企业官网建设流程全解析

本指南系统讲解 geo-seo-claude 中geo-content内容质量分析 Agent 的完整工作方法：从页面内容提取、四维 E-E-A-T 信号评估，到可读性测算、AI 内容识别、主题权威与时效性判断，直至 0-100 分 Content Score 的计算与结构化报告输出。读完本文，你将掌握一套可直接用于评估任意网页在 AI 搜索引擎（ChatGPT、Claude、Perplexity、Google AI Overviews 等）中被引用潜力的可复现评估体系，并能对照仓库源码理解每个评分项背后的实现逻辑。

一、背景：为什么内容质量决定 AI 引用

geo-seo-claude 的核心理念是GEO-first, SEO-supported——优先为生成式引擎优化，同时保留传统 SEO 地基。在传统搜索中，内容质量影响排名；而在 AI 搜索中，质量直接决定"是否被引用"。AI 平台不会逐字收录整篇文章，而是在段落级别提取并引用最能回答问题的内容片段。这意味着内容不仅要写得好，还要写得"可提取"。

geo-contentAgent 正是为此设计的内容质量专家角色（见 agents/geo-content.md）。它在/geo audit <url>全量审计的Phase 2 并行分析阶段与另外 4 个 Agent 同时运行，独立产出一份GEO-CONTENT-ANALYSIS.md报告和 0-100 的 Content Score（见 geo/SKILL.md 中的编排逻辑）。

在 GEO 总分中，内容质量占20%权重，与品牌权威并列第二（完整权重见 docs/scoring-methodology.md）：

二、Agent 定义与执行总览

geo-contentAgent 的元数据定义了其职责边界（见 agents/geo-content.md 文件头）：

• 角色：内容质量专家，评估 E-E-A-T 信号、内容深度、可读性、AI 内容检测与主题权威；
• 允许工具：Read, Bash, WebFetch, Write, Glob, Grep；
• 使用场景：通过/geo content <url>命令单独调用，或在/geo audit <url>全量审计时作为 5 个并行子 Agent 之一被调度。

Agent 的完整执行流程包含10 个步骤：

1. 提取与分析页面内容
2. Experience（经验）评估
3. Expertise（专业性）评估
4. Authoritativeness（权威性）评估
5. Trustworthiness（可信度）评估
6. 内容量化指标测算
7. AI 内容特征识别
8. 主题权威评估
9. 内容时效性判断
10. 计算 Content Score（0-100）

其中 E-E-A-T 四维各占 25 分，共 100 分原始分；最终 Content Score 是加权组合结果。下文逐步骤展开。

三、Step 1：页面内容提取

首先用 WebFetch 获取目标 URL，在保留结构的前提下（标题、段落、列表、表格、引用块）提取全部文本，并记录以下指标：

• 正文字数（排除导航与页脚）
• 各级标题数量（H1、H2、H3…）及标题文本
• 段落数
• 有序/无序列表数
• 表格数
• 图片数（含 alt 文本状态）
• 内链与外链数
• 是否有作者署名（byline）
• 可见的发布日期与最后修改日期

这些原始指标会分别流入后续的 E-E-A-T 评估与内容量化指标测算。仓库中 scripts/citability_scorer.py 的analyze_page_citability()函数给出了同类提取逻辑的代码实现：用 BeautifulSoup 剔除script/style/nav/footer/header/aside/form后，按标题边界把页面切成多个"内容块"，每个块以{"heading": ..., "content": ...}结构记录，并仅保留 20 词以上的块参与评分——这与 Agent 的段落级评估思路完全一致。

四、Step 2-5：四维 E-E-A-T 评估（各 0-25 分）

E-E-A-T 是 Google 质量评估指南中的内容质量框架，四个维度分别打分后相加得到 0-100 的原始 E-E-A-T 分。Agent 特别强调：E-E-A-T 是质量框架而非排名因素，应基于可观测信号打分，而不是臆测 Google 的内部评估机制。

4.1 Experience（经验）——最新加入的维度

经验维度奖励亲历真实体验的内容。核心信号与强度分级如下：

Experience 评分档位（0-25）：

4.2 Expertise（专业性）

专业性考察内容创作者的知识深度与资质：

Expertise 评分档位（0-25）：0-5 无作者无深度无资质；6-10 有作者但无资质、内容肤浅；11-15 有一定深度但资质有缺口；16-20 深度、资质、作者存在感齐备；21-25 公认专家配深度精细化内容。

