16 KiB

Raw Blame History

GEO 平台新增 Agent 实现计划

Status: Draft Type: feat Created: 2026-05-28 Updated: 2026-05-28

Summary

为 GEO 平台新增 4 个专业 Agent，构建完整的监测-分析-优化闭环：

MonitorAgent — 效果追踪：定期检测内容发布后的引用变化
SchemaAdvisor — Schema优化：根据诊断结果推荐具体的 Schema 标记方案
CompetitorAnalyzer — 竞品分析：深度分析竞品内容策略、引用模式
TrendAgent — 趋势洞察：分析行业 AI 搜索趋势、热点话题

Problem Frame

当前 GEO 平台已有 4 个 Agent（CitationDetector、ContentGenerator、DeAIAgent、GEOOptimizer），覆盖检测→生成→去AI化→优化链路。但缺少：

效果追踪：内容发布后无法自动追踪引用变化
Schema 优化：诊断发现 Schema 问题但没有 Agent 提供具体方案
竞品深度分析：仅做引用检测，缺乏策略层面的竞品分析
趋势洞察：无法感知行业 AI 搜索趋势和热点话题

这 4 个 Agent 的缺失导致 GEO 平台只能发现问题，无法主动建议行动方向。

Scope Boundaries

In Scope

4 个新 Agent 的完整实现
Agent 注册和调度集成
相应的数据模型和 API
前端展示（可选，取决于 API 完备性）

Out of Scope

不实现前端页面（只提供 API，供现有页面调用）
不实现自动执行闭环（内容发布后的自动追踪需要分发系统配合）
TrendAgent 的第三方数据源集成（仅使用现有 AI 引擎返回的引用数据）

Key Technical Decisions

KTD-1: MonitorAgent 触发方式

Decision: 采用「定时任务 + 手动触发」双模式

Rationale: 自动追踪需要内容分发系统配合，目前分发系统仅支持手动发布。定时任务模式可覆盖已有内容的手动追踪需求。手动触发作为 API 入口，可被前端页面直接调用。

Alternatives considered:

仅定时任务：无法满足用户即时查询需求
仅手动触发：无法实现自动化效果追踪

KTD-2: SchemaAdvisor 生成策略

Decision: 采用「规则模板 + LLM 增强」混合模式

Rationale: Schema 标记有明确的规范（JSON-LD 格式），规则模板可覆盖 80% 常见场景。LLM 用于生成描述性内容（如 FAQ 的 questions/answers）和处理边界情况。

Alternatives considered:

纯规则：无法处理动态内容场景
纯 LLM：Schema 格式要求严格，纯 LLM 生成可能不合规

KTD-3: CompetitorAnalyzer 数据来源

Decision: 复用现有 CitationDetector 的检测数据

Rationale: 竞品分析依赖品牌和竞品的引用数据，现有 CitationDetector 已实现全量检测能力。新 Agent 只需在检测结果基础上做策略分析，避免重复建设。

Alternatives considered:

独立检测通道：增加 API 调用成本和数据冗余
仅分析历史数据：无法获取最新竞品动态

KTD-4: TrendAgent 趋势识别

Decision: 基于「品牌领域关键词 + AI 引擎引用模式」识别趋势

Rationale: TrendAgent 的定位是「GEO 趋势洞察」而非「通用舆情分析」。通过分析品牌核心关键词在 AI 引擎中的引用模式变化，可以识别用户关注度趋势，无需引入外部数据源。

Alternatives considered:

