keyword-research

关键词研究

Agent Skills™ 的一部分，由 googleadsagent.ai™ 提供

描述

关键词研究技能为 Google Ads 广告系列中的关键词发现、拓展和优化提供系统化方法。从种子关键词出发，通过多种拓展途径构建全面的关键词集合，包括语义变体、竞品关键词挖掘、搜索字词报告分析、长尾关键词发现和基于意图的分组。最终形成结构化的关键词策略，在最大限度覆盖相关关键词的同时，尽量减少无效支出。

匹配类型的选择是关键环节。该技能会根据转化概率、搜索量、竞争强度和每次点击费用效益评估每个关键词，并推荐最优匹配类型。广泛匹配关键词与智能出价策略配合使用，词组匹配用于捕捉高意向变体，而完全匹配则锁定经过验证的转化关键词。该技能会根据搜索字词报告的反馈循环持续优化匹配类型分配。

否定关键词管理同样重要。该技能会挖掘搜索字词报告中的不相关查询，构建分层否定关键词列表（账户级、广告系列级、广告组级），并在各广告系列之间维护共享的否定关键词列表。主动发现否定关键词，可以通过识别各行业的常见不相关查询模式，在预算浪费发生之前加以预防。

适用场景

• 用户询问“关键词研究”或“关键词创意”
• 用户想要“拓展关键词”或“寻找新关键词”
• 用户提到“否定关键词”或“搜索字词挖掘”
• 用户询问“匹配类型”（广泛匹配、词组匹配、完全匹配）
• 用户想要减少无关查询造成的“无效支出”
• 用户要求“构建关键词列表”或制定“关键词策略”
• 用户提到“关键词分组”或“广告组结构”
• 用户想要“长尾关键词”或“低竞争关键词”
• 用户要求“分析搜索字词”或“挖掘查询词”

架构

flowchart TD
    A[Seed Keywords] --> B[Expansion Engine]

    B --> C[Semantic Expansion]
    B --> D[Competitor Mining]
    B --> E[Search Term Report]
    B --> F[Long-Tail Discovery]
    B --> G[Question Queries]

    C --> H[Raw Keyword Universe]
    D --> H
    E --> H
    F --> H
    G --> H

    H --> I[Deduplication & Normalization]
    I --> J[Intent Classification]

    J --> K[Informational]
    J --> L[Commercial]
    J --> M[Transactional]
    J --> N[Navigational]

    L --> O[Match Type Assignment]
    M --> O
    N --> O

    K --> P[Negative Keyword Candidates]

    O --> Q[Keyword Grouping Engine]
    Q --> R[Themed Ad Groups]

    P --> S[Negative Keyword Lists]
    S --> T[Account-Level Negatives]
    S --> U[Campaign-Level Negatives]
    S --> V[Ad Group-Level Negatives]

    R --> W[Final Keyword Strategy]
    T --> W
    U --> W
    V --> W

实现

关键词拓展和匹配类型分配引擎：

const MATCH_TYPES = {
  BROAD: 'BROAD',
  PHRASE: 'PHRASE',
  EXACT: 'EXACT'
};

const INTENT_CATEGORIES = ['informational', 'commercial', 'transactional', 'navigational'];

async function expandKeywords(seedKeywords, config) {
  const { customerId, industry, maxKeywords = 500 } = config;

  const expansionResults = await Promise.all([
    semanticExpansion(seedKeywords),
    competitorKeywordMining(seedKeywords, industry),
    searchTermReportMining(customerId),
    longTailDiscovery(seedKeywords),
    questionQueryExpansion(seedKeywords)
  ]);

  const rawKeywords = deduplicateAndNormalize(expansionResults.flat());
  const classifiedKeywords = rawKeywords.map(kw => ({
    ...kw,
    intent: classifyIntent(kw.text),
    suggestedMatchType: assignMatchType(kw)
  }));

  return classifiedKeywords.slice(0, maxKeywords);
}

function assignMatchType(keyword) {
  if (keyword.conversionRate > 0.05 && keyword.volume < 1000) {
    return MATCH_TYPES.EXACT;
  }
  if (keyword.intent === 'transactional' && keyword.wordCount >= 3) {
    return MATCH_TYPES.PHRASE;
  }
  if (keyword.volume > 5000 && keyword.competitorPresence) {
    return MATCH_TYPES.BROAD;
  }
  return MATCH_TYPES.PHRASE;
}

function classifyIntent(keywordText) {
  const transactionalSignals = ['buy', 'order', 'purchase', 'price', 'cost', 'cheap', 'deal', 'discount', 'coupon', 'hire', 'book'];
  const commercialSignals = ['best', 'top', 'review', 'compare', 'vs', 'alternative', 'recommended'];
  const informationalSignals = ['how', 'what', 'why', 'when', 'guide', 'tutorial', 'tips'];

  const text = keywordText.toLowerCase();
  if (transactionalSignals.some(s => text.includes(s))) return 'transactional';
  if (commercialSignals.some(s => text.includes(s))) return 'commercial';
  if (informationalSignals.some(s => text.includes(s))) return 'informational';
  return 'commercial';
}

