这个 Skill 能做什么，适合哪些场景？
SERP Analysis 是 Aaron Marketing Skills 中 SEO/GEO 体系的 Survey 阶段技能。它用于分析查询的搜索结果页结构、搜索意图、排名因素、AI Overviews、精选摘要和 People Also Ask 等模块。技能读取关键词、地区与语言、设备、SERP 截图或前十结果 URL，并输出一份按优先级排列的 SERP 简报。它还要求基于可验证证据计算 0–100 的 True Difficulty，并给出不同网站阶段的适配建议。
读取目标关键词、地区与语言、设备、SERP 截图、前十结果 URL及搜索背景；记录广告、AI Overviews、精选摘要、PAA、知识面板、图片或视频包、本地包、购物、新闻、站点链接和相关搜索等可见模块；分析排名页面的 URL、权威性、格式、新鲜度、页面因素和结构；归纳排名模式、搜索意图和功能机会；按规定权重计算 True Difficulty；输出关键发现、最低内容要求、SERP 功能策略、内容大纲和后续步骤，并生成可复用的研究摘要。
- SEO 团队想判断某个目标查询的主导搜索意图和竞争强度时。
- 内容负责人需要根据当前 SERP 规划文章、落地页或产品内容时。
- GEO 团队希望评估 AI Overviews、精选摘要或 PAA 的可见性机会时。
- 本地或国际化团队需要比较不同地区、语言或设备下的 SERP 时。
- 策略人员需要比较多个关键词，或分析 SERP 随时间变化时。
如何安装这个 Skill？
- 使用Firecrawl或Tavily时，查询词和目标URL可能发送给第三方；不要提交机密查询或未获授权抓取的网站。
- 不要把示例报告中的DA、反向链接、难度或AI Overview数据当作实测结果；必须重新获取并标注证据。
- 技能会建议写入memory目录，但所给技能文本未定义逐次确认、失败恢复或删除流程；写入前应人工确认范围并保留可恢复副本。
- 应在中国大陆目标地区、语言和设备条件下单独核验SERP，因为当前材料没有证明实时搜索结果和相关海外服务的可达性。
- Shell / 命令行
- 网络访问
- 本地文件系统
Python 3
安装整个仓库：在 Claude Code 中运行 /plugin marketplace add aaron-he-zhu/aaron-marketing-skills，再运行 /plugin install aaron-marketing@aaron。在兼容 Agent Skills 的主机上运行 npx skills add aaron-he-zhu/aaron-marketing-skills，或直接克隆仓库：git clone https://github.com/aaron-he-zhu/aaron-marketing-skills。单独获取该技能可使用仓库支持的 npx skills add ... -s 形式；源材料未提供 serp-analysis 单技能命令的完整示例。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/aaron-he-zhu/aaron-marketing-skills.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/seo-geo/survey/serp-analysis" ~/.claude/skills/
rm -rf "$tmp"根据源仓库地址和 Skill 路径自动生成，只复制这个 Skill 的文件夹。如果上文有作者提供的安装方式，请优先按作者说明操作；想只在当前项目中使用，把 ~/.claude/skills 换成项目里的 .claude/skills。
如何使用这个 Skill？
触发提示可以是 Analyze the SERP for [keyword] 或 What does it take to rank for [keyword]?。提供目标关键词、地区与语言、设备，以及 SERP 截图或前十 URL。若没有工具，技能会要求你提供这些资料；使用实时 SERP 时，结果必须标注为 Measured、User-provided 或 Estimated，缺失指标标记为 N/A。
这个 Skill 有哪些优点和局限？
- 覆盖 SERP 结构、排名因素、搜索意图和 AI 搜索功能，而不只是关键词列表。
- 明确要求用实时或用户提供的 SERP 证据支持难度和意图判断。
- 包含 0–100 True Difficulty、网站阶段适配建议和标准化交接摘要。
- 支持多关键词、历史变化、本地差异以及移动端与桌面端比较。
- 功能构成需要人工检查的 SERP 截图；Firecrawl 或 Tavily 的有机结果列表不能单独证明广告、AI Overviews、PAA 或其他模块。
- 实时分析依赖 WebFetch 或可用的网络连接器；无工具时需要用户提供数据。
- 源材料没有展示该技能独立的测试套件或平台逐一验证结果。
- 它不负责关键词需求发现；该任务应使用同仓库的 keyword-research 技能。
这个 Skill 与同类方案有什么区别？
与相关 Skills 并排比较；分数均按同一 FSRS 标准得出。
| Skill | FS 评分 | Star 数 | 最近更新 | License |
|---|---|---|---|---|
| SERP 分析 本页 | 56 · 谨慎使用 | ★ 3k | 12 天前 | Apache-2.0 |
| SXO 搜索体验优化 | 51 · 谨慎使用 | ★ 19k | 22 天前 | MIT |
| FLOW 证据驱动 SEO | 47 · 谨慎使用 | ★ 19k | 22 天前 | MIT |
| 博客关键词冲突检测器 | 43 · 不推荐 | ★ 2.4k | 13 天前 | MIT |
| GEO 内容引用优化器 | 52 · 谨慎使用 | ★ 3k | 12 天前 | Apache-2.0 |
与同仓库的 keyword-research 不同，SERP Analysis 研究当前搜索结果页的结构、排名模式和功能机会，而不是发现关键词需求。
FollowSkills 如何评估这个 Skill？
技能明确要求将WebFetch内容视为不可信数据，并引用抓取边界、robots.txt和数据外泄注意事项；仓库也声明连接器默认只读、密钥不落盘。扣分在于写入memory及提升持久化状态没有逐次用户确认、回滚方案或完整的数据流说明，且允许使用第三方Firecrawl/Tavily时存在查询和目标URL外泄风险。
步骤顺序、输入输出契约、缺失工具时的降级路径和指标标注规则较清晰；仓库还提供零依赖连接器、CI与测试证据。静态审查无法复现SERP抓取、引用或memory写入关键路径，且技能声明的WebFetch工具与文档中的Python连接器路径存在环境依赖，因此不超过静态上限10，并进一步扣分于异常输入和失败反馈覆盖不足。
触发语义、非适用场景（不用于keyword demand discovery）、输入字段、输出目标和多关键词/地域/设备场景均有说明，也包含中英文显示名。扣分在于对主流搜索引擎差异、中文SERP和中国大陆网络可达性的验证不足，且部分AI Overview与平台能力依赖实时外部服务。
Frontmatter包含名称、版本、许可证、兼容性、参数提示和下一技能；目录、模板、示例、功能分类及共享契约较完整，Apache-2.0和仓库维护/CI信号明确。扣分在于技能自身没有变更日志、明确维护责任人或更新路径，引用的共享文件和命令依赖宿主目录结构，示例中的量化结果也缺少来源标注。
目标是生成可执行的SERP brief、意图判断、难度评分和内容建议，模板和示例使预期输出较直接。扣分在于核心结果必须依赖实时或用户提供的SERP，当前材料没有该技能的真实执行产物；True Difficulty中的权威、链接和稳定性指标可能不可得，因而输出仍需较多人工核验，静态评估不超过7。
技能要求对每项指标标注Measured、User-provided或Estimated，并要求为难度和意图提供SERP证据；仓库同时有安全政策、CI工作流和相关测试。扣分在于没有提交该技能关键路径的独立运行报告、SERP样本或第三方交叉验证结果，示例报告中的数字和结论不可由所给文件独立核验，故不超过静态上限5。
点击维度查看打分理由
证据充分度：低 — 主要依赖静态检查、作者材料或有限演示；适合发现线索，不适合做高风险决策。
查看完整评分方法 →