# geolook **Repository Path**: kill_art/geolook ## Basic Information - **Project Name**: geolook - **Description**: No description available - **Primary Language**: Unknown - **License**: MIT - **Default Branch**: main - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 0 - **Created**: 2026-08-23 - **Last Updated**: 2026-08-23 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README
# Geo**Look** **开源的全流程 GEO 实施平台 · 自托管** 面向具体项目：现状分析 → 诊断 → 方案 → 实施计划工单 → 执行落地 → 效果验收 [English](README.md) · 简体中文 · [日本語](README.ja.md) ![License](https://img.shields.io/badge/license-MIT-9184d9) ![Python](https://img.shields.io/badge/python-3.9%2B-9184d9) ![Platform](https://img.shields.io/badge/platform-macOS%20%7C%20Linux-9184d9) ![Deps](https://img.shields.io/badge/deps-requests%20·%20bs4%20·%20lxml-9184d9) GeoLook - 开源自托管的全流程 GEO 实施平台 | Product Hunt ![产品演示](docs/demo.gif) 🌐 [官网 geolook.cc](https://geolook.cc) · 🔍 [在线演示（只读）](https://geolook.cc/demo/) · 📹 [高清演示视频 (mp4)](docs/demo.mp4) · 🖼 [全部截图](docs/screenshots/) 域名生效前可用镜像：[geolook.cc](https://geolook.cc) · [演示](https://geolook.cc/demo/)
> GEO = 生成式引擎优化（Generative Engine Optimization）：让 DeepSeek、豆包、ChatGPT、Perplexity 这些 AI 引擎在回答用户问题时，**主动提到并引用你的品牌**。不是地理信息，也不是传统 SEO。 ## 一、解决什么问题 越来越多的用户直接问 AI「有哪些好用的 XX 工具」「XX 和 YY 哪个好」。如果你的品牌： | 问题 | GeoLook 给的答案 | |---|---| | **AI 根本不提你**——搜品类问题时你不在候选集里 | 逐引擎采样真实回答，量化提及率/位次/引用份额，诊断出「完全缺席」还是「竞品主导」 | | **不知道为什么不提你**——AI 是黑盒 | 六维站点体检 + 差距诊断：抓不到正文？缺抽取块？没铺 AI 实际引用的阵地？口径不一致？逐项定位 | | **知道该做但落不了地**——建议一堆，没人执行没人验收 | 生成带验收标准的实施工单，86% 可由程序自动验收（示例项目 18/21），做没做完不靠口头确认 | | **做了不知道有没有用** | 逐题前后期采样对比 + 任务级 before/after，哪些动作真的让 AI 改了口，有数 | | **给客户做 GEO 服务，交付难** | 一键产出诊断报告、优化方案、执行方案、工单 CSV、验收表的完整交付包 | ## 二、功能全景 四段主线 + 运营能力，全部在一个自托管看板里： ### 现状 · 我在 AI 里什么样 - **引擎表现**：国内海外 17 个引擎（10 个 API 自动采样 + 7 个人工采样，含 Google AI Overviews 与秘塔），每个引擎的提及率、提及位次、引用份额、它实际在引用谁、**样本回放**（真实回答原文，品牌命中高亮）、疑似负面标记 - **品牌提及分布**：单引擎与全引擎汇总，回答里你和竞品各占多少（国内/海外分开算） - **竞品对比**：同一批无提示样本下的对手出现率；**每个对手最强的引擎**一键联动；每个对手的**信源构成**（它被谁引用）与「竞品有、你没有的信源」阵地差集——输给谁升级为输在哪块阵地；「被抢走的问题」「你独占的问题」直接变成选题池 - **问题库**：七组问题（推荐/比较/替代/价格/风险/品牌验证/场景），**意图分组卡**（买家/教育/探测三类，一眼看出哪类问题上最没存在感）；每题带**诊断分型**（疑似负面 > 竞品主导 > 完全缺席 > 排名靠后），点名探测题单独归类不污染指标 - **样本库**：每条 AI 答案的元数据可浏览、可人工复核纠正——正则判读的撞词/否定语境误判在这里修，改完立刻重算指标、重跑不覆盖人工结论；每条样本带**引用源站构成**（域名 × 次数 · 占比）与采样环境溯源（沙箱/无痕/专用号/个人号，个人号自动降级待复核） - **拓词选题**：以品牌/竞品/品类为词根，拉**百度下拉 + Google 补全**的真实搜索词扩充选题（免费公开端点，无需 Key）；每期快照 diff 标「需求上升」参与选题排序；竞品词根扩出的替代/对比问法直达竞品对比页。