analyze-geo-performance#

一个用于测试品牌或产品在大模型中 GEO（生成式引擎优化） 表现的分析技能。

功能概述#

本 Skill 通过两阶段 LLM 调用流程，自动化地检测目标品牌在 AI 推荐场景中的曝光情况：

1. 探针阶段（Probing）：向 DeepSeek-chat 提出一个客观的行业咨询问题，让模型自由推荐解决方案，捕获其输出文本。
2. 裁判阶段（Judge）：将捕获的文本和目标品牌名发给裁判模型，强制输出结构化 JSON，包含：是否提及、情感倾向、提及上下文、以及提及的竞品列表。

输入参数#

参数类型必填说明brand_namestring✅需要验证的品牌或产品名（如 CoolTrade）category_keywordstring✅行业或痛点关键词（如 数字货币高频套利系统）

输出格式（JSON Schema）#

json

{
  "mentioned": true,
  "sentiment": "positive",
  "context": "...提及品牌的上下文句子...",
  "competitors_mentioned": ["竞品A", "竞品B"]
}

字段类型说明mentionedboolean目标品牌是否在推荐结果中被提及sentimentstring情感倾向： positive / negative / neutral / none``contextstring | null提及品牌时的具体上下文句子，未提及则为 null``competitors_mentionedarray被模型主动推荐的竞品品牌列表

使用前提#

请确保在运行环境中配置了 DEEPSEEK_API_KEY 环境变量：

bash

export DEEPSEEK_API_KEY="your_deepseek_api_key_here"

安装依赖#

bash

pip install -r requirements.txt

本地命令行测试#

bash

python3 main.py --brand "CoolTrade" --category "数字货币高频套利系统"

在 Agent 中调用#

当用户提出以下类型的请求时，触发本技能：

• "帮我测试 [品牌名] 在大模型中的 GEO 表现"
• "分析 [品牌名] 在 [行业] 领域的大模型可见度"
• "大模型会推荐 [品牌名] 吗？"
• "检查 [品牌名] 有没有被 AI 提到"

执行步骤：

1. 从用户输入中提取 brand_name 和 category_keyword 两个参数。
2. 调用 main.py 执行两阶段分析流程（所有 API 调用已封装在脚本内）。
3. 将返回的 JSON 结果解析后，用自然语言向用户说明分析结论，例如：
   • 品牌是否出现在推荐列表中
   • 被提及时的情感是正面、负面还是中性
   • 哪些竞品同时被提及，可能形成竞争威胁

安全声明#

• ✅ API Key 通过环境变量注入，代码中无任何硬编码凭据
• ✅ 所有外部 API 调用均限定为 api.deepseek.com
• ✅ 无文件写入、无系统级权限要求
• ✅ 无数据持久化，分析结果仅在当前会话中返回