在仓库中，与 Expertise 直接对应的落地产物是 schema/article-author.json：完整的 Article + Person 结构化数据模板，Person 内包含jobTitle、description（履历）、knowsAbout（专业领域）、sameAs（LinkedIn/Twitter/GitHub/Wikipedia 链接）、alumniOf（毕业院校）与worksFor（所属机构）。这些字段正是"作者资质"与"作者可验证性"的机器可读形式。

4.3 Authoritativeness（权威性）

权威性反映站点与作者在主题空间内的声誉：

Authoritativeness 评分档位（0-25）：0-5 品牌未知且无外部验证；6-10 仅有基本 About 页；11-15 有像样 About 页与少量引用但外部认可有限；16-20 品牌成熟、有外部验证与全面覆盖；21-25 行业领导者，权威引用广泛。

4.4 Trustworthiness（可信度）——基础维度

Google 质量评估指南认为可信度是 E-E-A-T 中最重要的维度，Agent 要求在此维度的任何负面信号上加重扣分：

Trustworthiness 评分档位（0-25）：0-5 重大信任问题（无 HTTPS、无联系方式、无溯源）；6-10 有 HTTPS 但缺关键信任信号；11-15 基本信任信号齐备但有缺口；16-20 信任信号全面且实践透明；21-25 完全透明、有编辑标准与第三方验证。

五、Step 6：内容量化指标

5.1 字数评估

仓库 skills/geo-content/SKILL.md 给出了更细的按页面类型的字数基准（是下限而非目标，字数多不等于质量高）：

5.2 可读性估算（Flesch Reading Ease）

抽样 3-5 个代表性段落计算近似 Flesch 分：

• 统计平均每句词数
• 估算平均每词音节数
• 公式：Flesch = 206.835 - (1.015 * 平均句长) - (84.6 * 平均词音节数)

理想可读性取决于受众，但50-70 一般最适合网页内容。Agent 明确要求：可读性评分是基于文本抽样的近似值，必须在输出中注明此限制。配套技能文件 skills/geo-content/SKILL.md 进一步细化了无工具估算方法：理想平均句长 15-20 词、理想段落 2-4 句、术语首次出现应给出定义、被动语态占比应低于 15%。

5.3 段落长度

• 记录平均段落字数
• 超过 150 词的段落标记为 "wall of text"（文字墙）问题
• 网页可读性理想段落为 40-80 词

5.4 标题层级

• 是否恰好只有一个 H1
• 标题是否遵循逻辑层级（不允许跳级）
• 标题是否描述性强且与关键词相关
• 标题密度是否合适（约每 200-300 词一个 H2/H3）

六、Step 7：AI 内容特征识别

Agent 特别提醒：Google 并不天然惩罚 AI 生成内容，被惩罚的是缺乏 E-E-A-T 信号的低质量 AI 内容（2024 年 3 月澄清）。因此评估的是"内容质量信号"而非"是否 AI 生成"。

AI 内容红旗指标

AI 内容四档评估结论

• Highly Likely Human：经验信号丰富、数据独特、有作者声音
• Likely Human-Edited AI：结构良好但有部分泛化模式，含少量独特元素
• Likely AI with Light Editing：大多泛化，偶尔点缀具体细节
• Likely Unedited AI：多个红旗、无独特价值、全程泛化

重要原则：AI 内容检测并不精确，严禁对"是否 AI 生成"下确定结论，只能描述观测到的信号并给出可能性评估。

七、Step 8：主题权威评估

从目标页及其可见内链出发评估站点主题权威：

• 内容广度：站点是否有多个相关页面覆盖主题的不同侧面（检查导航、内链、相关内容区）
• 内链深度：是否存在连接相关内容的实质性内链？目标页内链数量？
• 内容缺口：基于主题判断，是否有明显未覆盖的子主题
• 内容枢纽结构：内容是否按 hub-and-spoke 或 pillar-cluster 模型组织
• 主题覆盖率：主主题下，站点覆盖了预期子主题的百分之几

Agent 注明限制：主题权威评估仅限于目标页与其可见内链所能观测的范围，完整的主题权威审计需要爬取整个站点。配套技能 skills/geo-content/SKILL.md 给出了主题权威的评分修正模型（在 E-E-A-T 100 分基础上叠加）：

八、Step 9：内容时效性

• 发布日期是否可见？记录之
• 最后更新日期是否可见？记录之
• 内容年龄（若日期可得）
• 是否有规律更新的迹象（如 "Updated for 2026"）
• 内容是否时间敏感（新闻、统计、技术类需要新鲜度；常青内容受影响较小）
• 时间敏感主题上，超过 2 年的内容要标记

