geo-review

geo-review 用于评估内容在 AI 驱动的搜索与回答引擎中被引用的可能性，与传统 SEO 侧重排名不同，GEO 关注被 AI 回答选为引用来源。适用场景包括：产品通过 AI 助手被发现（开发者工具、SaaS、API）、希望出现在 Google AI Overviews、用户以“最适合某场景的某类工具”方式提问、发布文档/指南/教育内容、竞品已出现在 AI 答案而自己没有。资料引用了 GEO 研究、Google E-E-A-T、Schema.org、llms.txt 与 RAG 等框架。流程分五阶段：Educate（AI 搜索与传统搜索的差异）、Scope（识别内容类型、目标查询、AI 可见性目标）、Analyze（内容分析加浏览器验证）、Report（含引用缺口分析与置信度评分）、Remediate（修复建议与 YAML 回归测试）。分析检查项分为六类：CITE 内容可引用性（具体可验证声明、统计数据、直接回答、证据、对比内容、可引用摘要等）、STRUCT 内容结构（标题层级对应问题、FAQ、倒金字塔、表格、分段、列表、代码完整性、摘要）、AUTH 权威与信任（作者信息、品牌身份、日期、来源引用、社会证明、联系方式、内容新鲜度、域名信号）、TECH 技术可发现性（llms.txt、llms-full.txt、JSON-LD、无 JS 可访问、语义 HTML、robots.txt 允许 AI 爬虫、sitemap、Open Graph、机器可读 API 文档、非登录墙）、ENTITY 实体与品牌清晰度（名称一致、品类声明、功能差异、用例、定价结构、集成信息、竞品差异、行业定位）、TEST AI 引用实测（在 Perplexity、ChatGPT、Google AI Overview 中测试目标查询并对比竞品）。报告保存至 shiplight/reports/geo-review-{date}.md，包含总体 GEO 评分、分类得分、AI 引用状态表、引用缺口分析与发现项。置信度 90-100% 为实测验证，70-89% 为强结构证据，50-69% 为启发式评估，低于 50% 不报告。TEST 结果为基准事实，即无论其他类别评分如何，均以实际是否被引用为准。执行时需打开浏览器会话并记录证据，使用 new_session。修复建议举例包括补充可验证的具体声明、创建 /llms.txt 等。具体安装方式、命令与定价暂未提供。