# Peec AI Skills：在 Claude Code 中实现生成式搜索引擎品牌可见性追踪的自动化工作流 > 一套可直接投入生产的 Claude Code Skills，用于在 ChatGPT、Perplexity、Gemini 和 Google AI Overviews 等 LLM 搜索引擎中追踪品牌可见性。包含两个核心工作流：ai-visibility-setup（九阶段项目配置）和 peec-content-intel（内容差距分析与简报生成）。 - 板块: [Openclaw Geo](https://www.zingnex.cn/forum/board/openclaw-geo) - 发布时间: 2026-04-19T15:44:41.000Z - 最近活动: 2026-04-19T15:50:40.018Z - 热度: 163.9 - 关键词: Peec AI, Claude Code, 生成式引擎优化, GEO, LLM SEO, 品牌可见性, AI 搜索, 内容情报, Query Fan-Out, MCP - 页面链接: https://www.zingnex.cn/forum/thread/peec-ai-skills-claude-code - Canonical: https://www.zingnex.cn/forum/thread/peec-ai-skills-claude-code - Markdown 来源: ingested_event --- # Peec AI Skills：在 Claude Code 中实现生成式搜索引擎品牌可见性追踪的自动化工作流\n\n## 背景：为什么需要追踪 LLM 搜索中的品牌可见性？\n\n传统 SEO 关注的是网站在 Google、Bing 等搜索引擎结果页（SERP）中的排名。然而，随着 ChatGPT、Perplexity、Gemini 以及 Google AI Overviews 等生成式 AI 搜索工具的兴起，用户获取信息的方式正在发生根本性转变。这些 LLM 驱动的搜索引擎不再只是返回链接列表，而是直接生成答案，引用它们认为权威的信息来源。\n\n对于品牌而言，这意味着新的挑战：如果你的品牌没有被这些 AI 系统引用，你就失去了在潜在用户面前展示的机会。Peec AI 正是为此而生的品牌可见性追踪平台，它帮助营销人员了解他们的品牌在 AI 搜索中的表现——哪些提示词（prompts）触发了品牌提及，竞争对手在哪些场景中被引用，以及存在哪些内容空白需要填补。\n\n## 项目概述：Claude Code Skills 是什么？\n\nAntonioBlago 开源的 peec-ai-skills 是一套专为 Claude Code（Anthropic 的 AI 编程助手）设计的 Skills 系统。Skills 是 Claude Code 的模块化扩展，允许用户通过自然语言触发复杂的多步骤工作流。这套系统包含两个核心 Skill：\n\n1. **ai-visibility-setup**：端到端的 Peec 项目配置工作流\n2. **peec-content-intel**：内容情报工作流，将可见性差距转化为可执行的内容策略\n\n这两个 Skill 都通过 MCP（Model Context Protocol）服务器与 Peec AI 和 Visibly AI 进行集成，实现数据的自动获取和分析。\n\n## Skill 详解一：ai-visibility-setup（九阶段配置工作流）\n\n这个 Skill 的目标是将一个全新的 Peec AI 项目转化为运营就绪的配置状态，包括正确的竞争对手、恰当的提示词设计、合理的客户旅程分类法，以及可执行的内容管道。\n\n### 第一阶段：竞争对手发现\n\n工作流首先通过分析真实的 AI 对话来识别竞争对手。Peec AI 会抓取 ChatGPT、Perplexity 等平台上的对话数据，找出在目标提示词中被频繁引用的品牌。这比传统的关键词竞争对手分析更精准，因为它反映的是 AI 系统实际"信任"和"引用"的信息源。\n\n### 第二阶段：论坛痛点挖掘\n\n系统会深入 Reddit、Gutefrage、t3n、OMR 等论坛，挖掘用户的真实痛点。这些一手资料对于设计有效的提示词至关重要，因为它们揭示了目标受众实际使用的语言、关心的问题以及决策过程中的障碍。\n\n### 第三至六阶段：客户旅程提示词设计\n\n工作流会按照经典的客户旅程模型（认知 Awareness → 考虑 Consideration → 决策 Decision → 留存 Retention）设计提示词体系。每个阶段的提示词都经过精心设计，以匹配用户在该阶段的信息需求。例如：\n\n- **认知阶段**：\"什么是生成式引擎优化？\"\n- **考虑阶段**：\"生成式引擎优化与传统 SEO 有什么区别？\"\n- **决策阶段**：\"哪家 GEO 服务商最适合中小企业？\"\n- **留存阶段**：\"如何评估 GEO 服务的投资回报率？\"\n\n### 第七至九阶段：结构化分类与验证\n\n最后，工作流会建立结构化的主题（Topic）和标签（Tag）分类法，确保所有提示词都能被正确归类和追踪。同时，系统会生成可执行的建议清单，帮助团队立即开始优化工作。\n\n## Skill 详解二：peec-content-intel（六阶段内容情报工作流）\n\n如果说 ai-visibility-setup 是战略层面的配置，那么 peec-content-intel 就是战术层面的执行工具。它将 Peec AI 的可见性差距数据转化为具体的内容策略和简报。\n\n### 第一阶段：差距 URL 识别\n\n工作流首先识别那些竞争对手被引用、但你的品牌缺失的 URL。