核心用法
keyword-research 是一套系统化的关键词发现与分析技能，采用8阶段工作流：
1. Scope（范围界定）：明确产品、受众、商业目标、域名权重、地域与语言
2. Discover（种子发现）：从核心术语、问题场景、解决方案、受众特征、行业术语中提取种子词
3. Variations（变体扩展）：通过修饰词模式和长尾组合扩展词库
4. Classify（意图分类）：标注信息型/导航型/商业型/交易型四类搜索意图
5. Score（机会评分）：采用公式 Opportunity = (Volume × Intent Value) / Difficulty，意图权重为1/1/2/3
6. GEO-Check（生成引擎优化检查）：识别AI易回答的查询类型（问题、定义、对比、列表、操作指南）
7. Cluster（主题聚类）：构建支柱页+集群内容的中心辐射式架构
8. Deliver（交付成果）：执行摘要、速赢机会/增长机会/GEO机会、主题集群、内容日历、下一步行动
质量门槛：每条推荐必须包含具体数字，禁止泛化建议（如"应针对长尾关键词"须改写为"针对'非营利组织项目管理'（月搜索320，难度22）——前10无DR>40站点"）。
显著优点
- 方法论严谨：8阶段流程覆盖从战略到执行的完整链路，避免碎片化研究
- 数据驱动评分机制：将搜索量、意图商业价值、竞争难度量化为可比较的机会分数
- GEO前瞻性：专门识别AI引擎优先回答的查询类型，适应搜索生态演变
- 多语言支持：内置中英日韩葡西等6语言触发词，覆盖全球化SEO场景
- 生态集成：与同一作者的20个SEO/GEO技能库协同，支持skill handoff机制
- 灵活数据源：可选连接Ahrefs/Semrush/Search Console，也支持纯手动输入
潜在局限
- 依赖外部数据质量：无API连接时，用户提供的搜索量和难度数据可能存在偏差
- 自动化程度有限：评分公式中"Intent Value"为固定权重（1/1/2/3），未考虑行业差异
- GEO判断为启发式：AI-answer-friendly的识别基于查询模式（问题/定义/对比），非实时SERP验证
- 执行门槛：8阶段完整执行耗时较长，轻量需求可能显得冗余
- 竞争动态缺失：未内置实时SERP监控，关键词难度评估可能滞后于实际竞争变化
适合人群
- 内容策略师/SEO经理：需要系统化关键词优先级排序，支撑季度内容规划
- GEO优化从业者：希望预判AI引擎回答偏好，抢占AI Overview等新兴流量入口
- 跨境独立站运营：依赖多语言关键词研究拓展海外市场
- B2B SaaS市场团队：需要通过搜索意图分类匹配不同漏斗阶段的内容
- 技能库深度用户：已在使用同一作者技能生态，需要标准化的research-to-action handoff
常规风险
| 风险类型 | 说明 | 缓解建议 |
|---------|------|---------|
| 数据时效性 | 搜索量/难度数据可能过时 | 每季度复核，标注数据来源时间 |
| 过度依赖工具评分 | 机会分数为简化模型，可能遗漏品牌价值、转化效率等维度 | 结合业务实际转化数据交叉验证 |
| GEO判断误判 | 启发式识别非100%准确 | 对高优先级GEO关键词人工抽查AI回答现状 |
| 执行资源错配 | 8阶段完整输出可能超出小型团队执行能力 | 根据团队规模选择快速模式或分阶段交付 |
| 意图分类争议 | 部分查询意图边界模糊（如"best software"介于商业与交易之间） | 标注不确定性，建议A/B测试内容角度 |