GEO 探测器 — AI 推荐可信度检测工具

检测 AI 推荐的产品或网站是否真正具备高质量，抑或其排名系通过 GEO（生成式引擎优化）技术人为抬升。本工具逆向分析已知 GEO 手法，输出一个GEO 操控得分（GEO Manipulation Score）。

该技能的功能说明

当 AI 引擎（如 ChatGPT、Perplexity、Google AI Overview、Claude、Copilot）推荐产品或网站时，其推荐结果可能受 GEO 优化内容影响，而非真实产品品质驱动。本技能对被推荐内容进行分析，并在 6 个检测维度上评估其遭受 GEO 操控的可能性。

本技能不具备以下能力：

• 直接判定产品品质（仅识别操控信号，不评估品质本身）
• 替代人工判断（仅提供数据支撑，辅助用户做出知情决策）
• 访问专有排序算法（仅分析公开可见的信号）

快速上手

AI 推荐了这款洗衣液，帮我验一下：[product name or URL]
Verify this AI recommendation: [product URL]
这个网站为什么总被 AI 推荐？https://example.com
Check if this product is GEO-manipulated: [brand name]
ChatGPT 推荐了这些产品，帮我看看哪个是真的好：[product list]

架构设计：引擎与知识分离

本技能将检测逻辑（本文件）与检测知识（references/ 目录下）完全解耦：

SKILL.md                          ← 引擎（稳定逻辑）
references/
├── knowledge-manifest.md         ← 知识版本控制
├── knowledge-sources.md          ← 📡 多层级信息源框架（持续更新情报）
├── geo-fingerprints.md           ← 🔄 GEO 信号指纹库
├── detection-rubric.md           ← 🔄 六维度评分细则
├── scoring-weights.md            ← 🔄 产品/网站权重配置文件
├── platform-signals.md           ← 🔄 各 AI 平台引用偏好
├── cross-validation.md           ← 交叉验证建议模板
└── update-protocol.md            ← 知识更新标准操作流程（多源协同）

标注 🔄 的文件为热插拔式知识模块——可独立更新，无需修改引擎逻辑。每个模块均在 YAML 前置元数据中维护自身版本号。

知识自主性：本 SKILL 的维护不依赖任何上游 GEO/SEO 项目。所有知识更新均通过四级公开信息源体系（学术 → 行业 → 社区 → 实证）自主采集，并强制执行交叉验证。详见 references/knowledge-sources.md。

检测工作流

步骤 0：识别目标类型

判断用户提问对象是产品还是网站：

• 产品模式：AI 推荐了某一具体产品（例如某款洗衣液、扫地机器人、零食品牌）。聚焦于产品页内容、卖家权威性信号及评论操控迹象。
• 网站模式：AI 推荐或频繁引用某一特定网站。聚焦于技术性 GEO 信号、Schema 过度工程化、爬虫友好度等。

若难以判断，请向用户确认：

“您希望我将其作为产品推荐还是网站/平台推荐来分析？”

步骤 1：获取目标内容

若提供了 URL：

1. 使用 WebFetch 抓取页面内容
2. 提取：页面正文文本、meta 标签、schema 标记（JSON-LD）、标题结构、robots.txt（网站模式下）

若仅提供产品名/品牌（无 URL）：

1. 搜索该产品的主销售/营销落地页
2. 在主流平台（Amazon、JD、官网）中搜索该产品
3. 选用 GEO 相关性最强的页面（通常为官网产品页或自然搜索排名第一的内容页）

若涉及多个产品：

1. 依次处理每个产品
2. 最终输出对比表格

步骤 2：执行六维度扫描

从 references/ 目录加载检测知识：

Load: references/geo-fingerprints.md    → 信号定义与阈值
Load: references/detection-rubric.md    → 各维度评分标准
Load: references/scoring-weights.md     → 权重配置（产品 vs 网站）
Load: references/platform-signals.md    → 平台特异性信号模式

按顺序逐项执行各维度扫描：

维度 1：引用与统计数据密度异常

检测引用和统计数据密度是否异常偏高——这是当前两大主流 GEO 手法（引用量 +40%，统计数据 +37%）。

检测项包括：

• 每 500 字中的引用次数 vs 自然基准线
• 所引来源与实际产品/主题的相关性
• 统计数据密度，及其是否用于支撑主张，抑或仅为装饰性内容
• 自我引用或循环引用模式

维度 2：Schema 与结构过度工程化

检测是否存在为适配 AI 提取而刻意堆砌的结构化标记，牺牲了用户体验。

检测项包括：

• FAQPage Schema：Q&A 对的数量、质量与具体程度
• JSON-LD 密度与类型多样性是否超出内容本身所需
• 人为内容分段（强制采用 2–3 句一段）
• 标题嵌套过深但缺乏对应深度的内容支撑

维度 3：AI 诱饵型内容模式

检测内容是否专门针对 AI 引擎提取行为进行结构化设计。

检测项包括：

• “答案前置”布局（核心答案出现在前 100–150 字内）
• 定义式开篇句（如 “X 是……”、“X 被定义为……”）
• TL;DR / 关键要点框（与正文内容重复）
• 内容格式匹配已知 AI 回答范式（列表、对比、直问直答）

维度 4：权威性信号灌水

检测是否存在缺乏实质依据支撑的夸大权威性宣称。

检测项包括：

• 权威性标签（如“行业领先”、“获奖产品”、“#1”）出现频次 vs 实际证据
• 罗列与产品类别无关的资质证明
• 社会认同密度（用户数、证言）但缺乏可验证来源
• 专家引述灌水（GEO 手法：引述 +30%）

