claude-seo 实战：用 FLOW 框架 Visibility Follow Up Prompt 产出可执行的 SEO 优化交付物

本指南以 claude-seo 仓库中 Visibility Follow Up Prompt 为核心，讲解如何在 FLOW 框架的 Optimize 阶段使用这一结构化提示词，把"观察、假设、建议、待验证声明"严格分离，产出团队可直接执行的优化工作文档。读完本文，你将掌握该 Prompt 的输入清单、六大构建支柱、六项标准交付物，以及它在/seo flow optimize命令中的实际调用机制。

一、背景：FLOW 框架与 Optimize 阶段

claude-seo 将 FLOW 框架（Find → Leverage → Optimize → Win）集成进 seo-flow 技能包，其定位是"面向 AI 搜索时代、以证据驱动的 SEO 运营模型"。FLOW 把排名、AI 引用、本地可见度和销售证据视为相互关联的表面，而不是割裂的渠道。

Optimize 是四阶段中的第三环，聚焦于"优化自有资产的可提取性与可信度"。在 seo-flow 的 SKILL.md 中，Optimize 阶段共承载 21 个 Prompt，Visibility Follow Up Prompt 正是其中之一（完整索引见 prompts/README.md）。它的特殊性在于：它是一份"跟进式"（Follow Up）模板——当首轮分析已经产生观察结果后，用它把结果收敛成一份结构化、可执行、且严格区分事实与假设的交付文档。

二、适用场景（Use This When）

该 Prompt 的触发条件非常明确：

当你需要一份结构化的 optimize 交付物，并且希望模型将"观察（observations）、假设（assumptions）、建议动作（recommended actions）、需要验证的声明（claims that need verification）"四者清晰分离时，使用本 Prompt。

这意味着它不是"泛泛地让 AI 给出优化建议"，而是强制建立一条证据纪律：所有结论要么来自输入证据，要么被明确标注为假设，禁止模型凭空发明数据、复用私有的过往案例。

从仓库实现看，该 Prompt 属于 optimize 阶段的 21 份候选之一。根据 SKILL.md 的上下文匹配逻辑，/seo flow optimize不会一次性加载全部 21 份，而是：

1. 根据行业垂直（SaaS → 站内 + 技术；本地 → 引文 + GBP；媒体 → E-E-A-T + 时效性）筛选；
2. 结合此前技能输出（如 seo-technical 发现爬取问题 → 技术类 optimize Prompt；seo-content 发现 E-E-A-T 缺口 → 内容类 optimize Prompt）；
3. 参考URL 信号（产品页 → 转化；博客 → 时效性与权威）。

最终只精挑 2-3 份加载，并明确说明选择了哪几份、为何选择。Visibility Follow Up Prompt 因其"证据纪律 + 优先级排序 + 测量方案"的三重内置约束，通常作为收尾收敛型 Prompt 被选用。

三、输入清单（Inputs）：喂给模型的最小证据集

在使用前，需要准备以下六类输入（可多可少，但缺一类就会在交付物中产生对应的"证据缺口"标注）：

该输入设计与 flow-framework.md 中的"Operating Workflow"第 2 步（盘点已有证据）一脉相承：先整理证据表，再动手改写或重建。

四、Prompt 全文与逐条解析

以下是文档给出的完整 Prompt 文本（可直接复制使用）：

Act as a senior SEO strategist using the FLOW model. Task: create a optimize deliverable for: [BUSINESS OR ASSET]. Use only the supplied inputs and clearly label any assumption. Do not invent statistics. Do not reuse private examples. Build the answer around: 1. Searcher or buyer intent. 2. Evidence available now. 3. Gaps that block trust, extraction, or conversion. 4. Recommended changes in priority order. 5. Measurement events and review cadence. 6. Claims that require source verification before publication. Return a concise working document the team can execute.

