keyword-research

核心用法

该 Skill 是一套结构化的 SEO 与 GEO（生成式引擎优化）关键词研究框架，通过对话式交互帮助用户完成从种子词到完整内容策略的全流程分析。用户只需提供业务主题、目标受众和核心目标，Skill 即可引导完成：种子关键词生成 → 长尾词扩展 → 搜索意图分类 → 竞争难度评估 → 机会优先级排序 → 主题聚类规划 → 内容日历建议。支持基础关键词研究、竞品差距分析、季节性趋势识别及本地关键词挖掘等多种场景。

显著优点

方法论体系完整：整合了现代 SEO 最佳实践，涵盖 Intent Classification（信息型/导航型/商业型/交易型）、Keyword Difficulty 评分（1-100 量表）、Opportunity Score 计算公式（Volume×Intent Value/Difficulty）以及 Hub-and-Spoke 主题聚类架构，形成可复用的标准化流程。

GEO 前瞻性设计：专门针对 AI 搜索引擎优化，识别易触发 AI 引用的关键词类型（问答式、定义式、对比式、列表式、操作指南式），帮助用户在传统 SEO 之外抢占生成式搜索的流量入口。

实战导向输出：不仅提供关键词列表，更直接输出内容日历建议、主题集群架构图、优先级矩阵（Quick Wins/Growth/GEO Opportunities），降低从研究到执行的转化成本。

生态协同能力：作为 20 个 SEO/GEO 技能库的核心组件，可与竞品分析、内容差距分析、SEO 内容写作、排名追踪等技能无缝衔接，形成完整工作流。

潜在缺点与局限性

数据依赖外部工具：Skill 本身不直接连接搜索引擎 API 或 SEO 工具（如 Ahrefs、SEMrush），搜索量、难度分数等核心指标需用户手动提供或通过 CONNECTORS.md 配置的占位符工具获取，自动化程度受限。

估算主观性：难度评估和机会评分依赖规则化公式与人工判断，缺乏实时 SERP 竞争态势的动态分析，可能低估高权威域名的压制效应或新兴话题的爆发潜力。

地域与语言覆盖有限：虽支持地理定位参数，但未内置多语言关键词变体生成逻辑，非英语市场的本地化扩展需额外人工干预。

AI 引用预测的不确定性：GEO 相关性判断基于关键词格式特征（疑问词、对比结构等），但 AI 引擎的实际引用行为受模型版本、训练数据截止日期、实时信息整合策略等多重因素影响，预测准确率难以量化验证。

适合的目标群体

• 内容营销团队：需要系统化规划博客、白皮书、案例研究的内容日历
• SEO 专员与顾问：为客户提供可交付的关键词研究报告与策略建议
• 初创企业创始人：资源有限时需快速识别低竞争高价值的长尾机会
• GEO 先行者：希望在 ChatGPT、Perplexity 等 AI 搜索场景中建立品牌可见性的团队
• 电商运营人员：针对产品类目进行季节性关键词布局与竞品差距分析

使用风险

性能风险：处理大规模关键词集（500+）时，人工逐条分类与评分可能产生疲劳误差，建议分批处理或结合自动化脚本。

数据时效性：搜索量与竞争难度数据若来自第三方工具快照，可能滞后 1-4 周，快速变化行业（科技、金融）需缩短更新周期。

策略僵化风险：过度依赖难度分数可能错失"战略型高难度词"——即虽短期难排名，但对品牌权威建设至关重要的核心词汇。

依赖项风险：若未来 CONNECTORS.md 配置的占位符工具未实际落地，Skill 将完全退化为纯手动框架，效率优势大幅削弱。

核心用法

keyword-research 是一款面向 SEO 与 GEO（生成引擎优化）的纯文档型关键词研究技能。用户通过自然语言触发（如"find keywords"、"keyword research"），即可获得从种子词扩展、搜索意图分类、竞争难度评估到主题聚类的完整分析框架。该技能支持基础关键词研究、特定目标筛选（如低竞争商业意图词）、竞争对标分析等多种场景，输出格式为标准化的关键词研究报告模板。

显著优点

1. 零代码安全架构：T-MD 纯 Markdown 类型，无可执行代码，彻底消除注入与执行风险，获 S+ 安全评级。
2. 方法论完备：涵盖种子词生成、长尾扩展、四象限意图分类（Informational/Navigational/Commercial/Transactional）、1-100 分难度评分、ROI 机会计算、GEO-AI 引用潜力识别等完整工作流。
3. 主题聚类框架：内置 Hub-and-Spoke 内容架构模板，支持建立 pillar page 与 cluster content 的权威内容体系。
4. 双轨数据适配：既支持连接 SEO 工具自动拉取数据，也提供完整的手动数据输入指引，确保无工具用户可用。
5. SEO+GEO 双优化：传统搜索引擎优化与 AI 生成引擎引用优化并重，识别问题型、定义型、对比型等高 AI 引用潜力关键词。

潜在缺点与局限性

1. 纯方法论无自动化：该技能仅提供分析框架与报告模板，实际关键词数据需用户自行通过外部工具（如 Ahrefs、SEMrush、Search Console）获取或手动估算。
2. 数据时效性依赖外部：搜索量、难度分数等动态指标不实时更新，依赖用户接入的数据源 freshness。
3. 行业特异性有限：模板偏向通用 SaaS/服务型企业，垂直行业（如医疗、金融合规敏感领域）需自行调整框架。
4. GEO 预测为经验判断：AI 引用潜力评分基于内容格式特征（问题型、列表型等）推断，非基于真实 AI 引擎的逆向工程数据。

适合人群

• 内容策略师与 SEO 专员：需系统化关键词规划与内容日历制定的专业人员
• GEO 优化从业者：关注 ChatGPT、Perplexity 等 AI 引擎引用可见性的新型优化人员
• 小型企业主与创业者：资源有限、需低竞争长尾词快速获取流量的自建站运营者
• 内容创作者与编辑：需理解搜索意图以匹配合适内容类型的写作人员

常规风险

1. 数据隐私合规：若连接 Search Console 等数据源，需确保用户搜索词数据的使用符合 GDPR/CCPA。
2. 过度依赖模板化建议：机会评分公式（Volume×Intent Value/Difficulty）为简化模型，实际业务转化需结合 LTV、CAC 等财务指标调整。
3. 竞争情报伦理："What keywords is [competitor] ranking for" 功能需确保不违反第三方数据服务条款。
4. 季节性预测偏差：关键词趋势规划依赖历史数据，突发事件（如算法更新、行业危机）可能导致预测失效。