纯代码小白也可以手搓一个GEO工具- 大数跨境

首页

纯代码小白也可以手搓一个GEO工具

AI效率圈A

2026-08-29

导读：我做了一个 GEO 工具，前后折腾了近半个月，1 个人，从立项到 81MB NSIS 安装包出包。

我做了一个 GEO 工具，前后折腾了近半个月，1 个人，从立项到 81MB NSIS 安装包出包。

跑通之后第一次 monitor：6 个 AI 引擎 1024 次查询，86 次提到我——跨引擎 AI 提及率 8.32%。

这个数现在看不算高。但我第一次跑的时候是 0%。部署内容、优化结构、跑通 6 引擎监测这一套跑下来，从 0 到 8.32% 的过程，踩过的坑比代码多。

我把 30 天的完整过程整理成分节内容放在最后，本篇文章是骨架导览。

什么是 GEO

一句话：让 AI 在回答里提到你。

以前做 SEO，是让百度谷歌搜得到你。现在大家买东西前不打开百度了——直接问豆包、问 Kimi。AI 答完就完事，你网站连出场机会都没有。

GEO（Generative Engine Optimization）就是让 AI 引擎在回答用户问题时，愿意把你的网站 / 品牌作为引用源写进答案。

国内外都已经有人接单做这个。工具侧目前最完整的方案是 Otterly.AI / Profound 这类，但都不接国内 6 引擎（豆包、DeepSeek、通义、文心、Kimi、腾讯元宝），所以我自己写了一个。

工具的技术骨架

整个工具分四层：


    
    
    
    
     
     
     
     
      
      
      
      
       1
      
      
      
      
      
      
      
      
       2
      
      
      
      
      
      
      
      
       3
      
      
      
      
      
      
      
      
       4
      
      
      
      
      
      
      
      
       5
      
      
      
      
      
      
      
      
       6
      
      
      
      
      
      
      
      
       7
      
      
      
      
      
      
      
      
       8
      
      
      
      
      
      
      
      
       9
      
      
      
      
     
     
     
     
     
     
     
     
      
      
      
      
       ┌─────────────────────────────────┐
│  桌面端 Tauri 2（WebView2）     │  ← 用户能本地跑
├─────────────────────────────────┤
│  前端 Next.js 14 standalone     │  ← 8 大模块 UI
├─────────────────────────────────┤
│  后端 Python FastAPI             │  ← 6 引擎 LLM + 数据
├─────────────────────────────────┤
│  LLM 6 引擎 + 监测 + 部署       │  ← 数据来源
└─────────────────────────────────┘

下面分别讲每层做什么、怎么搭。

第一层：Tauri 桌面端壳

为什么选 Tauri 不选 Electron：Tauri 包大小只有 81MB（Electron 通常 200MB+），启动 < 1 秒，内存 30-50MB，且复用系统 WebView2（用户已经装了 Edge 就有）。

桌面端做的是sidecar 模式——Tauri 主进程启动后，自动拉起 backend (Python exe) 和 frontend (Next standalone)，分别监听 :8000 和 :3001，然后 Tauri 窗口加载 http://localhost:3001。

Sidecar 启动代码大约 100 行 Rust，核心逻辑：


    
    
    
    
     
     
     
     
      
      
      
      
       1
      
      
      
      
      
      
      
      
       2
      
      
      
      
      
      
      
      
       3
      
      
      
      
      
      
      
      
       4
      
      
      
      
      
      
      
      
       5
      
      
      
      
      
      
      
      
       6
      
      
      
      
     
     
     
     
     
     
     
     
      
      
      
      
       let mut backend_cmd = Command::new(&backend_path);
backend_cmd
    .env("GEO_MINIMAX_MODEL", "MiniMax-Text-01")
    .env("GEO_PORT", "8000")
    .env("GEO_NO_BROWSER", "1");
let backend = backend_cmd.spawn()?;