否定关键词挖掘和列表管理：

async function mineNegativeKeywords(customerId, lookbackDays = 30) {
  const searchTerms = await getSearchTermReport(customerId, lookbackDays);

  const negatives = searchTerms.filter(term => {
    const hasClicks = term.clicks > 0;
    const noConversions = term.conversions === 0;
    const highSpend = term.costMicros > 5000000;
    const lowCTR = term.ctr < 0.01;
    const irrelevantIntent = term.classifiedIntent === 'informational';

    return hasClicks && noConversions && (highSpend || lowCTR || irrelevantIntent);
  });

  return categorizeNegatives(negatives);
}

function buildNegativeKeywordLists(negatives) {
  return {
    accountLevel: negatives.filter(n => n.universallyIrrelevant),
    campaignLevel: groupBy(negatives.filter(n => n.campaignSpecific), 'campaignId'),
    adGroupLevel: groupBy(negatives.filter(n => n.adGroupSpecific), 'adGroupId'),
    sharedLists: buildSharedLists(negatives)
  };
}

function groupKeywordsIntoAdGroups(keywords, maxPerGroup = 20) {
  const groups = [];
  const themes = extractThemes(keywords);

  for (const theme of themes) {
    const themeKeywords = keywords.filter(kw => kw.theme === theme.id);
    if (themeKeywords.length <= maxPerGroup) {
      groups.push({ theme: theme.name, keywords: themeKeywords });
    } else {
      const subGroups = splitBySubTheme(themeKeywords, maxPerGroup);
      groups.push(...subGroups);
    }
  }

  return groups;
}

与 Buddy™ Agent 的集成

关键词研究技能是 Buddy™ Agent 中的战略基础。用户连接账户后，Buddy™ 会立即分析现有关键词覆盖情况并识别拓展机会。该技能在后台持续运行，监控搜索字词报告，发现新兴查询模式和新的否定关键词候选项。

Buddy™ 通过交互式界面展示关键词建议，用户可以在应用建议之前批准、修改或拒绝。获批的关键词会流入相应的广告系列，并根据预测效果预先配置匹配类型和出价。否定关键词会自动分类并应用到正确的层级。

该技能会与竞品分析技能交叉比对，找出竞品正在获取而账户尚未覆盖的关键词空缺，并将结果提供给广告文案生成技能，确保新关键词都有相应的广告文案。

最佳实践

1. 从 5-10 个核心种子关键词开始，这些关键词应代表您价值最高的产品或服务
2. 按意图和主题对关键词分组，建立主题明确且紧密的广告组，每组包含 10-20 个关键词
3. 对已证明转化率较高的词使用完全匹配，以保持出价精准
4. 将广泛匹配专门与智能出价策略（目标 CPA、目标 ROAS）搭配使用
5. 每周查看搜索字词报告，并及时添加否定关键词，避免浪费的支出不断累积
6. 为普遍不相关的词（工作、免费、DIY）创建共享否定关键词列表
7. 纳入长尾关键词（3 个或更多词），以覆盖具体且意图明确的搜索
8. 监控关键词质量得分，并暂停得分持续低于 4 的关键词
9. 使用广告系列级否定关键词，避免不同广告系列之间的关键词蚕食
10. 每季度重新进行关键词拓展，以覆盖季节性和热门搜索

平台兼容性

平台	支持
Claude Code	✅
Cursor	✅
Codex	✅
Gemini	✅

相关技能

• 广告文案生成 - 新关键词需要相应的广告文案，并确保关键词与广告相匹配
• 竞争对手分析 - 竞争对手的关键词差距可揭示拓展机会
• 质量得分优化 - 关键词质量得分有助于指导匹配类型和广告组重组决策
• 知识库注入 - 领域知识模式可支持自动化关键词意图分类

关键词

关键词研究、关键词拓展、否定关键词、匹配类型优化、广泛匹配、词组匹配、完全匹配、搜索字词挖掘、关键词分组、广告组结构、长尾关键词、关键词意图、关键词策略、Google Ads 关键词、PPC 关键词

---

© 2026 googleadsagent.ai™ | Agent Skills™ | MIT License