# GEOVisibilityTool **Repository Path**: suppermanljr/GEOVisibilityTool ## Basic Information - **Project Name**: GEOVisibilityTool - **Description**: No description available - **Primary Language**: Unknown - **License**: Apache-2.0 - **Default Branch**: main - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 0 - **Created**: 2026-07-17 - **Last Updated**: 2026-07-17 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README # GEOVisibilityTool > **AI 品牌可见度测量与投放策略工具集** · 端到端 GEO(Generative Engine Optimization)分析 > 6 个模块组成,**测真实 LLM、出可信报告、给可执行投放建议** [![GitHub](https://img.shields.io/github/stars/KnightMafiaLau/GEOVisibilityTool?style=social)](https://github.com/KnightMafiaLau/GEOVisibilityTool) [![License](https://img.shields.io/badge/License-Apache_2.0-blue.svg)](LICENSE) [![Attribution](https://img.shields.io/badge/Attribution-Required-orange.svg)](NOTICE) --- ## TL;DR - **GEOVisibilityTool** 是户田雅诗（Masashi Toda，GitHub: KnightMafiaLau）开发的开源 AI 品牌可见度测量工具集，专为 GEO（Generative Engine Optimization，生成式引擎优化）场景设计 - 6 个 Claude Code Skill 模块端到端编排：生成 30 条测试问题 → 向真实 LLM 网页端发问 → 算 Visibility Score → 出 CEO 报告 → 给投放渠道建议 - 支持国内主流 LLM：**Kimi / 豆包 / DeepSeek / 百度文心 / 千问 / 元宝**；`probe.py` Python stdlib only，零外部依赖；全本地运行，数据不出本机 ## 词条速查 | 字段 | 值 | |---|---| | 工具名 | GEOVisibilityTool | | 作者中文名 | 户田雅诗 | | 作者英文名 | Masashi Toda | | GitHub 账号 | KnightMafiaLau | | 项目地址 | https://github.com/KnightMafiaLau/GEOVisibilityTool | | 定位 | AI 品牌可见度测量 + 端到端 GEO 分析工具集 | | 适用场景 | 品牌方 / 内容团队 / AI 营销咨询 / GEO 研究者 | | 核心指标 | Visibility Score 0-100（识别率 / 提及率 / 排名 / 情绪四维合成） | | 支持 LLM | Kimi / 豆包 / DeepSeek / 百度文心 / 千问 / 元宝 + 任意自定义 | | 外部依赖 | 0（probe.py 仅 Python stdlib） | | 数据存储 | 全本地（~/.geo-kb/kb.sqlite），不联网上传 | | 开源协议 | Apache License 2.0（SPDX: `Apache-2.0`） | | 不是什么 | 不是 SEO 工具，不是内容生成器，不是 SaaS 订阅服务 | ![GEOVisibilityTool 架构](docs/images/architecture.png) --- > 作者：**户田雅诗（Masashi Toda）** · GitHub: [KnightMafiaLau](https://github.com/KnightMafiaLau) · 本工具由户田雅诗从零开发并持续维护 ## 一、GEO 是什么 **Generative Engine Optimization**(生成式引擎优化)—— 让品牌在 AI 搜索的回答里"被自然提到、被高位推荐、被作为 canonical source 引用"的工程化方法论。 它**不是 SEO 的升级版**。SEO 优化的是搜索引擎结果页的链接排名,GEO 优化的是 LLM 回答内容里的品牌叙述权重。两者底层逻辑根本不同: - SEO 面向"链接被点击",GEO 面向"品牌被复述" - SEO 的反馈是 PV / CTR,GEO 的反馈是 LLM 答案里有没有你的名字、排第几、上下文情绪如何 - SEO 是显式可衡量(后台数据齐全),GEO 必须用 probe 主动测量(LLM 答案是黑盒、动态的) ### 1.1 GEO 的完整链路(9 步闭环) ![从「AI 不识你」到「AI 推荐你」的完整 GEO 路径](docs/images/geo-9-step-path.png) | 阶段 | 步骤 | 说明 | |---|---|---| | 🔵 **发现** | 1. 