只产候选，入库手动勾选，不动指标口径 ![引擎表现](docs/screenshots/engines.png) ![样本库](docs/screenshots/samples.png) ### 诊断 · 为什么是这样 - **站点体检**：按「**访问 → 定向 → 理解 → 可引用**」四层依赖链组织——每层依赖上一层，访问层失败时下游一切优化在引擎侧不可见，修复顺序算给你。访问层远不止查 robots：RFC 9309 规范的 robots 解析（通配符组封禁、多 UA 共享组、specificity 覆盖这些逐行正则漏掉的都能检出）、**换真实 AI 爬虫 UA 的 WAF/CDN 差异探测**（robots 放行但 CDN 403，浏览器里看不出来）、X-Robots-Tag 头级 noindex、llms.txt 链接有效性、hreflang 覆盖、sitemap 索引污染与重复标题/近重复正文检测；**段落级可引分析**——检索按段落选材，整页无一段自包含可引的页面会被点名并给出改法。点等级或缺块直接筛选问题页、直达修复工单 - **差距诊断**：内容缺口 → 阵地缺口 → 事实偏差，三类按「先修哪个」排序 - **阵地地图**：19 个阵地（百科/榜单站/公众号/头条/知乎/技术社区/G2/Wikipedia/Reddit/YouTube…）按真实引用语料标注分量与优先级；每个阵地写清**建什么、建多少、节奏、谁来做** - **品牌事实库**：全站唯一口径来源——llms.txt、JSON-LD、内容草稿都从这里取事实；AI 说法逐条比对，比对过「事实一致性」才进健康分 ![站点体检 · 四层链条](docs/screenshots/siteaudit.png) ![阵地地图](docs/screenshots/channels.png) ### 提升 · 该做什么 - **行动计划**：结构化工单（依据/负责角色/工作量/时间窗口/验收标准）带独立**风险分级**（低风险快速优化 / 需观察·发布后 7/14/28 天复核 / 高风险技术改造·备份小批量留回滚——优先级说多重要，风险说动手时多小心）；标「自动」的由重抓站点 + 下期采样判定；量化工单显示「首测 → 当前 → 目标」进度条，回归自动打回；工单直达它最该写的那道题 - **内容工作台**：选题池按「未提及 + 无内容」排序；写稿时左侧给必含抽取块与品牌事实，右侧实时**可被引用度预检**；AI 初稿必须过编造风险 lint；**分发清单**按问题类别匹配目标阵地，铺完打勾 - **部署资产**：llms.txt、JSON-LD（Organization/FAQ/Article…）、定义块与 FAQ 的 HTML 片段，每个文件标注去处；**AI 流量归因包**（GA4「AI 引擎」渠道组正则 + 服务器日志统计脚本 + 来源快照说明，把闭环从「被引用」延伸到「带来转化」）；DEPLOY.md 给开发的部署清单含验收标准 - **发布渠道**：按**通用 / 国内 / 海外**分组——GitHub、WordPress 草稿、公众号草稿箱、Webhook，加真实接入的 **X**（标题+摘要+自动回链的引流推文）与 **Reddit**（markdown 全文自帖）；每个渠道配置弹窗内置分步教程与申请页直达；每篇成稿可勾选多渠道一次发布，发布状态同步回行动计划、待发布清单与问题库。没有个人可用官方 API 的平台（微博/小红书/头条/B站/LinkedIn/Facebook/Instagram）**刻意不接**——宁可不接不做假接入，页面写明原因并给 Webhook 桥接。