Competitor Analysis

核心用法

competitor-analysis 是一款面向数字营销与SEO领域的研究型技能，专注于系统化拆解竞争对手的搜索优化策略与生成式引擎可见性（GEO）。用户通过提供竞品域名或URL，即可触发多维度的竞争情报分析，涵盖关键词布局、内容架构、外链配置、技术SEO健康度及AI引用表现等关键维度。

主要功能模块

| 模块 | 分析重点 |

|------|---------|

| **关键词分析** | 排名关键词总量、Top 10/Top 3 占比、搜索意图分布、流量差距识别 |

| **内容审计** | 内容类型占比、高流量页面特征、更新频率、主题集群策略 |

| **外链画像** | 引用域质量分布、链接获取模式、可链接资产识别 |

| **技术评估** | Core Web Vitals、移动适配、站点架构、内链策略 |

| **GEO分析** | AI系统引用监测、生成式引擎优化策略提取 |

| **差距识别** | 关键词空白、内容机会点、GEO覆盖盲区 |

技能采用「无工具也能运行」的设计理念：当未连接SEO工具API时，会引导用户提供结构化数据后完成全部分析流程，并明确标注数据来源。

显著优点

1. 策略导向而非数据堆砌：输出格式遵循「研究发现→证据支撑→可执行建议」的链条，避免单纯罗列指标
2. 双轨SEO+GEO覆盖：同时关注传统搜索引擎排名与ChatGPT、Claude等AI系统的引用可见性
3. 多语言触发支持：内置英文（正式/口语/疑问句式）、中文（专业/口语）、日语、韩语、西班牙语、葡萄牙语及常见拼写错误的识别规则
4. 记忆系统集成：支持将分析结果持久化到 memory/research/ 目录，并推荐关键结论写入 CLAUDE.md 长期策略文件
5. 生态衔接设计：明确指定「下一最佳技能」为 content-gap-analysis，形成从竞争情报到内容规划的闭环

潜在局限

• 数据依赖性强：深度分析效果与输入数据质量直接相关，无API连接时需用户手动提供较多信息
• 实时性受限：基于快照数据的分析难以捕捉竞品策略的即时变化，需定期复测
• 行业差异化不足：模板化分析框架对某些垂直领域（如电商vs SaaS）的适配需要人工调整
• AI引用监测局限：GEO分析依赖特定AI监控工具集成，否则仅能基于推测进行策略建议

适合人群

• SEO/内容营销团队：需系统性 Benchmark 竞品表现并制定追赶策略
• 市场进入者：进入新垂直领域前快速绘制竞争格局图谱
• 增长黑客：寻找「竞品未覆盖」的关键词与内容机会窗口
• 产品营销（PMM）：制作竞争战卡（Battlecard）与销售赋能材料

常规风险

| 风险类型 | 说明 | 缓解建议 |

|---------|------|---------|

| **数据误读** | 将相关性指标因果化，如「竞品A外链多所以排名高」忽略内容质量因素 | 每项建议需标注具体数据支撑与置信度 |

| **策略滞后** | 分析的竞品策略本身已过时，导致跟随策略失效 | 结合历史追踪功能，识别策略演进趋势 |

| **过度聚焦** | 陷入「竞品做什么我做什么」的模仿陷阱，丧失差异化 | 技能内置「弱点利用」与「空白机会」模块对冲此风险 |

| **合规边界** | 某些「SpyFu替代」的使用场景可能接近商业情报灰色地带 | 明确依赖公开可获取数据，不涉及非授权数据抓取 |

---

版本信息：v8.0.0 | 许可证：Apache-2.0 | 作者：aaron-he-zhu

核心用法

Competitor Analysis 是一套面向 SEO 与 GEO（生成引擎优化）领域的竞品情报分析技能。用户只需提供竞争对手域名或 URL，系统即可自动或半自动地执行以下分析流程：

1. 竞品识别：直接竞品（同产品/服务）、间接竞品（不同解决方案但解决同一问题）、内容竞品（抢占相同关键词的媒体/博客/聚合站）。
2. 关键词剖析：统计竞品总排名词量、Top 10/Top 3 占位数、高流量关键词及对应的落地页，识别关键词缺口（Keyword Gap）。
3. 内容审计：分析竞品内容量级、格式偏好（长文/视频/信息图）、更新频率、主题聚类及成功要素。支持内容缺口对比（Content Gap Analysis）。
4. 外链画像：梳理竞品外链总量、引用域名质量分布、高权重外链来源、可复制的链接资产（Linkable Assets）。支持链接交集分析（Link Intersection）。
5. 技术 SEO 评估：Core Web Vitals、移动适配、站内架构、URL 结构等技术健康度对标。
6. GEO/AI 引用分析：测试竞品在 ChatGPT、Perplexity 等 AI 系统中的被引用情况，拆解其 GEO 策略（定义型内容、统计数据、Q&A 布局、权威信号）。
7. 战略合成：输出执行摘要、竞品对标表、CITE 权威度对比、可借鉴优势、可利用弱点、关键词机会、内容策略建议及分阶段行动计划（立即/短期/长期）。

