- AI 应用
- 人工智能
- 大模型
- 后端
- AI 评测
【免费下载链接】geolook
Open-source end-to-end GEO implementation: status analysis, diagnosis, strategy, tickets, execution, verification
GeoLook 是一个开源的 GEO（Generative Engine Optimization，生成式引擎优化）实施平台，帮你把品牌事实库和问题库一次搭好，让 ChatGPT、豆包、DeepSeek 等 AI 引擎在回答用户提问时，按你自己的口径描述品牌。本教程用约 10 分钟，带你完成这套"底座工程"——这也是整个 GEO 流程里最值得先做的一步。
为什么AI会"胡说"你的品牌？
传统 SEO 的终点是排名和点击；GEO 的终点是AI 答案里的那句话是不是按你的口径说的（详见 references/method.md）。
AI 回答品牌类问题时，通常走三层漏斗：触发联网检索 → 选信源进引用列表 → 把内容吸收进答案。如果它检索不到你、或者只能拼凑出零散矛盾的信息，结果就是：
- 品牌名拼错、行业归错（张冠李戴）
- 价格、功能与官网不一致
- 同类问题每次回答口径都不一样
GeoLook 的思路很直接：先建一份全站唯一的口径来源（Single Source of Truth）——品牌事实库，再建一份决定"AI 会在什么场景被问到"的问题库。之后 llms.txt、JSON-LD、内容草稿全部从这两份底座生成，改一处、处处同步。
快速启动 GeoLook（3 步）
环境要求：macOS / Linux（Windows 可用 WSL），Python 3.9+，仅 3 个第三方依赖。
# 1. 克隆并安装 git clone https://gitcode.com/gh_mirrors/ge/geolook cd geolook pip3 install requests beautifulsoup4 lxml # 2. 启动本地看板（自动打开浏览器，默认 127.0.0.1:8765） python3 scripts/geo.py ui零 API Key 也能用：抓站、体检、工单、资产生成都跑通，只是自动采样会跳过。配一个国内引擎 Key（如 DeepSeek/GLM）后，还能解锁"自动推导品牌事实与问题库"的 AI 初稿能力——本教程第 3 步就用得上。
Key 配置方式：看板里Settings → Engines & Keys直接填写，或复制.env.example为.env后编辑。
第 1 步：自动推导品牌事实初稿
在界面里新建项目（3 步向导：填写官网 URL + 市场），或直接跑一条命令：
python3 scripts/geo.py new --url https://你的官网.com --market both其中bootstrap环节会做一件关键的事：只从你官网的正文里抽取品牌事实，生成work/<项目>/content/facts.md事实卡和 geo.json 中的品牌/竞品/问题字段。
这里的编造防线值得注意（实现见 scripts/bootstrap.py）：
- 只从抓到的官网正文抽事实，禁止 LLM 用"常识"补充
- 抽不到的字段一律标**「待确认」**，不允许留空猜测
- 数字必须原样引用正文，不换算、不取整
- 竞品由采样答案反推确认——没被 AI 答案提到的不算真实竞品
⚠️纪律：标了「待确认」的字段（成立时间、工商主体、可具名客户等），要么你补齐，要么明确"不对外说"。这条纪律贯穿 GeoLook 的设计原则——"Never fabricate"。
第 2 步：人工复核品牌事实库（最值钱的 5 分钟）
打开看板左侧DIAGNOSIS → Brand Facts页面，把推导出的事实逐条过一遍：
| 必查项 | 为什么重要 |
|---|---|
| 别名与常见错写 | AI 靠别名做实体消歧；漏配别名会直接低估提及率 |
| 一句话定义 | 这句话就是 AI 最可能摘走的那句，必须在官网首屏、关于页、JSON-LD description、llms.txt 四处一字不差 |
| 关键数字（价格、团队规模、试用政策） | 每条带来源和核验日期，AI 说错的数字就是 P0 事实错误 |
| 禁用表达 | 绝对化/未核实的说法要改写成可核实版本 |
每条事实都标注证据等级：A 官方已证实/B 第三方可佐证/C 内部待授权/D 需补证/E 禁止使用，模板完整定义见 references/content-patterns.md 第 1 节。页面上还能把"AI 当前的说法"与你的口径逐条比对，比对通过的"事实一致性"会计入 GEO 健康分。
改完事实库后点Regenerate llms.txt & structured data，所有下游资产即刻同步——这就是"单一真相源"的威力。
第 3 步：搭建问题库——决定AI在哪些场景被问到
问题库决定三件事：采样什么、写什么内容、怎么算指标。GeoLook 按七组组织问题，每组 3–6 题：
- 买家意图组：推荐 / 比较 / 替代 / 价格 —— 离成交最近，优先补
- 需求教育组：场景 / 风险
