Claude Code 最强 SEO 技能包：26 子技能 + 19 子智能体

当大语言模型开始接管代码编写与内容生成，SEO 从业者的工作流正在被重新定义。一个名为 AgriciDaniel/claude-seo 的开源项目在 GitHub 上悄然走红，它把完整的 SEO 方法论封装成 Claude Code 可以直接调用的技能模块。

这个项目解决了什么问题

Claude Code 本身是一个强大的编程助手，但面对 SEO 这种跨技术、内容、数据分析和报告输出的复合型工作，通用能力往往不够用。claude-seo 的思路是把 SEO 工作拆解成原子化的子技能，让 Claude Code 在需要时精准调用。

项目包含 26 个子技能 与 19 个子智能体，覆盖范围从技术 SEO、E-E-A-T 内容质量评估，到结构化数据（Schema）、GEO/AEO（生成式引擎优化与答案引擎优化）、外链分析、本地 SEO、电商 SEO 以及国际化 SEO。

这种设计的关键价值在于「可组合性」：用户不需要一次性加载全部能力，而是让 Claude Code 根据任务上下文选择合适的能力模块。

Claude Code 是 Anthropic 推出的命令行编程助手，支持通过「技能（Skills）」与「子智能体（Subagents）」机制扩展能力。技能通常是封装了特定领域知识和工作流的指令包，模型在识别到相关任务时按需加载；子智能体则是可被主智能体调用的独立执行单元。这种架构的意义在于：不必把全部领域知识塞进一次上下文，而是按任务动态组合，既节省 token 又提升准确性。claude-seo 正是利用这一机制，把 SEO 方法论拆成细粒度模块，让通用编程助手在垂直场景中具备专家级表现。理解这一点，才能明白为何「子技能 + 子智能体」的数量会成为衡量此类项目覆盖面的指标。

覆盖面远超传统 SEO 工具

如果只看传统关键词和外链，这个项目并不稀奇。它的差异化体现在对新兴优化领域的覆盖。

GEO 与 AEO：面向 AI 搜索的优化

GEO（Generative Engine Optimization）和 AEO（Answer Engine Optimization）是近两年随着 AI 搜索兴起的概念。claude-seo 把这两块纳入技能体系，意味着它试图帮助内容在 ChatGPT、Perplexity 等生成式引擎的答案中获得曝光。

GEO（生成式引擎优化）与 AEO（答案引擎优化）常被混用，但侧重点不同。AEO 强调让内容被直接提取为「答案摘要」，典型如精选摘要或语音助手回复，核心是问答结构清晰、实体明确、语义紧凑。GEO 则面向由大模型生成综合答案的引擎（如 ChatGPT Search、Perplexity、Google AI Overviews），关注内容是否被检索、引用与归因。两者的共同前提是：AI 搜索不再只返回链接列表，而是先理解、再综合、后引用，因此内容需要具备可解析的结构（如清晰的标题层级、FAQ 块、结构化数据）、可验证的权威信号（作者、来源、更新时间），以及便于机器读取的语义标记。与传统 SEO 相比，GEO/AEO 更强调「被引用」而非「被点击」，衡量指标也从排名转向引用率、答案占有率与品牌提及。

Agent Readiness：为智能体准备网站

项目还包含 Agent Readiness 相关能力，具体涉及 Lighthouse^广告 Agentic Browsing、WebMCP 以及 llms.txt。这指向一个正在成形的趋势：网站不仅要给人看、给搜索引擎爬虫看，还要给 AI 智能体看。llms.txt 这类约定正在成为网站向大模型声明自身内容结构的入口。

Agent Readiness 指网站为 AI 智能体（而非人类用户或传统爬虫）访问、理解与操作所做的准备。它包含几个层面：一是可发现性，通过 llms.txt 等约定向大模型声明站点结构、核心内容与使用条款，类似 robots.txt 但面向 LLM；二是可操作性，WebMCP（Model Context Protocol 的 Web 侧扩展）让网站以标准化方式向智能体暴露可调用的工具与接口，使智能体能完成搜索、下单、填表等动作；三是可观测性，Lighthouse Agentic Browsing 用于评估页面在智能体浏览场景下的可访问性与结构质量。这一概念兴起的背景是：越来越多流量来自 AI 代理而非人类点击，网站若不能被智能体正确解析和调用，就会在「代理经济」中失去曝光。

报告输出与 API 集成

除了分析能力，项目支持 PDF 和 Excel 报告生成，并集成了 Google APIs。这意味着它不只是「给建议」，而是能产出可直接交付给客户或团队的成果物。此外还提供 9 个可选扩展，用于接入实时 SEO 数据。

数据表现与社区信号

项目采用 Python 编写，当前在 GitHub 上获得约 20,186 个 Star 和 2,907 个 Fork，仅当天就新增 179 个 Star。

对于一个垂直领域的工具型项目，两万级别的 Star 数说明它击中了真实需求。SEO 从业者对自动化工具的付费意愿一直存在，而把工作流嵌入 Claude Code 这种开发者友好的环境，降低了使用门槛。

值得关注的几个判断

技能化封装是 AI 工具落地的主流路径。 通用模型能力再强，垂直场景仍需要结构化的知识注入。claude-seo 用子技能和子智能体的方式组织 SEO 专业知识，本质上是把领域经验变成模型可执行的指令集。

SEO 的边界正在向 AI 可发现性扩展。 从传统的爬虫优化，到 GEO/AEO，再到 llms.txt 和 WebMCP，优化对象从「搜索引擎排名」变成了「在各类 AI 系统中被正确理解和引用」。这个项目对这些方向的覆盖，反映了行业关注点的迁移。

开源工具与商业 SEO 平台的竞争会加剧。 当一个开源项目能覆盖技术审计、内容评估、报告生成和数据接入，传统 SEO SaaS 产品的价值主张需要重新审视。当然，实时数据质量、爬虫规模和准确性仍是开源方案难以短期追平的环节。

使用建议

对于已经使用 Claude Code 的开发者或 SEO 团队，这个项目值得作为工作流的一部分进行试验。建议先从技术 SEO 审计和 Schema 生成这类边界清晰的任务入手，再逐步扩展到 E-E-A-T 评估和 GEO 相关能力。注意 9 个扩展涉及外部数据接入，需要评估数据源的可靠性与成本。

项目地址：github.com/AgriciDaniel/claude-seo