Content Brief 包含七个部分:注册表规格(PKW/SKW/NKW)、目标读者与意图、必答问题清单、内容结构建议(H2 层级)、内链清单(出链和入链)、必须包含的数据/标准、字数与格式要求。脚本负责组装注册表数据和内链机会,模型负责竞品结构分析和必答问题设计。
AI Skill:Content Brief 生成——给定关键词输出写作简报
Brief 解决什么问题
没有 Brief 直接写,常见的三个问题:
- 结构靠临时发挥:写到一半发现该讲的没讲,已讲的顺序不对
- 忘记内链:文章发布后才想起来该链到哪些页面,回头补的内链位置生硬
- AI 生成时自作主张:给 AI 一句“写一篇关于 X 的文章”,它会自己决定写什么、写多长、侧重什么
Brief 把这些前置决策固化下来。写作者(人或 AI)拿到 Brief 就能直接动笔。
一、Brief 的七个组成部分
1. 注册表规格(直接从注册表提取)
URL:/applications/centrifugal-pump-chemical-transfer/
页面类型:cluster-app
搜索意图:engineering
PKW:centrifugal pump for chemical transfer
SKW:chemical transfer pump selection, corrosion resistant centrifugal pump
NKW:manufacturer, supplier, OEM, buy, price, quote, what is centrifugal pump
目标地区:en-US, en-DE
优先级:4
2. 目标读者与决策阶段
这部分决定文章的语气和深度:
读者身份:化工厂的工艺工程师或设备采购工程师
当前状态:已确定需要泵,正在判断哪种泵型和材料适合自己的介质
知道什么:基本泵原理、自己的工况参数(流量/扬程/介质)
不知道什么:不同材料在具体介质中的耐腐蚀差异、ATEX 认证要求
读完应该能:判断该选哪种材料和密封方案,并知道下一步看哪个型号
3. 必答问题清单(Brief 最有价值的部分)
列出读者带着什么问题来,文章必须回答哪些。这直接决定内容是否有用。
必答(不答则文章失败):
□ 化工输送对泵的核心要求是什么(腐蚀/密封/合规)
□ SS316 / Hastelloy / PVDF 各适用什么介质和浓度范围
□ 机械密封 vs 磁力驱动如何选
□ ATEX 认证在什么场合是强制要求
应答(提升完整度):
□ 温度对材料选择的影响
□ 典型的流量/扬程范围
□ 相关行业标准有哪些
可选(有则更好):
□ 常见的选型错误
□ 维护周期参考
4. 内容结构建议(H2 层级)
H1: Centrifugal Pump for Chemical Transfer: Selection Guide
H2: Key Challenges in Chemical Transfer Applications
(对应必答 1,100–150 词)
H2: Material Selection: SS316 vs Hastelloy vs PVDF
(对应必答 2,含 HTML 对比表格)
H2: Seal Options: Mechanical Seal vs Magnetic Drive
(对应必答 3,100–150 词)
H2: Key Selection Criteria
(HTML 表格:Parameter / Recommended / Rationale)
H2: Regulatory Compliance: ATEX and Material Standards
(对应必答 4,引用 ATEX 2014/34/EU、NACE MR0175)
H2: Recommended Models
(2–3 个型号卡片,内链到 SKU 页)
H2: Frequently Asked Questions
(3–5 条,按第 41 篇自包含格式)
5. 内链清单(出链 + 入链)
本页必须链出(出链):
- → /products/centrifugal-pumps/(Pillar,锚文本用 PKW
"centrifugal pump manufacturer",放在正文第 2 段)
- → /products/centrifugal-pumps/cp-200s/(推荐型号,锚文本用型号名)
- → /products/magnetic-drive-pumps/mp-50/(备选方案,锚文本用型号名)
- → /applications/centrifugal-pump-food-processing/(横向相关场景,
可选,锚文本用场景词)
发布后应从以下页面链入(入链):
- ← /products/centrifugal-pumps/(Pillar 的应用场景区补一个入口)
- ← /blog/centrifugal-pump-material-selection/(正文提到化工场景处)
- ← /products/centrifugal-pumps/cp-200s/(SKU 页的适用场景段)
入链清单容易被忽略——新页面发布后如果没有任何页面链向它,会成为孤儿页。
6. 必须包含的数据与标准
具体数值(必须有,不能只写定性描述):
- SS316 适用 pH 范围:2–12
- 硫酸浓度分界:70%(以上需 PVDF 或高硅铸铁)
- 标准温度上限:120°C;高温版:180°C
- 典型压力等级:≥ 10 bar
行业标准(至少引用 2 个):
- ATEX Directive 2014/34/EU(防爆合规)
- NACE MR0175 / ISO 15156(酸性环境材料选择)
- API 685(无密封泵)
数据来源:src/data/applications.yaml 的 chemical_transfer 条目
7. 字数与格式要求
总字数:1200–1800 词
HTML 表格:至少 2 个(材料对比 + 选型标准),均需 <caption>
FAQ:3–5 条,H3 标题,答案首句给结论
双单位:所有参数给公制 + 英制
图片:至少 1 张(材料对比示意或安装实拍),alt 含 PKW
二、Skill 说明书
# Skill:Content Brief 生成
## 何时使用
- 准备写新页面之前(必须步骤)
- 重写现有低效页面之前
- 批量规划下一批内容时
## 输入
- 目标页面的 slug 或 PKW(用于从注册表定位)
- `registry.json`
- 可选:`src/data/applications.yaml` 等数据文件(提供技术细节)