踩坑提示：sidecar 启动失败时 Tauri 窗口会显示"localhost 拒绝连接"——但用户不知道为什么。要给一个错误兜底 UI。

第二层：Next.js 前端

8 大模块：

模块	URL	作用
概览	`/dashboard`	4 KPI + 6 引擎状态 + 趋势
监控中心	`/monitors`	触发监测 + 看历史
GEO 工具	`/tools`	6 个白帽工具
内容工场	`/content`	5 步写作流
客户管理	`/clients`	多客户
账户中心	`/account`	API&集成 + 订阅
通知中心	`/notifications`	系统通知
设置	`/settings`	5 主题切换

关键技术决策：

output: "standalone"：让 Next.js 打包出一个 86MB 的自包含 Node 服务（不用 next start 全套）
5 套主题用 CSS 变量切换： data-theme="midnight" 改一组 CSS 变量，不重载
客户端组件必须抽离： useState / useEffect 必须在 "use client" 文件里，server component 里用 hook 会编译失败
跨页 deep-link： tools 生成结果 → content 预填表单，靠 sessionStorage 传值


    
    
    
    
     
     
     
     
      
      
      
      
       1
      
      
      
      
      
      
      
      
       2
      
      
      
      
      
      
      
      
       3
      
      
      
      
      
      
      
      
       4
      
      
      
      
      
      
      
      
       5
      
      
      
      
     
     
     
     
     
     
     
     
      
      
      
      
       // tools/page.tsx
const handleApply = (result, step) => {
  sessionStorage.setItem("workflow-input", JSON.stringify(result));
  window.location.href = `/content?step=${step}`;
};

踩坑提示：SWC 编译报错行号不可信——报 line 100，实际错在 line 50，类型不匹配引发。保持数组对象类型一致。

第三层：Python FastAPI 后端

为什么 Python：爬虫、内容改写、SEO 审计都是 Python 生态，重写不划算。

后端分 4 块：

API 路由（/api/clients/*
、/api/monitors/*、/api/tools/*）
服务层（monitor_service、analytics、automation）
LLM 适配层（每个引擎一个文件，统一接口）
数据库（SQLite + SQLAlchemy + Alembic）

6 引擎的接入用可插拔设计：


    
    
    
    
     
     
     
     
      
      
      
      
       1
      
      
      
      
      
      
      
      
       2
      
      
      
      
      
      
      
      
       3
      
      
      
      
      
      
      
      
       4
      
      
      
      
      
      
      
      
       5
      
      
      
      
      
      
      
      
       6
      
      
      
      
      
      
      
      
       7
      
      
      
      
      
      
      
      
       8
      
      
      
      
      
      
      
      
       9
      
      
      
      
      
      
      
      
       10
      
      
      
      
      
      
      
      
       11
      
      
      
      
      
      
      
      
       12
      
      
      
      
      
      
      
      
       13
      
      
      
      
      
      
      
      
       14
      
      
      
      
      
      
      
      
       15
      
      
      
      
      
      
      
      
       16
      
      
      
      
      
      
      
      
       17
      
      
      
      
     
     
     
     
     
     
     
     
      
      
      
      
       # app/llm/base.py
class LLMBackend(ABC):
    @abstractmethod
    async def query(self, prompt: str, **kwargs) -> str:
        raise NotImplementedError

# 每个引擎一个文件
class OllamaBackend(LLMBackend): ...
class DoubaoBackend(LLMBackend): ...
class TongyiBackend(LLMBackend): ...

# 注册表
BACKENDS = {
    "ollama": OllamaBackend,
    "doubao": DoubaoBackend,
    # ...
}

没配 API key 就用 ollama 本地默认（qwen3.5:4b），零成本跑通。要切换 6 引擎，只在 .env 里加 key。

数据库用 SQLite 单文件，跟用户电脑走。dogfood 阶段 42 篇文章 + 几万个 mention 完全够用，不需要 PostgreSQL。

踩坑提示：Python 的 tz-aware vs tz-naive 是经典坑——datetime.utcnow() 是 naive，datetime.now() + DB 存的是 aware，比较前必须 replace(tzinfo=None)。

第四层：6 引擎 LLM 集成

每个引擎有自己 API 格式，但做 3 件事：

接受关键词 + 品牌名
真实调用引擎搜索
解析回答里是否提到品牌

比如 ollama 本地：


    
    
