跳至主要内容
我开源了一个 Claude SEO Skill——729行文档，覆盖 2026 全栈 SEO 的所有阶段
开源 · Claude Skill · SEO

我开源了一个
Claude SEO Skill

729行文档，覆盖 2026 全栈 SEO 的所有阶段——从技术架构到让 AI 搜索引擎直接引用你的内容。

2026年6月 airesearchs.com 8 min read
729
行文档内容
6
优化阶段
40%+
AI引用率可提升幅度

做网站的人都绕不开一个问题：流量从哪来？

2026年这个问题变得更复杂了。搜索生态正在被AI重塑——93%的AI模式搜索会产生"零点击"，用户直接从 ChatGPT、Perplexity、Google AI Overviews 拿到答案，根本不需要点进你的网站。

"排名第一"已经不是终点。
被AI引用，才是2026年真正的流量护城河。

我花了一段时间研究这个问题，整理成了一套 Claude Skill，专门用来优化我的网站 airesearchs.com。现在把它开源出来，供所有人使用。

★ Star on GitHub github.com/WOOK98/seo-optimizer
概览

这个 Skill 能做什么？

把 .skill 文件上传到 Claude 之后，每次你问 SEO 相关问题，Claude 都会调用这套框架给出定制建议。它包含 1 个主文档 + 5 个专项参考文档，共 729 行，覆盖六个完整阶段。

PHASE 01
技术底层基建
GSC、GA4、Schema 部署，ISR 渲染架构，Core Web Vitals 三项硬性指标
PHASE 02
关键词矩阵与主题集群
长尾词挖掘方法论，支柱页 + 集群页 + 双向内链的完整架构
PHASE 03
竞品反向工程
关键词覆盖差距、反向链接截流、页面技术变迁追踪三维框架
PHASE 04
GEO 生成式引擎优化
原子化答案格式，FAQ Schema，E-E-A-T 信用护城河建设
PHASE 05
数据分析与看板
GA4 高阶探索，GSC × GA4 数据混合，Looker Studio 自动化看板
PHASE 06
移动端监控工作流
每日10分钟巡检 + 每周30分钟复盘的标准化流程
最关键的部分

为什么 GEO 比传统 SEO 更重要？

40%+

普林斯顿 + 佐治亚理工联合研究：系统性 GEO 策略可将网站在 AI 搜索中的引用率提升 40% 以上。而 44.2% 的 AI 高频引用数据，从文章前三分之一提取。

核心操作是原子化答案：每个知识点控制在 40-60 词，倒金字塔结构，第一句即核心结论。H2/H3 标题全改为问答格式，配合 FAQ Schema，让大模型能够精准抽取内容。

传统标题：ISR 渲染架构解析 ↓ 改为 ↓ GEO 标题：什么是 ISR 渲染架构，它如何影响 Core Web Vitals？ 传统段落：关于大语言模型的推理能力，学界存在不同观点... ↓ 改为 ↓ 原子化答案：思维链推理是让 AI 在给出最终答案前，先逐步展示 推理过程的技术。研究显示，CoT 提示可将 GPT-4 在数学推理任务 上的准确率提升至 73%，相比直接提问提升约 30 个百分点。（50词）

这种结构不仅对 AI 搜索友好，对人类读者的阅读体验也更好——双赢。

技术亮点

技术底层：不只是装几个插件

Schema 矩阵是技术阶段的重点，包含 Article、FAQ、BreadcrumbList 全套 JSON-LD 部署。其中 FAQ Schema 是触发 Google AI Overviews 直接引用的最核心技术手段。

渲染架构推荐 ISR（增量静态再生成）——预渲染保速度，后台重建保新鲜度，是 2026 年内容站的黄金标准。

  • ✓ Google Search Console + GA4 + Bing Webmaster Tools 完整部署流程（别忘了 Bing，它背后是 Copilot 的流量）
  • ✓ Core Web Vitals 三项硬性指标：LCP < 2.5s / INP < 200ms / CLS < 0.1，含具体修复方案
  • ✓ JSON-LD Schema 矩阵：Article + FAQ + BreadcrumbList 完整代码，可直接复制
  • ✓ URL 结构规范 + 3次点击法则，避免孤岛页面被爬虫忽略
数据驱动

淘汰虚荣指标，关注真正重要的 KPI

PV 浏览量、总点击次数在 2026 年已被视为虚荣指标。Skill 中重新定义了核心 KPI：

有机转化率 参与度会话率 自然点击率 AI引用次数

Looker Studio 最强的功能是 GSC × GA4 数据混合——把曝光数据和转化数据打通，直接回答最棘手的业务问题：

"哪些页面获得了大量曝光和点击，但最终转化率接近零？"

