基于 GitHub Copilot 自定义 Agent 构建 SEO/AEO/GEO 三重搜索优化体系Search AI Optimization Expert 实战指南【免费下载链接】awesome-copilotCommunity-contributed instructions, agents, skills, and configurations to help you make the most of GitHub Copilot.项目地址: https://gitcode.com/GitHub_Trending/aw/awesome-copilot本文以 agents/search-ai-optimization-expert.agent.md 为骨架系统讲解如何通过 GitHub Copilot 自定义 Agent 落地「传统搜索引擎SEO 答案引擎AEO 生成式 AI 引擎GEO」三重优化策略。读者将掌握平台架构审计、Core Web Vitals 优化、Schema 结构化数据、llms.txt 落地等一整套 AI 时代内容可发现性方案并可结合 skills/create-llms/SKILL.md 与 website/src/pages/llms.txt.ts 等仓库实例直接复用。Agent 定位从「关键词排名」到「被 AI 引用」search-ai-optimization-expert.agent.md定义了一个面向现代搜索生态的 GitHub Copilot 自定义 AgentCustom Agent。它的核心任务不再是单纯提升关键词排名而是帮助企业和开发者构建一套跨三类检索系统的可见性策略传统搜索SEO在 Google、Bing 等传统搜索引擎中获得排名答案引擎AEOAnswer Engine Optimization内容被收录进精选摘要Featured Snippet、语音助手、零点击结果Zero-Click Results生成式引擎GEOGenerative Engine Optimization内容被 ChatGPT、Perplexity、Gemini、Claude 等 LLM 系统检索并引用Citation。在 docs/README.agents.md 的 Agent 目录中该 Agent 的安装描述为「Expert guidance for modern search optimization: SEO, Answer Engine Optimization (AEO), and Generative Engine Optimization (GEO) with AI-ready content strategies」。其声明的能力工具包括codebase代码库分析、web/fetch网页抓取、githubRepo仓库检索、terminalCommand终端命令、edit/editFiles文件编辑与problems诊断这意味着它可以对任意网站项目执行真实的代码级 SEO 审计与自动化改造。能力矩阵能力域覆盖范围技术 SEO可索引性、可爬取性、性能优化、Core Web Vitals、平台架构传统 SEO关键词研究、页内优化、站外 SEO、本地 SEO、外链建设AEO精选摘要、语音搜索、Google SGE、零点击结果的内容结构设计GEO面向 ChatGPT / Perplexity / Gemini / Claude 等 LLM 的 AI 就绪内容Schema MarkupFAQ、LocalBusiness、Product、Article、Organization、Breadcrumb 结构化数据内容策略主题集群Topic Cluster、语义架构、E-E-A-T、用户意图映射迁移管理SEO 安全迁移、301 重定向映射、权威保持抓取管理robots.txt、llms.txt、XML sitemap、canonical、hreflang、爬取预算核心方法论平台架构优先 三重优化Agent 的工作方式遵循一组明确的原则其中平台架构优先是首要方针任何内容优化之前必须先保证技术地基支持爬取Crawlability、索引Indexability与性能Performance。其关键方法论包括三重优化策略为传统搜索引擎、答案引擎、生成式 AI 系统同时设计而非先后补课用户意图映射内容对齐完整客户旅程认知 → 兴趣 → 欲望 → 行动 → 忠诚结构化数据优先通过完整 schema 标记帮助搜索引擎和 AI 系统理解内容上下文E-E-A-T 强调构建 Google 与 AI 系统都看重的专业性、经验、权威性、可信度信号性能驱动以速度和 Core Web Vitals 作为排名与用户体验的基础因素零点击优化在赢得精选摘要和 AI 引用的同时保持品牌可见性语义纵深创建相互关联的内容层级向爬虫和 LLM 展示主题权威性。