GEO竞品监控员 (GEO Competitor Monitor)

📋 技能概述

核心功能：实时监控竞品在ChatGPT、豆包、通义等AI平台的GEO表现，自动生成竞品对比分析报告，帮助品牌了解竞品动态和优化策略。

适用场景：

• 企业市场部定期监控竞品GEO策略
• 产品经理分析竞品AI平台表现
• SEO代理商为客户提供竞品分析报告
• 投资机构评估标的公司市场表现

交付形式：Coze技能商店（免费版+付费版）

🎯 使用场景

场景1：竞品GEO表现对比

用户输入：

品牌：华为
竞品1：小米
竞品2：苹果
检测平台：豆包、通义、DeepSeek
监控周期：最近30天

技能输出：

【GEO竞品监控报告】
主体：华为 vs 小米 vs 苹果
监控周期：2026-04-28 至 2026-05-28
检测平台：豆包、通义、DeepSeek

✅ 综合排名：
1. 苹果 - 平均提及率 95% | 健康评分 88/100
2. 华为 - 平均提及率 88% | 健康评分 82/100
3. 小米 - 平均提及率 76% | 健康评分 75/100

【关键发现】
- 华为在"国产手机品牌"场景中首推率领先小米22%
- 苹果在"智能手机推荐"场景中首推率领先华为15%
- 小米在"性价比手机"场景中首推率最高（68%）

【竞品策略分析】
苹果：
- 优势：高端市场定位清晰，AI回答情感正向率高
- 策略：大量投放品牌介绍内容到权威媒体

华为：
- 优势：科技创新标签明显，技术参数提及率高
- 策略：强化"国产"和"技术领先"关键词

小米：
- 优势：性价比认知强，年轻用户群体覆盖好
- 策略：增加"高端化"相关内容投放

【优化建议】
1. 华为应提升"智能手机推荐"场景的首推率
2. 华为应增加正面PR稿件投放，改善情感倾向
3. 建议监控小米"高端化"相关内容策略

【导出选项】
- PDF报告（完整版）
- Excel数据表（原始数据）
- 可视化图表（PNG）

场景2：竞品动态预警

用户输入：

监控品牌：华为
竞品：小米、苹果、OPPO、VIVO
预警条件：提及率变化>10% 或 首推率变化>15%
监控频率：每日

技能输出：

【GEO竞品动态预警】
监控品牌：华为
预警时间：2026-05-28 23:15

⚠️ 检测到竞品动态：

**小米**：
- 提及率变化：+12%（68% → 80%）
- 首推率变化：+18%（50% → 68%）
- 可能原因：近期大量投放"小米14 Ultra 评测"相关内容
- 建议行动：加强"华为Mate 60 Pro vs 小米14 Ultra"对比内容

**苹果**：
- 提及率变化：+5%（92% → 97%）
- 首推率变化：+8%（80% → 88%）
- 可能原因：WWDC 2026发布会相关内容投放
- 建议行动：无明显威胁，继续保持

【历史趋势图】
（展示最近30天提及率和首推率变化趋势）

【下一步行动】
1. 深入分析小米内容策略（使用GEO内容优化器）
2. 调整华为内容投放策略
3. 设置持续监控（每周生成竞品分析报告）

🔧 技术实现

核心算法流程

graph TD
    A[用户输入] --> B[参数验证]
    B --> C[竞品列表处理]
    C --> D[并行调用AI平台API]
    D --> E[解析各竞品响应]
    E --> F[计算竞品GEO指标]
    F --> G[生成对比分析]
    G --> H[识别竞品策略]
    H --> I[生成优化建议]
    I --> J[输出监控报告]

技术栈

• 前端：Coze工作流可视化编辑器
• 后端：Coze云函数（Python 3.11+）
• API对接：豆包API、通义API、DeepSeek API
• 数据存储：Coze KV存储（历史监控数据）
• 数据分析：Pandas、NumPy
• 可视化：Matplotlib、Plotly

核心算法说明

1. 竞品GEO指标计算算法

def calculate_competitor_metrics(brand_name, competitor_name, platform_responses):
    """
    计算竞品GEO指标
    """
    metrics = {
        "mention_rate": 0.0,
        "first_recommend_rate": 0.0,
        "sentiment_score": 0.0,
        "content_coverage": 0.0
    }
    
    # 提及率
    mention_count = sum(1 for r in platform_responses if r["mentioned"])
    metrics["mention_rate"] = mention_count / len(platform_responses)
    
    # 首推率
    first_recommend_count = sum(1 for r in platform_responses if r["first_recommend"])
    metrics["first_recommend_rate"] = first_recommend_count / len(platform_responses)
    