接入第三方舆情 API：成本高、数据不精准
基于社交媒体趋势：与 GEO 关联度低

High-Level Technical Design

4 Agent 在现有架构中的位置

┌──────────────────────────────────────────────────────────────────┐
│                    Agent Framework (Dispatcher)                  │
└──────────────────────────────────────────────────────────────────┘
                              │
      ┌───────────┬───────────┼───────────┬───────────┐
      ▼           ▼           ▼           ▼           ▼
┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐
│Citation  │ │Monitor   │ │Schema    │ │Competitor│ │Trend     │
│Detector  │ │Agent 🆕  │ │Advisor 🆕│ │Analyzer 🆕│ │Agent 🆕  │
│          │ │          │ │          │ │          │ │          │
│引用检测   │ │效果追踪   │ │Schema    │ │竞品策略   │ │趋势洞察   ││
└────┬─────┘ └────┬─────┘ └────┬─────┘ └────┬─────┘ └────┬─────┘
     │            │            │            │            │
     ▼            ▼            ▼            ▼            ▼
 CitationRecord  MonitoringRecord  SchemaSuggestion  CompetitorInsight  TrendInsight
     │            │            │            │            │
     ▼            ▼            ▼            ▼            ▼
  ScoringService  GeoPlanGenerator  DiagnosisReport  StrategyPage   Dashboard

MonitorAgent 数据流

内容发布 → 记录监测任务 → 定时执行检测 → 对比基线数据 → 生成变化报告 → 更新评分
                                    │
                            ┌───────┴───────┐
                            │ 变化类型判断   │
                            ├───────────────┤
                            │ + 引用量增加   │ → 正面反馈
                            │ - 引用量下降   │ → 告警 + 建议
                            │ = 无变化       │ → 持续观察
                            └───────────────┘

SchemaAdvisor 建议生成

诊断数据 → 识别 Schema 缺失维度 → 匹配模板 → 生成 JSON-LD → LLM 填充内容 → 验证格式
                                                              │
                                                      ┌───────┴───────┐
                                                      │  格式验证通过  │ → 返回建议
                                                      │  格式验证失败  │ → 回退到规则
                                                      └───────────────┘

Implementation Units

U1. MonitorAgent — 效果追踪 Agent

Goal: 实现内容发布后引用变化的自动追踪和对比分析

Requirements: R1（效果追踪）

Files:

app/agent_framework/agents/monitor_agent.py (新增)
app/models/monitoring.py (新增)
app/schemas/monitoring.py (新增)
app/services/monitoring/monitor_service.py (新增)
app/api/monitoring.py (新增)
tests/test_monitor_agent.py (新增)

Approach:

数据模型：MonitoringRecord 记录监测任务，ContentBaseline 存储发布时的基线数据
Agent 逻辑：接收监测任务 → 提取关键词和平台 → 调用 CitationService 检测 → 对比基线 → 生成变化报告
变化判断：基于引用量、情感倾向、引用排名三个维度计算变化幅度
API：提供创建监测任务、查询监测历史、获取变化报告的端点

Test scenarios:

Happy path: 内容发布后创建监测任务，定时检测对比基线，生成正面/负面/无变化报告
Edge case: 基线数据为空时，使用首次检测作为基线
Error path: 检测服务不可用时，记录失败状态并重试
Integration: 监测任务触发时，通过 Dispatcher 正确分发给 MonitorAgent

U2. SchemaAdvisor — Schema 优化建议 Agent

Goal: 根据诊断结果生成具体的 Schema 标记方案

Requirements: R2（Schema 优化）

Files:

app/agent_framework/agents/schema_advisor.py (新增)
app/models/schema_suggestion.py (新增)
app/schemas/schema_suggestion.py (新增)
app/services/schema/schema_advisor_service.py (新增)
app/api/schema_advisor.py (新增)
tests/test_schema_advisor.py (新增)

Approach:

诊断数据输入：接收 GEO 诊断结果，识别 Schema 缺失维度
模板匹配：5 种 Schema 类型 × 3 种场景 = 15 个预定义模板
- Organization: 品牌主页
- Product: 产品详情页
- FAQPage: 常见问题页
- Article: 博客/新闻页
- LocalBusiness: 本地商户页
LLM 增强：使用 LLM 生成 FAQ 的 questions/answers、Product 描述等自然语言内容
格式验证：使用 JSON-LD 解析器验证生成结果的语法正确性
优先级排序：基于诊断得分和实施难度排序建议

Test scenarios:

Happy path: 诊断发现 FAQPage 缺失，生成完整的 FAQPage JSON-LD
Edge case: LLM 生成内容格式错误，回退到规则模板
Error path: 模板不存在时，返回"暂不支持该场景"的友好提示
Format validation: 生成的 JSON-LD 通过 schema.org 验证

