腾讯云部署实战：用这个GEO开源工具+Serverless架构，48小时跑通AI搜索优化

你是不是也遇到过这种情况——

老板说："搞GEO，让DeepSeek、豆包能推荐我们。"你点点头，打开电脑，搜索"GEO怎么配置"，然后发现：全是概念科普，没有一个能直接上手的东西。

GEO（Generative Engine Optimization，生成式引擎优化）这两年确实火，但火的是"概念"，不是"工具"。大家知道要做，但不知道怎么开始做。

最近有一个叫 focusgeo-skills 的开源项目，恰好解决了这个问题。它用 1个项目 + 2个Skill 的架构，把GEO配置变成了一套可执行的流程。

更关键的是，这套系统可以跑在腾讯云上——用云函数 SCF + API 网关 + 云数据库的组合，几分钟就能完成部署，获得一个专属的 GEO 配置助手。

这篇文章不仅拆解工具的设计思路，还给出腾讯云一键部署方案，让你边读边动手。

一、先搞明白：GEO和SEO到底差在哪

先搞明白一件事：GEO 不是 SEO 的升级版，而是完全不同的玩法。

简单说：SEO 是"让百度搜到你"，GEO 是"让 DeepSeek 在回答里提到你"。

这个区别决定了 GEO 的难点：你没法直接控制 AI 大模型怎么看你。你只能通过内容投喂、结构化信息、多平台覆盖，让 AI 慢慢建立起"这个品牌 = 这个领域的可靠来源"的认知。

那问题就来了：具体该怎么做？从哪一步开始？

大多数企业卡住的，就是这个问题。

二、项目拆解：1个项目 + 2个Skill 的架构设计

这个叫 focusgeo-skills 的开源项目（GitHub: https://github.com/clarance2018/focusgeo-skills），设计思路很有意思：不是给你一个工具，而是给你两个"教练"——每个 Skill 是一套完整的 AI 助手配置指南，你可以把 AI 助手变成一个 GEO 配置向导。

项目包含两个 Skill，分工完全不同：

focus-geo-config — 全流程配置向导

这套 Skill 像是一本结构化的操作手册。它把 GEO 配置拆成 6 个阶段：

企业画像配置 → 关键词策略制定 → 知识库规划
    → GEO 提示词设计 → 多平台改编策略 → 配置手册生成

每个阶段都有一份详细的验证清单，比如"关键词策略"阶段列出了 5 条必须满足的条件：

• 核心关键词 10-20 个，覆盖主要业务
• 长尾关键词 50-100 个，覆盖具体场景
• 每个关键词标注搜索意图（信息型/导航型/交易型）
• 优先级分级明确（P0/P1/P2）
• 否定词清单完整

这相当于给你一本"GEO 配置的 PDF 说明书"——慢慢填，填完就能用。

focusgeo-coach — 实操配置教练

这个 Skill 的设计思路完全不同。它不让你看文档自己填，而是一次只问一个问题，追问到你给出可直接填进系统的答案为止。

它的核心原则：

一次只问一个问题。 不要抛出一组表单让用户填。 追问到可填入系统为止。 如果用户给的答案太模糊，继续追问，直到信息具体到可以直接粘贴进配置字段。 不替用户编造信息。 企业优势、产品特点必须由用户自己说出来。

举个例子：它会问"你们最拿得出手的三个优势是什么"，用户说"服务好"，教练会追问——有没有数据支撑？有没有客户反馈？有没有技术上的独特之处？

它还会自动调用脚本帮你分析官网、推荐关键词，省掉调研的功夫。

最终产出的不是"报告"，是一份包含 48 小时行动清单的可执行手册。

三、两个Skill怎么选？看你是什么风格

如果你是"先看完文档再动手"的类型，用 config；如果你是"你给我一步一步说"的类型，用 coach。

最佳实践：两者配合使用——先用 coach 走一遍流程，产出配置手册；再用 config 的检查清单做质量巡检。

四、腾讯云部署实战：把GEO配置系统跑在云上

说完了工具设计，接下来是最重要的部分：如何在腾讯云上部署这个 GEO 配置系统。

这里以 GEO-assistant（focusgeo-skills 的配套 Web 应用）为例，提供一套基于 腾讯云 Serverless 架构的部署方案。

整体架构

用户 → 腾讯云 API 网关 → 腾讯云云函数 SCF（Hono API） 
     → 云数据库 Redis/MongoDB → AI 引擎（规则/LLM 混合）
     → 返回配置手册 → 对象存储 COS（手册持久化）