逐条解析其内在约束：

• "Act as a senior SEO strategist using the FLOW model"：角色锚定，让模型以 FLOW 的证据驱动方法论而非"流量技巧"视角作答。
• "Use only the supplied inputs"：封闭证据边界——这是仓库"仓库证据标准"（repository evidence standard）在 Prompt 层的直接体现。
• "clearly label any assumption"：假设必须显式标注，不允许把推断伪装成事实。
• "Do not invent statistics"：禁止虚构数据。结合 bibliography.md 的 Source Policy——"Contradicted or unverifiable statistics are excluded"——任何带数字的声明都必须能追溯到来源。
• "Do not reuse private examples"：禁止复用私有案例，这也与 flow-framework.md 的 Common Failure Modes 中"Reusing old examples"一条相呼应。

五、六大构建支柱：交付物的骨架

Prompt 要求回答围绕六个支柱展开，这是整个模板的核心逻辑，也是其区别于普通"给建议"提示词的关键：

1. 搜索者 / 买家意图（Searcher or buyer intent）

先回答"谁会搜、为什么搜、搜完想做什么"，再谈优化。flow-framework.md 强调"用买家语言写作优先，其次才是实体清晰度、内链、证据与转化下一步"。

2. 当前可用的证据（Evidence available now）

盘点此刻已经掌握的事实：查询数据、分析指标、评论、通话记录、资料字段。证据不足的地方自然过渡到假设区。

3. 阻碍信任、提取或转化的缺口（Gaps）

将缺口按三个维度归类——信任缺口（proof 不足、事实不一致）、提取缺口（结构混乱、AI 难以抽取答案）、转化缺口（缺少明确下一步动作）。这与 FLOW 对"AI 可读资产"的定义一致：清晰的标题、直接的回答、简洁的表格、来源标注。

4. 按优先级排序的推荐变更（Recommended changes in priority order）

不是并列清单，而是带优先级的动作序列。SKILL.md 中/seo flow optimize的编排说明也强调"精挑 2-3 个最相关的 Prompt"并说明理由——优先级思维贯穿整个阶段。

5. 测量事件与复盘节奏（Measurement events and review cadence）

规定"用什么事件衡量、多久复盘一次"。flow-framework.md 的 Measurement 章节给出对照框架：可见性指标（排名、展示、本地包、引用、AI 提及）必须与业务指标（合格线索、来电、表单完成、销售机会、助攻转化）挂钩，页面或资料无法测量时，先补测量事件再评判绩效。

6. 发布前需来源验证的声明（Claims requiring source verification）

把所有带数字或引用的声明单独列出，标记为"待验证"。这是 FLOW 质量门槛（Quality Bar）"Public claims use verified sources or stay qualitative"的落地执行。

六、标准输出结构：六项交付物

Prompt 要求"返回一份团队可执行的简洁工作文档"，标准输出包含：

1. Executive summary（执行摘要）：一页纸结论，供决策者快速判断"改什么、为什么改"。
2. Priority table（优先级表）：将第 4 支柱可视化，建议使用"影响 / 成本 / 优先级"三列表格（文档明确提示"concise tables where useful"）。
3. Recommended copy, structure, or audit findings（建议文案 / 结构 / 审计发现）：具体到可落地的改写建议或审计结论。
4. Evidence needed（尚缺证据）：明确列出"要完成这份优化还需要采集什么数据"。
5. Measurement plan（测量方案）：对应第 5 支柱，定义转化事件与复盘节奏。
6. Verification checklist（验证清单）：对应第 6 支柱，列出发布前必须核实的声明。

七、文档示例场景实战化展开

原文档给出示例：输入为一个"证据薄弱、资料详情前后不一致的本地服务页"；预期输出为"一份按优先级排序的改写简报、需核对的事实、需补充的内链、以及要测量的转化事件"。