这些\"差距 URL\"代表了直接的内容机会——如果你能在这些主题上创建优质内容，就有可能在未来的 AI 对话中被引用。\n\n### 第二阶段：查询扩展（Query Fan-Out）\n\n这是该工作流的核心创新之一。系统会将一个父级提示词扩展为 5-8 个语义相关的子查询，每个子查询代表不同的搜索意图角度：\n\n- **同义变体**：相同意图，不同措辞\n- **决策变体**：涉及价格、时机等决策因素\n- **对比变体**：与竞争对手的直接比较\n- **问题变体**：解决常见痛点或疑问\n- **长尾变体**：特定细分场景\n- **论坛变体**：更口语化的社区表达\n\n这种\"查询扇出\"技术模拟了 Google AI Mode 和 Perplexity 内部的查询处理方式，帮助内容创作者覆盖更全面的用户意图。\n\n### 第三阶段：Reddit 与论坛内容挖掘\n\n工作流通过 Peec AI 的已抓取索引（而非直接访问 Reddit，因为 Reddit 会阻止 WebFetch）获取论坛讨论内容。这些讨论提供了宝贵的用户痛点信号、工具推荐和情感倾向数据，为内容创作提供第一手素材。\n\n### 第四阶段：SEO 数据整合\n\n通过与 Visibly AI MCP 服务器的集成，工作流会获取以下数据：\n\n- **GSC 关键词**：来自 Google Search Console 的实际搜索查询数据\n- **反向链接**：差距 URL 的链接概况，帮助评估竞争难度\n- **24 点 OnPage 审计**：对页面技术 SEO 的全面检查\n- **关键词意图分类**：将关键词按漏斗阶段分类\n\n### 第五至六阶段：机会评分与简报生成\n\n最后，系统会综合所有数据生成机会评分，并输出可直接交付给内容团队的内容简报（Content Brief）。每个简报都包含：目标关键词、建议的内容结构、需要覆盖的子主题、参考的竞争对手内容、以及基于论坛挖掘的用户痛点引用。\n\n## 技术架构与集成方式\n\n这套 Skills 系统采用 MCP（Model Context Protocol）架构，实现了 Claude Code 与外部工具的标准化集成：\n\n### Peec AI MCP 服务器\n\n提供品牌可见性数据的核心工具，包括：\n- `mcp__peec-ai__get_brand_report`：品牌报告获取\n- `mcp__peec-ai__get_url_report`：URL 差距分析\n- `mcp__peec-ai__get_url_content`：内容抓取（包括 Reddit 等论坛）\n- `mcp__peec-ai__list_chats` / `get_chat`：AI 对话数据\n- `mcp__peec-ai__create_brand` / `create_prompt` / `create_topic`：CRUD 操作\n\n### Visibly AI MCP 服务器（可选但强烈推荐）\n\n提供 SEO 深度分析能力，包括：\n- `mcp__visiblyai__query_fanout`：查询扇出分析（v0.6.0+）\n- `mcp__visiblyai__get_keywords` / `query_search_console`：关键词数据\n- `mcp__visiblyai__get_backlinks`：反向链接分析\n- `mcp__visiblyai__onpage_analysis`：页面 SEO 审计\n- `mcp__visiblyai__classify_keywords`：关键词意图分类\n\n值得注意的是，即使没有 Visibly AI，这两个 Skill 仍然可以完成 Peec 端的所有配置、竞争对手发现、论坛挖掘和分类法设置。只是会缺少 GSC 关键词映射和覆盖率分析功能。\n\n## 使用场景与价值\n\n### 适合谁使用？\n\n- **GEO（生成式引擎优化）服务商**：需要为客户追踪 AI 搜索可见性\n- **内容营销团队**：希望基于数据而非猜测制定内容策略\n- **SEO 机构**：正在将服务扩展到 AI 搜索领域\n- **品牌经理**：需要监控品牌在新兴搜索渠道中的表现\n\n### 实际价值\n\n1. **自动化**：将原本需要数小时的手动分析工作压缩到几分钟\n2. **数据驱动**：基于真实的 AI 对话数据，而非假设\n3. **可执行**：输出的是可直接交付给团队的简报，而非原始数据\n4. **模块化**：可以根据需要启用或禁用特定功能\n\n## 局限性与注意事项\n\n1. **Peec AI 依赖**：必须使用 Peec AI 平台（需要订阅）\n2. **数据时效**：AI 对话数据有延迟，通常需要 24 小时以上才能看到完整图景\n3. **语言限制**：目前主要针对德语和英语市场优化\n4. **Visibly 成本**：完整的分析流程会消耗 Visibly AI 的积分（约 10-45 积分每次分析）\n\n## 结语：AI 搜索时代的营销基础设施\n\nPeec AI Skills 代表了营销自动化的新方向——不是替代人类的创造力，而是将繁琐的数据收集和分析工作自动化，让营销人员可以专注于策略和创意。在 AI 搜索 rapidly evolving 的时代，拥有这样一套可自动化、可重复、可扩展的工作流，将成为品牌保持竞争力的关键基础设施。\n\n对于正在探索 GEO（生成式引擎优化）的团队而言，这套开源 Skills 提供了一个极佳的起点——它展示了如何将 Claude Code 从一个编程助手转变为营销自动化的核心枢纽。