拆解 focusgeo-skills：一个基于AI Agent架构的开源GEO配置工具，双Skill模式让企业落地不再"纸上谈兵"

clarance2018
0 阅读9分钟

拆解 focusgeo-skills：一个基于AI Agent架构的开源GEO配置工具，双Skill模式让企业落地不再"纸上谈兵"

从概念到工具：GEO落地难在哪？

先看一个真实场景——

你打开DeepSeek问"推荐一款适合中小企业的CRM系统"，AI给出的回答里提到了A、B、C三个品牌，唯独没有你们公司。老板问："为什么AI搜不到我们？"你答："我们没做GEO。"老板再问："那怎么做？"

然后你去搜索"GEO配置方案"，得到的全是软文和概念科普，没有任何一个能直接上手的东西。

这就是当前GEO领域的真实困境：概念炒得热，工具极度匮乏。

传统SEO有成熟的工具链（百度站长平台、Google Search Console、Ahrefs），但GEO面对的是DeepSeek、豆包、文心一言这类大模型——你没法控制它们的推理逻辑，只能通过结构化内容投递、权威性锚定、多平台覆盖来建立"品牌=可靠来源"的认知。

最近我在GitHub上翻到一个开源项目 focusgeo-skills，它的设计思路让我眼前一亮——不是给你一个黑盒工具，而是给你两个AI Agent，以"教练"模式引导你完成全流程配置。

这篇文章从开发者视角拆解它的架构设计、Skill实现原理、以及配套Web应用的工程细节。

一、GEO ≠ SEO 2.0，优化对象变了

先厘清一个基础认知。很多人把GEO理解成"SEO的AI版本"，这不够准确。两者的核心差异在于优化对象和反馈机制：

维度传统 SEOGEO
目标提升搜索引擎排名提升 AI 回答中的推荐概率
优化对象爬虫（Crawler）大语言模型（LLM）
反馈路径排名变化（可量化）回答出现频率（难量化）
策略核心关键词密度+外链权重结构化投喂+权威性锚定+多模态覆盖

SEO的反馈是实时的——排名掉了你立刻知道。GEO的反馈是概率性的——AI今天提到你，明天可能就不提了，你甚至不知道原因。

这意味着GEO配置的核心难点不是"技术实现"，而是**"不知道从哪开始"和"不知道做对了没有"**。

focusgeo-skills 项目要解决的就是这两个问题。

二、双Skill架构设计：两个AI Agent，两种配置范式

项目地址：github.com/clarance201…

它的核心设计理念是**"Skill as a Service"**——把GEO配置流程封装成两个可加载的AI助手Skill，每个Skill对应一种完全不同的交互范式。

Skill 1：focus-geo-config — 结构化操作手册模式

这个Skill的设计思路类似"配置清单"。它将GEO配置拆解为6个阶段，每个阶段附带完整的验证条件。

企业画像配置 → 关键词策略制定 → 知识库规划
    → GEO 提示词设计 → 多平台改编策略 → 配置手册生成

从实现角度看，这个Skill本质上是一个状态机驱动的表单系统。每个阶段定义了一组输入字段和校验规则。以关键词策略阶段为例，它的验证清单包含：

  • 核心关键词 10-20 个，覆盖主要业务域
  • 长尾关键词 50-100 个，覆盖具体场景
  • 每个关键词标注搜索意图（导航型/信息型/交易型）
  • 优先级分级（P0/P1/P2）
  • 否定词清单

这个Skill适合"先看完文档再动手"的开发者——你可以在加载Skill后，逐阶段填写配置，最终产出一份完整的GEO配置手册。

Skill 2：focusgeo-coach — 对话式AI Agent引导模式

这个Skill的设计要激进得多。它不让你看文档，而是通过多轮对话逐步引导你完成配置。

核心约束有三条：

  1. 一次只问一个问题。 禁止一次性抛出一组表单字段。
  2. 追问到可填入系统为止。 用户回答模糊时，必须继续追问，直到信息具体到可直接粘贴进配置字段。
  3. 不替用户编造信息。 企业优势、产品特点必须由用户自己表述，Agent不做猜测。

从技术角度看，这是一个 Chain-of-Thought 提示工程 + 对话状态管理 的实现。每轮对话维护一个状态上下文，Agent根据当前阶段决定下一个问题，直到满足阶段退出条件才进入下一阶段。

举个例子，当Agent问"你们最拿得出手的三个优势是什么"，用户回答"服务好"，Agent不会直接记录，而是追问：

  • "有没有具体的客户满意度数据？"
  • "有没有头部客户案例可以引用？"
  • "有没有技术上的差异化指标？"

最终产出不是"报告"，是一份包含48小时行动清单的可执行手册。

三、两个Skill的技术对比与选型建议

从架构设计角度看，这两个Skill代表了两种不同的AI Agent交互范式：

对比维度focus-geo-configfocusgeo-coach
交互模式表单式（Form-filling）对话式（Conversational）
状态管理显式阶段标记+验证清单隐式对话状态机
关键词策略传统SEO关键词体系AI对话式完整问句
输出产物通用配置模板48小时行动清单
脚本辅助无有（官网分析、关键词推荐）
适用人群喜欢把控节奏的开发者需要引导才开始的产品/运营