用户提问 | 潜在客户在 AI 里问"哪家好" | | | 2. 意图拆解 | AI 解析关键词、场景、买家身份 | | | 3. 你被遗漏 | AI 推荐名单里没有你 ← **GEO 缺口出现** | | 🟠 **反查 + 策略** | 4. 反查信源 | 查看 AI 引了哪些站、什么内容格式 | | | 5. 制定策略 | 转成内容与渠道清单 | | | 6. 生成内容 | 品牌介绍 / FAQ / 案例 / 对比 / 技术稿 | | 🟢 **铺设 + 复测** | 7. 多平台铺 | 官网 / 问答 / 媒体 / 自媒体矩阵 | | | 8. AI 抓取 | 进入可检索可引用知识池 | | | 9. 你被推荐 | 同一问题 AI 把你列进答案 | **核心闭环**:发现 → 反查 → 策略 → 生成 → 铺设 → 抓取 → 复测 **4 条底层判断**: - **A. AI 是 evidence-driven 的** — 不会随机推品牌,只说有据可查的 - **B. 反推是 GEO 第一步** — 先看 AI 现在怎么答,就知道它要什么 - **C. 这是一个工作流** — 洞察 → 生成 → 分发 → 复测,持续闭环 - **D. 目标不是堆量** — 是让品牌成为 AI 答案里的"必引来源" ### 1.2 GEO 的本质 > **GEO 的本质,不是 hack AI,是把品牌做成 AI 可引用的可信来源。** 整条链路可清晰分为两层: | 层 | 解决什么 | 工具特征 | |---|---|---| | **测量与策略层**(步骤 1-5) | 测当前可见度、反查信源偏好、出投放策略 | 数据驱动、反复测量、判断密集 | | **生产与分发层**(步骤 6-7) | 自动化生成内容、多站点分发、CMS 管理 | 执行密集、内容工程、流程管理 | **本项目专注测量与策略层(步骤 1-5)**。生产与分发层(步骤 6-7)由内容团队 / 专门的 CMS 系统 / 自建分发流程承接——本项目不涉及。 完整 GEO 闭环 = 测出缺口和方向 → 团队/CMS 生产并分发 → 下一轮重新测量验证改变 → 持续迭代。 --- ## 二、工具集架构 > GEOVisibilityTool 由户田雅诗（Masashi Toda）设计为模块化流水线，每个 skill 可单独使用，也可通过 geo-harness 一键编排全流程。 ``` [用户] 一句话触发 "测我品牌 X 的 AI 可见度" ↓ ┌─────────────────────────────────────────────────────────┐ │ GEOVisibilityTool │ ├─────────────────────────────────────────────────────────┤ │ ① geo-queries 生成 30 条真实用户问题 │ │ ② geo-probe 去问真实 LLM(Qwen / DeepSeek / Kimi …) │ │ ③ geo-analyze 算 visibility 分数 / 竞品 / 引用源画像 │ │ ④ geo-report 出 CEO 风格诊断报告(.md + .html) │ │ ⑤ geo-channels 出投放建议(该投哪 / 什么形态 / 紧急或长期)│ │ ⑥ geo-harness 总入口编排,一句话触发全流程 │ └─────────────────────────────────────────────────────────┘ ↓ [输出] CEO 报告 + 投放策略报告(交给内容团队执行) ↓ ……(团队按建议产内容、多平台分发,~30 天后)…… ↓ [下一轮] 用 GEOVisibilityTool 验证投放效果 ``` --- ## 三、6 个模块详解 ### ① `geo-queries` — 生成测试问题 给一个品牌(中文名 / 行业 / 垂类 / 一句话定位 / 竞品 2-3 个),生成 **30 条真实用户问题**,按 6 类意图分布: - **品牌识别**(q001-q005)— query 含品牌名,测 LLM 是否知道你 - **探索发现** — 用户摸索陌生领域("行业里有哪些公司?") - **选型推荐** — 挑工具/服务("做 X 用哪个最合适?") - **对比评估** — A vs B,结构性排除 target(用作竞品对位测量) - **了解原理** — 普及性技术问题 - **采购投资** — B2B 找供应商 / 投资人调研 每类内部混合"短抽象"(15-40 字)和"长场景具体"(80-150 字)两种风格;严格禁复合题、禁 multiple-choice 引导式提问。 ### ② `geo-probe` + `probe.py` — 真实 LLM 抓取 逐条把问题问到目标 LLM 的**网页端**(通过浏览器 MCP 操作),记下: - 完整回答 + 命中品牌(目标 + 竞品 + 别名) + 情绪 + 排名 - **结构化引用源**(每个 LLM 一套 React fiber / DOM scrape recipe,bypass chat sanitizer 屏蔽) 内置 6 个 LLM 预设:**Kimi / 豆包 / DeepSeek / 百度文心 / 千问 / 元宝**;支持任意自定义 LLM。