mcpField
S
serp-analysis

serp-analysis

github.com/semrush营销与增长1378 次安装1 周前更新
代码仓库

关于 serp-analysis

serp-analysis 是分析单个关键词当前 Google 搜索结果并形成有证据标注的内容决策技能。它可使用 Semrush MCP 报告,或在其不可用时按来源层级回退到人工检查等方式。

主要功能

  1. 01分析单个关键词的搜索结果
  2. 02识别搜索意图与结果页特征
  3. 03统计排名页面的内容格式
  4. 04区分 Semrush 数据与人工观察
  5. 05提出内容机会假设

适用场景

  1. 01判断关键词适合的内容格式
  2. 02识别可能分流点击的结果页特征
  3. 03比较前十结果并寻找内容缺口
  4. 04Semrush MCP 不可用时检查搜索结果

MCP 相关

技能通过 Semrush MCP 发现可用报告、读取报告模式并执行查询,以获取关键词和自然搜索结果数据。若 MCP 不可用,可改用手动搜索结果检查等回退来源。

安装

复制下面的命令,在终端中运行。

$npx skills add https://github.com/semrush/skills --skill serp-analysis

安装后在 Claude Code 中输入/serp-analysis确认已加载。

详细介绍

SERP 分析

分析某个关键词当前的 Google 搜索结果,并产出一份标注证据来源的内容决策。回答三个问题:

  1. 该关键词中哪种内容形式更胜一筹(指南、榜单文章、工具、产品页)?
  2. 无论排名如何,哪些 SERP 功能都会分流点击?
  3. 你能做出哪些排名前 10 的结果没有提供的内容?

将内容形式的集中程度视为搜索意图的证据,而非某种形式必然获得排名的保证。

规则来源

使用以下标签解读实质性规则:

  • Semrush 支持的指导: 在所引用的 Semrush 文章中说明的方法。保留其适用场景和注意事项。
  • MCP 合约要求: 已通过当前 Semrush MCP 发现工具和报告架构确认的行为或限制。
  • 行业经验法则: 有依据的分析实践,并非 Semrush 指标或搜索引擎要求。
  • 可配置默认值: 用户可更改的工作流或输出选项。

清楚区分 Semrush 数据、人工观察的页面、用户提供的证据和模型判断。绝不要把 Semrush 产品界面中的示例说成公开的 MCP 功能。

开始之前

一次性询问以下信息。

  • 目标关键词。 每次分析一个。多关键词分析属于另一项技能(参见 keyword-research)。
  • 国家/数据库。 如果用户未指定,默认为 US。不同地区的 SERP 差异很大。
  • 用户的域名。 可选。仅在通过接受目标参数的报告进行当前排名或域名背景研究时使用。经过测试的关键词报告不接受域名,也不返回 Personal Keyword Difficulty(PKD)。
  • 是否已连接 Semrush MCP。 连接后可通过 Semrush 关键词、自然搜索、SERP 和 URL/域名报告获取实时 SERP 数据。若未连接,则改为人工检查 SERP。Semrush MCP 通过 Semrush 自有的身份验证流程连接,因此无需粘贴 API 密钥。

如何使用 Semrush MCP

只能使用 Semrush MCP。

每份报告都遵循三步流程:

  1. 调用发现工具(keyword_research、organic_research 或 domain_overview)查看可用报告。
  2. 对所需的特定报告调用 get_report_schema,获取必需参数。
  3. 使用这些参数调用 execute_report 获取数据。

对此技能最有用的报告:

  • phrase_this(通过 keyword_research)——只请求所需字段,包括搜索量、CPC、竞争密度、结果、趋势、原始意图和通用 Keyword Difficulty。
  • phrase_organic(通过 keyword_research)——提供排名、排名类型、域名、URL 和返回的 SERP 功能代码。不提供标题标签、字数、Authority Score、页面流量或引荐域名。
  • domain_rank(通过 domain_overview)——可选,提供域名或 URL 的汇总排名、关键词、流量、成本和 SERP 功能总数。不提供 Authority Score。

每当合约可能发生变化时,都要调用 get_report_schema。只能使用该架构中存在且执行结果返回的字段。

如果 Semrush MCP 不可用,请在目标国家/地区人工检查 SERP。不要将人工收集的 SERP 数据说成完整数据。

MCP 访问与成本防护

  • 首次调用 execute_report 前,告知用户 Semrush MCP 查询会消耗 API 单位。将 phrase_organic 的请求限制在分析所需的结果数量,只请求必要字段,并在检查首批结果后再决定是否扩展。默认情况下绝不要请求所有行。
  • 如果身份验证未完成,所需工具、报告、架构或字段不可用,或执行因访问权限或单位不足而失败,请停止该 MCP 分支。说明哪些内容不可用以及哪些发现会受到影响,然后使用以下最有力的备用方案。绝不要猜测缺失的 SERP 或竞争对手指标。

