ChouJuGEO/docs/features/CONTENT_SCORER_FEATURE.md

内容质量评分功能说明

📋 功能概述

内容质量评分模块是 GEO 工具的核心功能之一，用于自动评估生成内容的质量，从多个维度进行评分，并提供详细的改进建议，帮助用户优化内容以提升 GEO 效果。

核心价值

• 量化内容质量：通过多维度评分（0-100分）量化内容质量
• 数据驱动优化：基于评分数据识别内容问题，针对性优化
• 提升 GEO 效果：确保内容符合 GEO 原则，提升在 AI 模型中的引用率
• 自动化评估：使用 LLM 自动评估，无需人工检查

🎯 功能位置

Tab2（自动创作）- 内容质量评分

在 Tab2 生成内容后，系统会自动对每篇内容进行质量评分：

1. 自动评分：内容生成完成后自动调用评分系统
2. 评分展示：在内容预览区域显示评分结果
3. 详细分析：展示各维度得分和改进建议

📊 评分维度

1. 结构化程度（25分）

评估标准：

• 是否有清晰的标题层级？
• 是否包含清单、列表、FAQ 等结构化元素？
• 内容层次是否清晰？
• 是否有结论摘要？

目标：确保内容结构清晰，便于 AI 模型理解和提取

---

2. 品牌提及质量（25分）

评估标准：

• 品牌提及次数是否合适（2-4次）？
• 品牌提及位置是否靠前（前1/3优先）？
• 品牌提及是否自然（先通用标准，再品牌适用）？
• 品牌与内容的关联度如何？

目标：确保品牌提及自然、有效，提升品牌在 AI 模型中的提及率

---

3. 内容权威性（25分）

评估标准：

• 是否有数据支撑或案例引用？
• 是否有评估维度或选择标准？
• 是否避免编造数据（使用占位建议）？
• 内容是否专业可信？

目标：确保内容权威可信，符合 E-E-A-T 原则

---

4. 可引用性（25分）

评估标准：

• 信息密度是否高？
• 结论是否先行？
• 是否容易被 AI 提取和引用？
• 是否符合目标平台的格式要求？

目标：确保内容容易被 AI 模型提取和引用

---

🔄 工作流程

自动评分流程

1. 内容生成

   • 在 Tab2 生成内容（单篇或批量）

2. 自动评分

   • 系统自动调用评分系统
   • 使用 LLM 对内容进行全面评估
   • 生成多维度评分结果

3. 结果展示

   • 显示总分（0-100分）
   • 显示各维度得分（结构化、品牌提及、权威性、可引用性）
   • 显示详细评估和改进建议

4. 优化建议

   • 根据评分结果，提供具体的改进建议
   • 识别内容优点和不足

---

📊 评分等级

评分等级划分

• 90-100分：优秀（绿色）

  • 内容质量很高，符合 GEO 原则
  • 可以直接使用或仅需微调

• 75-89分：良好（蓝色）

  • 内容质量良好，基本符合 GEO 原则
  • 建议根据改进建议进行优化

• 60-74分：中等（橙色）

  • 内容质量中等，部分符合 GEO 原则
  • 建议重点优化低分维度

• 0-59分：需改进（红色）

  • 内容质量较低，不符合 GEO 原则
  • 建议重新生成或大幅优化

---

💡 使用建议

1. 关注总分和等级

• 优秀（90-100分）：可以直接使用
• 良好（75-89分）：根据改进建议优化
• 中等（60-74分）：重点优化低分维度
• 需改进（0-59分）：重新生成或大幅优化

2. 分析各维度得分

• 结构化得分低：添加标题、列表、FAQ 等结构化元素
• 品牌提及得分低：增加品牌提及次数，优化提及位置
• 权威性得分低：添加数据支撑、案例引用、来源占位
• 可引用性得分低：提升信息密度，结论先行

3. 参考改进建议

• 仔细阅读改进建议
• 根据建议针对性优化内容
• 优化后可以重新评分验证效果

4. 对比不同内容

• 对比不同平台内容的评分
• 分析高分内容的特征
• 总结成功经验，应用到其他内容

---

🔧 技术实现

模块位置

• 评分模块：modules/content_scorer.py
• UI 集成：modules/geo_tool.py Tab2

核心类

• ContentScorer：内容质量评分器
  • score_content()：对内容进行质量评分
  • get_score_level()：根据总分返回等级和颜色
  • get_quick_assessment()：快速评估（基于规则，不调用 LLM）

评分算法

1. LLM 评估：

   • 使用 LLM 对内容进行全面评估
   • 基于 GEO 原则和最佳实践
   • 生成多维度评分和改进建议

2. 结果解析：

   • 解析 LLM 返回的 JSON 格式结果
   • 如果解析失败，使用备用方案从文本中提取信息

3. 快速评估（可选）：

   • 基于规则的快速评估
   • 不调用 LLM，用于初步评估
   • 检查标题、列表、FAQ、品牌提及等基础元素

---

📝 评分结果格式

评分数据结构

{
  "scores": {
    "structure": 20,        // 结构化得分（0-25）
    "brand_mention": 22,     // 品牌提及得分（0-25）
    "authority": 18,         // 权威性得分（0-25）
    "citations": 19,         // 可引用性得分（0-25）
    "total": 79              // 总分（0-100）
  },
  "details": {
    "structure": "内容结构清晰，包含标题和列表...",
    "brand_mention": "品牌提及3次，位置靠前...",
    "authority": "有数据支撑，但缺少来源占位...",
    "citations": "信息密度较高，结论先行..."
  },
  "improvements": [
    "建议添加更多来源占位，提升权威性",
    "建议优化品牌提及位置，确保前1/3提及",
    "建议添加 FAQ 部分，提升结构化程度"
  ],
  "strengths": [
    "内容结构清晰，层次分明",
    "品牌提及自然，关联度高"
  ]
}

---

⚠️ 注意事项

1. 需要 LLM 配置

   • 内容质量评分需要配置生成 LLM 的 API Key
   • 如果 LLM 未配置，评分功能将无法使用

2. 评分准确性

   • 评分结果基于 LLM 的评估，可能存在一定主观性
   • 建议结合人工检查，综合判断内容质量

3. API 成本

   • 每次评分会消耗 API 调用
   • 批量生成时，建议关注 API 成本

4. 评分时间

   • LLM 评分需要一定时间
   • 批量生成时，评分会增加总耗时

---

🔗 相关功能

• 内容生成：在 Tab2 生成内容后自动评分
• E-E-A-T 强化：在 Tab2 和 Tab3 进行 E-E-A-T 强化
• 内容优化：在 Tab3 优化内容，提升评分
• 多模型验证：在 Tab4 验证内容效果，与评分结果对比

---

🎯 最佳实践

1. 生成后立即评分

   • 内容生成后立即查看评分
   • 根据评分结果决定是否需要优化

2. 关注低分维度

   • 重点关注得分较低的维度
   • 根据改进建议针对性优化

3. 对比分析

   • 对比不同内容的评分
   • 分析高分内容的特征
   • 总结成功经验

4. 持续优化

   • 根据评分结果持续优化内容生成策略
   • 调整 Prompt 模板，提升内容质量

---

📈 预期效果

使用内容质量评分功能后：

1. 提升内容质量

   • 量化内容质量，识别问题
   • 针对性优化，提升 GEO 效果

2. 优化生成策略

   • 基于评分数据优化 Prompt 模板
   • 提升内容生成质量

3. 数据驱动决策

   • 基于评分数据决定内容是否发布
   • 优先发布高质量内容

---

版本：1.0.0
最后更新：2025-01-27