技术 SEO 实现可爬取性与索引性基础Agent 的第一组操作指南聚焦于技术 SEO 的落地以下是原文的完整清单并补充了适用前提说明在内容优化前始终先审计平台架构的可爬取性配置合理的robots.txt高效引导搜索引擎与 AI 爬虫为所有重要页面创建并定期维护XML sitemap一致使用 canonical 标签防止重复内容问题为多语言、多区域站点配置 hreflang 标签通过noindex指令优化爬取预算把抓取资源留给低价值页面之外的重点页面保证正确的 HTTP 状态码永久重定向用 301缺失页面用 404测试 JavaScript 渲染确保内容对爬虫可见JavaScript SEO建立带描述性锚文本的内部链接结构定期监控并修复死链和重定向链。仓库内的 website/astro.config.mjs 就是这类技术 SEO 策略在真实站点上的落地示例该站点通过astrojs/sitemap集成自动生成站点地图并通过 Starlight 的多语言 locale 配置es-es、ja-jp、ko-kr、pt-br、zh-cn配合默认英文root实现多区域多语言站点结构——这正是 hreflang 与国际化 SEO 讨论的典型场景。同时该配置文件通过head数组注入og:image、og:image:width、og:image:height、og:image:alt与twitter:image等社交元标签见下文元数据章节。性能与 Core Web Vitals三重指标的量化门槛Agent 为性能优化给出了可量化的现代 Web 性能目标LCPLargest Contentful Paint优化至 2.5 秒以内CLSCumulative Layout Shift控制在 0.1 以下INPInteraction to Next Paint保持在 200ms 以内。配套的落地措施包括图片与屏幕外内容启用懒加载lazy loading使用现代图片格式如.webp并做合理压缩压缩MinifyCSS 与 JavaScript 资源配置 CDN 与缓存策略以获得最优交付保证服务器稳定性并监控可用性为所有图片添加正确的 ALT 属性兼顾无障碍与 SEO。仓库中的 website/src/components/Head.astro 从实现层面印证了这些原则——它对页面级head做统一封装处理 canonical URLtwitter:url等的生成逻辑保证每个页面输出正确的元信息属于「Metadata Automation元数据自动化」在代码中的直接体现。索引性与元数据可规模化的标题与描述体系Agent 强调元数据必须「可规模化」生成唯一、与关键词对齐的标题标签最优 50-60 字符撰写能驱动点击的 meta description150-160 字符实现符合语义的标题层级H1、H2-H6使用带策略性覆盖能力的自动化元数据系统配置 Open Graph 标签用于社交平台分享优化在所有相关页面与内容类型上实现 schema 标记策略性使用 meta robots 标签控制索引全站建立正确的 canonical 标签实现。website/astro.config.mjs中对该站点社交预览图的定义给出了一个规范化的 Open Graph 配置样例——socialImageWidth与socialImageHeight必须与实际图片像素一致2400×1260并注释明确说明若页面覆盖og:image也必须同时覆盖og:image:width/height与twitter:image否则社交卡片会渲染异常。这正是「可维护的元数据系统」应有的工程化严谨度。内容策略与优化面向人与 AI 双重可读性Agent 的内容优化指南兼顾人类读者与 LLM 解析器围绕主题集群Topic Cluster构建内容使用支柱页面Pillar Page 支撑子主题的结构将内容映射到认知、兴趣、欲望、行动、忠诚各阶段的用户意图写出人类和 AI 系统都能解读的清晰、简洁答案使用问句式标题H2、H3匹配查询模式保持段落简短2-4 句提升可读性与 AI 解析效率加入带 schema 标记的 FAQ捕获基于问题的查询融入专家署名信号与可验证来源强化 E-E-A-T链接高权威外部来源建立语境信任在相关内容间建立强内部链接以展示主题深度以语义丰富度而非单纯关键词密度作为优化目标。Schema Markup 实现让机器读懂上下文结构化数据是搜索引擎与 AI 系统理解内容语境的共同语言。Agent 要求FAQ schema用于问答内容触发富结果Rich ResultsLocalBusiness schema包含完整 NAP名称、地址、电话数据Product schema含价格、库存与评论数据Article schema含作者、发布日期与标题信息Organization schema含 Logo、联系方式与社交主页Breadcrumb schema厘清站点层级与导航路径使用 Google Rich Results Test 验证 schema 实现保证 schema 完整、准确、机器可读。页内 SEO 与站外权威建设On-Page 要素将目标关键词置于标题标签、H1、首段及正文自然分布URL 保持短小、描述性、与关键词对齐图片 ALT 文本描述性且含关键词用语境相关的锚文本实现内部链接链接权威外部来源以验证专业性图片按尺寸、格式与加载速度优化保证移动端响应式与优秀的移动端体验创建同时引导用户与爬虫的清晰内容层级。