备用方案层级

使用最强的可用数据源,并说明你使用了哪一种。

  1. Semrush MCP 关键词、SERP、自然搜索和 URL/域名报告。
  2. 用户提供的 Semrush UI 导出数据。
  3. 在目标国家/地区和语言环境中手动检查浏览器。
  4. 用户提供的排名前 10 的 URL。将缺失的指标标记为未知,不要猜测。

分析框架

按顺序执行以下六个步骤。

  1. 获取关键词指标
  2. 识别搜索意图
  3. 汇总 SERP 功能
  4. 分析排名前 10 的结果
  5. 确定胜出内容格式
  6. 找出差距

最后提供可复用的 SERP 证据对象和简短的内容建议。content-brief 技能应使用这些证据,而不是重新运行相同的报告。


1. 获取关键词指标

使用 keyword_research 找出 phrase_this,然后调用 get_report_schema 和 execute_report。请求决策所需的字段:

  • 搜索量:使用与用户地理位置相匹配的数据库。
  • 通用关键词难度:将其视为 Semrush 的比较估算,而不是对用户域名的预测。
  • CPC 和竞争密度:将其视为付费搜索市场信号,而非业务价值的证明。
  • 趋势和原始意图:如果报告返回了这些数据。

保留实际数值和报告名称。如果无法依据经验证的文档解读某个意图代码或趋势值,则保留原始值,并标记为尚未确定其含义。不要编造 PKD 或个性化排名潜力。


2. 识别搜索意图

如果尚未分类,请使用 keyword-research 技能中的启发式判断链。

  • 从查询用语判断。“如何”和“是什么”通常表示信息型意图;“最佳”和“对比”通常表示商业型意图;“购买”和“免费试用”通常表示交易型意图。
  • **从 SERP 本身判断。**查看返回的结果集和当前呈现的 SERP,然后再依赖单一的意图标签。
  • **从 SERP 功能判断。**将这些功能视为辅助证据。购物结果可支持交易型意图;精选摘要和 PAA 可支持信息型意图;混合功能可能表示意图分散。

留意意图分散。有些 SERP 会混合多种格式。“适合视频剪辑的最佳笔记本电脑”可能会显示产品轮播(交易型)、三篇对比文章(商业型)和一个 YouTube 选购指南(商业兼信息型)。如果意图分散,请在分析中明确指出。要在胜出的页面上满足这些意图,就需要覆盖不止一种内容格式。


3. 编录 SERP 特征

列出 phrase_organic 返回的或通过当前手动 SERP 检查确认的所有特征。如果映射尚未验证,请保留原始特征代码。

  • 精选摘要。 在可观察到时,记录其格式和当前来源。点击影响取决于查询。
  • AI Overview。 位于自然搜索结果上方的 AI 生成摘要。它可能改变点击行为,因此请注明它是否出现,以及引用的是用户还是竞争对手。
  • People Also Ask(PAA)。 将相关问题作为主题依据,而非自动生成大纲或 H2 列表的依据。
  • 知识面板。 位于右侧的实体信息框。主要与品牌关键词相关。
  • 图片包。 图片轮播。表明用户有视觉需求(食谱、图表、产品)。
  • 视频轮播。 将其视为视频或混合格式需求的证据。
  • 热门产品轮播。 将其视为购物或交易需求的证据。
  • 本地包。 将其视为本地意图的证据。
  • 讨论和论坛。 将其视为存在社区观点或第一人称视角的证据;不要推断 Google 选择这些内容的原因。
  • 富媒体搜索结果。 记录可见的增强效果和符合条件的结果类型。不要承诺点击率会提升。

对于每项已出现的特征,请记录以下两点:

  • 用户的哪些竞争对手目前占据了该特征(如果有)。
  • 有哪些证据支持以该特征为目标,以及适用哪些平台要求。

只有当页面类型和可见内容能够满足要求时,才建议争取某项特征。不要将任何特征一概称为容易或难以获得。


4. 分析排名前 10 的结果

运行 phrase_organic,设置 positions_type: organic,并使用足以涵盖所请求自然搜索结果集的最小 limit。仅将 positions_type: all 用作单独的 SERP 特征发现步骤;特征位置行不属于额外的自然搜索排名。作为 Semrush 数据,仅记录实际返回的字段:

  • 排名位置和位置类型。 保留原始值。
  • 域名和 URL。 保留排名 URL,不要只保留根域名。
  • 触发的 SERP 特征代码和域名 SERP 特征代码。 仅根据已验证的文档解码。

保留原始行,但在统计页面格式、竞争对手或排名靠前的结果集时,应对相同的排名 URL 去重。如果同一 URL 出现在多个自然搜索排名位置,请记录这些位置,并在页面级分析中将其视为一个页面。绝不要让重复的特征行虚增竞争对手或观测结果数量。

以下内容只能通过单独的证据来源补充:

  • 手动页面证据: 标题标签、可见的页面格式、日期、具名专家、原创数据、工具、模板、示例,以及有用时可直接测量的字数。
  • 其他 Semrush 报告: 仅当已发现的适当报告确实为所请求的目标返回相应字段时,才纳入汇总流量、关键词、反向链接或 Authority Score 证据。
  • 模型判断: 格式分类、内容角度、信息缺失之处和机会评估。

不要将页面流量、引用域、字数、Authority Score 或标题标签归因于 phrase_organic。不要根据固定数量的域名、URL、链接或访问量推断主题权威性或排名可达性。


5. 确定胜出格式

对观察到的每项结果进行分类,然后报告实际分布。说明集中度为高、混合或不确定,并列出用于判断的数量。不要设定普遍适用的固定阈值。

标出离群结果,并说明它们为意图分析带来了什么信息。不要仅凭一次排名结果推断发布者的主题权威性。

根据意图匹配格式:

  • 信息型:指南或文章。
  • 商业比较型:榜单、比较表或汇总文章。
  • 交易型:产品页或定价页。
  • 对话型或故障排查型:直接解答、社区观点、支持资源,或其他与观察到的 SERP 相符的格式。

6. 找出差距

差距是模型辅助生成的假设,说明用户可以如何更好地满足已观察到的意图。存在差距并不保证排名会提升。

四种常见的差距类别。

  • 原创数据。 调查、内部研究、基准测试。排名前 10 的结果引用彼此的数据。新数据能立刻脱颖而出。
  • 具体范围。 排名前 10 的结果都很宽泛。你的内容则面向某个行业、某个用例或某类用户画像。
  • 更契合的格式。 已观察到的结果未能满足用户的某项需求,而工具、计算器、模板、清单、视频或其他合适的体验可以填补这一空缺。
  • 时效性和准确性。 排名前 10 的结果引用了过时信息,而你的内容引用最新信息。排名前 10 的结果在某些方面有误,专业人士会发现这一点,而你的内容准确无误。

如果这些差距都无法实现,请在输出中说明。有些 SERP 已经饱和。诚实的建议有时是:“不要写这个;写一个相关主题,其中确实存在差距。”


如何报告调查结果

输出一份包含以下部分的证据包。

关键词概览

说明可获取的搜索量、通用 KD、意图、CPC、竞争密度和趋势。注明数据库、报告和不可获取的字段。

SERP 特征

分别列出已返回和人工观察到的特征。对每项特征,说明证据、可见时的当前占位者、适用要求和置信度。

前 10 名表格
位置/类型URL返回的特征观察到的格式页面证据其他 Semrush 证据差距假设证据状态
[原始位置/类型][排名 URL][原始代码 + 解码后的代码][模型判断][人工观察][报告和实际值,或不可用][明确标注为推断][完整/部分/人工]
推荐策略

推荐证据支持度最高的格式、角度和相关 SERP 特征。说明置信度,并指出哪些证据会改变这项建议。

可复用的 SERP 证据对象

返回一个精简的结构化区块,包含:

  • 关键词、数据库、采集日期和数据来源;
  • 可获取的关键词指标和原始意图;
  • 按排名排列的 URL,以及原始位置和特征代码;
  • 人工观察到的格式和页面证据;
  • 格式分布和意图分散程度评估;
  • 差距假设、局限性和置信度。

如果用户继续创建内容简报,请将此对象传递给 content-brief。

报告本身需遵循以下三条规则。

  • 附上证据来源,说明实际值。切勿用模型估算值填充指标列。
  • 对你指出的每种模式,提供一个具体的竞争对手 URL。“Competitor.com/foo 以一个 3 行表格占据精选摘要”这类描述才具有可操作性。
  • 如果证据表明目标不太匹配或竞争异常激烈,请解释依据并推荐相关目标。不要断言某个 SERP 客观上无法胜出。

来源

本技能基于以下 Semrush 编辑资料:

在文中引用具体建议时,请链接到相关文章,方便用户核实。

评论

支持 Markdown