凭证在本地 `.env`，每次发布逐篇人工确认，无任何自动外发路径 ![行动计划](docs/screenshots/plan.png) ![内容工作台](docs/screenshots/workbench.png) ![发布渠道](docs/screenshots/publishing.png) ### 成效 · 做了有没有用 - **效果验收**：逐题前后期提及率对比（全部/国内/海外分 tab）、任务级 before/after、验收历史 - **报告与交付**：给老板的一页结论、给执行团队的分批执行方案、给客户的完整交付包（HTML + CSV） ### 运营 - **周期复跑**：每 7/14/30 天自动跑完整一期；`./scripts/service.sh install` 把看板注册为 **macOS 常驻服务**（登录自启、崩溃自动拉起、关终端不停），到期必跑，真正无人值守 - **多品牌**：一个实例管多个项目，数据互相隔离，侧栏一键切换 - **人工采样闭环**：无 API 的引擎导出采样表（`--intent buyer --limit 20` 出每周买家意图轻量周检表），人工/浏览器填完回灌，与自动采样同一套指标 ### 采样助手（Chrome 插件，`extension/`） 无 API 的引擎恰恰是真实用户最多的入口。侧栏载入买家意图队列（按分组分节）→ 填入问题（默认手动模式**回车由你按**）→ 答案生成完一键提取全文与全部引用链接 → 回传本机看板入库为 A 级样本——每周核查从半小时压到十分钟。可显式开启「自动跑队列」（人在场、限速、上限 20 题、撞验证码/风控立刻停，ToS 风险在其 README 如实写明）。配套 `sandbox.sh`：一条命令起**一次性干净沙箱**（无历史无 Cookie、插件自动装载）或持久登录沙箱——「陌生买家看到什么」的采样卫生从纪律变成一条命令。 ## 三、和市面 GEO 工具的区别 市面上的 GEO 产品绝大多数是**监测型 SaaS**：告诉你提及率和排名，按月收订阅费，数据在别人云上。GeoLook 的定位是**实施平台**，差别在这几处： | | 典型 GEO 监测 SaaS | GeoLook | |---|---|---| | **闭环深度** | 监测 + 建议 | 监测 → 诊断 → **工单 → 资产 → 自动验收 → 交付**，落地全流程 | | **验收方式** | 无（或人工回填） | 程序判定：重抓站点 + 下期采样自动验收，回归自动打回 | | **指标口径** | 黑盒算法 | 全部可复现，界面里点开「这些数字怎么来的」查完整口径；算不出显示「未测」，不编数 | | **中文市场** | 多为海外引擎 | 国内引擎矩阵（GLM/豆包/DeepSeek/Kimi/MiniMax/纳米/百度AI）+ 按国内引用语料标定的阵地（百科/榜单站/公众号/头条…），国内海外分开出题分开算 | | **评分依据** | 经验规则 | 锚定公开实证数据：602 条 Prompt / 21,143 条引用 / CN-GEO 187,818 条国内去重引用（[references/](references/)） | | **数据归属** | 厂商云端 | **全部在你本机** `work/` 目录（JSON/Markdown），git 一下就是备份 | | **成本** | 按月订阅 | 开源免费，只花你自己的引擎 API 采样费（可为零：纯人工采样也能跑） | | **交付能力** | 截图仪表盘 | 直接产出可发客户的诊断报告/优化方案/执行方案/工单表，适合代理商与顾问 | 诚实说明边界：GeoLook 是单机工具，没有账号体系和团队协作；采样频率与样本量由你自己的 API 预算决定；「疑似负面」等判定是线索提示，定性仍需人工复核——这些是刻意的设计取舍，不是还没做完。 ## 四、部署教程 ### 环境要求 - macOS 或 Linux（Windows 请用 WSL；代码用了 `fcntl` 文件锁） - Python **3.9+** - 唯三的第三方依赖：`requests`、`beautifulsoup4`、`lxml` ### 三步跑起来 ```bash # 1. 克隆并安装依赖 git clone https://github.com/aigclink/geolook.git cd geolook pip3 install requests beautifulsoup4 lxml # 2. 启动看板（自动打开浏览器） python3 scripts/geo.py ui # → http://127.0.0.1:8765 # macOS 可注册为常驻服务：./scripts/service.sh install # （登录自启、崩溃自动拉起、关终端不停） # 3.（可选）配置引擎 API Key # 方式 A：看板「设置 → 引擎与密钥」里点「配置」填入，自动写进本地 .env # 方式 B：cp .env.example .env 后手动编辑 ``` **一个 Key 都不配也能用**：自动采样会跳过，改用「导出人工采样表 → 人工/浏览器采样 → 回灌」的流程；抓站、体检、工单、资产等功能不依赖任何 Key。配一个国内引擎 Key（如 DeepSeek/GLM）即可解锁「自动推导问题库/品牌事实」和「AI 初稿」。 ### 服务器/远程部署 服务默认只绑定 `127.0.0.1`。