SKILL.md
readonly只读
name
seo-sxo
description
搜索体验优化：反向读取Google SERP以检测页面类型不匹配，从搜索意图信号中推导用户故事，并从多个用户画像角度对页面进行评分。通过分析Google对每个关键词的奖励机制，找出优化良好的页面未能排名的原因。当用户提到“SXO”、“搜索体验”、“页面类型不匹配”、“SERP分析”、“用户故事”、“用户画像评分”、“为什么我的页面没有排名”、“意图不匹配”或“线框图”时使用。
搜索体验优化 (SXO)
SXO 弥合了 SEO（Google 奖励什么）和 UX（用户需要什么）之间的差距。
传统的 SEO 审计检查技术健康度。SXO 则问：“根据 Google 在 SERP 中实际奖励的内容，这个页面是否应该为该关键词排名？”
核心洞察
一个页面在技术 SEO 上可能得 95/100 分，但仍然无法排名，因为它对于该关键词是错误的页面类型。如果 Google 为你的关键词展示了 8 个产品页面和 2 个对比页面，那么你的博客文章永远无法突破——无论它优化得多么好。
命令
| 命令 | 用途 |
|---|---|
/seo sxo <url> |
完整 SXO 分析（从页面自动检测关键词） |
/seo sxo <url> <keyword> |
针对特定关键词的完整 SXO 分析 |
/seo sxo wireframe <url> |
生成带有具体占位符的 IST/SOLL 线框图 |
/seo sxo personas <url> |
仅用户画像评分（跳过 SERP 分析） |
执行流程
步骤 1：目标获取
- 通过
scripts/render_page.py --mode auto获取目标 URL（支持 SPA 且防 SSRF） - 使用
scripts/parse_html.py解析，提取：标题、H1、元描述、标题层级、字数、结构化标记、CTA、媒体元素 - 如果未提供关键词，从标题标签和 H1 的重叠部分提取主要关键词
- 在继续之前验证关键词非空
步骤 2：SERP 反向分析
阅读 references/page-type-taxonomy.md 了解分类规则。
- 在 Google 中搜索目标关键词（WebSearch）
- 对于前 10 个自然结果中的每一个，记录：
- URL 和域名权威层级（品牌 / 细分领域权威 / 未知）
- 页面类型（使用分类法分类）
- 内容格式（长文、列表、教程、对比、工具、视频）
- 字数估算（根据摘要长度和页面结构）
- 存在的 Schema 类型（根据当前支持的 SERP 特性；排除 FAQ/HowTo）
- 媒体信号（视频轮播、图片包、缩略图存在）
- 记录存在的 SERP 特性：
- 精选摘要（段落 / 列表 / 表格 / 视频）
- 人们还问（提取所有可见问题）
- 广告（顶部和底部——统计并分析广告文案主题）
- 相关搜索（提取所有）
- 知识面板 / 本地包 / 购物结果
- AI 概览及其来源类型
- 计算 SERP 共识：
- 主导页面类型（>60% = 强共识，40-60% = 混合，<40% = 分散）
- 内容深度期望（平均字数层级）
- Schema 期望（最常见的结构化数据类型）
- 媒体期望（需要视频？图片关键？）
步骤 3：页面类型不匹配检测
这是 SXO 的核心洞察。将目标页面类型与 SERP 共识进行比较。
不匹配严重程度级别：
| 目标类型 | SERP 期望 | 严重程度 | 建议 |
|---|---|---|---|
| 博客文章 | 产品页面 | 严重 | 创建专用产品页面 |
| 博客文章 | 对比 | 高 | 重构为带矩阵的对比 |
| 产品 | 信息性 | 高 | 添加教育内容层 |
| 着陆页 | 工具/计算器 | 高 | 构建交互式工具组件 |
| 服务页面 | 本地结果 | 中 | 添加位置信号 + 本地 Schema |
| 任何类型匹配 | - | 对齐 | 专注于内容深度和 UX |
分类规则：
- 使用
references/page-type-taxonomy.md对目标页面进行分类 - 使用相同分类法对每个 SERP 结果进行分类
- 如果目标类型与 SERP 主导类型不同，则标记不匹配
- 如果 SERP 分散（无主导类型），则注意差异化机会
步骤 4：用户故事推导
阅读 references/user-story-framework.md 了解完整框架。
从 SERP 信号推导用户故事：
- PAA 问题揭示知识缺口和顾虑
- 广告文案主题揭示商业触发点和价值主张
- 相关搜索揭示搜索旅程（之前/之后的内容）
- 精选摘要格式揭示预期的答案结构
- AI 概览揭示 Google 认为的权威答案
对于每个信号簇，生成一个用户故事：
作为一个[从信号推导出的用户画像]，
我想要[从查询意图推导出的目标]，
因为[来自广告文案/PAA 语气的情绪驱动]，
但我被[来自 PAA 问题/相关搜索的障碍]阻碍。
生成 3-5 个覆盖主要意图角度的用户故事。
步骤 5：差距分析
将目标页面与 SERP 期望在 7 个维度上进行比较：
| 维度 | 比较内容 | 分数 |
|---|---|---|
| 页面类型 | 目标类型 vs SERP 主导类型 | 0-15 |
| 内容深度 | 字数、标题深度、主题覆盖 | 0-15 |
| UX 信号 | CTA 清晰度、首屏内容、移动布局 | 0-15 |
| Schema 标记 | 现有 vs 预期的结构化数据类型 | 0-15 |