U3. CompetitorAnalyzer — 竞品策略分析 Agent

Goal: 在引用检测数据基础上，深度分析竞品的内容策略和引用模式

Requirements: R3（竞品分析）

Files:

app/agent_framework/agents/competitor_analyzer.py (新增)
app/models/competitor_insight.py (新增)
app/schemas/competitor_insight.py (新增)
app/services/competitor/competitor_analyzer_service.py (新增)
app/api/competitor_analysis.py (新增)
tests/test_competitor_analyzer.py (新增)

Approach:

数据聚合：聚合品牌和所有竞品的引用检测数据
维度分析：
- 引用量对比：品牌 vs 竞品在各平台的引用次数
- 引用质量对比：正面/中性/负面引用比例
- 引用场景分析：竞品在哪些查询词下被引用
- 内容策略推断：竞品引用内容的类型（产品介绍/评测/新闻等）
Gap 识别：对比发现品牌在哪些维度落后于竞品
机会发现：竞品未被引用的场景，即品牌的潜在机会
策略建议：基于分析结果生成"缩小差距"和"差异化竞争"两类建议

Test scenarios:

Happy path: 品牌 vs 3个竞品，生成完整的竞品分析报告
Edge case: 竞品数据不足（少于5次引用），标记为"数据不足"并说明
Error path: 竞品数据获取失败，生成部分报告并提示缺失数据
Content strategy: 识别竞品的内容类型分布，给出差异化建议

U4. TrendAgent — 趋势洞察 Agent

Goal: 分析品牌领域关键词在 AI 引擎中的引用模式变化，识别趋势

Requirements: R4（趋势洞察）

Files:

app/agent_framework/agents/trend_agent.py (新增)
app/models/trend_insight.py (新增)
app/schemas/trend_insight.py (新增)
app/services/trend/trend_analyzer_service.py (新增)
app/api/trends.py (新增)
tests/test_trend_agent.py (新增)

Approach:

时间序列分析：聚合品牌关键词在过去 N 天的引用数据（按天/周粒度）
趋势识别算法：
- 上升趋势：引用量环比增长 > 20%
- 下降趋势：引用量环比下降 > 20%
- 平稳趋势：变化率在 ±20% 以内
热点发现：引用量突增的关键词/话题
平台差异：同一趋势在不同 AI 引擎的差异表现
原因推断：结合情感分析推断趋势变化的可能原因（正面事件/负面事件/行业热点）

Test scenarios:

Happy path: 分析过去30天数据，识别3个上升趋势、2个下降趋势、5个热点话题
Edge case: 数据不足30天，使用可用数据进行趋势分析并注明
Error path: 引用数据获取失败，返回"趋势分析需要至少7天数据"提示
Platform comparison: 识别同一趋势在文心 vs Kimi 的差异

U5. Agent 注册和调度集成

Goal: 将 4 个新 Agent 注册到 Agent Framework，支持 Dispatcher 统一调度

Requirements: 所有 R1-R4

Dependencies: U1, U2, U3, U4

Files:

app/agent_framework/registry.py (修改)
app/agent_framework/protocol.py (修改)

Approach:

在 protocol.py 中定义 4 种新任务类型：
- monitor_track — 效果追踪
- schema_advise — Schema 建议
- competitor_analyze — 竞品分析
- trend_insight — 趋势洞察
在 registry.py 中注册 4 个 Agent 类
验证 Dispatcher 可正确分发任务到对应 Agent

Test scenarios:

Happy path: Dispatcher 分发 monitor_track 任务到 MonitorAgent
Happy path: Dispatcher 分发 schema_advise 任务到 SchemaAdvisor
Edge case: 未知任务类型返回"Agent not found"错误

U6. 数据库迁移

Goal: 创建新 Agent 所需的数据库表

Dependencies: U1, U2, U3, U4

Files:

alembic/versions/xxxx_add_new_agent_tables.py (新增)

Approach:

生成 Alembic 迁移脚本
创建 5 张新表：
- monitoring_records — 监测记录
- content_baselines — 内容基线
- schema_suggestions — Schema 建议
- competitor_insights — 竞品洞察
- trend_insights — 趋势洞察
执行迁移并验证

Test scenarios:

Happy path: 迁移脚本成功执行，5张表创建完成
Rollback: 执行 downgrade 后，表被正确删除

Open Questions

#	Question	Resolution
1	MonitorAgent 的定时检测间隔是多少？	建议默认 24 小时，支持用户配置（1h/6h/24h/7d）
2	SchemaAdvisor 是否需要验证生成的 Schema 在目标网站上可正常解析？	否，验证 JSON-LD 语法即可，网站解析验证超出当前范围
3	TrendAgent 历史数据保留多久？	建议保留 90 天，超出后归档或删除
4	4 个新 Agent 是否需要独立启动入口（类似 standalone.py）？	否，通过 API 触发即可，无独立常驻需求

System-Wide Impact

数据库：新增 5 张表，需要 Alembic 迁移
API 层：新增 4 个路由模块（monitoring.py, schema_advisor.py, competitor_analysis.py, trends.py）
Agent Framework：新增 4 种任务类型注册
前端：可选，取决于是否需要页面展示（当前计划仅提供 API）

Deferred to Follow-Up Work

前端监测页面：MonitorAgent 的效果追踪报告需要页面展示
自动执行闭环：内容发布后自动创建监测任务（依赖分发系统）
告警集成：监测到负面变化时自动触发告警通知
定时调度：TrendAgent 的周期性趋势报告（依赖 APScheduler 集成）

Verification

编译验证

cd geo/backend && python -m py_compile app/agent_framework/agents/monitor_agent.py app/agent_framework/agents/schema_advisor.py app/agent_framework/agents/competitor_analyzer.py app/agent_framework/agents/trend_agent.py

API 验证

# MonitorAgent
curl -X POST http://localhost:8000/api/v1/monitoring/tasks -H "Authorization: Bearer $TOKEN" -d '{"content_id": "xxx", "brand_id": "yyy"}'

# SchemaAdvisor
curl -X POST http://localhost:8000/api/v1/schema/advise -H "Authorization: Bearer $TOKEN" -d '{"brand_id": "yyy"}'

# CompetitorAnalyzer
curl -X POST http://localhost:8000/api/v1/competitor/analyze -H "Authorization: Bearer $TOKEN" -d '{"brand_id": "yyy"}'

# TrendAgent
curl -X POST http://localhost:8000/api/v1/trends/insight -H "Authorization: Bearer $TOKEN" -d '{"brand_id": "yyy", "days": 30}'

Agent 调度验证

# 通过 Agent Framework 调度
curl -X POST http://localhost:8000/api/v1/agents/tasks -H "Authorization: Bearer $TOKEN" -d '{
  "agent_type": "monitor",
  "task_type": "monitor_track",
  "params": {"content_id": "xxx", "brand_id": "yyy"}
}'

16 KiB Raw Blame History Unescape Escape

GEO 平台新增 Agent 实现计划

Summary

Problem Frame

Scope Boundaries

In Scope

Out of Scope

Key Technical Decisions

KTD-1: MonitorAgent 触发方式

KTD-2: SchemaAdvisor 生成策略

KTD-3: CompetitorAnalyzer 数据来源

KTD-4: TrendAgent 趋势识别

High-Level Technical Design

4 Agent 在现有架构中的位置

MonitorAgent 数据流

SchemaAdvisor 建议生成

Implementation Units

U1. MonitorAgent — 效果追踪 Agent

U2. SchemaAdvisor — Schema 优化建议 Agent

U3. CompetitorAnalyzer — 竞品策略分析 Agent

U4. TrendAgent — 趋势洞察 Agent

U5. Agent 注册和调度集成

U6. 数据库迁移

Open Questions

System-Wide Impact

Deferred to Follow-Up Work

Verification

编译验证

API 验证

Agent 调度验证

16 KiB

Raw Blame History