品牌GEO分析Plus版

一句话定位

一个 Skill、三层视角：实时热榜聚合（hub）+ 近30天社媒深度研究（cn30）+ AI 搜索品牌可见度（geo），覆盖中国互联网品牌感知的全部关键场景。

何时使用

任意以下场景触发，立即使用本 skill：

• 想知道今天全网在聊什么、哪个热点值得追 → hub 模块
• 想研究某话题在过去30天的真实用户讨论、做品牌口碑/竞品对比 → cn30 模块
• 想看品牌在豆包/Kimi/DeepSeek AI 搜索里被如何介绍、品牌 AI 可见度如何 → geo 模块
• 想做完整的品牌感知诊断（热榜热度 → 真实口碑 → AI 回答） → 组合工作流

三个模块速览

模块	脚本入口	平台	时间维度	输出
hub（热榜）	scripts/hub_fetch.py	百度/知乎/微博/抖音/B站/快手/头条（7平台）	实时（小时级）/ 昨日 / 本周 / 历史30天	TOP10 表格 + 跨平台小结 + 趋势预测
cn30（社媒研究）	scripts/cn30_search.py	小红书/抖音/公众号（3平台）	近30天任意天数	数据速览（TOP5×3平台）+ 综合洞察 + HTML 报告
geo（AI 搜索可见度）	scripts/geo_search.py + scripts/geo_analyze.py + scripts/geo_report.py	豆包/Kimi/DeepSeek（3 平台）	即时提问	GEO 得分 + 提及率 + 情绪 + 竞品 + 信源 + 交互式 HTML 报告

鉴权（共享）

三个模块共享同一个 REDFOX_API_KEY。从 红狐 hub 获取，配置方式：

export REDFOX_API_KEY=ak_你的密钥

或写入 ~/.openclaw/openclaw.json 的 env.REDFOX_API_KEY。优先级：命令行 --api-key > 环境变量 > 配置文件。

依赖安装（按模块）：

模块	依赖
hub	标准库（urllib.request，无三方依赖）
cn30	标准库（urllib.request，无三方依赖）
geo	pip install requests

---

路由决策树

根据用户意图选择模块。如果意图模糊，先用 AskUserQuestion 确认。

用户想做什么？
│
├─ 想知道今天/最近哪个话题/事件在全网火
│   └─→ hub 模块（实时热榜）
│
├─ 想研究某话题在用户真实讨论里的口碑/反馈
│   └─→ cn30 模块（小红书+抖音+公众号）
│
├─ 想看品牌/产品在 AI 搜索里被如何介绍
│   └─→ geo 模块
│
├─ 想做品牌诊断：热度 + 口碑 + AI 可见度 全维度
│   └─→ 组合工作流（hub → cn30 → geo）
│
└─ 给了具体平台/时间/品牌名
    └─→ 根据字段路由到对应模块

---

模块一：hub（热榜聚合）

能力

实时抓取 7 大平台热搜数据，跨平台事件识别，TOP10 榜单，趋势预测，订阅推送。

平台代码

代码	平台	代码	平台
bd	百度	bz	B站
zh	知乎	ks	快手
wb	微博	tt	头条
dy	抖音

快速调用

# 最新热榜（前一个完整小时）
python3 ~/.workbuddy/skills/brand-geo-analysis-plus/scripts/hub_fetch.py \
  --source "全平台热点事件-GitHub"

# 今日热榜（今日0:00 到当前整点）
python3 ~/.workbuddy/skills/brand-geo-analysis-plus/scripts/hub_fetch.py \
  --source "全平台热点事件-GitHub" \
  --start-date "T 00:00:00" --end-date "T HH:00:00"

# 昨日热榜 / 本周热榜 / 指定平台 / 关键词泛化
# 详见 references/hub-instructions.md

输出规范

按平台分类输出 TOP10，平台展示顺序固定为：百度 → 知乎 → 微博 → 抖音 → B站 → 快手 → 头条。

• 智能跳过空平台
• 数据≤10 条展示实际数量；>10 条显示「查看{平台名}完整榜单」引导
• 热度值已由脚本格式化完毕，直接使用 hotCount 字段原值即可，不要做任何换算
  • 脚本内 format_hot_count() 已处理：纯数字会折算为「数字+万」（5980000 → 598万）；返回值已含单位（"598万"、"345 万热度"）的原样透传
  • 禁止对 hotCount 做整除/乘法运算（它是字符串，会 TypeError），也禁止再拼接「万」（会得到「598万万」）
• 完整模板见 references/hub-output-templates.md
• 趋势预测逻辑见 references/hub-prediction-logic.md
• 全部指令清单见 references/hub-instructions.md