    
    
     
     
     
     
      
      
      
      
       1
      
      
      
      
      
      
      
      
       2
      
      
      
      
      
      
      
      
       3
      
      
      
      
      
      
      
      
       4
      
      
      
      
      
      
      
      
       5
      
      
      
      
      
      
      
      
       6
      
      
      
      
      
      
      
      
       7
      
      
      
      
     
     
     
     
     
     
     
     
      
      
      
      
       async def query(self, prompt: str, **kwargs) -> str:
    r = await client.post(
        f"{self.base_url}/api/generate",
        json={"model": "qwen3.5:4b", "prompt": prompt, "stream": False},
        timeout=60,
    )
    return r.json()["response"]

豆包走 OpenAI 兼容 API，本质是同样的 chat completion。

判断"是否提到" 有两种策略：

简单匹配：if brand in response_text
LLM 判定：让另一个 LLM 读回答 + 品牌名 + 判定结果

我用的是混合——简单匹配 + LLM 二判。LLM 输出的"判定"比较准，但慢。

6 引擎分布（我跑的真实数据）：

minimax 内置兜底：256 次命中
ollama 本地：228 次
dashscope / deepseek / hunyuan：各 150 次左右
商业 4 引擎（豆包/Kimi/文心/腾讯元宝）接口 key

第五层：6 个白帽工具

/tools 页面提供 6 个工具，每个 3 秒内出可验证结果：

工具	输出	标准来源
GEO 评分	8 维度打分卡	Princeton GEO + Google 质量指南
Princeton 改写	应用 GEO 8 规则后的内容	Princeton 公开方法
llms.txt	AI 爬虫可读的站点说明	llmstxt.org
Schema.org	JSON-LD 结构化数据	schema.org 官方
FAQ	关键词对应问答	谷歌 PAA
S.A.S	70/20/10 行业内容	自家方法论

每个工具统一模式：


    
    
    
    
     
     
     
     
      
      
      
      
       1
      
      
      
      
      
      
      
      
       2
      
      
      
      
      
      
      
      
       3
      
      
      
      
      
      
      
      
       4
      
      
      
      
      
      
      
      
       5
      
      
      
      
      
      
      
      
       6
      
      
      
      
     
     
     
     
     
     
     
     
      
      
      
      
       @router.post("/score")
async def score(payload: ScoreRequest, db: Session = Depends(get_db)):
    prompt = build_score_prompt(payload.content, payload.brand)
    raw = await llm_registry.query("ollama", prompt)
    parsed = parse_score_json(raw)  # 容错解析
    return ScoreResponse(scores=parsed, overall=sum(s.score for s in parsed) / 8)

跨工具工作流：


    
    
    
    
     
     
     
     
      
      
      
      
       1
      
      
      
      
      
      
      
      
       2
      
      
      
      
      
      
      
      
       3
      
      
      
      
      
      
      
      
       4
      
      
      
      
      
      
      
      
       5
      
      
      
      
      
      
      
      
       6
      
      
      
      
      
      
      
      
       7
      
      
      
      
      
      
      
      
       8
      
      
      
      
      
      
      
      
       9
      
      
      
      
     
     
     
     
     
     
     
     
      
      
      
      
       用户输入弱内容
 ↓ GEO 评分（找最弱维度）
 ↓ Princeton 改写（应用 8 规则）
 ↓ Schema.org（生成 JSON-LD）
 ↓ llms.txt（生成站点级文件）
 ↓ FAQ（生成问答段落）
 ↓ S.A.S（生成扩展内容）
 ↓ 发布到 xxx.cn
 ↓ 触发 monitor 验证

这是 GEO 工具的"价值放大器"——单点工具 + 工作流 = 真实业务闭环。

打包：从 0 到 81MB 安装包

最后讲打包——这是最折腾的一步。

后端打包（PyInstaller frozen exe 46MB）：


    
    
    
    
     
     
     
     
      
      
      
      
       1
      
      
      
      
     
     
     
     
     
     
     
     
      
      
      
      
       pyinstaller pyinstaller.spec --clean --noconfirm

pyinstaller.spec 关键配置——datas 必须用绝对路径：


    
    