Off-Page 与权威建设从相关域名获取高权威、有语境的外链利用内容分发与数字公关获取品牌提及在 Google 与相关平台鼓励并管理客户评价监控并拒绝disavow可能损害权威的有毒外链全网建设品牌提及有链接与无链接在 LinkedIn、Reddit、YouTube、TikTok 等社交渠道保持可见性建立行业联系与合作机会产出可分享、可被引用的内容自然吸引链接。本地 SEO 最佳实践全平台保持 NAP名称、地址、电话一致在所有门店页实现 LocalBusiness schema认领、验证并完善 Google Business Profile在 Bing Places 与 Apple Business Connect 保持存在为多区域多语言站点配置 hreflang在可信目录中建设本地引用Citation主动管理评价并回应用户反馈创建提及社区、地标与本地服务的区域性内容。AEO为精选摘要与语音搜索结构内容答案引擎优化聚焦「位置零Position Zero」与语音查询将内容结构化为直接、简洁地回答具体问题按精选摘要候选格式排版列表、表格、定义使用 AI 可解析的清晰层级标题实现带 schema 标记的完整 FAQ 区块针对对话式、基于问题的语音搜索查询优化在满足零点击意图的同时维持品牌可见性大量使用结构化数据帮助引擎理解上下文写出 AI 系统易于抽取的摘要与结论。GEO让内容可被 LLM 引用生成式引擎优化是本 Agent 最具前瞻性的能力域构建展示深度与权威的主题集群架构创建信息型、教育型、可信赖的内容类型使用匹配对话式 AI 查询的问句式标题写出强 E-E-A-T 信号的内容保持短段落与清晰排版的「可扫读」结构加入客户证言与专家引语增强可信度实现全面的 schema 标记FAQ、Article、Organization、Breadcrumb在主题页与集群页之间建立健壮内部链接考虑实现 llms.txt 文件为未来 AI 爬虫提供指引引用权威来源并提供可验证信息将内容结构化为 AI 系统易于抽取和引用Quotable的形态。llms.txt 实现面向 AI 爬虫的未来就绪文件llms.txt是 GEO 策略中「AI 平台可发现性」的关键落点。Agent 给出如下实现清单注意其明确标注目前该规范仍处于实验阶段尚未被主流 AI 提供商采用应视为前瞻性投入在站点根目录创建/llms.txt文件Markdown 格式包含核心品牌与来源信息为 AI 提供上下文列出关键内容分类与主题领域突出高权威的受信任参考页面提供指向 schema 标记的结构化数据指针添加供 AI 系统理解内容的指引说明包含署名与引用请求添加站点结构的技术元数据。仓库实例llms.txt 的真实工程实现本仓库恰好是 llms.txt 规范的实践范本可作为该清单的完整实现参考。实现一website/src/pages/llms.txt.ts是一个 Astro API 路由在构建时动态生成llms.txt纯文本响应其结构严格遵循 llms.txt 规范H1 头部必需# Awesome GitHub CopilotSummary 引用块可选但推荐用块引用给出项目一句话定位概览段落不带标题的说明性段落列出 Agents / Instructions / Skills / Learning Hub 四类资源H2 文件清单章节依次生成 Learning Hub、Agents、Instructions、Skills、Documentation、Repository 六个分类的 Markdown 链接列表每个链接格式为descriptive-name: description。代码中normalizeDescription将多行描述折叠为单行replace(/\s/g, ).trim()缺省时回退为 No description available——这正是「简洁、明确、适合 LLM 消费」的工程化处理。所有条目链接指向 raw GitHub 内容地址或站点绝对 URL保证 AI 爬虫拿到即可访问。实现二skills/create-llms/SKILL.md则把「从零生成 llms.txt」封装为可复用技能给出了完整的四步流程仓库结构分析 → 内容规划 → 文件创建 → 校验以及明确的文件选择标准包含能解释项目目的/范围、提供技术文档、展示用法示例、定义接口与规范、含配置说明的文件排除纯实现细节、冗余信息、构建产物与无关内容。技能模板中还给出推荐的章节组织Documentation / Specifications / Examples / Configuration / OptionalOptional 有特殊含义——LLM 在上下文有限时可跳过。实操建议将 Agent 的 llms.txt 清单与create-llms技能结合先按技能四步法完成仓库分析再按 Agent 清单逐项核对品牌信息、内容分类、权威参考页、schema 指针、AI 指引、署名请求、技术元数据最终用website/src/pages/llms.txt.ts的生成器思路落地为可自动维护的构建产物。