24k Star 的 Claude SEO，最狠的一招是删掉关键词密度

一个 SEO 工具最反常识的动作，是删功能。

AgriciDaniel/claude-seo 在 v2.5.0 里做了一件同行很少做的事：把关键词密度目标从三个技能文件里整段删掉，把 alt text 的写法从"含关键词"改成"描述性、点明主体"。理由是同一个——这两条在 Google 的官方文档里找不到依据。项目有 24012 个 star、3224 个 fork，今年 2 月建仓，8 个月发了 30 个版本。规模到这个程度，它还在往回删东西，这件事本身比它有多少功能更值得看。

它不是软件，是一包"知识"

先纠正一个常见误解：Claude SEO 不是 SaaS，也不是爬虫框架。它是一套装进 Claude Code 的 skill 包——26 个子技能加 19 个专职 agent，纯 Markdown 加 Python 脚本，MIT 协议。

装法就三行，在 Claude Code 1.0.33 以上执行：

/plugin marketplace add AgriciDaniel/claude-seo
/plugin install claude-seo@agricidaniel-claude-seo
/seo setup

第三条命令会建一个隔离的 Python 运行时和一个无头浏览器，不碰系统里其他环境；/seo doctor 用来体检。整个过程没有账号、没有云端上传，报告落成本地 Markdown，/seo google report 再转 PDF。

跑一次全站审计是 10 到 15 分钟，agent 最多 17 个并行。输出不是一堆警告，而是按优先级排好的行动清单，每条建议都带"依据是什么、依赖什么、怎么验证生效"。这句话读起来平淡，但它是整个项目的设计底线——后面所有取舍都从这里长出来。

三层结构：触发层、证据层、执行层

如果只看 README，会觉得这就是把 SEO 常识喂给模型。翻开仓库才发现是三层分工。

flowchart LR
    A["/seo audit
command"] --> B["SKILL.md
triggers + rules"]
    B --> C["references/
evidence tables"]
    C --> D["19 agents
parallel fan-out"]
    D --> E["Markdown / PDF / JSON
local reports"]
    style A fill:#FF6B6B,color:#fff
    style B fill:#4ECDC4,color:#fff
    style C fill:#45B7D1,color:#fff
    style D fill:#96CEB4,color:#fff
    style E fill:#FFEAA7,color:#000
    linkStyle default stroke:#764ba2,stroke-width:2px

最上面是 commands/，30 条命令分六组：审计、技术 SEO、内容与 E-E-A-T、Schema 与 AI 搜索、本地与电商、扩展。

中间是 skills/<name>/SKILL.md，负责在正确的时机被触发——写清"什么时候用我"，也写清"什么时候别用我"。项目自己在贡献规范里限死了体量：SKILL.md 不超过 500 行、5000 token，references 单文件不超过 200 行。这个约束很关键，因为技能包一旦膨胀，模型就只读前半段，后面写什么都没用。

底层是 references/ 的证据文件，一个话题一个文件，装的是判定标准和来源。真正干活的是 agents/ 里的 19 个角色，每个绑定模型：技术 SEO、sitemap、性能、本地、地图、Google 数据这些用 Sonnet；内容、GEO、关键词聚类、SXO、漂移监控用 Opus。

按能力给模型分档，而不是全上最强的，这是工程判断而不是营销话术。SEO 审计里大量工作是抓取、比对、归类，Opus 干这些纯属浪费；但"这段内容在 AI Overview 里有多少引用概率"这种判断，Sonnet 给的答案会明显更浅。

真正难的部分：让模型承认自己不知道

写 SEO 提示词最容易翻车的地方不是逻辑，是数字。行业里流传的"关键词密度 2%–3%""文章至少 2000 字"这类说法，很多查不到一手来源，但只要写进 prompt，模型就会当真并拿去指导用户。

Claude SEO 的处理方式是在文件里立规矩。seo-geo 的技能文件开头直接写着：下面这些第三方数字在 2026-09-23 没有复核过，引用时必须带来源和日期，否则就删掉。