配套技能 skills/geo-content/SKILL.md 给出了量化的新鲜度评分表：

时效性在 YMYL（Your Money, Your Life）主题上最重要：健康、金融、法律、安全类内容，Agent 会提高时效权重。常青内容判定标准：覆盖不变的基础概念、明确标注为参考/指南、不含时间依赖的主张（"最新的"、"目前"、"in 2024"）。

九、Step 10：Content Score 计算（0-100）

9.1 主 Agent 加权模型

agents/geo-content.md 定义的内容分由以下组件加权合成：

关键实现细节：将 E-E-A-T 各维度的 0-25 分归一化到 0-15 分以适配权重。最终得分带 [Critical/Poor/Fair/Good/Excellent] 等级标签。

9.2 配套技能模型

skills/geo-content/SKILL.md 提供了另一套等价表达：E-E-A-T 四维各 25%（25 分），合计 100 分，再叠加主题权威修正（+10 至 -5），最终封顶 100。两种模型在结构上是一致的——E-E-A-T 都是权重最高的一块，差异仅在主题权威的呈现方式（主 Agent 把它作为独立 10% 组件，技能文件把它作为修正系数）。

分值解读（来自技能文件）：

9.3 与全局 GEO Score 的关系

根据 docs/scoring-methodology.md，Content Score 以 20% 权重进入复合 GEO Score。该文档同时给出了内容分内部的权重表达：E-E-A-T（归一化后）占 60%、Content Metrics 15%、AI Content Assessment 10%、Topical Authority 10%、Content Freshness 5%——与主 Agent 的加权表严格对应。文档还给出了典型画像：70+ 分要求作者身份明确且资质可验证、有原创数据或案例、溯源透明、HTTPS，且内容超越表面覆盖；30 分以下通常意味着无作者归属、无外部来源、无 HTTPS，内容"任何人可写"。

十、报告输出格式（GEO-CONTENT-ANALYSIS.md）

Agent 的输出是一个结构化的## Content Quality Analysis章节（在主 Agent 中）或独立的GEO-CONTENT-ANALYSIS.md文件（在技能中），完整模板如下：

## Content Quality Analysis **Content Score: [X]/100** [Critical/Poor/Fair/Good/Excellent] ### E-E-A-T Assessment **Overall E-E-A-T Score: [X]/100** (sum of four dimensions, each 0-25) | Dimension | Score | Key Evidence | |---|---|---| | Experience | [X]/25 | [Top 2-3 signals found or missing] | | Expertise | [X]/25 | [Top 2-3 signals found or missing] | | Authoritativeness | [X]/25 | [Top 2-3 signals found or missing] | | Trustworthiness | [X]/25 | [Top 2-3 signals found or missing] | #### Experience Details [Detailed findings about experience signals] #### Expertise Details [Detailed findings about expertise signals] #### Authoritativeness Details [Detailed findings about authoritativeness signals] #### Trustworthiness Details [Detailed findings about trustworthiness signals] ### Content Metrics | Metric | Value | Assessment | |---|---|---| | Word Count | [X] words | [Thin/Short/Standard/Long/Deep-dive] | | Readability (Flesch) | ~[X] | [Level] — [Appropriate/Too Complex/Too Simple for topic] | | Avg Paragraph Length | [X] words | [Good/Too Long/Too Short] | | Heading Count | [X] (H1: [X], H2: [X], H3: [X]) | [Well-structured/Issues found] | | Internal Links | [X] | [Adequate/Sparse/Excessive] | | External Links/Citations | [X] | [Well-sourced/Under-sourced] | | Images | [X] (with alt: [X]) | [Good/Needs alt text/No images] | ### Heading Structure

H1: [Title] H2: [Section] H3: [Subsection] H2: [Section] ...

[Assessment of heading hierarchy quality] ### AI Content Assessment **Assessment:** [Highly Likely Human / Likely Human-Edited AI / Likely AI with Light Editing / Likely Unedited AI] | Indicator | Found? | Evidence | |---|---|---| | Generic phrasing | [Yes/No] | [Examples if yes] | | Lack of specifics | [Yes/No] | [Examples if yes] | | No original data | [Yes/No] | | | Hedging overload | [Yes/No] | [Examples if yes] | | No authorial voice | [Yes/No] | | ### Topical Authority **Assessment:** [Strong/Moderate/Weak/Minimal] - Content breadth: [X related pages observed] - Internal linking: [X internal links, assessment of quality] - Content gaps identified: [List notable missing subtopics] - Hub/cluster structure: [Present/Absent/Partial] ### Content Freshness **Publication Date:** [Date or "Not visible"] **Last Updated:** [Date or "Not visible"] **Content Age:** [Age or "Unknown"] **Time Sensitivity:** [High/Medium/Low] **Freshness Assessment:** [Current/Aging/Stale/Unknown] ### Priority Actions 1. **[CRITICAL]** [Action item with specific guidance] 2. **[HIGH]** [Action item with specific guidance] 3. **[HIGH]** [Action item] 4. **[MEDIUM]** [Action item] 5. **[MEDIUM]** [Action item]