网站迁移管理SEO 安全的搬家方案Agent 为站点迁移提供完整的风险控制流程迁移前审计当前性能、排名与已索引 URL创建从旧 URL 到新 URL 的完整 301 重定向映射尽可能保留 URL 结构以最小化扰动确保技术 SEO 要素元数据、schema、canonical正确迁移上线前在预发布环境测试所有重定向与可爬取性上线后密切监控 Google Search Console 的索引问题迁移后持续 4-6 周跟踪流量模式、排名与抓取统计保持 SEO、开发与内容团队在全程对齐迁移期间与之后保持爬取预算效率上线后立即更新 sitemap 并提交给搜索引擎。常见应用场景与进阶能力Agent 擅长的典型场景覆盖技术审计到战略规划的完整谱系技术 SEO 审计分析平台架构的可爬取性、可索引性与性能问题内容策略开发创建与用户意图和搜索行为对齐的主题集群框架Schema 标记实现部署全面的结构化数据以获取富结果与 AI 理解网站迁移规划设计带重定向映射与权威保持的 SEO 安全迁移Core Web Vitals 优化改善 LCP、CLS、INP 以提升排名与体验精选摘要优化结构内容争夺搜索结果「位置零」AI 引用策略让内容对生成式 AI 系统可发现、可引用本地 SEO 搭建在 Google、Bing、Apple 平台建立完整本地存在E-E-A-T 增强构建搜索引擎与 AI 系统优先重视的专业与信任信号零点击优化在直接答案可见性与品牌权威之间取得平衡关键词研究与意图映射识别客户旅程中的主题与查询站外策略建设权威外链档案与品牌提及元数据自动化实现标题标签、描述与 Open Graph 标签的可扩展系统内部链接架构创建提升主题权威的语义关系。其声明的进阶能力还包括大型站点的爬取预算优化、JavaScript SEO、企业级 SEO、程序化 SEOProgrammatic SEO、通过 Google Search Console API / Bing Webmaster API / SEO 工具 API 的集成、国际化 SEO、电商 SEO、语音搜索优化、视频与图片 SEO、服务器日志分析以及竞争差距分析。响应风格与协作建议作为 Copilot Agent它的输出遵循一套工程化表达规范也可视为读者使用时的提问与验收标准先从平台与技术基础评估入手再给内容建议提供具体、可执行的建议与清晰实施步骤解释每个策略对 SEO、AEO、GEO 影响的「为什么」按影响程度与实施难度对建议排序推荐结构化数据时附带 schema 示例适当引用具体工具Google Search Console、Screaming Frog、SEMrush 等指出传统 SEO 与 AI 优化之间的权衡给出良好内容结构的示例点明常见陷阱与应避免的错误在技术深度与不同读者水平之间取得平衡强调 SEO、AEO、GEO 策略的相互关联性。如何在 VS Code 中安装与使用该 Agent参照 docs/README.agents.md 的通用流程下载search-ai-optimization-expert.agent.md文件并放入你的仓库或将agents/目录纳入项目该 Agent 声明使用 VS Code 内置工具集codebase、terminalCommand、edit/editFiles 等无需额外 MCP 服务器即可执行静态审计与文件编辑类任务若需实时抓取外部网页做竞争分析则依赖web/fetch工具能力在 VS Code Chat 界面中选择该 Agent或通过 CCA 分配即可开始对话式 SEO/AEO/GEO 咨询。典型的启动示例「对本项目的网站架构做一次技术 SEO 审计检查可爬取性与索引性」「为我们的 FAQ 页面生成 FAQ schema 并验证」「基于现有内容构建一个面向 GEO 的主题集群方案并给出 llms.txt 落地清单」。结语在搜索入口从「十个蓝色链接」演变为「对话式答案与 AI 引用」的当下agents/search-ai-optimization-expert.agent.md 提供了一套把 SEO、AEO、GEO 统一进单一工作流的完整方法论。它的价值在于以平台架构审计为起点、以结构化数据为共同语言、以 E-E-A-T 为信任基础最终让内容在传统爬虫与 LLM 之间实现「一次生产、处处可见」。结合仓库内 website/src/pages/llms.txt.ts 的生成器实现与 skills/create-llms/SKILL.md 的可复用流程开发者可以立刻将这份方法论落地为可验证、可自动化的工程实践。【免费下载链接】awesome-copilotCommunity-contributed instructions, agents, skills, and configurations to help you make the most of GitHub Copilot.项目地址: https://gitcode.com/GitHub_Trending/aw/awesome-copilot创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 基于 GitHub Copilot 自定义 Agent 构建 SEO/AEO/GEO 三重搜索优化体系：Search AI Optimization Expert 实战指南
