刘国栋
8f7f082c3d
- 重构项目目录结构，将功能模块移至 modules/ 目录 - 创建平台同步基础架构，包括发布器基类和 GitHub 发布器 - 新增 UI 状态管理模块 (modules/ui/state.py) 统一管理会话状态 - 更新依赖配置，添加平台同步所需依赖 (httpx, pyperclip) - 整理文档结构，将所有文档分类移至 docs/ 目录 - 添加 .cursorrules 文件定义项目开发规范 - 清理根目录重复文件，保持项目结构整洁
284 lines
7.5 KiB
Markdown
284 lines
7.5 KiB
Markdown
# 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
|
||
|
||
```json
|
||
{
|
||
"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
|