recomby-geo
ViryaZheng/recomby-geo加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
想象这样的场景：你在一家中型电商公司负责 SEO 优化，每天的工作是分析关键词、撰写符合 E-E-A-T 标准的文章、优化内链结构。但内容团队总是抱怨需求积压，搜索引擎又不断调整算法，你的经验难以规模化复制。
更尴尬的是，市面上的 SEO 工具（S urferSEO、Frase、Clearscope）都需要把客户数据上传到云端——对于医疗、金融、法律等敏感行业，这直接触犯了数据合规红线。
ViryaZheng/recomby-geo 正是从这个痛点出发，提出了一个不同寻常的思路：不是让 AI 替代你做 SEO，而是给 AI 装上「GEO 专业知识技能包」，让它成为你团队里一个能协作的真实岗位——AI 员工。
GEO（Generative Engine Optimization，生成式引擎优化）是一种新兴的 SEO 方向，针对大模型搜索引擎（如 Perplexity、Gemini Search）优化内容的可见性。与传统 SEO 不同，GEO 不再只追求网页排名，而是希望自家内容能成为 AI 搜索引擎的回答依据——被 AI「引用」。
GEO 之所以特别，是因为它天然不能被完全自动化：
这恰恰是「AI 员工」范式最理想的应用场景：业务专家贡献专业判断，AI 负责执行和放大，两者协作而非替代。
recomby-geo 并没有发明什么颠覆性的新技术，它的创新在于提出了一个结构化的 AI 员工组装方案。一个完整的 AI 员工，由四块拼图组成，缺一不可：
| 组件 | 角色 | 本项目负责 |
|---|---|---|
| 业务专家 | 你 / 客户团队，懂业务 | ❌（用户自己） |
| Agent | Claude Code / Codex / Cline / Goose 等 | ✅ 集合整理 → agents.md |
| 办公 CLI | 飞书 / 钉钉 / Slack / Notion 等 | ✅ 集合整理 → clis.md |
| GEO Skills | 专业知识赋能 agent | ✅ 核心自研 → plugins/recomby-geo/skills/ |
这套方案的精妙之处在于天然 Local-first：Agent 可以接本地模型（Ollama / vLLM / LM Studio），所有办公 CLI 在本地执行，数据不离开企业内网。对国内的数据合规场景来说，这是刚需。
本项目的主战场是 plugins/recomby-geo/skills/ 下封装的 GEO 专业知识技能包。这些 skills 会被 Agent 自动匹配调用（模型根据 description 判断），用户不直接调用它们：
| Skill 名称 | 来源 | 用途 |
|---|---|---|
seo-geo-optimizer | 199-biotechnologies（MIT） | 主力，含 13 个 Python 脚本 |
content-writer | toprank（MIT） | 内容生产 |
content-quality-auditor | aaron-he-zhu（Apache 2.0） | E-E-A-T / 引用度审计 |
internal-linking-optimizer | aaron-he-zhu（Apache 2.0） | 内链结构优化 |
keyword-research | toprank（MIT） | 关键词扩展 |
meta-tags-optimizer | toprank（MIT） | 标题 / Meta 标签优化 |
这些 skills 全部来自开源社区（MIT / Apache 2.0 许可证），recomby-geo 做的是面向 AI 员工场景的重新封装和组合，并加入了自研的 geo-review-html skill 用于渲染交互式 HTML 审查界面。
recomby-geo 的操作体验围绕 7 个斜杠命令展开，这是它区别于普通 skill 集合的关键设计——结构化的业务流程，而非零散的工具调用：
/01-intake → 收集客户项目资料（PDF/URL/notes）
↓
/02-audit → 用无上下文的子 agent 跑可见性基线（模拟真实用户提问）
↓
/03-gap → 分析内容差距，找出 AI 引擎未覆盖的主题
↓
/04-content-brief → 生成内容简报，**等待业务专家填写洞察槽位**
（此处 AI 不会自动代填——这是协作的硬门槛）
↓
/05-production → 生产内容（brief 状态必须为 ready 才执行）
↓
/06-distribution → 分发上线
↓
/07-reaudit → 7 天后复盘，重新跑可见性基线对比效果
这套流程在 /05-production 阶段有一个精妙的设计：如果专家槽位没有填完，agent 会硬拒绝生成内容，不会用 AI 凑合。 这确保了 AI 员工始终在「辅助执行」而非「主导决策」的位置上。
recomby-geo/
├── plugins/recomby-geo/
│ ├── commands/ ← 7 个工作流斜杠命令（/01-intake 到 /07-reaudit）
│ ├── skills/ ← 7 个 vendor skills + 1 个自研 skill（主战场）
│ ├── schemas/ ← 8 个 JSON Schema（数据校验契约）
│ ├── orchestrator/ ← 单一流程源（run.md）
│ └── references/ ← Princeton KDD 2024 等 GEO 方法论文献
├── agents.md ← 主流 AI Agent CLI 集合（CC/Codex/Cline/Goose/字节 Trae…）
└── clis.md ← 国内外办公 CLI 集合（飞书/钉钉/Slack/Notion…）
核心依赖： Python 3（skills 中的脚本），零外部依赖、零 API Key（默认流程）。安装方式是 plugin marketplace add，作为 Claude Code 的插件存在。
安装极简，在 Claude Code 中两行搞定：
/plugin marketplace add ViryaZheng/recomby-geo
/plugin install recomby-geo
之后就获得了 7 个斜杠命令。创建项目目录，放入业务资料，启动工作流即可。
真正的门槛在协作侧：业务专家需要理解 GEO 的基本逻辑，愿意在 brief 的 REQUIRED-FILL 槽位中填入真实洞察。这不是技术问题，而是组织协作问题——对于习惯了「AI 全自动」的用户来说，接受「AI + 专家协作」的模式本身就需要认知转变。
对于不想用 Claude Code 的用户，项目也提供了路径：手动拷贝 plugins/recomby-geo/skills/ 到其他支持 skill 加载的 agent（Cline、Goose、OpenCode 等）中即可。
/04-content-brief 阶段的专家槽位是真实协作的瓶颈。如果团队没有专职业务专家，这套流程的执行率会大打折扣。recomby-geo 真正值得关注的地方，不是它的 skills 有多先进，而是它提出的AI 员工协作范式。在 Agent 能力快速提升的 2025-2026 年，业界普遍焦虑「AI 会不会替代我的岗位」，而 recomby-geo 给出了一种更务实的答案：
岗位不消失，但是岗位的工作方式变了。AI 承担执行和放大，业务专家贡献判断和洞察——两者共同构成一个更高效的「虚拟岗位」。
GEO 场景天然适合这种范式，因为 AI 搜索引擎的 E-E-A-T 原则要求内容有真实的专家背书，这是纯 AI 生成无法满足的。这让 recomby-geo 成为了展示「人机协作而非替代」理念的最佳演示场。
项目来源：ViryaZheng/recomby-geo，MIT 许可证，由 Recomby.ai 维护。