于是你会看到这样的表述：

• AI Overviews 覆盖约 50% 查询——标注"第三方测量，随国家波动"
• 2.5 亿月活——标注"来自 I/O 2026 报道，非 Google 官方来源"
• 品牌提及与 AI 引用量的相关性是外链的 3 倍——标注 Ahrefs 2025-12-12 对 7.5 万个品牌的研究，并附上具体系数：YouTube 提及约 0.737，域名权重只有 0.266

最后一行值得展开。做 SEO 的人被训练成盯外链，但这份数据说在 AI 搜索里，"别人提到你"比"别人链接你"重要得多。同一页还写着：只有 11% 的域名会同时被 ChatGPT 和 Google AI Overviews 引用同一个 query——所以"针对 AI 优化"没有通用解，得按平台拆开做。

这种写法在提示词工程里很贵：它要求作者每次改数据都回去找原文，还得把"我没核实"明说出来。但收益是模型被约束住了——它没法再编一个漂亮的百分比，因为文件里没有。

给 GEO 泼冷水的那一页

更反直觉的在 references/llmstxt-evidence.md。2025 年以来，llms.txt 几乎成了 GEO 服务的标配交付物，卖点是"让 AI 更好地理解你的站点"。

这份文件的标题是"基于证据的重新定位"，第一句就把话说死：llms.txt 目前不被任何主流 AI 搜索系统消费，Google 已经在自己的文档里明确说 Google Search 会忽略它。

它列的证据挺扎人：

来源	说法
Google AI 优化指南（2026-06-15 加注）	不需要为出现在 Google 搜索里创建新的机器可读文件，"因为 Google Search 会忽略它们"
John Mueller（Google）	把 llms.txt 做发现/差异化的用法称为"死路"
SE Ranking 30 万域名研究（2025-11）	50 个最常被 AI 引用的域名里，只有 1 个有 llms.txt
OtterlyAI 服务端日志审计（2025）	AI 爬虫只有 0.1% 的请求打到 llms.txt（62100 次里 84 次）
Anthropic、Stripe、Cloudflare、NVIDIA	都发布了 llms.txt，但没有一家声明自己的爬虫会读别家的

然后是最有意思的一句转折：那还是建议生成一个。

理由不是 SEO，是两件事。一是零成本期权——万一某家大厂明天宣布支持，你已经在场；二是在开发者工具类站点上，llms.txt 确实被 Cursor、Cline、Claude Code 这类编码 agent 当作按库加载文档的入口在用，Mintlify 给几千个文档站自动生成了这份文件。所以对开发者文档站它是净收益，对普通商业站只是防御性动作。

文件还规定，如果用户要求生成，输出里必须带一条横幅，写明"Google Search 忽略 llms.txt；没有主流 LLM 厂商确认消费；仅供非 Google 场景的可选性，不要当成引用杠杆"。

一个卖 GEO 能力的产品，主动告诉用户 GEO 里最流行的那件交付物在 Google 那儿没用。这比多写十个技能更能说明它想做什么。

v2.5.0 的删改清单，比新增功能好看

翻这一版的改动记录，会发现大半篇幅在纠错：

• 关键词密度目标从 seo-page、seo-content、seo-content-brief 中移除；alt text 改为描述性命名主体
• 2026 年 9 月垃圾更新补记为已完成（9 月 24 日至 10 月 8 日，13 天 16 小时），Google 10 月的文档变更并入更新台账
• 有一处把 Gemini 图像模型的发布日期误读成下线日期，改正后标注 gemini-2.5-flash-image 至少可用到 2027-03-15
• Indexing API 的配额文档链接原本是 404，改指 API Console 配额页
• 面包屑（仅桌面）和 Event（需公开可订且为实体地点）富结果的限制补进文档