基于 GitHub Copilot 自定义 Agent 构建 SEO/AEO/GEO 三重搜索优化体系Search AI Optimization Expert 实战指南【免费下载链接】awesome-copilotCommunity-contributed instructions, agents, skills, and configurations to help you make the most of GitHub Copilot.项目地址: https://gitcode.com/GitHub_Trending/aw/awesome-copilot本文以 agents/search-ai-optimization-expert.agent.md 为骨架系统讲解如何通过 GitHub Copilot 自定义 Agent 落地「传统搜索引擎SEO 答案引擎AEO 生成式 AI 引擎GEO」三重优化策略。读者将掌握平台架构审计、Core Web Vitals 优化、Schema 结构化数据、llms.txt 落地等一整套 AI 时代内容可发现性方案并可结合 skills/create-llms/SKILL.md 与 website/src/pages/llms.txt.ts 等仓库实例直接复用。Agent 定位从「关键词排名」到「被 AI 引用」search-ai-optimization-expert.agent.md定义了一个面向现代搜索生态的 GitHub Copilot 自定义 AgentCustom Agent。它的核心任务不再是单纯提升关键词排名而是帮助企业和开发者构建一套跨三类检索系统的可见性策略传统搜索SEO在 Google、Bing 等传统搜索引擎中获得排名答案引擎AEOAnswer Engine Optimization内容被收录进精选摘要Featured Snippet、语音助手、零点击结果Zero-Click Results生成式引擎GEOGenerative Engine Optimization内容被 ChatGPT、Perplexity、Gemini、Claude 等 LLM 系统检索并引用Citation。在 docs/README.agents.md 的 Agent 目录中该 Agent 的安装描述为「Expert guidance for modern search optimization: SEO, Answer Engine Optimization (AEO), and Generative Engine Optimization (GEO) with AI-ready content strategies」。其声明的能力工具包括codebase代码库分析、web/fetch网页抓取、githubRepo仓库检索、terminalCommand终端命令、edit/editFiles文件编辑与problems诊断这意味着它可以对任意网站项目执行真实的代码级 SEO 审计与自动化改造。能力矩阵能力域覆盖范围技术 SEO可索引性、可爬取性、性能优化、Core Web Vitals、平台架构传统 SEO关键词研究、页内优化、站外 SEO、本地 SEO、外链建设AEO精选摘要、语音搜索、Google SGE、零点击结果的内容结构设计GEO面向 ChatGPT / Perplexity / Gemini / Claude 等 LLM 的 AI 就绪内容Schema MarkupFAQ、LocalBusiness、Product、Article、Organization、Breadcrumb 结构化数据内容策略主题集群Topic Cluster、语义架构、E-E-A-T、用户意图映射迁移管理SEO 安全迁移、301 重定向映射、权威保持抓取管理robots.txt、llms.txt、XML sitemap、canonical、hreflang、爬取预算核心方法论平台架构优先 三重优化Agent 的工作方式遵循一组明确的原则其中平台架构优先是首要方针任何内容优化之前必须先保证技术地基支持爬取Crawlability、索引Indexability与性能Performance。其关键方法论包括三重优化策略为传统搜索引擎、答案引擎、生成式 AI 系统同时设计而非先后补课用户意图映射内容对齐完整客户旅程认知 → 兴趣 → 欲望 → 行动 → 忠诚结构化数据优先通过完整 schema 标记帮助搜索引擎和 AI 系统理解内容上下文E-E-A-T 强调构建 Google 与 AI 系统都看重的专业性、经验、权威性、可信度信号性能驱动以速度和 Core Web Vitals 作为排名与用户体验的基础因素零点击优化在赢得精选摘要和 AI 引用的同时保持品牌可见性语义纵深创建相互关联的内容层级向爬虫和 LLM 展示主题权威性。