结合仓库证据将其展开为完整工作流：

• 改写简报：以买家语言重写首屏与服务描述，保留 NAP（名称 / 地址 / 电话）实体一致性；可交叉参考 seo-local 与 seo-maps 技能做本地信号核验。
• 需核对的事实：把资料（如 Google Business Profile）中的地址、电话、营业时间与网站、评论、分析数据逐项比对，产出"事实调和表"——这正是 FLOW 证据纪律的典型应用。
• 需补充的内链：从服务页向权威支撑页（案例、资质、关于页）补内链，增强信任与实体关联。
• 要测量的转化事件：若业务目标是"合格来电"，则把"电话点击 / 点击后拨通"设为主要转化事件，而非仅看展示量——严格遵循"页面无法测量就先补测量事件"的原则。

八、AI 兼容性与小模型用法

文档明确标注该 Prompt 的兼容性：适用于长上下文推理模型。对于较小规模的模型，建议：

• 提供更窄的输入范围（只给一个页面 / 一组查询，而非整个站点）；
• 每次只要求输出一个章节（例如先只产出优先级表，再单独产出验证清单）。

这一设计本质上是把"证据纪律"拆成可增量执行的步骤，降低小模型在一次输出中"虚构统计"的概率。

九、在仓库中的调用机制与维护

通过/seo flow optimize调用

根据 SKILL.md 的编排逻辑，执行/seo flow optimize [url]时：

1. 读取references/prompts/optimize/下所有文件名（21 份候选）；
2. 结合对话上下文中的既有分析（URL、行业垂直、此前技能输出）；
3. 精选 2-3 份最相关的 Prompt 加载并应用；
4. 其余 Prompt 可通过/seo flow prompts全量索引访问；
5. 输出中交叉引用其他技能，例如"完整内容质量分析请见/seo content <url>与/seo geo <url>"。

同步与溯源机制

该 Prompt 文件头部带有溯源注释Source: github.com/AgriciDaniel/flow | License: CC BY 4.0 | Synced: 2026-04-26。它是通过 scripts/sync_flow.py 从上游 FLOW 仓库同步而来：

• 脚本按find / leverage / optimize / win / local五个阶段拉取全部 41 份 Prompt，写入skills/seo-flow/references/prompts/<stage>/扁平目录；
• 同步时自动重写上游编号目录布局的相对链接（rewrite_flow_links），并生成 SHA-256 锁文件skills/seo-flow/references/flow-prompts.lock用于漂移检测；
• 可执行python3 scripts/sync_flow.py --dry-run预览变更（该模式已被 tests/test_sync_flow.py 覆盖验证：不写文件、输出合法 JSON、返回码为 0）。

每次/seo flow激活（含任何子命令）都必须先输出归属声明："Framework and prompts © Daniel Agrici, CC BY 4.0"，不得省略或修改——引用本文涉及的 Prompt 时也请保留这一归属。

十、最佳实践与常见失败模式

推荐做法：

• 先盘点证据再提问：输入中证据越完整，输出中的"假设"与"待验证声明"越少；
• 强制输出 Priority table 与 Verification checklist，让交付物天然可执行、可审计；
• 每次只针对一个资产（页面 / 资料 / 查询集）运行，避免全站级发散；
• 发布前逐一过验证清单，数字声明必须可追溯到 bibliography.md 中的来源，否则改为定性表述。

需警惕的失败模式（源自 flow-framework.md 的 Common Failure Modes，与本 Prompt 的约束一一对应）：

• 因为"听起来耳熟"就发布某个统计数字，而非确认来源已加载、已标注日期；
• 把 AI 可见性当成纯排版技巧，忽略品牌证据、实体一致性与站外佐证；
• 围绕公司偏好而非买家问题与决策风险写页面；
• 为流量而优化，却不定义下一个合格动作（转化事件）；
• 复用旧案例，而一个通用或新建的示例更干净、更持久。

延伸阅读

• FLOW 框架说明：四阶段运营模型与 2026 年背景依据
• Prompt 全量索引：41 份 Prompt 的阶段、文件名与触发条件
• seo-flow 技能定义：命令编排、上下文匹配与错误处理
• 证据来源书目：公开声明引用来源与来源政策
• 同步脚本与同步测试：Prompt 文件的拉取、链接重写与锁文件机制