GEO Performance Analysis
by @ljseeking
Analyzes a brand’s presence and sentiment in LLM-generated industry recommendations, extracting mention context and competitor comparisons.
clawhub install geo-analyzer📖 About This Skill
name: analyze-geo-performance version: 1.0.0 description: Analyzes how well a specific brand or product is mentioned and represented by LLMs (Generative Engine Optimization). Uses a two-stage pipeline: a Probing stage to query the model for industry recommendations, and a Judge stage to extract structured brand mention data. homepage: https://github.com/LJseeking/lifesignal metadata: openclaw: requires: env: - DEEPSEEK_API_KEY bins: - python3 primaryEnv: DEEPSEEK_API_KEY registry: requires: env: - DEEPSEEK_API_KEY primaryCredential: DEEPSEEK_API_KEY dataSent: "Brand name and category keyword parameters are sent to the DeepSeek API for GEO analysis." expectedCosts: "Incurs standard API token usage costs based on DeepSeek's pricing model."
analyze-geo-performance
一个用于测试品牌或产品在大模型中 GEO（生成式引擎优化） 表现的分析技能。
功能概述
本 Skill 通过两阶段 LLM 调用流程，自动化地检测目标品牌在 AI 推荐场景中的曝光情况：
1. 探针阶段（Probing）：向 DeepSeek-chat 提出一个客观的行业咨询问题，让模型自由推荐解决方案，捕获其输出文本。 2. 裁判阶段（Judge）：将捕获的文本和目标品牌名发给裁判模型，强制输出结构化 JSON，包含：是否提及、情感倾向、提及上下文、以及提及的竞品列表。
输入参数
| 参数 | 类型 | 必填 | 说明 |
|---|---|---|---|
| brand_name | string | ✅ | 需要验证的品牌或产品名（如 CoolTrade） |
| category_keyword | string | ✅ | 行业或痛点关键词（如 数字货币高频套利系统） |
输出格式（JSON Schema）
{
"mentioned": true,
"sentiment": "positive",
"context": "...提及品牌的上下文句子...",
"competitors_mentioned": ["竞品A", "竞品B"]
}
| 字段 | 类型 | 说明 |
|---|---|---|
| mentioned | boolean | 目标品牌是否在推荐结果中被提及 |
| sentiment | string | 情感倾向：positive / negative / neutral / none |
| context | string \| null | 提及品牌时的具体上下文句子，未提及则为 null |
| competitors_mentioned | array | 被模型主动推荐的竞品品牌列表 |
使用前提
请确保在运行环境中配置了 DEEPSEEK_API_KEY 环境变量：
export DEEPSEEK_API_KEY="your_deepseek_api_key_here"
安装依赖
pip install -r requirements.txt
本地命令行测试
python3 main.py --brand "CoolTrade" --category "数字货币高频套利系统"
在 Agent 中调用
当用户提出以下类型的请求时，触发本技能：
执行步骤：
1. 从用户输入中提取 brand_name 和 category_keyword 两个参数。
2. 调用 main.py 执行两阶段分析流程（所有 API 调用已封装在脚本内）。
3. 将返回的 JSON 结果解析后，用自然语言向用户说明分析结论，例如：
- 品牌是否出现在推荐列表中
- 被提及时的情感是正面、负面还是中性
- 哪些竞品同时被提及，可能形成竞争威胁
安全声明
api.deepseek.com