要远程访问，两种方式： ```bash # 方式 A（推荐）：SSH 隧道，不暴露任何端口 ssh -N -L 8765:127.0.0.1:8765 user@your-server # 然后本地浏览器打开 http://127.0.0.1:8765 # 方式 B：绑定公网 + 访问令牌（两个变量缺一不可，不设令牌会拒绝启动） export GEOLOOK_TOKEN=$(openssl rand -hex 16) export GEOLOOK_HOST=0.0.0.0 python3 scripts/geo.py ui # 浏览器首次访问输入令牌（或打开 http://server:8765/?token=令牌）， # 之后凭 HttpOnly cookie 访问；API 调用带 X-Geolook-Token 头 ``` 公网部署建议再套一层 HTTPS 反向代理（nginx/caddy），令牌走明文 HTTP 会被中间人看到。`.env` 与 `work/` 含密钥和项目数据，注意文件权限。 ### 升级 ```bash git pull # 数据在 work/ 与 .env，均被 gitignore，升级不影响 ``` ## 五、使用教程 ### 路线 A：一条命令全自动（约 10–30 分钟） ```bash python3 scripts/geo.py new --url https://example.com --market both ``` `--market` 取 `cn` / `global` / `both`。九步自动完成：抓站 → 体检 → 推导品牌事实/竞品/问题库 → 逐引擎采样 → 生成工单 → 产出资产 → 报告 → 自动验收 → 交付包。产出在 `work/<项目>/delivery/<日期>/`。 ### 路线 B：看板逐步走（推荐首次使用） **第 1 步 · 接入品牌**：`python3 scripts/geo.py ui` → 首次进入自动到接入引导，填官网域名、选目标市场，点「创建并开始自动引导」。后台自动跑完首期（可关页面，任务照跑）。 **第 2 步 · 人工核对底座**（重要，10 分钟）：自动推导只从官网正文抽取，抽不到的标「待确认」。到「**品牌事实库**」核对口径、补别名与关键数字；到「**问题库**」检查题目是否像真实用户问法（漏配别名会低估提及率）。 **第 3 步 · 看现状**：「总览」一句结论 + 健康分五项；「引擎表现」逐引擎下钻，点样本回放看 AI 原话，发现说错的点「记一条事实偏差」；「竞品对比」看对手最强的引擎——那就是你要去建设的信源。 **第 4 步 · 看诊断**：「站点体检」技术层（点缺块直达修复工单）→「差距诊断」内容/阵地/事实三类缺口 →「阵地地图」每个阵地点开看建设方案（建什么/建多少/节奏/谁来做）。 **第 5 步 · 执行**： - 「行动计划」按 P0→P1 领工单，点标题看详情（为什么做/具体怎么干/怎么算做完） - 「内容工作台」从选题池选题 → 按大纲写稿（右侧预检达到 B 以上）→「发布为成稿」→ **分发清单**告诉你该铺到哪些阵地，铺完打勾 - 「部署资产」把 llms.txt 传网站根目录、JSON-LD 贴进 ``、片段贴进模板（每个文件顶部写了去处，完整清单见 DEPLOY.md） **第 6 步 · 验收**：「设置 → 运行任务」点「自动验收」（重抓站点判定工单）；下一期采样后到「效果验收」看逐题 before/after。 **第 7 步 · 长期运营**：「设置」开启周期复跑（每 7/14/30 天自动跑一期）；「报告与交付」生成月报与客户交付包。 ### 没有官网的商品/品牌 没有自有网站也能做 GEO——官网只占国内引用的 1.37%，AI 可见性主要靠外部阵地： ```bash python3 scripts/geo.py init --no-site --name "商品名" --materials 介绍材料.md --market cn ``` 介绍材料取代官网正文，成为品牌事实、竞品与问题库的推导底座（不给 `--materials` 会生成模板让你填）。差异只有三处：抓取/体检自动跳过、llms.txt 与 JSON-LD 不产出 （需挂自有域名）、**引用官网率显示「不适用」而非 0**。其余全部照常。 ### 无 API 引擎的人工采样 ```bash python3 scripts/geo.py sample-sheet --slug <项目> # 导出采样表（含每题指引） python3 scripts/geo.py sample-sheet --slug <项目> --intent buyer --limit 20 # 每周买家意图周检表 # 人工/浏览器在纳米AI、百度AI、ChatGPT网页版等提问并粘贴回答 python3 scripts/geo.py sample-import --slug <项目> --file <采样表> ``` 也可在看板「设置 → 运行任务」里点「导出人工采样表」，「引擎表现」页导入。 ### CLI 速查 | 命令 | 作用 | |---|---| | `new` / `serve` / `cycle` | 全自动新项目 / 已有项目跑完整一期 / 轻量循环 | | `ui` | 全流程看板 | | `bootstrap` / `crawl` / `audit` | 推导底座 / 抓站 / 六维打分 | | `sample` / `sample-sheet` / `sample-import` | API 采样 / 人工采样表导出与回灌 | | `plan` / `generate` / `lint` | 生成工单 / 生成资产（`--draft` 出初稿）/ 初稿风险检查 | | `verify` / `report` / `deliverables` / `deliver` | 自动验收 / 报告 / 三份交付物 / 客户交付包 | | `publish` / `task` / `status` / `list` | 发布成稿 / 工单状态 / 项目看板 / 项目列表 | 每条命令 `--help` 有完整参数。 ## FAQ **Q：AI 回答每次都不一样，采样结果怎么保证稳定？** 单条 AI 回答天然有随机性，所以 GeoLook 的指标**从不看单条回答**，稳定性靠四层机制： 1. **聚合口径**——提及率等指标是「几十道题 × 多个引擎」的比例，单题抖动会被摊平； 2. **固定变量**——每个引擎的采样模型版本固定（设置里可查可改），问题库固定，同一套题跨期复用，变的只有时间； 3. **多轮加密**——`sample --repeat N` 支持每题重复采样，预算够可以加密样本量； 4. **归因纪律**——界面里明确标注「单期波动默认只作观察相关」「下降未必是变差——采样有噪声」，连续两期同向变化才当趋势；工单验收靠重抓站点这类确定性信号，不单赌采样。 诚实说：它测的是**分布**不是定值——这恰恰更接近真实用户体验，因为真实用户每次问 AI，得到的本来就是随机采样的回答。 ## 评分依据 六个体检维度全部锚在公开实证数据上，`scripts/audit.py` 是 [references/method.md](references/method.md) 的代码实现。几条最有用的结论： - 高影响力页面平均 **1,943 词**，低分页仅 170 词（11.4×） - 含数字 **+61.6%**、定义 **+57.3%**、对比 **+55.3%**、how-to **+41.2%** 被引用概率 - 纯 Q&A 排版反而 **−5.7%**——排成问答样子没用 - 对题性是最强预测因子（r = 0.432），高于权威度 - 品牌官网类信源只占国内全库引用的 **1.37%**——官网是事实源不是引用源，外部阵地才是引用来源 ## 设计原则与安全边界 - **单机自托管**：标准库 `http.server` 只绑 127.0.0.1；无数据库无账号，数据即文件 - **宁缺毋滥**：品牌事实只从官网正文抽取，抽不到标「待确认」；竞品严禁发明名字；AI 初稿必须过 lint 并人工核实 - **验收即产品**：能自动判定的绝不靠人回填 - **发布永远手动**：渠道凭证在本地 `.env`（权限 600），每次发布人工点击确认；公众号/WordPress 只进草稿箱 ## 与 Claude Code 集成（可选） 本仓库同时是一个 Claude Code 技能（[SKILL.md](SKILL.md)）：放进技能目录后对 Claude 说「给 example.com 做 GEO」即可驱动全流程。不用 Claude 也完全可用——所有脚本都是普通 CLI。 ## 目录结构 ``` scripts/ 全部逻辑（geo.py CLI · dashboard.py 看板服务 · ui.html 单页前端 · service.sh 常驻服务） extension/ Chrome 采样助手插件 + sandbox.sh 沙箱 + 自带 e2e 测试 references/ 方法论：采样纪律、内容模式实测、归因口径、国内外平台引用结构 tests/ 单元测试 work// 每个项目的全部数据（gitignore，不出本机） docs/ 截图与 40 秒演示视频 ``` ## 致谢 - [@yaojingang](https://github.com/yaojingang) ## 联系我 问题、建议或合作：邮箱 [bingqiang2008@gmail.com](mailto:bingqiang2008@gmail.com)，或提 [issue](https://github.com/aigclink/geolook/issues)。 ## License [MIT](LICENSE)