触发方式：自然语言指令，支持中英日韩西葡等多语言触发词，如“竞品分析”“competitor SEO”“競合分析”“경쟁 분석”等。

数据输入模式：

• 自动模式：接入 SEO 工具（如 SEMrush、Ahrefs、SpyFu）、Analytics、Search Console、AI Monitor 后自动拉取数据。
• 手动模式：用户手动提供竞品 URL（建议 2-5 个）、自身站点数据、行业背景及关注重点，系统基于提供数据完成分析。

输出规范：交付用户可读的研究报告 + 可复用的结构化摘要（存入 memory/research/），关键结论可同步至 CLAUDE.md 或 memory/decisions.md 供后续技能调用。

---

显著优点

• 零代码安全风险：纯 Markdown 文档型 Skill，无可执行代码、无第三方依赖、无网络请求代码，从根本上消除供应链攻击与代码执行风险。
• 多语言原生支持：内置英语（正式/口语/疑问句式）、中文（专业/口语）、日语、韩语、西班牙语、葡萄牙语及常见拼写错误容错，降低跨团队协作门槛。
• SEO + GEO 双引擎：传统搜索引擎优化与新兴 AI 生成引擎优化并重，帮助用户抢占“对话式搜索”先机。
• 可扩展架构：通过 MCP（Model Context Protocol）网络支持可选的 SEO 工具集成，保持核心功能零依赖的同时允许高级用户增强。
• 企业级方法论：提供完整的分析模板（Profile、Keywords、Content、Backlinks、Technical、GEO、Synthesis）与验证检查点（Input/Output Validation），确保交付物可落地。
• 记忆与协作设计：结果可持久化至项目记忆系统，支持跨会话复用与多技能协同（如自动移交至 content-gap-analysis 技能）。

---

潜在缺点与局限性

• 数据依赖性强：手动模式下，分析深度直接受限于用户提供的数据质量与完整度；自动模式需用户自行配置 API 密钥与工具接入。
• 无法实时抓取：技能本身不包含爬虫或实时数据抓取能力，依赖外部工具或用户输入，对快速变化的排名数据可能存在滞后。
• AI 引用分析的主观性：GEO 分析部分依赖对 AI 输出的观测与归纳，不同 AI 模型、提示词或时间点的结果可能存在差异，结论需交叉验证。
• 行业适配成本：模板化分析框架在高度垂直或监管严格的行业（如金融、医疗）可能需要额外的人工调整以符合合规要求。
• 无自动化监控：技能为“分析触发型”，非“持续监控型”，需用户定期手动触发或配合外部监控工具实现竞品动态追踪。

---

适合人群

• SEO/GEO 专业人员：需要系统化拆解竞品策略、生成客户报告或内部战略文档。
• 数字营销团队：负责内容规划、外链建设、技术 SEO 优化的执行层与管理层。
• 市场进入（Go-to-Market）团队：新市场或新品类进入前的竞争格局扫描与差异化定位。
• 内容运营与编辑：寻找高潜力内容缺口、验证选题方向、学习竞品爆款结构。
• 创业者与产品经理：快速了解行业标杆的做法，缩短从 0 到 1 的摸索周期。

---

常规风险

• 数据准确性风险：手动输入数据可能存在误差或过时，建议关键决策前通过工具二次验证。
• 策略同质化风险：过度模仿竞品可能导致差异化丧失，建议结合“弱点利用”与“空白机会”双视角制定策略。
• 合规与版权风险：分析过程中涉及的竞品内容、数据仅限内部战略参考，直接复制或爬取可能触及版权或服务条款。
• AI 引用不可控性：GEO 策略效果受 AI 模型更新、训练数据变化影响，今日有效策略明日可能失效，需保持敏捷迭代。
• 隐私与数据最小化：虽技能本身不收集用户数据，但用户在使用外部 SEO 工具时需自行评估工具的数据处理合规性（GDPR/CCPA）。