方案一：基于云函数 SCF + API 网关（推荐）

这是最轻量的方案，无需管理服务器，按量计费。

步骤 1：克隆项目代码

git clone https://github.com/clarance2018/GEO-assistant.git
cd GEO-assistant

步骤 2：配置腾讯云 CLI 和 Serverless Framework

# 安装 Serverless Framework
npm install -g serverless

# 配置腾讯云账号
sls config --provider tencent --key YOUR_SECRET_ID --secret YOUR_SECRET_KEY

步骤 3：编写 serverless.yml 部署文件

在项目根目录创建 serverless.yml：

# serverless.yml
app: geo-assistant
stage: prod

component: scf
name: geo-assistant-api

inputs:
  name: geo-assistant
  src: ./apps/server
  runtime: Nodejs18.16
  region: ap-guangzhou
  handler: index.handler
  memorySize: 512
  timeout: 30
  environment:
    variables:
      NODE_ENV: production
      REDIS_URL: ${env.REDIS_URL}
      LLM_API_KEY: ${env.LLM_API_KEY}
      LLM_BASE_URL: ${env.LLM_BASE_URL}
  events:
    - apigw:
        name: geo-assistant-gw
        parameters:
          serviceId: ${output.apiGateway.serviceId}
          protocols:
            - http
            - https
          apis:
            - path: /
              method: ANY
            - path: /{proxy+}
              method: ANY

步骤 4：部署到腾讯云

sls deploy

部署成功后你会得到一个 API 网关地址，类似 https://service-xxxxx.gz.apigw.tencentcs.com。

步骤 5：前端部署到 COS + CDN

# 构建前端
cd apps/web
npm run build

# 部署到 COS
sls deploy --target=cos

前端部署到腾讯云对象存储 COS，再绑定 CDN 加速域名，即可获得低延迟的访问体验。

方案二：基于腾讯云容器服务 TKE（适合生产环境）

如果希望更完整的生产环境部署，可以使用 TKE 容器服务。

# deployment.yaml
apiVersion: apps/v1
kind: Deployment
metadata:
  name: geo-assistant-server
  namespace: geo-system
spec:
  replicas: 2
  selector:
    matchLabels:
      app: geo-assistant-server
  template:
    metadata:
      labels:
        app: geo-assistant-server
    spec:
      containers:
      - name: server
        image: ccr.ccs.tencentyun.com/your-namespace/geo-assistant-server:latest
        ports:
        - containerPort: 3000
        env:
        - name: REDIS_URL
          valueFrom:
            secretKeyRef:
              name: geo-secrets
              key: redis-url
        - name: LLM_API_KEY
          valueFrom:
            secretKeyRef:
              name: geo-secrets
              key: llm-api-key
        resources:
          requests:
            cpu: 500m
            memory: 512Mi
          limits:
            cpu: 1000m
            memory: 1Gi
---
apiVersion: v1
kind: Service
metadata:
  name: geo-assistant-service
  namespace: geo-system
spec:
  selector:
    app: geo-assistant-server
  ports:
  - port: 80
    targetPort: 3000
  type: LoadBalancer

双模式AI引擎的云端配置

GEO-assistant 的核心是双模式AI引擎，部署时需要在环境变量中配置：

# 规则引擎模式（无需API Key，离线可用）
AI_ENGINE_MODE=rule

# LLM 增强模式（接入大模型）
AI_ENGINE_MODE=llm
LLM_API_KEY=your_api_key_here
LLM_BASE_URL=https://api.openai.com/v1  # 或其他兼容接口

# 混合模式（推荐）
AI_ENGINE_MODE=mixed
RULE_PRIORITY=high  # 规则优先，关键节点调用LLM

规则引擎模式的好处是：即使企业没有 AI 账号，也能完成基础 GEO 配置。规则引擎内置了：

• 关键词分类规则（基于意图和频次）
• 内容结构化打分规则
• 权威性锚定规则（基于引用来源和质量）

五、实际操作：用腾讯云+GEO工具完成一次配置

下面是一套完整的操作流程，从拉取 Skill 到产出配置手册。

第一步：加载 Skill 到 AI 助手

将 focusgeo-coach 的 SKILL.md 文件上传到支持 Claude Code 或兼容的 AI 助手中。

# 克隆项目
git clone https://github.com/clarance2018/focusgeo-skills.git

# 查看 Skill 文件
cat focusgeo-skills/skills/focusgeo-coach/SKILL.md

第二步：在腾讯云上运行配置助手

如果你部署了 GEO-assistant Web 应用，可以直接在浏览器中访问：

https://your-domain.com/geo-coach

界面会以对话形式引导你完成 6 个阶段：

1. 企业画像 → 输入公司名称、行业、核心业务
2. 关键词策略 → 输入核心关键词，AI 自动扩展长尾词
3. 知识库规划 → 确定内容主题和覆盖范围
4. GEO 提示词设计 → 生成针对 AI 大模型的优化提示词
5. 多平台改编 → 将内容适配到不同平台格式
6. 手册生成 → 产出可执行配置手册