- 可选:竞品同主题页面的 URL 或内容(用于结构参考)
## 执行步骤
### Step 1:运行脚本组装机械部分
执行 `scripts/content-brief.mjs --slug /applications/xxx/`
脚本自动生成:
- 注册表规格(第 1 部分)
- 内链清单(第 5 部分)——从注册表推导应链出和应链入的页面
- 可用的技术数据(第 6 部分)——从 data 文件提取
### Step 2:补全需要判断的部分(你来做)
**第 2 部分:目标读者**
根据 intent_type 和 page_type 推导:
- commercial + pillar → 采购决策者,比较供应商
- engineering + cluster-sku → 工程师,核对参数
- engineering + cluster-app → 工程师,做选型判断
- informational + cluster-resource → 学习者或调研阶段的工程师
**第 3 部分:必答问题清单(最关键)**
按以下方法生成:
1. 从 PKW 和 SKW 反推读者的原始疑问
2. 如提供了竞品页面,分析竞品覆盖了哪些问题(找出共性)
3. 从技术数据文件的 challenges 字段提取
4. 标注必答 / 应答 / 可选三级
必答项控制在 3–5 个。超过 5 个说明页面主题过宽,
应该拆成两个页面。
**第 4 部分:内容结构**
每个必答问题对应一个 H2。额外加:
- 开头段(不设 H2)
- 选型标准表(engineering 类页面必需)
- 推荐型号区(cluster-app 必需)
- FAQ 区
**第 7 部分:字数与格式**
按 page_type 给基准:
- pillar:1500–2500 词
- cluster-sku:800–1500 词(参数表占主体)
- cluster-app:1200–1800 词
- cluster-resource:1500–3000 词
### Step 3:输出完整 Brief
按七个部分的固定顺序输出。写作者拿到后应该不需要再问任何问题。
## 输出格式
完整 Brief 用 Markdown,七个部分依次呈现(见本文第一节的示例结构)。
结尾加一个 checklist,供写完后自查:
交付前自查
□ H1 完整包含 PKW □ 至少 2 个 H2 包含 SKW □ 全文无 NKW 出现(含语义等同表达) □ 所有必答问题都已回答 □ HTML 表格 ≥ 2 个,均有
## 禁止行为
- 必答问题不要超过 5 个(主题过宽应拆页)
- 不要在 Brief 里写具体文案(Brief 是结构和要求,不是草稿)
- Resource 页的 Brief 不要包含商业 CTA 要求
- 不要省略入链清单
三、组装脚本
// scripts/content-brief.mjs
import fs from 'fs/promises';
import yaml from 'js-yaml';
const slugArg = process.argv[process.argv.indexOf('--slug') + 1];
const registry = JSON.parse(await fs.readFile('registry.json', 'utf8'));
// 定位目标页面(一个页面可能有多行注册表记录)
const rows = registry.filter(r => r.page_slug === slugArg);
if (!rows.length) {
console.error(`No registry entry for ${slugArg}`);
process.exit(1);
}
const main = rows[0];
// ── 第 1 部分:注册表规格 ──
const spec = {
url: main.page_slug,
pageType: main.page_type,
intent: main.intent_type,
pkw: main.pkw,
skw: main.skw ?? [],
nkw: main.nkw ?? [],
targetLocale: main.target_locale ?? [],
priority: main.priority,
allKeywords: rows.map(r => r.keyword),
};
// ── 第 5 部分:内链清单 ──
// 找归属 Pillar
const pillar = registry.find(r =>
r.page_type === 'pillar' && r.category === main.category
);
// 应链出:Pillar + 同类 SKU(如果是 app 页)
const outboundLinks = [];
if (pillar && pillar.page_slug !== main.page_slug) {
outboundLinks.push({
target: pillar.page_slug,
anchorText: pillar.pkw,
position: '正文第 2 段',
reason: '权重回流到 Pillar(必需)',
});
}
// cluster-app 页应链到推荐 SKU
if (main.page_type === 'cluster-app') {
const relatedSkus = registry
.filter(r => r.page_type === 'cluster-sku' && r.category === main.category)
.slice(0, 3);
for (const sku of relatedSkus) {
outboundLinks.push({
target: sku.page_slug,
anchorText: sku.pkw,
position: '推荐型号区',
reason: '意图向下分流到具体型号',
});
}
}
// cluster-resource 页应链到相关 app 页
if (main.page_type === 'cluster-resource') {
const relatedApps = registry
.filter(r => r.page_type === 'cluster-app' && r.category === main.category)