- 探测组：品牌验证（点名品牌的题，单独归类，不污染提及率）
编辑看板左侧STATUS → Questions页面，重点检查两件事：
- 问法像不像真实用户——中文题要口语化，英文题要原生表达（不是机翻）。"国内做私域运营的 SaaS 有哪些好用的？"是好题，"我们的 SaaS 有什么优势？"不是。
- 每题的
market标签——cn/global/both。脚本据此路由：中文题不会打到 Perplexity，英文题不会打到豆包。both只留给品牌验证类。
每题还会被自动打上诊断分型（疑似负面 > 竞品主导 > 完全缺席 > 排名靠后），配合"Rising demand"标记（来自百度下拉 / Google 补全的真实需求挖掘），选题池自动按"未提及 + 无内容"排到最前面——先写哪篇，数据说了算。
第 4 步：让底座"生效"——生成资产并验收
底座搭好后，事实库的下游资产一键生成：
python3 scripts/geo.py generate --slug <项目>产出到work/<项目>/assets/：
| 产物 | 部署位置 | 作用 |
|---|---|---|
llms.txt/llms.en.txt | 网站根目录 | 给 AI 引擎的"官方事实索引" |
jsonld/*.json | 页面<head> | Organization / FAQPage 等结构化数据，让机器读得懂你的实体 |
snippets/definition.*.html | 首屏口号下方 | 可被整段摘走的定义块 |
snippets/faq.*.html | 对应页面 | FAQ 块（答案需在静态 HTML 中可见） |
之后跑verify自动重抓站点验收——能自动验收的，就不靠人口头说"做完了"，这是 GeoLook 与"只给建议"的工具的本质区别。
常见问答
Q：没有官网的商品/品牌怎么办？
照样能做——实测国内 AI 引用的信源里，品牌自有官网只占1.37%，AI 可见性本来就主要靠外部阵地：
python3 scripts/geo.py init --no-site --name "产品名" --materials 介绍材料.md --market cn介绍材料会取代官网正文成为推导底座，抓取/体检自动跳过，其余流程完全照常。
Q：事实库建好后多久见效？
建议节奏：页面体检每周一次，AI 答案采样每两周或每月一次。采样有成本且指标本身有噪声，跑太密反而看不出信号。
Q：GeoLook 会承诺"一定被引用"吗？
不会。GeoLook 的边界写得很清楚：GEO 提高的是概率，不是保证；"suspected negative"等标记只是线索，最终由人复核。每条建议都必须能追溯到 references/method.md 里的某条实测数字。
小结：10 分钟做了三件事
| 步骤 | 时间 | 产出 |
|---|---|---|
| 启动看板 + 自动推导 | ~2 分钟 | 事实卡初稿 + 竞品候选 + 问题库初稿 |
| 复核事实库口径 | ~5 分钟 | 带证据等级、无"待确认"遗留的品牌事实库 |
| 校准问题库问法与市场标签 | ~3 分钟 | 七组问题、每题可路由 |
品牌事实库和问题库是整个 GEO 工程的"地基"：事实口径错了，后面所有内容和指标都是在放大错误；问题库偏了，采样和内容全在空转。用 GeoLook 把这两件事做成可再生、可比对、可验收的结构化资产，后面的内容生产、外部阵地建设、效果验证才有据可依。
延伸阅读：SKILL.md（完整方法论与全部命令）、README.zh-CN.md（功能全景）、references/cn-source-ranking.md（国内信源实测榜——会改变你的资源分配方式）。
- AI 应用
- 人工智能
- 大模型
- 后端
- AI 评测
【免费下载链接】geolook
Open-source end-to-end GEO implementation: status analysis, diagnosis, strategy, tickets, execution, verification
相关推荐
BewlyBewly 品牌建设：如何打造独特的品牌形象
BewlyBewly 品牌建设：如何打造独特的品牌形象 BewlyBewly 作为一款专注于优化 Bilibili 用户体验的浏览器扩展，通过界面重设计、功能增
前端yao-geo-skills意图挖掘教程：如何为AI搜索建立品牌问题库、意图簇与FAQ题库
yao geo skills意图挖掘教程：如何为AI搜索建立品牌问题库、意图簇与FAQ题库 在 AI 搜索时代，品牌能否被 DeepSeek、豆包、Kimi 等
SGMSE架构解析：NCSNPP与DCUNet骨干网络的技术对比
SGMSE架构解析：NCSNPP与DCUNet骨干网络的技术对比 SGMSE（Score based Generative Models for Speech
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
![[workbuddy] 文献综述](http://pic.xiahunao.cn/yaotu/[workbuddy] 文献综述)