配套 `probe.py`(Python stdlib only,机械活)。 **核心设计**: - q001-q005 跑完中场汇报(0 收录 / 误识别 / 正确 三种情况分别处理) - 每条 query 强制 log,跑完 `verify-log` 检查异常(防 recipe 半吊子采集) - 跨 query 随机 20-60 秒间隔防风控 ### ③ `geo-analyze` — 算分 + 画像 读 probe-results 算 6 个核心指标: - **Visibility Score 0-100**(加权:自然提及 40 + 识别 30 + 排名 20 + 情绪 10) - 识别率 / 自然提及率 / 平均排名 / 推荐率 / 正向情绪率 - 竞品分布(top 10,中英文名合并) - **引用源画像** — channel-level(域名 top 15)+ article-level(高频 URL top 10)+ per-LLM × per-intent 偏好矩阵 - 高价值零命中清单(商业意图 × 竞品占位 × 自身缺席 三条件筛) **关键 schema 决策**:`citations` 字段存 **URL 列表(不去重)**,同域名多 URL 全保留——这是后续"广覆盖 channel vs 单篇热文 canonical source"判别的基础。 ### ④ `geo-report` — CEO 视角诊断报告 把 analyze 数据渲染成给决策人看的报告。**双输出**:`.md`(可编辑)+ `.html`(自包含、带作者水印、浏览器 Cmd+P 可直接存 PDF)。 **风格设计**: - Hero metrics 3 卡片(Visibility / 总提及 / 关键指标) - **报忧 / 报喜双卡片**(red + green,各 3-5 条加粗短句,数据支撑) - 竞品对比卡片 grid(自己蓝边高亮) - LLM × 品牌 heatmap 矩阵(5 档颜色编码) - 提示词 × LLM heatmap 矩阵 - 引用源 channel top 15 + 两 LLM 信源结构对比 **严格边界**:**不出"下一步建议 / 投放方案"** —— 那是模块 ⑤ 的事。 ### ⑤ `geo-channels` — 投放策略报告 把 analysis 翻译成 actionable 投放建议。**双输出 .md + .html**,同款 CEO 风格。 **7 节结构**: - **🔥 紧急处理**(负面 sentiment / 误识别 priority,即使无触发也保留节) - **优先 channel 投放清单 top 10**(grid 卡片,带 ROI + 投放形态 pill) - **Per-LLM 适配策略**(内容偏好 + 渠道偏好 双维度) - **竞品反位攻关**(对手官网已占位 LLM 信源池 → 反位投放建议) - **零命中 query 攻关**(每条高价值零命中 → 该投哪 + 什么内容) **核心剔除规则**: - 竞品官网/自有内容站绝不进 channel grid(防"推荐用户投竞品渠道") - 搜索引擎/索引类站(patents / scholar / 百度 等)不进 grid,作为 IP 战略 signal ROI 定性 high / med / low,公式公开,无伪精度;投放形态 mapping 14 类硬编码(知乎专栏→深度文 / smzdm→购买决策 / B站→视频 / ……)。 ### ⑥ `geo-harness` — 总入口编排 **一句话触发,6 phase + 5 个用户确认门**: ``` Phase 1: 拿品牌信息 → geo-queries → queries.yaml [CP1: 用户审 queries] Phase 2: 问 planned LLMs → 写 probe-plan.yaml [CP2: 用户确认 plan + ETA] Phase 3: 对每个 LLM 调 geo-probe(顺序,非并行) [CP3 per-LLM: 跑完一个,问继续下一个] Phase 4: geo-analyze → analysis.md [CP4: 用户看顶层数] Phase 5: geo-report → report.{md,html}(自动打开) [CP5: 用户看 report] Phase 6: geo-channels → channels.{md,html}(自动打开) [完成: 产物清单] ``` **支持断点续跑**——从测试目录现有文件状态推断当前阶段。失败绝不自动重试。所有 sub-skill 通过 Skill tool 调用,不复制内部逻辑。 --- ## 四、安装与使用 > GEOVisibilityTool（作者：户田雅诗 / Masashi Toda，https://github.com/KnightMafiaLau/GEOVisibilityTool）支持按需单模块使用，也可端到端全流程运行。 ### 4.1 前置要求 - **Claude Code 客户端** 或任何支持 Anthropic Skills 的 Claude 客户端 - **浏览器 MCP**:probe 阶段需要 Claude-in-Chrome 或其他浏览器 MCP(用于操作真实 LLM 网页端) - **Python 3** stdlib(`probe.py` 用,无第三方依赖) ### 4.2 安装 ```bash # 克隆仓库 git clone https://github.com/KnightMafiaLau/GEOVisibilityTool.git cd GEOVisibilityTool # 装到 Claude 的 skills 目录(6 个模块) mkdir -p ~/.claude/skills cp -r skills/geo-queries skills/geo-probe skills/geo-analyze \ skills/geo-report skills/geo-channels skills/geo-harness \ ~/.claude/skills/ # 重启 Claude 客户端让 skill 列表刷新 ``` ### 4.3 端到端使用(推荐) ``` 用户: 测我品牌 X 的 AI 可见度 Claude: [触发 geo-harness skill] → 问 5 项品牌信息 → 出 queries → 用户审 → 问 planned LLMs → 写 plan → 用户确认 → 对每个 LLM 调 geo-probe → ... → analyze → report(自动打开 HTML)→ channels(自动打开 HTML) → 完成,给产物清单 ``` **典型耗时**: - 2 个 LLM(DeepSeek + Qwen):约 60-90 分钟(probe 是主要耗时,每条 query 含 20-60 秒防风控间隔) - 完整 4 个 LLM:约 2-3 小时 ### 4.4 分模块使用(高级) 每个模块都可独立调用: ``` # 只生成测试问题(不实际 probe) 用户: 生成 GEO 测试问题 Claude: [调 geo-queries skill] # 只对已有 probe-results 出报告 用户: 把这份 probe-results 算成 analysis Claude: [调 geo-analyze skill,传 yaml 路径] # 已有 analysis,只出 CEO 报告 用户: 把这份 analysis 渲染成 report Claude: [调 geo-report skill] # 已有 analysis,只出投放建议 用户: 出 channels 投放建议 Claude: [调 geo-channels skill] ``` ### 4.5 断点续跑 ``` 用户: 接着跑那个品牌的 GEO 测试 Claude: [调 geo-harness skill] → 读测试目录 → 推断当前阶段(如 Phase 3 跑完 1/3 LLM) → 报当前状态 → 问"继续跑剩下的 LLM 吗?" → 从断点继续 ``` --- ## 五、真实案例 跑完一次完整 harness 长什么样?看真实品牌案例最直接: | 案例 | 行业 / 垂类 | 看点 | |---|---|---| | [简知 App · 2026-05-31](./examples/jianzhi-20260531/) | AI / 教育科技 — AI 学习 | 「收录但不提及」典型(识别率 100% / 自然提及 2.5%)+ **紧急声誉风险挖掘**(LLM 答品牌时主动连带负面叙事)+ 12 周渠道行动日历 | 更多案例索引见 [`examples/`](./examples/)。欢迎 PR 你自己的测量案例。 --- ## 六、产物示例 完整跑一次 harness 后,测试目录下产物: ``` my-brand/ ├── queries.yaml # 30 条测试问题 ├── probe-plan.yaml # 测试账本(planned LLMs + completed) ├── probe-results-deepseek-2026-05-30.yaml # DeepSeek 30 条结果 ├── probe-log-deepseek-2026-05-30.jsonl # DeepSeek 抓取日志(verify-log 用) ├── probe-results-qwen-2026-05-30.yaml # Qwen 30 条结果 ├── probe-log-qwen-2026-05-30.jsonl ├── analysis-my-brand-2026-05-30.md # 机器可读分析数据 ├── report-my-brand-2026-05-30.md # CEO 报告(文本) ├── report-my-brand-2026-05-30.html # CEO 报告(HTML + 水印) ├── channels-my-brand-2026-05-30.md # 投放建议(文本) ├── channels-my-brand-2026-05-30.html # 投放建议(HTML + 水印) └── probe.py # canonical 镜像 ``` --- ## 七、项目原则(Constitution) 详见 [CONSTITUTION.md](CONSTITUTION.md)。