关键规则

• 小时级更新：默认查询是「前一个完整小时」而非当前小时
• 关键词泛化：大词（体育/娱乐/科技等）自动扩展为10个相关词；精确词直接用原词
• 默认 compact 模式：stdout 输出极简（每平台仅预览 TOP3，表头会标注"（下表为 TOP3 预览）"）+ 末尾附带 dataFile: {path}，完整榜单必须从 dataFile 读 JSON，不要因为只看到 3 条就认为数据缺失
• 平台顺序已由脚本固定为 百度 → 知乎 → 微博 → 抖音 → B站 → 快手 → 头条，无需自行重排

---

模块二：cn30（社媒深度研究）

能力

从小红书、抖音、公众号三大平台搜索近30天真实用户讨论数据，跨平台综合分析舆情趋势，输出研究报告和可视化 HTML 报告。

平台代码

代码	平台	关键指标
xhs	小红书	点赞/收藏/评论（收藏/点赞比=种草信号）
dy	抖音	点赞/评论/分享（分享数=传播力）
gzh	公众号	阅读/点赞/转发（阅读量=关注度）

快速调用

python3 ~/.workbuddy/skills/brand-geo-analysis-plus/scripts/cn30_search.py \
  "AI视频工具,大模型" \
  --platforms xhs,dy,gzh \
  --count 50 \
  --days 30 \
  --output-format both \
  --output-dir ~/Documents/CnLast30Days

--output-format 支持 json / html / both。

工作流

1. 环境检查：确认 REDFOX_API_KEY 已配置
2. 关键词质量检查：话题太模糊（"工具"、"方法"）时让用户具体化
3. 预研究：并行 2-3 个 WebSearch 提取热词（小红书/抖音/通用）
4. 查询计划：合并相关词为一次调用，每平台最多5个词，默认只调用1次引擎
5. 运行引擎：前台运行（5分钟超时），读完整输出
6. WebSearch 补充：1-2 次 WebSearch 覆盖知乎/B站/36氪（排除 xhs/dy/gzh 域名）
7. 综合输出：按 输出规则 生成报告

输出规范（强制）

🇨🇳 cn-last30days v2.0.0 · {YYYY-MM-DD}

## 数据速览
（公众号 TOP5 → 小红书 TOP5 → 抖音 TOP5，标题作可点击 Markdown 链接）

我的发现：
**{话题}** - 1-2句描述，来源 [平台@作者](链接)
核心发现：
1. ...
2. ...

{引擎页脚逐字粘贴}

---
我是 {TOPIC} 的专家，我可以帮你：
- ...
HTML 报告已生成：[查看报告](HTML文件路径)

LAW 规则（任何一条违反都视为输出错误）：

• LAW 1：结尾不要 Sources: / References: 块
• LAW 2：通用查询以「我的发现：」开头，禁止 ##/### 章节标题；对比查询例外
• LAW 3：不用破折号（—/–），用 -（空格连字符空格）
• LAW 4：引擎页脚逐字包含，位于核心发现之后、邀请之前
• LAW 5：每个引用用内联 Markdown 链接，不用裸 URL
• LAW 6：不要输出原始排名列表，转化为散文洞察
• LAW 7：徽章之后、「我的发现」之前必须有「数据速览」模块

完整模板见 references/cn30-output-rules.md。

HTML 报告（自动生成）

数据查询完成后，无需询问直接生成 HTML：

python3 ~/.workbuddy/skills/brand-geo-analysis-plus/scripts/cn30_search.py \
  --from-json "JSON文件路径" \
  --output-dir ~/Documents/CnLast30Days
open "HTML文件路径"