顺手还加了个安全项：seo-technical 里新增服务端技术栈的 CVE 暴露检查。做法是只读取审计 URL 的正常响应，从 X-Powered-By、PHP session cookie、WordPress 特征、静态/Node 标记判断栈，命中已知严重漏洞就标出来。它明确不 fuzz、不发利用载荷，而且请求其他路径前会先问用户是不是站点所有者。

判定逻辑也留了余地：版本号低于修复版本一律报"高，可能暴露"，因为各发行版会打补丁但不改版本号；要报"严重"必须由所有者确认是未修补构建。这一版随附的是 PHP 的关键 RCE 公告（CVE-2026-109618 / CVE-2026-109619，CVSS 9.2，修复于 8.5.12 / 8.4.27 / 8.3.36 / 8.2.35），并附 php.net 的临时缓解措施、检测信号和来源（php.net、两条 GitHub 公告、英国 NCSC）。

顺便解释一个安装问题的连带改动：这一版要求 Python 3.11 到 3.14。不是追新，是 Python 3.10 已在 2026-10-01 停止维护，而 Pillow 13.0.0 的安全版本（28 条公告，没有 12.x 回移）需要 3.11；上界停在 3.14 是因为 Google Ads 客户端库声明 < 3.15。默认 Python 不在区间时，启动器和 install.ps1 会自己挑一个，也可以用 CLAUDE_SEO_PYTHON 指定。

该冷静的地方

有几点得说清楚，免得把它当排名神器。

README 里"真实结果"一栏是站方自述：自己的站点 claude-seo.md 上线 12 周拿到 10800 次 Search Console 点击、移动端 PageSpeed 99 分。这类数据无法验证，新站起量的变量太多，不能当作插件效果的证据。star 数和排名之间更没有因果关系。

成本也不是零。插件免费、协议宽松，但 17 个 agent 并行跑一次全站审计，烧的是你自己的 Claude Code 额度，站点越大越明显。

商业闭环在 README 里是明摆着的：作者运营一个叫 AI Marketing Hub Pro 的 Skool 社群，徽章就挂在顶部。项目本身 MIT，社群是付费的，这不算问题，但要知道自己在看什么。

还有一类风险属于所有 LLM 辅助审计的通病：schema 建议、E-E-A-T 评分、"AI 引用概率"这些结论都是模型的判断，不是测量值。项目用来源和日期约束了一部分幻觉，但拦不住全部。任何写进生产环境的结构化数据，仍然要拿 Rich Results Test 过一遍。

最省事的用法可能不是让它跑全站，而是先对着一篇你最想被引用的文章跑 /seo geo，看它给出的可引用性判断是否站得住——Citability 占 25%，结构可读性 20%，多模态 15%，权威与品牌信号 20%，技术可达性 20%。这五个维度的权重是这套方法论的骨架，比任何单条建议都值得先理解。

参考文档与链接

• AgriciDaniel/claude-seo — 仓库与完整 README
• v2.5.0 Release — Python 版本要求、CVE 暴露检查、数据纠错清单
• 架构说明 — 技能、agent、扩展的分层方式
• seo-geo 技能 — 五个 GEO 维度的权重与判定标准
• llms.txt 证据文件 — 上面那张表格的完整版
• 技术栈 CVE 暴露参考 — 检测信号与判定分级
• 贡献规范 CLAUDE.md — 500 行/5000 token 等文件体量约束
• 命令参考 — 30 条命令与扩展清单
• Google AI 优化指南 — "Google Search 会忽略 llms.txt" 的一手出处
• Ahrefs 品牌提及研究 — 3 倍相关性的原始出处，引用时注意日期

你的站点被 ChatGPT 或 AI Overview 引用过吗？在评论区说说你查到的结果和用的方法。

---

作者: itech001 来源: 公众号：AI人工智能时代(the-ai-era) 网站: https://www.theaiera.top/ 关注每日最新AI新闻和技术博客，主页有更多的文章的AI 技术参考：https://www.theaiera.top

本文首发于 AI 人工智能时代，转载请注明出处。