    # 情感得分
    sentiment_scores = [r["sentiment_score"] for r in platform_responses]
    metrics["sentiment_score"] = sum(sentiment_scores) / len(sentiment_scores)
    
    # 内容覆盖率
    coverage_items = ["产品介绍", "技术参数", "用户评价", "价格信息"]
    coverage_count = sum(1 for item in coverage_items if item in platform_responses[0]["full_response"])
    metrics["content_coverage"] = coverage_count / len(coverage_items)
    
    return metrics

2. 竞品策略识别算法

def identify_competitor_strategy(competitor_name, platform_responses):
    """
    识别竞品GEO策略
    """
    strategy = {
        "content_focus": [],  # 内容重点
        "keyword_focus": [],  # 关键词重点
        "platform_focus": [],  # 平台重点
        "possible_tactics": []  # 可能策略
    }
    
    # 分析内容重点
    all_responses = " ".join([r["full_response"] for r in platform_responses])
    
    if "性价比" in all_responses:
        strategy["content_focus"].append("性价比")
    if "高端" in all_responses or "旗舰" in all_responses:
        strategy["content_focus"].append("高端化")
    if "技术" in all_responses or "创新" in all_responses:
        strategy["content_focus"].append("技术创新")
    
    # 识别可能策略
    if "性价比" in strategy["content_focus"] and "高端" in strategy["content_focus"]:
        strategy["possible_tactics"].append("双向定位：同时覆盖性价比和高端市场")
    
    return strategy

3. 动态预警算法

def detect_anomalies(current_metrics, historical_metrics, threshold=0.10):
    """
    检测竞品GEO指标异常变化
    """
    anomalies = []
    
    for metric_name in ["mention_rate", "first_recommend_rate", "sentiment_score"]:
        current_value = current_metrics.get(metric_name, 0.0)
        
        # 计算历史平均值
        historical_values = [m.get(metric_name, 0.0) for m in historical_metrics]
        avg_value = sum(historical_values) / len(historical_values) if historical_values else 0.0
        
        # 计算变化率
        if avg_value > 0:
            change_rate = (current_value - avg_value) / avg_value
        else:
            change_rate = 0.0
        
        # 判断是否异常
        if abs(change_rate) > threshold:
            anomalies.append({
                "metric": metric_name,
                "current_value": current_value,
                "historical_avg": avg_value,
                "change_rate": change_rate,
                "severity": "high" if abs(change_rate) > 0.20 else "medium"
            })
    
    return anomalies

🌐 Coze工作流设计

工作流节点图

[开始节点]
    ↓
[输入节点] - brand_name, competitors, platforms, monitoring_period
    ↓
[参数验证节点] - 检查必填项
    ↓
[竞品列表处理节点] - 解析竞品列表
    ↓
[并行HTTP请求节点] - 为每个竞品调用AI平台API
    ↓                    ↓                    ↓
[代码节点-解析]   [代码节点-解析]   [代码节点-解析]
    ↓                    ↓                    ↓
[数据聚合节点] - 汇总所有竞品结果
    ↓
[代码节点-指标计算] - 计算竞品GEO指标
    ↓
[代码节点-策略识别] - 识别竞品策略
    ↓
[代码节点-预警检测] - 检测异常变化
    ↓
[输出节点] - 竞品对比报告 + 预警信息
    ↓
[结束节点]

💰 定价策略

免费版

• 监控1个竞品
• 3个AI平台
• 基础对比报告

付费版

🚀 快速开始

1. 导入技能到Coze

1. 登录Coze开发者平台
2. 进入"技能开发" → "导入技能"
3. 上传本技能包

2. 配置API Key

在"技能配置" → "环境变量"中配置：

DOUBAO_API_KEY=your_doubao_api_key
TONGYI_API_KEY=your_tongyi_api_key
DEEPSEEK_API_KEY=your_deepseek_api_key

3. 测试技能

输入测试数据：

• brand_name: 华为
• competitors: 小米,苹果
• platforms: 豆包,通义
• monitoring_period: 30天

4. 发布到技能商店

参考references/publish_materials.json填写技能详情

📚 参考资料

• references/rules.json - 竞品监控规则库
• references/examples.json - 竞品分析案例库
• scripts/monitor.py - 竞品监控核心算法
• scripts/analyzer.py - 竞品策略分析器

📝 版本历史

• v1.0.0 (2026-05-28) - 初始版本，支持基础竞品对比

📞 支持与反馈

• 问题反馈：Coze技能商店留言
• 功能建议：提交GitHub Issue