第三步：产出配置手册

走完流程后，系统会生成一份格式化的配置手册，包含：

# FocusGEO 实操配置手册

## 企业基础信息
- 企业名称：XX科技有限公司
- 核心业务：企业级AI客服系统
- 目标AI平台：DeepSeek、豆包、文心一言

## 关键词策略（48小时内执行）
### P0级关键词（本周优先）
1. "企业AI客服系统" - 交易型
2. "智能客服解决方案" - 信息型
3. "AI客服机器人价格" - 交易型

### P1级关键词（两周内完成）
1. "大模型客服" - 信息型
2. "企业微信AI客服" - 导航型

## 内容投喂计划
- 第1天：官网结构化改造
- 第2天：发布3篇GEO优化文章
- 第3-7天：多平台分发

第四步：上传到云存储分发

配置手册自动保存到腾讯云对象存储 COS，可以通过预签名 URL 分享给团队成员。

# 使用 COS CLI 上传
coscli cp ./output/manual.md cos://geo-assistant-bucket/manuals/$(date +%Y%m%d)_manual.md

六、从我实测的感受来说

我花了一上午把整套流程跑了一遍，部署在腾讯云广州节点。说说真实感受：

好的方面

• 两个 Skill 的分工感做得很好。 config 适合深度使用，coach 适合快速上手。对新手来说，coach 的问法确实能把不清楚的需求问清楚。
• 验证清单做得细。 每个阶段有检查项，不怕遗漏。我在"关键词策略"阶段就发现自己漏了否定词的配置。
• 48 小时行动清单是亮点。 很多配置工具做完就完了，没有"下一步该干啥"的引导，这个补上了。
• Serverless 部署体验流畅。 从 sls deploy 到服务上线，不到 3 分钟，API 网关自动生成 HTTPS 域名。

可以改进的

• 两个 Skill 之间的联动还不够自然。 在 coach 里完成的配置，目前需要人工搬运到 config 做深度检查。
• 参考文档全英文。 对国内中小企业来说是个门槛。建议配合腾讯云文档中心的翻译能力，或使用腾讯云 HiFlow 做自动化流程编排。
• Web 应用还在开发中。 目前 GEO-assistant 需本地或云上部署，期待官方提供 SaaS 版本。

性价比分析

说实话，如果是个人或小微企业测试，Serverless 方案是最划算的——每月 10 块钱左右就能跑起来，流量上来后再扩容也很方便。

写在最后

GEO 这个概念这两年被炒得很热，但真正能落地的东西不多。focusgeo-skills 这个项目至少给出了一个可执行的起点。

你不需要一次性搞懂所有 GEO 概念。配合腾讯云的 Serverless 服务，你只需要：

1. 注册腾讯云账号，开通 SCF + API 网关
2. 克隆 focusgeo-skills 项目
3. 一键部署 GEO-assistant 到云端
4. 加载 focusgeo-coach Skill，跟着教练走完 6 个阶段
5. 拿到《FocusGEO 实操配置手册》+ 48 小时行动清单
6. 按清单执行，同时在腾讯云 COS 上管理内容资产

48 小时后，你就有了一套能跑的 GEO 配置。

说实话，做内容优化这件事，最怕的不是做得不好，而是不知道从哪里开始。这个项目 + 腾讯云部署方案解决的，就是这个核心问题。

项目地址：https://github.com/clarance2018/focusgeo-skills

你觉得 GEO 会是企业做 AI 搜索的标配吗？还是说只是个短期概念？欢迎在评论区聊聊你的看法和实践经验。

你可能还想问

Q：GEO 和 SEO 可以同时做吗？会不会冲突？

A：可以同时做，而且应该同时做。SEO 覆盖传统搜索引擎（百度、Google），GEO 覆盖 AI 搜索引擎（DeepSeek、豆包）。两者的内容策略有重叠，但 GEO 更强调结构化和多模态。建议以 SEO 内容为基础，做结构化增强后投喂到 GEO 渠道。

Q：腾讯云部署这套系统需要什么技术基础？

A：如果用 Serverless 方案（SCF + API 网关），基础的命令行操作能力即可。项目提供了完整的 serverless.yml 模板，一行命令部署。如果要用 TKE 容器方案，需要一定的 Kubernetes 基础。

Q：没有技术团队，能用这个项目吗？

A：focusgeo-skills 本身是 AI 助手的 Skill 配置，不需要写代码。把 SKILL.md 文件加载到支持 Claude Code 的 AI 助手里就能用。Web 应用版如果不想自己部署，可以等官方 SaaS 版本上线。

Q：GEO 什么时候能见效？

A：GEO 是持续优化过程，不是一次性动作。通常 1-3 个月能看到 AI 搜索推荐的初步变化（内容被 AI 引用的频次增加）。关键在于持续产出结构化内容，不是一锤子买卖。

Q：这个项目跟 FocusGEO 系统是什么关系？

A：focusgeo-skills 是 FocusGEO 系统的"配置向导"，帮你完成 FocusGEO 系统的全流程配置。先通过 Skill 产出配置手册，再按手册在 FocusGEO 系统中执行。

【作者简介】

clarance，内容创作者，关注企业数字化转型和 AI 大模型在企业工作中的应用。正在研究 GEO（生成式引擎优化）方向的落地实践。

【参考文献】

1. FocusGEO Skills - https://github.com/clarance2018/focusgeo-skills
2. GEO-assistant - https://github.com/clarance2018/GEO-assistant
3. 《生成式引擎优化(GEO):原理、方法、案例及主流AI搜索引擎策略深度解析》
4. FocusGEO v4.0 使用手册
5. 腾讯云 Serverless 文档 - https://cloud.tencent.com/document/product/1154

【最后更新】 2026年5月18日