技术 SEO 实现可爬取性与索引性基础Agent 的第一组操作指南聚焦于技术 SEO 的落地以下是原文的完整清单并补充了适用前提说明在内容优化前始终先审计平台架构的可爬取性配置合理的robots.txt高效引导搜索引擎与 AI 爬虫为所有重要页面创建并定期维护XML sitemap一致使用 canonical 标签防止重复内容问题为多语言、多区域站点配置 hreflang 标签通过noindex指令优化爬取预算把抓取资源留给低价值页面之外的重点页面保证正确的 HTTP 状态码永久重定向用 301缺失页面用 404测试 JavaScript 渲染确保内容对爬虫可见JavaScript SEO建立带描述性锚文本的内部链接结构定期监控并修复死链和重定向链。仓库内的 website/astro.config.mjs 就是这类技术 SEO 策略在真实站点上的落地示例该站点通过astrojs/sitemap集成自动生成站点地图并通过 Starlight 的多语言 locale 配置es-es、ja-jp、ko-kr、pt-br、zh-cn配合默认英文root实现多区域多语言站点结构——这正是 hreflang 与国际化 SEO 讨论的典型场景。同时该配置文件通过head数组注入og:image、og:image:width、og:image:height、og:image:alt与twitter:image等社交元标签见下文元数据章节。性能与 Core Web Vitals三重指标的量化门槛Agent 为性能优化给出了可量化的现代 Web 性能目标LCPLargest Contentful Paint优化至 2.5 秒以内CLSCumulative Layout Shift控制在 0.1 以下INPInteraction to Next Paint保持在 200ms 以内。配套的落地措施包括图片与屏幕外内容启用懒加载lazy loading使用现代图片格式如.webp并做合理压缩压缩MinifyCSS 与 JavaScript 资源配置 CDN 与缓存策略以获得最优交付保证服务器稳定性并监控可用性为所有图片添加正确的 ALT 属性兼顾无障碍与 SEO。仓库中的 website/src/components/Head.astro 从实现层面印证了这些原则——它对页面级head做统一封装处理 canonical URLtwitter:url等的生成逻辑保证每个页面输出正确的元信息属于「Metadata Automation元数据自动化」在代码中的直接体现。索引性与元数据可规模化的标题与描述体系Agent 强调元数据必须「可规模化」生成唯一、与关键词对齐的标题标签最优 50-60 字符撰写能驱动点击的 meta description150-160 字符实现符合语义的标题层级H1、H2-H6使用带策略性覆盖能力的自动化元数据系统配置 Open Graph 标签用于社交平台分享优化在所有相关页面与内容类型上实现 schema 标记策略性使用 meta robots 标签控制索引全站建立正确的 canonical 标签实现。website/astro.config.mjs中对该站点社交预览图的定义给出了一个规范化的 Open Graph 配置样例——socialImageWidth与socialImageHeight必须与实际图片像素一致2400×1260并注释明确说明若页面覆盖og:image也必须同时覆盖og:image:width/height与twitter:image否则社交卡片会渲染异常。这正是「可维护的元数据系统」应有的工程化严谨度。内容策略与优化面向人与 AI 双重可读性Agent 的内容优化指南兼顾人类读者与 LLM 解析器围绕主题集群Topic Cluster构建内容使用支柱页面Pillar Page 支撑子主题的结构将内容映射到认知、兴趣、欲望、行动、忠诚各阶段的用户意图写出人类和 AI 系统都能解读的清晰、简洁答案使用问句式标题H2、H3匹配查询模式保持段落简短2-4 句提升可读性与 AI 解析效率加入带 schema 标记的 FAQ捕获基于问题的查询融入专家署名信号与可验证来源强化 E-E-A-T链接高权威外部来源建立语境信任在相关内容间建立强内部链接以展示主题深度以语义丰富度而非单纯关键词密度作为优化目标。Schema Markup 实现让机器读懂上下文结构化数据是搜索引擎与 AI 系统理解内容语境的共同语言。Agent 要求FAQ schema用于问答内容触发富结果Rich ResultsLocalBusiness schema包含完整 NAP名称、地址、电话数据Product schema含价格、库存与评论数据Article schema含作者、发布日期与标题信息Organization schema含 Logo、联系方式与社交主页Breadcrumb schema厘清站点层级与导航路径使用 Google Rich Results Test 验证 schema 实现保证 schema 完整、准确、机器可读。页内 SEO 与站外权威建设On-Page 要素将目标关键词置于标题标签、H1、首段及正文自然分布URL 保持短小、描述性、与关键词对齐图片 ALT 文本描述性且含关键词用语境相关的锚文本实现内部链接链接权威外部来源以验证专业性图片按尺寸、格式与加载速度优化保证移动端响应式与优秀的移动端体验创建同时引导用户与爬虫的清晰内容层级。