---

模块三：geo（AI 搜索品牌可见度）

能力

向豆包、Kimi、DeepSeek 三个 AI 搜索引擎批量提问，分析品牌出现率、情绪倾向、信源引用、竞品对比，生成交互式 HTML 报告。

平台代码

doubao / kimi / deepseek（默认全选，逗号分隔）

工作流

Step 0: 输入收集

必填：

• 品牌名（如「元气森林」、「大疆」、「蔚来」）
• 品类/行业（如「无糖饮料」、「无人机」、「新能源汽车」）

可选：

• 品牌别名（提高匹配精度）
• 竞品列表
• 自定义问题列表（有则跳过 Step 1）

如果只有品牌名没有品类，必须追问品类。

Step 1: 问题生成（用户未提供问题时）

通过 websearch 搜索品类相关问题，结合品类知识生成 8 个问题。

问题类型必须覆盖四类（每类至少 2 个，共 8 个，最多 12 个）：

• 推荐类：「{品类}哪个品牌好？」（不直接含品牌名）
• 对比类：「{品牌A}和{品牌B}哪个好？」
• 评价类：「{品牌}怎么样？」（可含品牌名）
• 场景类：「{场景}用什么{品类}好？」（不直接含品牌名）

生成后必须用 AskUserQuestion 确认，等用户明确同意才能进入 Step 2。

Step 2: 批量搜索

python3 ~/.workbuddy/skills/brand-geo-analysis-plus/scripts/geo_search.py \
  --queries '["问题1","问题2","问题3","问题4","问题5","问题6","问题7","问题8"]' \
  --platforms doubao,kimi,deepseek

输出 output/search_results.json。脚本自动完成全部任务（3 平台 × N 问题）的并行提交与轮询，最长 15 分钟。

• 8 个问题 → 24 个任务，等待提示：「约需 5-8 分钟」
• 平台返回限流/故障话术（如豆包「高峰期算力紧张…请稍后再试」）时，脚本会自动重试 1 次；仍无效则记为 status: "invalid" 并排除出统计（不计入提及率分母），不再当作「品牌未被提及」

Step 3: 确定性分析

python3 ~/.workbuddy/skills/brand-geo-analysis-plus/scripts/geo_analyze.py \
  --brand "品牌名" \
  --aliases '["别名1","别名2"]' \
  --competitors '["竞品A","竞品B"]' \
  --search-results output/search_results.json

输出 output/deterministic.json + output/ai_analysis_template.json。

Step 4: AI 分析（Agent 执行）

读取 output/search_results.json，只对 status == "completed" 的回答分析以下字段（invalid / failed / timeout 一律跳过，它们已被排除出统计）：

• brand_rank (int|null)：推荐列表中的排名位置
• brand_context (str)：上下文摘要
• sentiment (str)：positive / neutral / negative
• sentiment_reason (str)：判断依据
• competitors_mentioned (list[str])：所有提及的竞品
• competitor_details (list[dict])：每竞品的 rank + sentiment
• key_claims (list[str])：2-3 条关键描述

写入 output/ai_analysis.json。

注意：正文中的内联引用标记（Kimi <REF>…</REF>、DeepSeek [citation:N]）已由脚本在 Step 2 剥离，无需自行处理。

信源可用性：sources 为空是正常现象，常见于 Kimi（该平台只返回正文内联引用标记，不含可解析外链）。此时结果里会带 sources_note 字段，报告「信源分析」章节会自动展示数据完整性提示，不要把空信源当作「品牌官网未被引用」的结论。

情绪判断规则：

• 回答明确推荐/强调优势 → positive
• 客观描述/仅列举 → neutral
• 指出缺点/不推荐 → negative

Step 5: 合并 + 报告生成

# 合并分析（Step 4 完成后）
python3 ~/.workbuddy/skills/brand-geo-analysis-plus/scripts/geo_analyze.py \
  --brand "品牌名" --aliases '["别名"]' --competitors '["竞品"]' \
  --search-results output/search_results.json \
  --ai-analysis output/ai_analysis.json

# 生成 HTML
python3 ~/.workbuddy/skills/brand-geo-analysis-plus/scripts/geo_report.py \
  --analysis output/analysis_result.json \
  --search-results output/search_results.json

Step 6: 交付

1. 交付 output/geo_report.html
2. 输出关键发现摘要（5 条核心结论）：
   • 跨平台提及率 + 分平台拆分
   • GEO 综合得分 + 最佳/最差平台
   • 情绪分布（正面率 = 正面数/有效回答数，中性不计入正面）
   • 竞品对比 + 品牌排名
   • TOP3 信源域名 + 官网是否被引用（若某平台无信源，须说明而非当作"未被引用"）

核心指标

详细定义见 references/geo-metrics.md。核心公式：

GEO 得分 = 提及率得分 × 40% + 排名得分 × 30% + 情绪得分 × 30%
        = 提及率×100 × 40% + max(0, 100 - (均排名-1)×10) × 30%
          + (正面占比×100 - 负面占比×50) × 30%