| 媒体丰富度 | 图片、视频、交互元素 vs SERP 标准 | 0-15 |
| 权威信号 | E-E-A-T 标记、社交证明、资质 | 0-15 |
| 新鲜度 | 最后更新、日期信号、内容时效性 | 0-10 |
总计：0-100 SXO 差距分数（越低 = 差距越大，越高 = 对齐越好）
步骤 6：基于用户画像的评分
阅读 references/persona-scoring.md 了解方法论。
- 从 SERP 意图信号推导 4-7 个用户画像：
- 按主题聚类 PAA 问题
- 按目标受众细分广告文案
- 将相关搜索映射到旅程阶段
- 对于每个用户画像，在 4 个维度上对目标页面评分（每个 25 分）：
- 相关性：页面是否满足该用户画像的需求？
- 清晰度：该用户画像能否在 10 秒内找到答案？
- 信任度：是否有足够的信任信号？
- 行动：是否有明确的下一步？
- 输出用户画像卡片，包含分数和具体的改进建议
- 按最弱的用户画像优先排序建议（最大机会）
步骤 7：线框图生成（可选）
仅在调用 /seo sxo wireframe 时执行。
阅读 references/wireframe-templates.md 了解模板。
- 从解析的页面结构生成 IST（当前状态）线框图
- 基于以下内容生成 SOLL（目标状态）线框图：
- SERP 共识页面类型
- 差距分析结果
- 用户画像评分弱点
- 使用超具体占位符：
- 不要：“在此处添加 CTA”
- 要：“在英雄区下方添加带有年度节省徽章的价格 CTA，链接到 /pricing#enterprise”
- 输出为带有注释的语义 HTML 章节大纲
DataForSEO 集成
如果 DataForSEO MCP 工具可用：
- 在任何 API 调用之前，运行成本估算并与用户确认
- 使用
serp_organic_live_advanced获取精确的 SERP 数据（排名、特性、摘要） - 使用
kw_data_google_ads_search_volume获取搜索量和竞争指标 - 如果 DataForSEO 不可用，回退到 WebSearch——在输出中注明精度降低
SXO 分数 vs SEO 健康分数
SXO 分数独立于主要的 SEO 健康分数。
- SEO 健康分数 = 技术合规性（可爬取性、速度、Schema 等）
- SXO 差距分数 = 页面与 SERP 期望的对齐程度
- 一个页面可能 SEO 得 95 分 + SXO 得 30 分 = 技术上完美但战略上错位
- 当两者都可用时，应同时报告两个分数
跨技能引用
| 发现 | 转交给 |
|---|---|
| 用户画像评分中的 E-E-A-T 差距 | /seo content 进行深度 E-E-A-T 审计 |
| 缺少 Schema 类型 | /seo schema 进行生成 |
| SERP 中检测到本地意图 | /seo local 进行 GBP 分析 |
| 内容深度差距 | /seo page 进行深度页面分析 |
| 获取过程中发现的技术问题 | /seo technical 进行全面审计 |
| 图片/媒体差距 | /seo images 进行优化 |
输出格式
完整 SXO 分析
## SXO 分析：[URL]
### 目标关键词：[keyword]
### 1. SERP 概览
- 主导页面类型：[type]（[confidence]% 共识）
- SERP 特性：[list]
- 内容深度标准：[word count range]
- Schema 期望：[types]
### 2. 页面类型对齐
- 您的页面类型：[type]
- SERP 期望：[type]
- 结论：[ALIGNED | MISMATCH (severity)]
- 影响：[explanation]
### 3. 用户故事（从 SERP 信号推导）
[3-5 个用户故事及其来源信号]
### 4. 差距分析（SXO 分数：XX/100）
[7 维度分解表]
### 5. 用户画像分数
[4-7 个用户画像卡片及其 4 维度分数]
### 6. 优先行动
[排序列表：先修复不匹配，然后是最弱的用户画像差距]
### 7. 局限性
[无法评估的内容、数据来源说明]
错误处理
| 错误 | 操作 |
|---|---|
| URL 获取失败 | 报告错误，建议检查 URL 可访问性 |
| 未提供或未检测到关键词 | 要求用户提供目标关键词 |
| WebSearch 返回少于 5 个结果 | 使用可用数据继续，注明样本有限 |
| SERP 没有自然结果（全是广告） | 注明高度商业化的 SERP，仅分析广告文案 |
| 目标页面是 JavaScript 渲染的 | 注明限制，使用可用的 HTML 内容 |
| DataForSEO 成本超过阈值 | 回退到 WebSearch，通知用户 |
质量检查清单
在交付结果之前，验证：
- [ ] 目标 URL 已通过
scripts/render_page.py --mode auto获取（非原始 curl/fetch） - [ ] 页面类型分类使用了参考资料中的分类法
- [ ] 至少分析了 5 个 SERP 结果
- [ ] 用户故事引用了具体的 SERP 信号作为证据
- [ ] 用户画像分数包含具体的改进建议
- [ ] SXO 分数已明确标记为独立于 SEO 健康分数
- [ ] 局限性部分存在且诚实
- [ ] 在相关处包含了跨技能建议