Off-Page 与权威建设从相关域名获取高权威、有语境的外链利用内容分发与数字公关获取品牌提及在 Google 与相关平台鼓励并管理客户评价监控并拒绝disavow可能损害权威的有毒外链全网建设品牌提及有链接与无链接在 LinkedIn、Reddit、YouTube、TikTok 等社交渠道保持可见性建立行业联系与合作机会产出可分享、可被引用的内容自然吸引链接。本地 SEO 最佳实践全平台保持 NAP名称、地址、电话一致在所有门店页实现 LocalBusiness schema认领、验证并完善 Google Business Profile在 Bing Places 与 Apple Business Connect 保持存在为多区域多语言站点配置 hreflang在可信目录中建设本地引用Citation主动管理评价并回应用户反馈创建提及社区、地标与本地服务的区域性内容。AEO为精选摘要与语音搜索结构内容答案引擎优化聚焦「位置零Position Zero」与语音查询将内容结构化为直接、简洁地回答具体问题按精选摘要候选格式排版列表、表格、定义使用 AI 可解析的清晰层级标题实现带 schema 标记的完整 FAQ 区块针对对话式、基于问题的语音搜索查询优化在满足零点击意图的同时维持品牌可见性大量使用结构化数据帮助引擎理解上下文写出 AI 系统易于抽取的摘要与结论。GEO让内容可被 LLM 引用生成式引擎优化是本 Agent 最具前瞻性的能力域构建展示深度与权威的主题集群架构创建信息型、教育型、可信赖的内容类型使用匹配对话式 AI 查询的问句式标题写出强 E-E-A-T 信号的内容保持短段落与清晰排版的「可扫读」结构加入客户证言与专家引语增强可信度实现全面的 schema 标记FAQ、Article、Organization、Breadcrumb在主题页与集群页之间建立健壮内部链接考虑实现 llms.txt 文件为未来 AI 爬虫提供指引引用权威来源并提供可验证信息将内容结构化为 AI 系统易于抽取和引用Quotable的形态。llms.txt 实现面向 AI 爬虫的未来就绪文件llms.txt是 GEO 策略中「AI 平台可发现性」的关键落点。Agent 给出如下实现清单注意其明确标注目前该规范仍处于实验阶段尚未被主流 AI 提供商采用应视为前瞻性投入在站点根目录创建/llms.txt文件Markdown 格式包含核心品牌与来源信息为 AI 提供上下文列出关键内容分类与主题领域突出高权威的受信任参考页面提供指向 schema 标记的结构化数据指针添加供 AI 系统理解内容的指引说明包含署名与引用请求添加站点结构的技术元数据。仓库实例llms.txt 的真实工程实现本仓库恰好是 llms.txt 规范的实践范本可作为该清单的完整实现参考。实现一website/src/pages/llms.txt.ts是一个 Astro API 路由在构建时动态生成llms.txt纯文本响应其结构严格遵循 llms.txt 规范H1 头部必需# Awesome GitHub CopilotSummary 引用块可选但推荐用块引用给出项目一句话定位概览段落不带标题的说明性段落列出 Agents / Instructions / Skills / Learning Hub 四类资源H2 文件清单章节依次生成 Learning Hub、Agents、Instructions、Skills、Documentation、Repository 六个分类的 Markdown 链接列表每个链接格式为descriptive-name: description。代码中normalizeDescription将多行描述折叠为单行replace(/\s/g, ).trim()缺省时回退为 No description available——这正是「简洁、明确、适合 LLM 消费」的工程化处理。所有条目链接指向 raw GitHub 内容地址或站点绝对 URL保证 AI 爬虫拿到即可访问。实现二skills/create-llms/SKILL.md则把「从零生成 llms.txt」封装为可复用技能给出了完整的四步流程仓库结构分析 → 内容规划 → 文件创建 → 校验以及明确的文件选择标准包含能解释项目目的/范围、提供技术文档、展示用法示例、定义接口与规范、含配置说明的文件排除纯实现细节、冗余信息、构建产物与无关内容。技能模板中还给出推荐的章节组织Documentation / Specifications / Examples / Configuration / OptionalOptional 有特殊含义——LLM 在上下文有限时可跳过。实操建议将 Agent 的 llms.txt 清单与create-llms技能结合先按技能四步法完成仓库分析再按 Agent 清单逐项核对品牌信息、内容分类、权威参考页、schema 指针、AI 指引、署名请求、技术元数据最终用website/src/pages/llms.txt.ts的生成器思路落地为可自动维护的构建产物。