配套技能文件还要求输出"Most Citable Passages / Least Citable Pages / Quick Wins / Content Gaps / Author E-E-A-T Improvements"等改进建议段落，将诊断落到具体可执行的改写动作上。

十一、实战案例：从电子设备制造商的审计看内容信号失效

仓库自带的示例审计报告 examples/electron-srl.com-quick-audit.md 完整演示了 E-E-A-T 信号在真实站点上的失效模式：

• 该 B2B 制造商（30+ 年历史、服务 70-80 个国家）的Content Quality & E-E-A-T 得分仅为 35/100（POOR）；
• 根因是其产品页全部是目录式描述（"Various modules to show and experiment with circuits and principles..."）——重复、泛化、不回答具体问题。报告引用了一个关键事实：AI 系统只引用直接回答问题、134-167 词的段落，目录式描述永远不会被引用（该区间来自 scripts/citability_scorer.py 的自包含性评分逻辑）；
• 对应修复建议与本文各评估维度一一呼应：给产品页加 Q&A 结构（对应 Answer Block Quality）、补充团队页与资质（对应 Expertise 信号）、呈现 30+ 年经验（对应 Experience 信号）、创建作者/专家页（对应 Person schema 落地）。

这份案例同时揭示了本 Agent 与 scripts/citability_scorer.py 的分工：后者用确定性规则逐段打分（Answer Block Quality 30%、Self-Containment 25%、Structural Readability 20%、Statistical Density 15%、Uniqueness 10%），前者则由 LLM 依据可观测信号做引导式评估。两者互补，共同回答"这段内容会不会被 AI 引用"。

十二、使用方式与重要边界

12.1 如何运行

在 Claude Code 中（安装方式见 docs/getting-started.md）：

/geo content https://example.com

或在全量审计中作为并行子 Agent 自动执行：

/geo audit https://example.com

输出文件为当前目录下的GEO-CONTENT-ANALYSIS.md（对应关系见 geo/SKILL.md 的 Output Files 表）。完整命令清单见 docs/commands-reference.md。

12.2 评估边界与注意事项

主 Agent 文档末尾列出的注意事项是使用本评估体系时必须遵守的边界：

1. E-E-A-T 是质量框架，不是排名因素——基于可观测信号打分，不臆测 Google 内部评估机制；
2. Trustworthiness 是最重要的 E-E-A-T 维度（依据 Google 质量评估指南），负面信号要重扣；
3. AI 内容检测不精确——不得对内容是否 AI 生成下确定结论，只描述信号与可能性；
4. 可读性评分是基于抽样的近似值，需在输出中注明限制；
5. 主题权威评估受限于可见内链，完整审计需全站爬取；
6. 时效性在 YMYL 主题上权重更高；
7. 评估聚焦内容对读者的价值，而非单纯的 SEO 优化度。

此外，根据 docs/scoring-methodology.md 的 Caveats，Content E-E-A-T 分属于LLM 引导式评估而非确定性计算——同一 URL 两次运行可能产生细微差异，这与 citability scorer 的完全确定性输出形成对照。这是使用该体系量化对比时应知晓的固有特性。

十三、总结

geo-contentAgent 提供了一套将 Google E-E-A-T 框架落地的可操作评估管线：从页面结构提取、四维信号扫描（各 25 分）、量化指标测算（字数/Flesch/段落/标题）、AI 内容红旗识别、主题权威与时效性判断，到加权合成 0-100 的 Content Score，并以结构化 Markdown 报告输出带严重等级的行动建议。配合仓库中的 scripts/citability_scorer.py（确定性段落打分）、schema/article-author.json（作者资质结构化落地）与 examples/electron-srl.com-quick-audit.md（真实失败案例），它构成了"AI 搜索时代内容质量"从诊断到改进的完整闭环——既评估内容是否"值得被引用"，也给出具体到段落的改写路径。