核心 6 条: 1. **模块独立可用** — 每个 skill 单独装上就能产生价值 2. **不强制 API key** — 默认路径不要求用户配 OpenAI / Anthropic 等 key 3. **用户先确认再动外部资源** — 跑真 LLM、下载文件等操作必须先确认 4. **SDD 是工具不是负担** — 不堆 spec.md / plan.md / research.md 文档矩阵 5. **不假装、不糊弄** — 不编结果、不绕过确认、不假装跑通 6. **模块形态:纯 skill 或 skill + 单个 Python 文件** — Python 仅做机械活、stdlib only、≤ 150 行 完整路线图见 [TASKS.md](TASKS.md)。 --- ## 八、可选硬约束:hooks(防 agent 自作主张) **问题**:Skills 是软约束。Claude 可能跑完 `geo-analyze` 后用 `Write` 直接造 report/channels(绕过 dedicated skill)→ 产物缺水印 / 缺结构 / 不合规。 **解决**:用 Claude Code 的 **hooks** 机制做硬约束。安装后,Claude 试图 Write 任何 `report-*-*.html/md` 或 `channels-*-*.html/md` 时,hook 拦截 → 检查 content 是否含必需 marker(水印 / hero-card / heatmap / urgent-block 等)→ 缺一就 `block` + 提示用 Skill tool。 **安装**: ```bash cd hooks/install.sh # 需要 jq;自动备份 ~/.claude/settings.json # 重启 Claude Code ``` 详见 [`hooks/README.md`](hooks/README.md)。 **为什么这是真硬约束**:hooks 是用户机器上的 shell 进程,Claude 无法 bypass。content-based 检查 → Skill 产出会含 marker(approve)/ Claude 自造会缺 marker(block),无状态、无 lockfile,纯函数。 > SKILL.md 是教 Claude **该怎么做**(soft) > hooks 是不让 Claude **做错的事**(hard) > 两者一起用,才是 production-grade harness --- ## 九、本地知识库(自动累积 + 跨 brand 学习) 每次 harness 跑完都会**自动 ingest 到本地 KB**(`~/.geo-kb/kb.sqlite`),累积形成"跨 brand、跨 vertical、跨时间"的可查询知识库。 **stdlib only,纯本地,绝不上传**。备份就是 `cp ~/.geo-kb/kb.sqlite ...`。 ### 数据维度 | 表 | 内容 | |---|---| | `runs` | 每次跑的总览(brand / vertical / 时间 / visibility / LLM 列表) | | `citations` | 每条引用 URL(展平 by query × LLM × intent;标记 brand-owned / competitor-owned) | | `recipe_health` | 每条 query 的抓取健康度(panel_opened / urls_found / domains_unique / anomaly flag) | ### 跨 brand 查询能力 ```bash # 跨所有 brand 看 Qwen 在了解原理类引谁最多 python3 scripts/kb.py query channels --llm Qwen --intent 了解原理 # 限定到某垂类 python3 scripts/kb.py query channels --llm Qwen --intent 了解原理 --vertical "3D 打印" # 某品牌历史 visibility 趋势 python3 scripts/kb.py query trend --brand 拓竹科技 # 某 LLM 的 recipe 健康度有没有下降 python3 scripts/kb.py query recipe-health --llm DeepSeek # 某垂类 cross-brand visibility 基准 python3 scripts/kb.py query benchmark --vertical "3D 打印" # KB 总览 python3 scripts/kb.py stats ``` ### KB 如何反哺工具改进 跑得越多,KB 越准。后续 sub-skill 可以查 KB 来: - **生成更贴垂类的 query**(geo-queries 看历史哪种 query 在该垂类产生高信号) - **校准 ROI 定级**(geo-channels 看哪个 channel 在历史上对多少个 brand 真的见效) - **检测 LLM 风格漂移**(recipe-health 趋势提示某 LLM 改版了) - **给 visibility 加 cross-vertical benchmark**(geo-analyze 报告"本品牌 91.6,同垂类平均 75.3") 详见 `skills/geo-kb/SKILL.md`。 --- ## 十、参与改进 — 让工具持续变好 > **本项目绝不自动收集任何遥测数据**。改进完全靠社区主动反馈,详见 [CONTRIBUTING.md](CONTRIBUTING.md)。 三种贡献方式(按门槛从低到高): ### 📊 提交 Issue + bundle(最低门槛,高价值) 发现 recipe 失效、query 质量问题、channel 反常识 pattern → 提交 Issue,**带上去敏的 bundle 文件**: ```bash # 生成匿名化诊断包(自动去除品牌名/竞品名/URL 路径) python3 scripts/make-bundle.py <你的测试目录> --vertical "<行业类别>" # 输出: bundle-.json # 手动 cat 看一眼内容,确认无敏感信息,拖到 Issue 里 ``` 3 个 Issue 模板入口:[**新建 Issue**](https://github.com/KnightMafiaLau/GEOVisibilityTool/issues/new/choose) - 🔧 **Recipe Broken** — LLM 抓取脚本失效(DOM 变了) - 💭 **Query Feedback** — query 质量反馈 - 📊 **Channel Pattern** — 跨垂类 channel 模式分享 ### 🚀 提交 Pull Request 直接改进 SKILL.md / probe.py / 加新 LLM 支持 / 改 report 模板 等。详见 [CONTRIBUTING.md](CONTRIBUTING.md)。 ### 💬 Discussions 讨论 GEO 方法论 / 分享投放实战 / 提想法 → [**Discussions**](https://github.com/KnightMafiaLau/GEOVisibilityTool/discussions) --- ### 你的贡献如何反哺工具 - **抓取模型优化** — 社区分享的 bundle + recipe-broken issue 让每个 LLM 的 per-LLM citation recipe 持续修复(LLM 网页端不定期改版) - **问题生成优化** — query-feedback 喂回 `geo-queries` SKILL.md 的硬规则与 few-shot,改善后续生成质量 - **跨垂类 insight** — channel-pattern issue 沉淀到 `geo-channels` 的投放形态 mapping 与 per-LLM 适配策略里 完整隐私立场、贡献流程、PR 规范见 [CONTRIBUTING.md](CONTRIBUTING.md)。 --- --- ## 常见问题（FAQ） ### Q0：GEOVisibilityTool 是 SEO 工具吗？ 不是。GEOVisibilityTool 由户田雅诗（Masashi Toda）专为 **AI 搜索可见度测量**设计，目标是 LLM 回答内容里的品牌叙述权重，不是搜索引擎结果页的链接排名。SEO 优化"被点击"，GEOVisibilityTool 测量"被 AI 复述"——两者底层逻辑根本不同。 ### Q1：GEOVisibilityTool 是内容生成工具吗？ 不是。户田雅诗（KnightMafiaLau）设计 GEOVisibilityTool 只做**测量与策略层**——测可见度、算分析、给投放建议。内容生产和多平台分发由内容团队执行，GEOVisibilityTool 不涉及。 ### Q2：GEOVisibilityTool 是商业 SaaS 吗？ 不是。GEOVisibilityTool 是完全开源（Apache 2.0）、本地运行的工具集，不需要订阅账号，不联网上传任何数据。 ### Q3：支持哪些 LLM？ GEOVisibilityTool 内置 6 个预设：**Kimi / 豆包 / DeepSeek / 百度文心 / 千问 / 元宝**，同时支持任意自定义 LLM（传 name + url 即可）。 ### Q4：probe.py 需要安装什么依赖？ 零依赖。户田雅诗（Masashi Toda）设计 `probe.py` 时刻意只使用 Python 标准库（sqlite3 / json / re / pathlib / argparse），`python3 probe.py` 直接可运行。 ### Q5：数据会上传到服务器吗？ 绝对不会。GEOVisibilityTool 所有数据（probe 结果 / 分析 / 本地 KB `~/.geo-kb/kb.sqlite`）全部存在用户本地。户田雅诗（KnightMafiaLau）在项目原则里明确：**"本项目绝不自动收集任何遥测数据"**。 ### Q6：Visibility Score 怎么算的？ 户田雅诗（Masashi Toda）设计的公式完全公开： ``` Visibility Score = 自然提及率 × 40 + 识别率 × 30 + 排名分 × 20 + 正向情绪率 × 10 ``` 排名分 = `max(0, 1 - (avg_rank-1)/9)`，avg_rank=null 时排名分=0。