    
    
     
     
     
     
      
      
      
      
       1
      
      
      
      
      
      
      
      
       2
      
      
      
      
      
      
      
      
       3
      
      
      
      
      
      
      
      
       4
      
      
      
      
      
      
      
      
       5
      
      
      
      
      
      
      
      
       6
      
      
      
      
      
      
      
      
       7
      
      
      
      
      
      
      
      
       8
      
      
      
      
      
      
      
      
       9
      
      
      
      
      
      
      
      
       10
      
      
      
      
     
     
     
     
     
     
     
     
      
      
      
      
       import os
PROJECT_ROOT = os.path.dirname(os.path.abspath(SPEC))
a = Analysis(
    [os.path.join(PROJECT_ROOT, 'geo_backend_launcher.py')],
    pathex=[PROJECT_ROOT],
    datas=[
        (os.path.join(PROJECT_ROOT, 'alembic'), 'alembic'),
        (os.path.join(PROJECT_ROOT, 'alembic.ini'), '.'),
    ],
)

这里我踩过后才暴露的坑——spec 用相对路径时，PyInstaller 是相对 cwd 而不是 spec 位置解析。第一次打包跑通，30 天后重打就报 alembic.ini not found，因为 cwd 换了。。

NSIS 安装包（最终 81MB）：

Tauri bundler 要下载 NSIS 工具（nsis-3.11.zip + nsis_tauri_utils.dll），GitHub Releases 在国内不稳。我的解法：


    
    
    
    
     
     
     
     
      
      
      
      
       1
      
      
      
      
     
     
     
     
     
     
     
     
      
      
      
      
       TAURI_BUNDLER_TOOLS_GITHUB_MIRROR=http://127.0.0.1:18765/

本地起一个 mirror server，所有路径都返回正确的文件，tauri-bundler 完全不知道。dll 用国内镜像 ghfast.top 下载。

junction + glob 不跟随：binaries/node 是 junction（指向真实目录），tauri 的 glob ** 不跟随 symlink——直接报 path not found。解法是 robocopy 复制真实目录 + 用目录映射代替 ** glob。

真实 dogfood 数据

跑通工具后，拿自己新建的网站当小白鼠。

指标	第 42 次（基线）	第 43 次（部署后）
提及	82 / 1024	86 / 1034
提及率	8.01%	8.32%
状态	completed	completed

绝对 +0.31pp，相对 +3.9%。

这中间有个坑值得讲——我第一次跑出 19.5% 提及率时差点拿出去吹。后来发现 19.5% 是单引擎（minimax）视角，跨 6 引擎平均只有 8.32%。

教训：跨引擎平均比单引擎数字更接近真实市场。别拿"最好看的数字"说话。

工具能跑、6 引擎全跑通、81MB 安装包出来。还在用自己的网站dogfooding, 能否变现要看后续真实数据情况，这是我现在面对的现实。

但工具是入口，不是终点。下一步：给 5 个潜在客户做GEO 体检，看谁愿意继续。

课程 9 集目录

集	主题	踩坑密度
00	课程总览（学习路径建议）	⭐
01	立项与技术选型（Tauri vs Electron 决策）	⭐
02	环境搭建与中文路径踩坑（junction + pnpm shim）	⭐⭐⭐
03	Next.js 前端架构（8 模块 + 5 主题）	⭐⭐⭐
04	Python 后端与 6 引擎接入	⭐⭐⭐
05	工具集开发 GEO 6 件套	⭐⭐
06	PyInstaller 打包踩坑（alembic / frozen exe）	⭐⭐⭐
07	Tauri 桌面端封装（sidecar + 5 主题）	⭐⭐⭐
08	NSIS 安装包打包（mirror server 突破 GitHub 超时）	⭐⭐⭐⭐
09	dogfood 验证与反思	⭐

全课程 9.4 万字，每集含：

我为什么这么做
我做错了哪些决策
真实代码片段（可直接复制）
我现在会怎么改

怎么领

【声明】内容源于网络

AI效率圈A

1234

内容 0

粉丝 0

AI效率圈A 1234

总阅读0

粉丝0

内容0