poxiaoxi博客现在不少GEO工具解决的是“品牌有没有被AI提到”这个问题：输入品牌和关键词，跑一批ChatGPT、Perplexity或者其他AI引擎的回答，然后给出提及率、排名和竞品对比。
GeoLook的思路往前走了一步。它不是只做监测，而是希望把一次GEO项目从发现问题一直推进到执行和验收。项目在README中把自己的流程概括为：现状分析、诊断、方案、实施工单、执行落地和效果验收。对于真正要做GEO优化的人来说，这种定位比单独看一个“AI可见度分数”更接近实际工作。
GeoLook主要解决什么问题
GeoLook所说的GEO是Generative Engine Optimization，也就是生成式引擎优化。目标并不是传统搜索结果排名，而是当用户向ChatGPT、DeepSeek、豆包、Perplexity等AI询问产品推荐、品牌比较或者行业问题时，让自己的品牌更有机会被提及和引用。
实际做这件事时，最麻烦的往往不是发现“AI没有提到我”，而是不知道下一步做什么。究竟是网站抓取有问题，内容不容易被引用，品牌事实不够明确，还是竞品已经占据了AI经常引用的外部渠道？GeoLook尝试把这些问题放到同一个项目里排查。
因此，它更像一套GEO项目工作台，而不是一个简单的查询工具。
先看品牌在AI中的实际表现
GeoLook会围绕预先建立的问题库，对不同AI引擎进行采样，然后计算品牌提及率、提及位次、引用份额等指标。项目当前设计覆盖国内外17个引擎，其中一部分可以通过API自动采样，另外一些采用人工采样方式。
比单纯给出一个百分比更有用的是，GeoLook保留了原始回答。用户可以回看某一次提问时AI到底回答了什么、引用了哪些网站，以及自己的品牌是在什么语境下出现的。
这种做法对GEO分析很重要。比如“提到了品牌”并不一定就是好结果，AI可能是在否定语境中提到，也可能只是顺带出现。项目提供样本人工修正机制，遇到名称撞词、否定语境等机器判断不准确的情况，可以手动调整，并重新计算指标。
问题库不只是一堆关键词
传统SEO习惯围绕关键词做监控，而AI搜索更接近自然问题。GeoLook因此把问题划分为推荐、比较、替代、价格、风险、品牌验证、使用场景等类型，同时又区分买家、教育和探测等意图。
例如用户真正可能问的是：
有哪些适合中小企业的SEO工具？ A和B哪个好？ 有没有A的替代产品？ 这个品牌靠谱吗？
对于品牌来说，在“介绍类问题”里被提到，并不代表在真正影响购买决策的比较、推荐问题里也有存在感。把不同意图拆开看，比只计算一个整体提及率更容易找到薄弱环节。
项目还可以利用百度下拉和Google自动补全扩展候选问题，不过这些结果不会直接进入正式问题库，仍需要人工确认。
站点诊断是GeoLook的重点
GeoLook比较有特点的一部分，是它没有把GEO诊断简单处理成“检查有没有llms.txt”。项目将网站检查分成访问、定向、理解、可引用四层，并且强调它们之间存在先后依赖。
举个比较现实的例子：robots.txt看起来允许AI爬虫访问，但CDN或者WAF实际上返回403，那么后面再怎么调整文章结构都没有意义，因为AI爬虫根本拿不到页面。
因此GeoLook会检查robots规则、AI爬虫User-Agent访问差异、X-Robots-Tag、sitemap、hreflang、重复标题、近似内容和llms.txt链接等内容。
在内容层面，它还加入了“可引用性”检查。这里关注的并不是一篇文章写得够不够长，而是页面中有没有能够脱离上下文、被AI直接抽取和引用的段落。对于现在的GEO内容优化来说，这个观察角度比机械增加字数更有实际意义。
竞品分析会继续追到引用来源
发现竞品比自己更容易被AI推荐之后，下一步自然会问：为什么？
GeoLook不仅统计竞品出现情况，还会继续整理竞品被引用的来源，并对比“竞品有、自己没有”的外部渠道。项目内置的阵地地图目前覆盖19类渠道，包括百科、榜单站、微信公众号、知乎、技术社区、Wikipedia、Reddit、YouTube等。
