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
简体中文 · English
🌐 官网 geolook.cc · 🔍 在线演示（只读） · 📹 高清演示视频 (mp4) · 🖼 全部截图
域名生效前可用镜像：geolook-three.vercel.app · 演示
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。
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 |
四段主线 + 运营能力，全部在一个自托管看板里：
- 引擎表现：国内海外 15 个引擎（10 个 API 自动采样 + 5 个人工采样表），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；「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），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
- 站点体检：robots 封禁 / sitemap / llms.txt / 页面可访问 / 语言覆盖 / 抽取块缺口，六维打分；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
- 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），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
- 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；DEPLOY.md 给开发的部署清单含验收标准
- 发布渠道：成稿一键发到 GitHub / WordPress 草稿 / 公众号草稿箱 / 自定义 Webhook——凭证在本地
.env，每次发布人工确认，无任何自动外发路径
- 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）
- 周期复跑：每 7/14/30 天自动跑完整一期，做长期运营与月报
- 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，人工/浏览器填完回灌，与自动采样同一套指标
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/） |
| 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。
- 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
# 1. 克隆并安装依赖
git clone https://github.com/bingqiang2021/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
# 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」。
服务只绑定 127.0.0.1（刻意的安全边界，无认证体系）。要远程访问：
# 推荐：SSH 隧道
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多人使用请自行加反向代理 + 认证（nginx basic auth / OAuth proxy 等）。.env 与 work/ 含密钥和项目数据，注意文件权限。
git pull # 数据在 work/ 与 .env，均被 gitignore，升级不影响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>/。
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
<head>、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。
python3 scripts/geo.py sample-sheet --slug <项目> # 导出采样表（含每题指引）
# 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。
| 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。
六个体检维度全部锚在公开实证数据上，scripts/audit.py 是 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
- 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
本仓库同时是一个 Claude Code 技能（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。
scripts/ 全部逻辑（geo.py CLI 入口 · dashboard.py 看板服务 · ui.html 单页前端）
references/ 方法论：采样纪律、内容模式实测、国内外平台引用结构
tests/ 单元测试
work/<slug>/ 每个项目的全部数据（gitignore，不出本机）
docs/ 截图与 40 秒演示视频