用途
该技能用于帮助用户设计和执行现代 SEO 策略，将自然搜索打造为可扩展的获客引擎，方法基于程序化数据与系统性实验。其洞察来自 Lenny's Podcast 和 Newsletter 中 9 位嘉宾及其文章内容。
主要能力
- 审计与验证：判断目标受众是否通过搜索完成发现，以及是否拥有参与竞争所需的独特数据。
- 程序化设计：帮助搭建“Mad Libs”式模板，利用内部数据生成数千个高价值落地页。
- 实验搭建：指导创建页面级分桶框架，用于测试标题标签、内容和内链改动。
- AI 适应：将内容重新导向中漏斗查询和多个权威提及，以承接来自 LLM 和 AI Overviews 的流量。
核心原则
- 转向中漏斗查询：当 AI 摘要满足了高层级发现需求后，企业必须聚焦更深层的调研查询，即用户需要详细对比和具体数据的场景。
- 把 SEO 当作产品功能：搜索可见性应由产品经理主导，并整合进核心产品定位，而不是当作一项独立的内容工作。
- 先验证搜索意图：在投入之前，确认你的具体目标受众确实使用搜索完成发现，且你能识别他们的确切意图。
- 频率优先于单次排名：AI 搜索时代的成功取决于在 Reddit、YouTube 等多个权威来源被提及，以影响 LLM 的摘要结果。
- 跟踪 LLM 转化率：来自 AI 引擎的流量往往转化率更高，因为用户已处于调研旅程更深的阶段。
- 识别内容缺口：研究搜索者未被充分满足的主题，并创建能提供引人注目、有价值且差异化内容。
- 按页面层级分桶：SEO 实验必须按 URL 而非用户分组，以确保搜索引擎爬虫每次抓取获得一致的体验。
- 利用独特数据优势：瞄准长尾关键词公式，让你的专有业务数据形成在位者难以复制的优势。
模板与框架
技能中列出以下模板与框架：
- 四种 SEO 驱动的产品主导型营销（Product-led marketing）
- SEO 实验框架（页面级 A/B 测试）
- 程序化 SEO 策略框架
- Ethan 的四步内链策略指南
- 程序化 SEO 页面线框图（Petal to the Metal 示例）
- 长尾关键词公式方法
- AI 内容创作使用指南
- 页面级 SEO 基础清单
详见 references/artifacts.md。
使用方式
该技能通过向用户提出诊断性问题来推进工作，例如：目标受众是否通过搜索引擎而非社交媒体或广告完成自我发现；企业拥有哪些可转化为数千个有用网页的独特数据点；SEO 策略是否由把搜索可见性视为核心需求的产品经理主导；能否按规范 URL 而非单个用户对 SEO 实验分桶；产品在 Reddit 或 YouTube 等权威社区平台上被提及的频率；当前标题标签是否包含高意图关键词或被搜索引擎截断。
常见误区
- 用户级实验：搜索引擎爬虫需要站点内一致体验，不能像标准 A/B 测试那样按用户分桶。
- 依赖虚荣流量：原始流量规模的重要性正让位于搜索渠道如何驱动实际业务成果和深层漏斗转化。
- 大规模 AI 生成落地页：在缺乏独特人类视角的情况下用 100% AI 内容扩展，会被现代搜索与答案引擎判定为垃圾内容。
- 忽视内链路径：缺乏健壮的内链结构，爬虫无法高效发现、索引深层页面或分配权重。
适用场景与限制
适用场景为希望系统化建设自然搜索获客能力的团队，尤其是需要程序化内容扩展、页面级实验与 AI 搜索适应的产品与增长团队。技能的深层内容（来自 9 位嘉宾的 35 条洞察）见 references/guest-insights.md，相关技能包括 Growth Model、Acquisition Channels、User Onboarding Activation、Retention Engagement。关于具体收费、价格与平台支持情况，资料暂未提供。