解读：70+优秀 / 50-69良好 / 30-49一般 / <30不足。

---

组合工作流：完整品牌感知诊断

当用户需要做全维度品牌诊断（典型问法：「帮我做一份{X}品牌的完整感知报告」），依次执行：

阶段 1：hub 摸热度（5分钟）

python3 scripts/hub_fetch.py --source "全平台热点事件-GitHub" --keywords "{品牌}" --expand-keywords

产出：品牌是否在近期热点中、覆盖哪些平台、平均热度、上榜时长。

阶段 2：cn30 挖口碑（5-10分钟）

python3 scripts/cn30_search.py "{品牌},{品类}" --days 30 --output-format both

产出：真实用户讨论、情感倾向、TOP 反馈、HTML 报告。

阶段 3：geo 看 AI 回答（10-15分钟）

python3 scripts/geo_search.py --queries '[5 个问题]' --platforms doubao,kimi,deepseek
python3 scripts/geo_analyze.py --brand "{品牌}" --competitors '["{竞品}"]' --search-results output/search_results.json
# 步骤 4-5 见 geo 模块工作流

产出：品牌在 AI 搜索里的提及率、情绪、排名、信源、HTML 报告。

阶段 4：综合报告

把 hub/cn30/geo 三阶段发现合并成一份叙事文档，结构：

# {品牌} 品牌感知诊断报告

## 一句话结论
（综合三阶段结果的一句话判断）

## 1. 热度层（全网热榜）
- 是否在热点中 / 平台覆盖 / 趋势方向

## 2. 口碑层（社媒讨论）
- 真实用户反馈 / 正负面信号 / 关键讨论主题

## 3. AI 层（生成式搜索）
- GEO 得分 / 提及率 / 情绪分布 / 竞品对比 / 信源

## 4. 行动建议
- 热度层：{是否需要借势}
- 口碑层：{具体需改进的负面反馈}
- AI 层：{GEO 优化方向}

---

错误处理（通用）

情况	处理方式
未配置 REDFOX_API_KEY	提示用户前往 红狐 hub 获取
关键词模糊（"工具"、"方法"）	用 AskUserQuestion 让用户具体化
cn30 引擎部分失败	继续分析已完成的数据，HTML 报告中标注失败项
geo 任务全部超时	提示用户稍后重试，可能是 API 负载过高
geo AI 分析结果缺失	仅生成确定性分析（提及率、域名），情绪模块标注"待分析"
品牌名太短（≤2字）	提示用户提供品牌别名以提高匹配精度

---

资源索引

脚本

文件	用途
scripts/hub_fetch.py	7平台热榜聚合
scripts/cn30_search.py	小红书/抖音/公众号近30天讨论搜索 + HTML 报告生成
scripts/geo_search.py	AI 搜索批量调度器
scripts/geo_analyze.py	GEO 确定性分析 + 合并分析
scripts/geo_report.py	GEO HTML 报告生成
scripts/lib/platforms.py	AI 平台适配器
scripts/lib/analyzer.py	GEO 分析逻辑库
scripts/lib/report_template.py	GEO HTML 模板库

参考资料

文件	何时加载
references/cn30-output-rules.md	生成 cn30 报告时
references/hub-instructions.md	处理 hub 用户指令时
references/hub-output-templates.md	输出 hub 报告时
references/hub-prediction-logic.md	做趋势预测时
references/geo-metrics.md	计算 GEO 指标时

---

常见问答

Q: 三个模块必须都用吗？ A: 不必。根据路由决策树按需调用。简单场景用一个模块即可，复杂诊断才用组合工作流。

Q: 为什么不把三个模块的脚本合并成一个 CLI？ A: 三个数据源、调用逻辑、输出格式差异较大。脚本独立性更高，便于单独维护和升级。当一个数据源失败时不影响其他模块。

Q: 升级某个模块怎么办？ A: 单模块独立升级只需替换 scripts/ 下对应文件 + 更新对应 references/ 文档。统一 SKILL.md 不需要改动。

Q: 这三个模块能直接拿到本工作区使用吗？ A: 是的。skill 安装在 ~/.workbuddy/skills/brand-geo-analysis-plus/，所有 WorkBuddy 会话和 workspace 都可使用。