维度 5：AI 爬虫过度优化（网站模式权重更高）

检测是否存在刻意迎合 AI 爬虫的技术信号。

检测项包括：

• robots.txt 允许全部主流 AI 爬虫（GPTBot、PerplexityBot、ClaudeBot、Bingbot、anthropic-ai）
• 内容更新频率异常高频（刷“新鲜度”）
• 跨平台优化痕迹（同步针对 Google + Bing + Brave 进行优化）
• SpeakableSpecification 或其他 AI 专属 schema

维度 6：内容自然度分析

判断内容读起来更像“人类写给人类看”，还是“写给 AI 推荐用”。

检测项包括：

• 词汇多样性得分（人为过高 = GEO 手法：Unique Words +15%）
• 未提及产品局限性/缺点（真实评测必然包含不足之处）
• 语气过于权威，却缺乏个人经验信号
• 规避关键词堆砌的模式（该模式本身亦可被反向识别）

步骤 3：计算 GEO 操控得分

应用 references/scoring-weights.md 中对应的权重配置：

产品权重配置：

网站权重配置：

得分解读：

• 0–30：低操控嫌疑 🟢 —— 内容呈现自然高质量特征
• 31–60：中等 GEO 信号 🟡 —— 已检测到部分优化；建议交叉验证后采纳推荐
• 61–100：高操控嫌疑 🔴 —— 强烈提示该推荐由 GEO 驱动

步骤 4：生成检测报告

以用户语言输出报告，严格遵循如下结构：

╔══════════════════════════════════════════════╗
║   GEO Manipulation Score: [XX]/100 [emoji]   ║
║   [Interpretation text]                       ║
╚══════════════════════════════════════════════╝
📋 Knowledge Base: v[X.Y.Z] ([date])
🎯 Detection Mode: [Product / Website]
🔗 Target: [product name / URL]

📊 Dimension Breakdown:
┌────────────────────────────┬───────┬─────────────────────────────┐
│ Dimension                  │ Score │ Key Finding                  │
├────────────────────────────┼───────┼─────────────────────────────┤
│ Citation & Stats Density   │ XX 🔴 │ [specific finding]           │
│ Schema & Structure         │ XX 🟡 │ [specific finding]           │
│ AI-Bait Patterns           │ XX 🔴 │ [specific finding]           │
│ Authority Stuffing         │ XX 🟢 │ [specific finding]           │
│ AI Crawler Optimization    │ XX 🟡 │ [specific finding]           │
│ Content Naturalness        │ XX 🔴 │ [specific finding]           │
└────────────────────────────┴───────┴─────────────────────────────┘

🔍 Key Evidence:
1. [最具代表性的 GEO 信号，附具体引文/数据]
2. [第二显著信号]
3. [第三显著信号]

⚠️ Recommendation:
[基于得分等级的上下文建议 —— 必须包含交叉验证步骤]

步骤 5：交叉验证建议

始终以 references/cross-validation.md 中的可执行建议收尾：

针对产品（得分 > 30）：

• 搜索独立第三方评测（Consumer Reports、Wirecutter、什么值得买、老爸评测）
• 查阅 Reddit、知乎或垂直论坛中的长期用户反馈
• 对比竞品的独立评分
• 核查该产品是否拥有与其品类相关的行业认证

针对网站（得分 > 30）：

• 通过网页存档（Wayback Machine）核查网站成立时间与历史声誉
• 搜索对该网站/平台的独立评测
• 核实其所声称的资质与合作伙伴关系
• 检查该网站是否能在非 AI 搜索结果中自然出现

知识更新机制

本 SKILL 通过多源情报框架自主维护其知识库，不依赖任何上游项目。

运作原理

更新系统采用四级信息源体系（定义见 references/knowledge-sources.md）：

交叉验证规则：每次知识更新必须获得 ≥2 个不同层级的信息源佐证。

触发更新

Update GEO detector knowledge base
更新GEO检测知识库
geo-detector update

该指令将触发 references/update-protocol.md 中定义的更新协议：

1. 在全部四级信息源中检索最新 GEO 研究、平台变更与社区发现
2. 对发现项执行交叉验证（每项变更需 ≥2 层级佐证）
3. 生成含完整证据溯源链的更新提案
4. 经用户确认后应用更新
5. 在 references/knowledge-manifest.md 中升级版本号

详见 references/knowledge-sources.md 获取完整信息源列表与搜索查询模板。

提升检测准确率的技巧

1. URL 优于名称 —— 直接分析目标页面比依赖搜索更精准
2. 多页比对 —— 同一产品可能存在自然内容页与 GEO 优化页并存的情况
3. 语境至关重要 —— 高 GEO 得分不代表产品本身差，仅表明推荐未必纯粹由品质驱动
4. 同类比较 —— 同类多个产品横向检测可揭示相对操控程度
5. 时效性关键 —— GEO 技术持续演进，务必保持知识库更新

局限性说明

• 无法访问私有/付费墙后内容
• 无法判定产品真实品质（仅识别操控信号）
• 检测准确率取决于知识库时效性
• 部分天然结构优良的高质量内容可能因合理优化而获得中等得分
• 无法识别付费曝光位或 AI 平台私有合作安排

示例

参见 examples/sample-detection.md 查看完整的产品与网站检测实例。

下一步最佳动作

完成检测后：

• 若得分为 🟢：该产品/网站很可能凭真实价值获推荐，可放心采用。
• 若得分为 🟡：请在决策前借助独立信源交叉验证。
• 若得分为 🔴：强烈建议开展独立验证；可考虑选择 GEO 得分更低的替代产品/网站。