这些页面才是 CRO 优化的最高优先级目标，而不是那些本来就没流量的页面。

上手指南

如何使用

  1. 1 前往 github.com/WOOK98/seo-optimizer 下载 .skill 文件（或 Clone 整个仓库）
  2. 2 在 Claude 的设置 → Skills 中上传 .skill 文件，等待安装完成
  3. 3 开启新对话，直接问："帮我分析一下网站的SEO现状"、"给我规划这个月的内容策略"、"怎么让 ChatGPT 引用我的网站"——Claude 会自动调用这套框架

Skill 内置了针对 airesearchs.com 的具体竞品信息和内容集群规划，建议 Fork 后修改为你自己的网站信息。

开源、免费、即装即用

如果对你有帮助，欢迎 Star ⭐ 有问题提 Issue，欢迎 PR。

GitHub 仓库 访问网站 →

评论

发表评论

此博客中的热门博文

我用 AI 把一个 X 博主的 5,582 条推文蒸馏成了一个可复用的投资分析 Skill

  起因 X（原 Twitter）上有一个叫 Serenity (@aleabitoreddit) 的博主，45 万粉丝，专注 AI/半导体供应链分析。他的推文质量极高 — 追踪超大规模资本开支（Google/Microsoft/Meta/Amazon）向上游找到单点瓶颈，然后在机构反应之前布局。 他的方法论很清晰： 别买 NVDA，沿着供应链往上游走，找到那个唯一的 chokepoint。 问题是：5,582 条推文，跨 10 个月，信息密度高但极度碎片化。手动读完要几天，而且很多关键洞察散落在回复和线程里。 我想：能不能用 AI 把这些推文全部蒸馏成一个结构化的分析框架？ 做法 1. 数据采集 用 agent-reach 的 twitter-cli 做日期窗口搜索，绕过 X 的分页限制，收集了 2025-07-02 到 2026-05-28 的全部推文（~5,582 条）+ 4 篇 X 长文。 2. 分期蒸馏 把推文按时间分成 6 个时期，每个时期用 AI 做一次深度分析： 2025 Q3（Jul-Sep）：起步期，ALAB/CRDO/NBIS 2025 Q4（Oct-Nov）：NeoCloud 爆发，NBIS 定义性赢家 2025-12 到 2026-01：光子学觉醒，LITE/AXTI/AAOI 2026-02：AAOI 财报爆发，SIVE 初露 2026-03：SIVE 登场，CPO 超级周期 2026-04-05：供应链证据链闭合 3. 交叉合并 6 个时期分析完成后，做三件事： 逐标的知识库 ：每个 ticker 跨时期合并，标注置信度演变 方法论提取 ：从具体案例中抽象出 12 条可迁移原则 战绩校准 ：用 Yahoo Finance 数据独立复核 30/60 天准确率 4. 封装为 Agent Skill 最终输出一个标准的 Agent Skill，任何 AI agent（Claude、GPT、Cursor、OpenClaw）都能直接用。 核心方法论：12 条可迁移原则 瓶颈猎杀 — 找供应链中唯一的单点故障 多跳 BOM 映射 — 从终端需求链式追踪到原材料 签约 ARR vs 市值错配 — 按合同远期收入定价 Mag7 客户集中度过滤 — 被多家巨...
阅读全文

I used AI to distill 5,582 tweets from an X blogger into a reusable investment analysis Skill.

Origin There's a trader on X (formerly Twitter) called Serenity (@aleabitoreddit) — 450K followers, focused on AI/semiconductor supply-chain analysis. His tweets are exceptionally high quality: he traces hyperscaler capex (Google, Microsoft, Meta, Amazon) upstream to find single-point bottlenecks, then positions before institutions react. His methodology is clear: Don't buy NVDA. Walk the supply chain upstream and find the one chokepoint. The problem: 5,582 tweets spanning 10 months, extremely high information density but wildly fragmented. Reading them all manually would take days, and key insights are scattered across replies and threads. I thought: can I use AI to distill all these tweets into a structured, reusable analytical framework? Method 1. Data Collection Used agent-reach 's twitter-cli with date-windowed search to work around X's pagination limits. Collected every tweet from 2025-07-02 to 2026-05-28 (~5,582 tweets) plus 4 long-form X Articles. 2....
阅读全文