这种分析思路比较接近真实的品牌建设。如果AI经常从某类第三方网站获取行业信息，而几个主要竞品都在那里出现，自己却完全缺席，那么问题就不一定出在官网SEO，而可能是外部信息覆盖不足。
诊断之后会生成执行工单
很多分析工具的问题是报告做得很好看，最后还是停在“建议加强内容建设”“建议增加权威引用”这种难以执行的话上。
GeoLook把诊断结果进一步整理成结构化工单，其中包含调整依据、负责角色、工作量、时间窗口和验收条件。工单还区分优先级与风险等级，低风险修改可以优先推进，涉及技术架构的调整则提醒做好备份和回滚。
部分任务可以通过重新抓取网站或者下一轮AI采样自动验收。如果优化后再次出现回退，任务还可以重新打开。
这一套机制比较适合团队或者服务商，因为“建议已经写了”和“事情真正做完了”在项目管理里完全是两回事。
内容制作也被放进工作流
GeoLook自带内容工作台。选题可以结合品牌未被提及的问题、现有内容缺口以及品牌事实来排序，写作过程中还能检查页面是否具备相对完整的可引用信息块。
项目维护了一套品牌事实库，llms.txt、JSON-LD和内容草稿都可以从这里取统一信息，目的是减少不同页面对品牌名称、产品定位、功能等信息表述不一致的问题。
对于需要部署到网站的内容，GeoLook还能生成llms.txt、JSON-LD和部分HTML片段。它同时提供AI流量归因相关配置，例如GA4渠道分组正则和服务器日志统计脚本，希望把“AI是否引用品牌”继续延伸到“这些AI来源有没有带来访问”。
无API引擎可以人工采样
AI监测有一个绕不开的问题：不是所有平台都提供适合这种用途的API，而且API回答和普通用户在网页端看到的回答也不一定完全相同。
GeoLook因此保留了人工采样流程。用户可以导出问题表，人工完成测试后再导入，也可以使用项目附带的Chrome采样助手。
这个浏览器扩展会把待测试问题加载到侧边栏，协助填写问题，并在回答完成后提取正文和引用链接，再回传本地GeoLook。默认模式仍然由用户自己提交问题。
项目也提供可选的自动运行模式，但README明确写出了限速、题目数量限制、验证码停止等约束，并提醒相关平台服务条款风险。这一点值得注意：浏览器自动采样并不是一个可以无限批量运行的官方数据接口。
数据主要保存在自己的机器
GeoLook采用自托管方式，项目数据主要保存在本机的work/目录，以JSON和Markdown等形式存在。API密钥等配置则保存在本地环境文件中。
这和很多GEO SaaS的使用模式不同。后者一般把项目、问题库和采样结果放在服务商云端，而GeoLook更强调数据由使用者自己掌握。
部署方面，目前项目要求Python 3.9及以上版本，主要支持macOS和Linux，Windows可以通过WSL运行。第三方Python依赖只有requests、beautifulsoup4和lxml。
基本启动方式并不复杂：
git clone https://github.com/aigclink/geolook.git cd geolook pip3 install requests beautifulsoup4 lxml python3 scripts/geo.py ui
启动后通过本地浏览器访问看板。项目默认绑定127.0.0.1，如果需要部署到远程服务器，官方更推荐通过SSH隧道访问；开放公网访问时则要求配置访问Token，并建议配合HTTPS反向代理。
没有API Key也能开始使用
GeoLook没有把“先购买一堆AI API”设为启动条件。没有配置Key时，自动AI采样会跳过，但网站抓取、诊断、工单、部署资产以及人工采样流程仍然可以使用。
如果需要自动调用不同AI引擎进行采样，则要使用自己的API账户，相应费用也由使用者自己承担。所以项目本身采用MIT许可证免费开源，并不意味着运行所有AI采样都没有外部成本。
对于刚开始研究GEO的人，可以先通过人工采样和站点诊断熟悉整套流程，再决定是否有必要接入更多API。
精彩评论