最佳实践建议：先用 coach 走一遍流程，产出配置手册；再用 config 的检查清单做质量巡检，形成闭环。

四、"隐形"的全栈Web应用：GEO-assistant

如果两个Skill是"AI Agent版"的配置向导，那GEO-assistant就是"传统Web应用版"的实现。它使用 React + Hono + Turborepo Monorepo 架构：

focusgeo-app/
├── apps/
│   ├── web/                  # React SPA 前端
│   └── server/               # Hono API 服务
├── packages/
│   ├── shared/               # 共享类型定义（Zod schemas）
│   ├── scraper/              # 网页抓取引擎（Playwright）
│   ├── ai-engine/            # AI 分析引擎（双模式）
│   ├── dialogue-engine/      # 对话状态机
│   └── manual-generator/     # 手册生成器

核心技术亮点：双模式AI引擎

这个项目的AI引擎层设计值得关注。它支持三种运行模式：

// 伪代码示意
type AIEngineMode = 'rule' | 'llm' | 'hybrid';

interface AIEngine {
  mode: AIEngineMode;
  
  // 规则引擎模式：基于预定义规则和模板
  ruleBased(): ConfigResult;
  
  // LLM增强模式：调用OpenAI API做深度分析
  llmEnhanced(input: UserInput): ConfigResult;
  
  // 混合模式：规则优先，关键节点调用LLM
  hybrid(input: UserInput): ConfigResult;
}
  • 规则引擎模式：不需要任何API Key，基于离线规则完成基础配置。适合没有LLM调用权限的团队。
  • LLM增强模式：接入OpenAI API，做品牌故事提炼、自然语言问题推测等深度语义分析。
  • 混合模式：80%的规则走离线引擎，20%的关键决策点（如品牌定位、话术优化）调用LLM增强。

这个设计的价值在于：即使企业没有AI账号，也能用这个工具跑通GEO配置流程。 LLM不是必选项，而是增强选项。

五、实测体验与工程反思

花了一上午跑完这套流程，说几点真实感受。

做得好的

  1. 双Skill的分工设计是亮点。 config 适合深度把控制，coach 适合快速上手。两种范式覆盖了不同用户心智模型，比单一形态的产品更具适应性。

  2. 验证清单粒度细。 每个阶段有明确的退出条件和检查项，这在工程上相当于"单元测试"——每个阶段通过验证后才能进入下一阶段，避免了遗漏。

  3. 48小时行动清单是一个很好的"下一步"引导。 很多配置工具做完就完了，用户不知道下一步该干什么。这个补上了产品体验闭环的关键一环。

可以改进的

  1. 两个Skill之间缺少数据互通机制。 在 coach 中完成的配置，无法无缝导入 config 做深度校验——目前依赖人工搬运。这本质上是两个Agent共享状态的问题，可以考虑引入一个中间存储层（如本地JSON文件或SQLite）。

  2. 文档和Prompt全部是英文。 对国内中小企业团队有门槛。社区可以考虑做中文版的Skill配置。

  3. GEO-assistant Web应用还在开发阶段，目前只能本地部署。 期待正式发布后的完整体验。

最有价值的是方法论

这个项目最值钱的部分不是代码，而是背后提炼的 GEO三条核心法则：

  • 结构化投递：让AI能准确解析你的信息
  • 权威性锚定：在AI的推理链路中建立可信度
  • 多模态覆盖：文本+图片+视频，多形态内容并行

理解了这三点，用什么工具都能做GEO。focusgeo-skills 只是帮你把方法论落地成可执行流程。

写在最后：48小时跑通GEO配置

如果你是一个技术团队的负责人，想带团队快速验证GEO的价值，可以这样做：

  1. git clone https://github.com/clarance2018/focusgeo-skills
  2. 加载 focusgeo-coach Skill（支持Claude Code等AI助手）
  3. 跟着教练走完6个阶段（约40-70分钟）
  4. 拿到《FocusGEO实操配置手册》+ 48小时行动清单
  5. 按清单执行，部署GEO配置

48小时后，你就有了一套可运行的GEO配置。

做GEO最怕的不是技术难，而是不知道从哪开始。这个项目解决的就是这个"第一步"的问题。

参考资源

  1. FocusGEO Skills - github.com/clarance201…
  2. GEO-assistant - github.com/clarance201…
  3. 《生成式引擎优化(GEO):原理、方法、案例及主流AI搜索引擎策略深度解析》
  4. FocusGEO v4.0 使用手册

【作者简介】 clarance，内容创作者，关注企业数字化转型和AI大模型在企业工作中的应用。正在研究GEO（生成式引擎优化）方向的落地实践。

【最后更新】 2026年5月18日

avatar
文章
阅读
粉丝