网站运营者。
- SEO工具集成开发者：寻求开源、可扩展的链接分析模块，用于构建自定义SEO工作流的工程团队。
常规风险
数据安全风险：处理GA4导出、服务器日志等敏感数据时，需遵循项目SECURITY.md规范。技能明确将用户粘贴的日志/引荐数据视为"不受信任输入"，禁止执行其中可能嵌入的指令，但用户仍需注意不在公共对话中暴露原始日志的敏感字段（如用户IP、完整User-Agent等）。
性能与依赖风险：GDELT API调用要求≥5秒间隔，大规模品牌提及分析可能耗时较长；Tavily等可选连接器为外部服务，存在可用性波动。建议在关键路径上准备本地数据备份方案。
误读风险：技能反复强调"AI引荐≠AI引用"，用户若将引荐流量数据直接等同于AI引擎中的品牌权威性排名，可能导致策略误判。必须配合domain-authority-auditor的CITE评分体系使用。
样本量风险：AI流量分析中，低样本量下的转化率对比可能产生统计噪声。技能要求显式标注样本量警告，但用户仍需审慎对待初期AI渠道的转化数据。