.slice(0, 2);
for (const app of relatedApps) {
outboundLinks.push({
target: app.page_slug,
anchorText: app.pkw,
position: '文末推荐区',
reason: '意图升级:从知识到选型',
});
}
}
// 应链入:找出应该链向本页的页面
const inboundSuggestions = [];
if (pillar && pillar.page_slug !== main.page_slug) {
inboundSuggestions.push({
from: pillar.page_slug,
position: main.page_type === 'cluster-app'
? '应用场景入口区' : '产品卡片矩阵',
reason: '避免本页成为孤儿页',
});
}
// 同 category 的其他 cluster 页
const siblings = registry.filter(r =>
r.category === main.category &&
r.page_slug !== main.page_slug &&
r.page_type?.startsWith('cluster')
).slice(0, 3);
for (const sib of siblings) {
inboundSuggestions.push({
from: sib.page_slug,
position: '正文相关处',
reason: '横向关联,增强主题相关性',
});
}
// ── 第 6 部分:可用技术数据 ──
let techData = null;
try {
const apps = yaml.load(
await fs.readFile('src/data/applications.yaml', 'utf8')
);
// 从 slug 推断应用场景 id
const appMatch = apps.find(a => main.page_slug.includes(a.slug));
if (appMatch) {
techData = {
challenges: appMatch.challenges,
selectionCriteria: appMatch.keySelectionCriteria,
standards: appMatch.industryStandards,
industry: appMatch.industry,
};
}
} catch {}
// ── 第 7 部分:字数基准 ──
const WORD_COUNT = {
'pillar': '1500–2500',
'cluster-sku': '800–1500',
'cluster-app': '1200–1800',
'cluster-resource': '1500–3000',
};
console.log(JSON.stringify({
spec,
outboundLinks,
inboundSuggestions,
techData,
formatRequirements: {
wordCount: WORD_COUNT[main.page_type] ?? '1000–1500',
htmlTables: main.page_type === 'cluster-resource' ? 1 : 2,
faqCount: '3–5',
requiresDualUnits: true,
requiresStandardCitation: main.intent_type === 'engineering' ? 2 : 1,
allowCommercialCta: main.page_type !== 'cluster-resource',
},
}, null, 2));
四、Brief 与 pSEO 批量生成的关系
第 29 篇的 pSEO 批量生成脚本,本质上是把 Brief 的七个部分自动填入提示词。
区别在于:
| Content Brief(本篇) | pSEO 批量生成(第 29 篇) | |
|---|---|---|
| 适用页面 | 单个重要页面 | 批量同结构页面 |
| 必答问题 | 人工设计,针对性强 | 模板化,来自数据文件 |
| 结构 | 可为该页定制 | 全批次统一 |
| 人工介入 | 生成 Brief 后人工审核 | 生成后抽查 10% |
判断用哪个:如果这一批页面的结构完全一致(只是变量不同),用 pSEO 流程;如果是 Pillar 页或重点 Resource 页,值得单独出 Brief。
五、Brief 的实际收益
用 Brief 前后的对比(同一个人写同类文章):
| 无 Brief | 有 Brief | |
|---|---|---|
| 调研时间 | 40–60 分钟 | 0(Brief 已含) |
| 写作时间 | 90–120 分钟 | 60–80 分钟 |
| 返工率 | 高(结构问题、漏内链) | 低 |
| 内链完整性 | 常遗漏 | 清单驱动,不漏 |
| NKW 违规 | 偶发 | 极少(Brief 前置提醒) |
生成 Brief 本身只需 5–10 分钟(脚本 1 分钟 + 人工补必答问题)。
→ AI Skill:pSEO 场景页批量生成 Prompt 模板
RELATED / 相关推荐
接着读这些
按同一分类、系列与标签为你挑选。
AI Skill:竞品关键词差距分析
竞品有排名而你没有的词,是最确定的增长机会——市场需求已经被验证。这个 Skill 用脚本做多竞品词库的集合运算,找出共同覆盖但你缺失的词(最高价值),模型负责按业务相关性过滤和排序,输出可直接进注册表的机会清单。
GEO 审计升级:从「结构合规」到「有没有被引用」
之前那个 GEO 覆盖审计 Skill 只能查结构,查不了覆盖——因为它没有期望值可比。补上意图注册表之后,审计从一层变三层:结构、覆盖与一致性、引用实测。其中复述块与主答块的一致性检查是纯确定性的,脚本能百分之百判定,这是升级带来的最大收益。
AI Skill:Author 与 Organization Schema 批量生成
Schema 是结构化数据,最适合脚本生成而不是手写——手写容易漏字段、写错嵌套、@id 引用不一致。这个 Skill 用一份实体配置文件驱动全站 Schema 生成,脚本负责结构和引用完整性,模型只负责 description 和 knowsAbout 这类需要表达的字段。