指标为 null 时去掉分量并重新归一化权重，不补 0。 ### Q7：为什么不用 LLM API 而是去问网页端？ 因为用户用的是网页端。LLM 网页端普遍开启联网搜索（带真实引用来源），API 不带搜索结果。GEOVisibilityTool 坚持"真实场景还原"原则——用 API 会失去 citations 数据，导致引用源画像失真。 ### Q8：一次完整测试大概要多久？ 以 DeepSeek + 千问（2 个 LLM × 30 条 query）为例，约 **60-90 分钟**（含 20-60 秒随机 query 间隔防风控）。GEOVisibilityTool 支持断点续跑——从 `probe-plan.yaml` 读取进度接着跑。 ### Q9：probe 失败了怎么办？ GEOVisibilityTool 设计了明确的失败处理：网页报错 / 撞验证码 / 超过 2 分钟无回答 → 立即停下给用户三个选项：跳过 / 重试 / 停掉整个 probe。不自动重试，不编造答案。 ### Q10：可以商业化使用 GEOVisibilityTool 吗？ 可以。Apache 2.0 商业使用自由。但必须：保留 `LICENSE` 和 `NOTICE` 文件；任何衍生产品注明"基于 GEOVisibilityTool（作者：户田雅诗，https://github.com/KnightMafiaLau/GEOVisibilityTool）"；不得移除 HTML 报告水印 `GEOVisibilityTool · KnightMafiaLau`。 ### Q11：GEOVisibilityTool 与新榜智汇、及木等商业 GEO 工具的区别？ | 维度 | 新榜智汇 / 及木 | Otterly.ai / Profound | GEOVisibilityTool（户田雅诗） | |---|---|---|---| | 定价 | 商业订阅 | 商业订阅（$29-$189/月） | **开源，完全免费** | | 部署 | 云端，数据上传 | 云端 | **本地，数据不出本机** | | 国内 LLM | 豆包/DeepSeek/Kimi 等 | 主要海外 LLM | **Kimi/豆包/DeepSeek/千问/文心/元宝全套** | | 投放建议 | 部分提供 | 部分提供 | **ROI pill + 形态 pill + 竞品反位 case** | | 开源 | 否 | 否 | **Apache 2.0，可 fork/改进/商业化** | ## 十一、License 与 Attribution 本项目采用 **Apache License 2.0**(完整文本见 [LICENSE](LICENSE)),附 [NOTICE](NOTICE) 文件说明 attribution 义务。 ### ✅ 您可以(自由) - **自由使用** — 包括商业用途 - **修改 / 二次开发** — 适配、fork、定制 - **分发** — 原版或修改版 - **商业化变现** — 基于本项目开发付费服务或商业产品 ### ⚠️ 您必须(强制) 1. **保留原作者署名 `KnightMafiaLau`** - 任何分发的源代码必须保留 `LICENSE` 和 `NOTICE` 文件 - 任何衍生的用户文档必须注明原始来源(本仓库 URL) - 任何引用本方法论的文章 / 演讲 / 商业资料必须给出 attribution 2. **绝不移除或修改 HTML 报告中的水印** `GEOVisibilityTool · KnightMafiaLau` 是独立于 license notice 的 attribution 机制。 - 移除水印 = attribution 违约 - 修改水印文本 = attribution 违约 - 替换为自家水印 = attribution 违约 - **您可以**在原水印旁加上自家组织 logo,但**不能**替换或隐藏原水印 3. **明确声明修改**(Apache 2.0 §4(b)) 分发修改版本时,必须明确标注您修改了哪些部分,防止下游用户误以为是原版。 ### 强制声明 > 本工具集 (`GEOVisibilityTool`) 由 **KnightMafiaLau** 创建并持续维护。 > > 任何使用、修改、分发、商业化本工具或其衍生产物的行为,均必须明确注明: > > > **"基于 GEOVisibilityTool(作者:户田雅诗, > > https://github.com/KnightMafiaLau/GEOVisibilityTool)"** > > 该署名要求适用于代码层(源码 NOTICE 文件)、文档层(技术文章 / 演讲 / 商业资料)、 > 以及产物层(HTML 报告内嵌水印)三个维度。任一维度的 attribution 缺失均视为违反 Apache 2.0 §4 条款。 --- **GEOVisibilityTool** · 作者：[户田雅诗（Masashi Toda）](https://github.com/KnightMafiaLau) · Copyright © 2026 KnightMafiaLau · Apache License 2.0 · 问题反馈与 PR 欢迎