GEO 品牌提及扫描器
扫描品牌在 YouTube、Reddit、维基百科、LinkedIn 等被 AI 引用平台上的存在度，生成 0-100 品牌权威评分与平台改进建议。
证据显示：技能仅使用 Read/Grep/Glob/Bash/WebFetch/Write，内嵌 Python 脚本仅查询 Wikipedia/Wikidata 公开 API 并带自定义 User-Agent，数据流向基本透明，输出写入工作目录文件，无凭据访问、无隐蔽外传、无破坏性默认行为，属低风险只读分析类技能。扣分项：权限声明未细化（Bash 无范围约束）、无用户确认机制、无回滚说明、发布者身份未经验证，故不给满分。
证据显示：SKILL.md 提供了结构化的分析流程、平台评分细则和明确的 Wikipedia 双重校验（API 优先），指令自洽。扣分项：核心流程大量依赖 'site:' 搜索语法配合 WebFetch，该用法在无搜索引擎后端时并不可靠且未说明降级路径；仓库测试仅覆盖 fetch_page.py 的 SSR 检测，未覆盖品牌扫描关键路径；无脚本的错误处理与失败反馈设计，异常输入行为不明，故不给 10 以上。
证据显示：目标场景明确（品牌 AI 可见性审计），各平台有输入、检查项和 0-100 评分细则，触发描述（brand mention/authority scanner）语义清晰。扣分项：未声明非适用边界（如个人品牌、非英语品牌）、完全依赖 YouTube/Reddit/LinkedIn/Wikipedia 等中国大陆访问受限的海外平台，且无中文语言支持，对 FollowSkills 中文用户环境存在明显可用性折扣。
证据显示：文档结构清晰、分层合理（核心洞察→平台细则→公式→流程→输出模板→参考数据），含 Markdown 报告模板与可操作建议，仓库有 MIT 许可证与卸载说明。扣分项：该技能自身无版本号/变更记录、无 FAQ、无已知局限披露（如搜索 API 限制、估计值的不确定性），维护责任仅体现在仓库层面，故扣分。
证据显示：产出为结构化 Markdown 报告（评分表、平台明细、短中长期建议、竞品对比），模板完整、可直接使用，比手动整理有实际边际价值。扣分项：各平台得分高度依赖主观估计（提及数、情感），评分 rubric 需大量无法核实的第三方数据；核心证据（Ahrefs 2025 年 12 月 75K 品牌研究、0.737 相关系数）为作者转述且无法静态核实，部分 2025 年 12 月的引用时间可疑，价值主张打折，静态评审上限 7 分以下。
证据显示：引用了具体研究（Ahrefs、Profound、Terakeet）并给出部分系数，但均为作者单方转述；仓库有真实测试套件但只覆盖 fetch_page.py，与本技能关键路径无关；无可复现的示例输出或第三方验证。扣分项：关键数据主张不可溯源、事实与推断未分离（相关系数被当作因果依据），故仅给低分。
- 核心数据主张（如 'Ahrefs 2025年12月 75K 品牌研究、相关系数 0.737'）为作者单方转述，使用前请自行核实来源真实性。
- 多项检查依赖 'site:' 搜索语法与 WebFetch，实际执行可能失败或产生大量估计值，报告中的评分应视为粗略参考而非精确结论。
- 技能完全依赖 YouTube/Reddit/LinkedIn/Wikipedia 等海外平台，在中国大陆网络环境下可能无法访问或结果严重偏差，且无中文支持。
- Bash 权限未限定范围，运行内嵌 Python 片段前建议审查网络请求目标；发布者身份未经验证。
- Wikipedia 评分建议中包含'雇佣顾问'等营销色彩建议，与仓库推广 Skool 社区的商业导向一致，注意甄别。
这个 Skill 能做什么，适合哪些场景？
这是 geo-seo-claude 仓库中的一个子技能（skills/geo-brand-mentions/SKILL.md），专注于 GEO（生成式引擎优化）中的品牌权威信号分析。它基于 Ahrefs 2025 年 12 月对 75,000 个品牌的研究——该研究发现未链接的品牌提及与 AI 引用决策的相关性约为传统外链的三倍。技能会逐平台扫描并按评分细则打分，再用加权公式（YouTube 25%、Reddit 25%、Wikipedia 20%、LinkedIn 15%、其他 15%）计算品牌权威总分，最后输出一份名为 GEO-BRAND-MENTIONS.md 的 markdown 报告，包含平台细分、情感分析和按时间线排序的建议。
收集品牌名称、创始人、域名、行业和竞争对手信息；用 WebFetch 执行 site: 限定搜索，检查各平台的官方频道/账号、第三方提及数量、推荐语境和情感倾向；对 Wikipedia 采用 Python API 直查（en.wikipedia.org 和 wikidata.org 的 API），并明确要求优先使用 API 而非网页搜索以避免假阴性；按每平台 0-100 的评分细则打分，套用加权公式得出品牌权威总分（0-100，分为 Dominant/Strong/Moderate/Weak/Minimal 五档）；可选做竞品对比，并将所有结果写入 GEO-BRAND-MENTIONS.md 报告，含即时/短期/长期行动清单。
- GEO/SEO 代理机构为客户做 AI 可见性审计时，需要量化品牌在 AI 引用平台上的存在度并交付报告
- SaaS 公司想知道为什么 ChatGPT/Perplexity 推荐竞品而不是自己，并定位薄弱平台
- 营销团队在制定 Reddit 或 YouTube 内容策略前，先摸清当前提及量、情感和推荐位置
- 新品牌或本地企业评估自己在维基百科/Wikidata 的实体识别状态，判断是否被 AI 当作'真实实体'
- agencies 用竞品对比表校准评分，向客户证明相对差距和改进优先级
这个 Skill 有哪些优点和局限？
- 有明确、可复现的评分方法：每平台有分档评分细则，加权公式透明
- 对 Wikipedia/Wikidata 的检查设计了 API 优先 + URL 直查的多重校验，减少假阴性
- 报告结构完整（平台细分、情感、竞品对比、分阶段建议），可直接交付客户
- 依据公开研究（Ahrefs 2025 年 12 月、Profound、Terakeet）而非凭空设定权重
- 平台扫描主要依赖 site: 搜索和 WebFetch，提及量与订阅数多为估算，无法精确核实
- 评分细则是人工设定的阈值表，本身没有测试套件或准确率验证
- Ahrefs 相关性数据是相关性而非因果，且部分平台（Reddit 等）未公布精确系数，'High' 为定性描述
- 新闻/播客等'其他平台'仅做粗粒度存在性检查，深度有限
- 扫描结果会随时间和搜索工具行为波动，同一品牌两次运行可能得到不同分数
如何安装这个 Skill？
安装整个集合（本技能随集合一起安装）：macOS/Linux 运行 curl -fsSL https://raw.githubusercontent.com/zubair-trabzada/geo-seo-claude/main/install.sh | bash；Windows 在 Git Bash 中运行对应的 install-win.sh。要求 Python 3.8+、Claude Code CLI 和 Git；依赖装到 ~/.claude/skills/geo/.venv/ 的隔离虚拟环境中。源文档未说明能否单独安装此子技能。
如何使用这个 Skill？
安装后在 Claude Code 中运行 /geo brands <url>，或在会话中直接要求扫描某品牌的跨平台提及。技能会依次收集品牌信息、逐平台扫描打分（Wikipedia 用 Python API 优先校验）、计算加权总分，并生成 GEO-BRAND-MENTIONS.md 报告。你可以在开始时提供品牌名、创始人、主要竞品以获得更准确的结果和竞品对比。