• AI 应用
• 人工智能
• 大模型
• 后端
• AI 评测

GeoLook 是一个开源的 GEO（Generative Engine Optimization，生成式引擎优化）实施平台，帮你把品牌事实库和问题库一次搭好，让 ChatGPT、豆包、DeepSeek 等 AI 引擎在回答用户提问时，按你自己的口径描述品牌。本教程用约 10 分钟，带你完成这套"底座工程"——这也是整个 GEO 流程里最值得先做的一步。

为什么AI会"胡说"你的品牌？

传统 SEO 的终点是排名和点击；GEO 的终点是AI 答案里的那句话是不是按你的口径说的（详见 references/method.md）。

AI 回答品牌类问题时，通常走三层漏斗：触发联网检索 → 选信源进引用列表 → 把内容吸收进答案。如果它检索不到你、或者只能拼凑出零散矛盾的信息，结果就是：

• 品牌名拼错、行业归错（张冠李戴）
• 价格、功能与官网不一致
• 同类问题每次回答口径都不一样

GeoLook 的思路很直接：先建一份全站唯一的口径来源（Single Source of Truth）——品牌事实库，再建一份决定"AI 会在什么场景被问到"的问题库。之后 llms.txt、JSON-LD、内容草稿全部从这两份底座生成，改一处、处处同步。

快速启动 GeoLook（3 步）

环境要求：macOS / Linux（Windows 可用 WSL），Python 3.9+，仅 3 个第三方依赖。

# 1. 克隆并安装 git clone https://gitcode.com/gh_mirrors/ge/geolook cd geolook pip3 install requests beautifulsoup4 lxml # 2. 启动本地看板（自动打开浏览器，默认 127.0.0.1:8765） python3 scripts/geo.py ui

零 API Key 也能用：抓站、体检、工单、资产生成都跑通，只是自动采样会跳过。配一个国内引擎 Key（如 DeepSeek/GLM）后，还能解锁"自动推导品牌事实与问题库"的 AI 初稿能力——本教程第 3 步就用得上。

Key 配置方式：看板里Settings → Engines & Keys直接填写，或复制.env.example为.env后编辑。

第 1 步：自动推导品牌事实初稿

在界面里新建项目（3 步向导：填写官网 URL + 市场），或直接跑一条命令：

python3 scripts/geo.py new --url https://你的官网.com --market both

其中bootstrap环节会做一件关键的事：只从你官网的正文里抽取品牌事实，生成work/<项目>/content/facts.md事实卡和 geo.json 中的品牌/竞品/问题字段。

这里的编造防线值得注意（实现见 scripts/bootstrap.py）：

1. 只从抓到的官网正文抽事实，禁止 LLM 用"常识"补充
2. 抽不到的字段一律标**「待确认」**，不允许留空猜测
3. 数字必须原样引用正文，不换算、不取整
4. 竞品由采样答案反推确认——没被 AI 答案提到的不算真实竞品

⚠️纪律：标了「待确认」的字段（成立时间、工商主体、可具名客户等），要么你补齐，要么明确"不对外说"。这条纪律贯穿 GeoLook 的设计原则——"Never fabricate"。

第 2 步：人工复核品牌事实库（最值钱的 5 分钟）

打开看板左侧DIAGNOSIS → Brand Facts页面，把推导出的事实逐条过一遍：

每条事实都标注证据等级：A 官方已证实/B 第三方可佐证/C 内部待授权/D 需补证/E 禁止使用，模板完整定义见 references/content-patterns.md 第 1 节。页面上还能把"AI 当前的说法"与你的口径逐条比对，比对通过的"事实一致性"会计入 GEO 健康分。

改完事实库后点Regenerate llms.txt & structured data，所有下游资产即刻同步——这就是"单一真相源"的威力。

第 3 步：搭建问题库——决定AI在哪些场景被问到

问题库决定三件事：采样什么、写什么内容、怎么算指标。GeoLook 按七组组织问题，每组 3–6 题：

• 买家意图组：推荐 / 比较 / 替代 / 价格 —— 离成交最近，优先补
• 需求教育组：场景 / 风险
• 探测组：品牌验证（点名品牌的题，单独归类，不污染提及率）

编辑看板左侧STATUS → Questions页面，重点检查两件事：

1. 问法像不像真实用户——中文题要口语化，英文题要原生表达（不是机翻）。"国内做私域运营的 SaaS 有哪些好用的？"是好题，"我们的 SaaS 有什么优势？"不是。
2. 每题的market标签——cn/global/both。脚本据此路由：中文题不会打到 Perplexity，英文题不会打到豆包。both只留给品牌验证类。

每题还会被自动打上诊断分型（疑似负面 > 竞品主导 > 完全缺席 > 排名靠后），配合"Rising demand"标记（来自百度下拉 / Google 补全的真实需求挖掘），选题池自动按"未提及 + 无内容"排到最前面——先写哪篇，数据说了算。

第 4 步：让底座"生效"——生成资产并验收

底座搭好后，事实库的下游资产一键生成：

python3 scripts/geo.py generate --slug <项目>

产出到work/<项目>/assets/：

之后跑verify自动重抓站点验收——能自动验收的，就不靠人口头说"做完了"，这是 GeoLook 与"只给建议"的工具的本质区别。

常见问答

Q：没有官网的商品/品牌怎么办？

照样能做——实测国内 AI 引用的信源里，品牌自有官网只占1.37%，AI 可见性本来就主要靠外部阵地：

python3 scripts/geo.py init --no-site --name "产品名" --materials 介绍材料.md --market cn

介绍材料会取代官网正文成为推导底座，抓取/体检自动跳过，其余流程完全照常。

Q：事实库建好后多久见效？

建议节奏：页面体检每周一次，AI 答案采样每两周或每月一次。采样有成本且指标本身有噪声，跑太密反而看不出信号。

Q：GeoLook 会承诺"一定被引用"吗？

不会。GeoLook 的边界写得很清楚：GEO 提高的是概率，不是保证；"suspected negative"等标记只是线索，最终由人复核。每条建议都必须能追溯到 references/method.md 里的某条实测数字。

小结：10 分钟做了三件事

品牌事实库和问题库是整个 GEO 工程的"地基"：事实口径错了，后面所有内容和指标都是在放大错误；问题库偏了，采样和内容全在空转。用 GeoLook 把这两件事做成可再生、可比对、可验收的结构化资产，后面的内容生产、外部阵地建设、效果验证才有据可依。

延伸阅读：SKILL.md（完整方法论与全部命令）、README.zh-CN.md（功能全景）、references/cn-source-ranking.md（国内信源实测榜——会改变你的资源分配方式）。

• AI 应用
• 人工智能
• 大模型
• 后端
• AI 评测