网站迁移管理SEO 安全的搬家方案Agent 为站点迁移提供完整的风险控制流程迁移前审计当前性能、排名与已索引 URL创建从旧 URL 到新 URL 的完整 301 重定向映射尽可能保留 URL 结构以最小化扰动确保技术 SEO 要素元数据、schema、canonical正确迁移上线前在预发布环境测试所有重定向与可爬取性上线后密切监控 Google Search Console 的索引问题迁移后持续 4-6 周跟踪流量模式、排名与抓取统计保持 SEO、开发与内容团队在全程对齐迁移期间与之后保持爬取预算效率上线后立即更新 sitemap 并提交给搜索引擎。常见应用场景与进阶能力Agent 擅长的典型场景覆盖技术审计到战略规划的完整谱系技术 SEO 审计分析平台架构的可爬取性、可索引性与性能问题内容策略开发创建与用户意图和搜索行为对齐的主题集群框架Schema 标记实现部署全面的结构化数据以获取富结果与 AI 理解网站迁移规划设计带重定向映射与权威保持的 SEO 安全迁移Core Web Vitals 优化改善 LCP、CLS、INP 以提升排名与体验精选摘要优化结构内容争夺搜索结果「位置零」AI 引用策略让内容对生成式 AI 系统可发现、可引用本地 SEO 搭建在 Google、Bing、Apple 平台建立完整本地存在E-E-A-T 增强构建搜索引擎与 AI 系统优先重视的专业与信任信号零点击优化在直接答案可见性与品牌权威之间取得平衡关键词研究与意图映射识别客户旅程中的主题与查询站外策略建设权威外链档案与品牌提及元数据自动化实现标题标签、描述与 Open Graph 标签的可扩展系统内部链接架构创建提升主题权威的语义关系。其声明的进阶能力还包括大型站点的爬取预算优化、JavaScript SEO、企业级 SEO、程序化 SEOProgrammatic SEO、通过 Google Search Console API / Bing Webmaster API / SEO 工具 API 的集成、国际化 SEO、电商 SEO、语音搜索优化、视频与图片 SEO、服务器日志分析以及竞争差距分析。响应风格与协作建议作为 Copilot Agent它的输出遵循一套工程化表达规范也可视为读者使用时的提问与验收标准先从平台与技术基础评估入手再给内容建议提供具体、可执行的建议与清晰实施步骤解释每个策略对 SEO、AEO、GEO 影响的「为什么」按影响程度与实施难度对建议排序推荐结构化数据时附带 schema 示例适当引用具体工具Google Search Console、Screaming Frog、SEMrush 等指出传统 SEO 与 AI 优化之间的权衡给出良好内容结构的示例点明常见陷阱与应避免的错误在技术深度与不同读者水平之间取得平衡强调 SEO、AEO、GEO 策略的相互关联性。如何在 VS Code 中安装与使用该 Agent参照 docs/README.agents.md 的通用流程下载search-ai-optimization-expert.agent.md文件并放入你的仓库或将agents/目录纳入项目该 Agent 声明使用 VS Code 内置工具集codebase、terminalCommand、edit/editFiles 等无需额外 MCP 服务器即可执行静态审计与文件编辑类任务若需实时抓取外部网页做竞争分析则依赖web/fetch工具能力在 VS Code Chat 界面中选择该 Agent或通过 CCA 分配即可开始对话式 SEO/AEO/GEO 咨询。典型的启动示例「对本项目的网站架构做一次技术 SEO 审计检查可爬取性与索引性」「为我们的 FAQ 页面生成 FAQ schema 并验证」「基于现有内容构建一个面向 GEO 的主题集群方案并给出 llms.txt 落地清单」。结语在搜索入口从「十个蓝色链接」演变为「对话式答案与 AI 引用」的当下agents/search-ai-optimization-expert.agent.md 提供了一套把 SEO、AEO、GEO 统一进单一工作流的完整方法论。它的价值在于以平台架构审计为起点、以结构化数据为共同语言、以 E-E-A-T 为信任基础最终让内容在传统爬虫与 LLM 之间实现「一次生产、处处可见」。结合仓库内 website/src/pages/llms.txt.ts 的生成器实现与 skills/create-llms/SKILL.md 的可复用流程开发者可以立刻将这份方法论落地为可验证、可自动化的工程实践。【免费下载链接】awesome-copilotCommunity-contributed instructions, agents, skills, and configurations to help you make the most of GitHub Copilot.项目地址: https://gitcode.com/GitHub_Trending/aw/awesome-copilot创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考