1405 lines
63 KiB
HTML
1405 lines
63 KiB
HTML
<!DOCTYPE html>
|
||
<html lang="zh-CN">
|
||
<head>
|
||
<meta charset="UTF-8">
|
||
<meta name="viewport" content="width=device-width, initial-scale=1.0">
|
||
<title>Okara AI CMO - 深度技术研究</title>
|
||
<style>
|
||
:root {
|
||
--bg: #0a0a0f;
|
||
--surface: #12121a;
|
||
--surface-2: #1a1a26;
|
||
--border: #2a2a3a;
|
||
--text: #e4e4ec;
|
||
--text-dim: #8888a0;
|
||
--accent: #7c5cfc;
|
||
--accent-glow: rgba(124, 92, 252, 0.15);
|
||
--green: #34d399;
|
||
--red: #f87171;
|
||
--yellow: #fbbf24;
|
||
--cyan: #22d3ee;
|
||
--orange: #fb923c;
|
||
--pink: #f472b6;
|
||
}
|
||
|
||
* { margin: 0; padding: 0; box-sizing: border-box; }
|
||
|
||
body {
|
||
font-family: -apple-system, BlinkMacSystemFont, 'SF Pro Text', 'Segoe UI', sans-serif;
|
||
background: var(--bg);
|
||
color: var(--text);
|
||
line-height: 1.7;
|
||
min-height: 100vh;
|
||
}
|
||
|
||
.container {
|
||
max-width: 1100px;
|
||
margin: 0 auto;
|
||
padding: 0 24px;
|
||
}
|
||
|
||
/* Hero */
|
||
.hero {
|
||
padding: 80px 0 60px;
|
||
text-align: center;
|
||
position: relative;
|
||
overflow: hidden;
|
||
}
|
||
.hero::before {
|
||
content: '';
|
||
position: absolute;
|
||
top: -100px;
|
||
left: 50%;
|
||
transform: translateX(-50%);
|
||
width: 600px;
|
||
height: 600px;
|
||
background: radial-gradient(circle, var(--accent-glow), transparent 70%);
|
||
pointer-events: none;
|
||
}
|
||
.hero-badge {
|
||
display: inline-block;
|
||
padding: 6px 16px;
|
||
background: var(--surface-2);
|
||
border: 1px solid var(--border);
|
||
border-radius: 20px;
|
||
font-size: 13px;
|
||
color: var(--accent);
|
||
margin-bottom: 24px;
|
||
letter-spacing: 0.5px;
|
||
}
|
||
.hero h1 {
|
||
font-size: 48px;
|
||
font-weight: 700;
|
||
letter-spacing: -1px;
|
||
margin-bottom: 16px;
|
||
background: linear-gradient(135deg, #fff 0%, var(--accent) 100%);
|
||
-webkit-background-clip: text;
|
||
-webkit-text-fill-color: transparent;
|
||
}
|
||
.hero-sub {
|
||
font-size: 18px;
|
||
color: var(--text-dim);
|
||
max-width: 700px;
|
||
margin: 0 auto;
|
||
}
|
||
|
||
/* Meta bar */
|
||
.meta-bar {
|
||
display: flex;
|
||
justify-content: center;
|
||
gap: 32px;
|
||
padding: 20px 0;
|
||
margin-bottom: 40px;
|
||
border-bottom: 1px solid var(--border);
|
||
flex-wrap: wrap;
|
||
}
|
||
.meta-item {
|
||
font-size: 13px;
|
||
color: var(--text-dim);
|
||
}
|
||
.meta-item strong {
|
||
color: var(--text);
|
||
}
|
||
|
||
/* TOC */
|
||
.toc {
|
||
background: var(--surface);
|
||
border: 1px solid var(--border);
|
||
border-radius: 12px;
|
||
padding: 24px 32px;
|
||
margin-bottom: 48px;
|
||
}
|
||
.toc h3 {
|
||
font-size: 14px;
|
||
text-transform: uppercase;
|
||
letter-spacing: 1px;
|
||
color: var(--accent);
|
||
margin-bottom: 16px;
|
||
}
|
||
.toc-grid {
|
||
display: grid;
|
||
grid-template-columns: repeat(auto-fill, minmax(280px, 1fr));
|
||
gap: 8px;
|
||
}
|
||
.toc a {
|
||
color: var(--text-dim);
|
||
text-decoration: none;
|
||
font-size: 14px;
|
||
padding: 4px 0;
|
||
transition: color 0.2s;
|
||
}
|
||
.toc a:hover { color: var(--accent); }
|
||
.toc a::before { content: '# '; color: var(--border); }
|
||
|
||
/* Section */
|
||
section {
|
||
margin-bottom: 64px;
|
||
}
|
||
section h2 {
|
||
font-size: 28px;
|
||
font-weight: 700;
|
||
margin-bottom: 24px;
|
||
padding-bottom: 12px;
|
||
border-bottom: 2px solid var(--accent);
|
||
display: inline-block;
|
||
}
|
||
section h3 {
|
||
font-size: 20px;
|
||
font-weight: 600;
|
||
margin: 32px 0 16px;
|
||
color: var(--cyan);
|
||
}
|
||
section h4 {
|
||
font-size: 16px;
|
||
font-weight: 600;
|
||
margin: 24px 0 12px;
|
||
color: var(--orange);
|
||
}
|
||
p { margin-bottom: 16px; color: var(--text); }
|
||
.dim { color: var(--text-dim); }
|
||
|
||
/* Card grid */
|
||
.card-grid {
|
||
display: grid;
|
||
grid-template-columns: repeat(auto-fill, minmax(300px, 1fr));
|
||
gap: 16px;
|
||
margin: 24px 0;
|
||
}
|
||
.card {
|
||
background: var(--surface);
|
||
border: 1px solid var(--border);
|
||
border-radius: 12px;
|
||
padding: 24px;
|
||
transition: border-color 0.2s;
|
||
}
|
||
.card:hover { border-color: var(--accent); }
|
||
.card-title {
|
||
font-size: 16px;
|
||
font-weight: 600;
|
||
margin-bottom: 8px;
|
||
display: flex;
|
||
align-items: center;
|
||
gap: 8px;
|
||
}
|
||
.card-title .icon {
|
||
width: 24px;
|
||
height: 24px;
|
||
border-radius: 6px;
|
||
display: flex;
|
||
align-items: center;
|
||
justify-content: center;
|
||
font-size: 12px;
|
||
flex-shrink: 0;
|
||
}
|
||
.card p { font-size: 14px; color: var(--text-dim); margin-bottom: 0; }
|
||
|
||
/* Agent cards */
|
||
.agent-card {
|
||
background: var(--surface);
|
||
border: 1px solid var(--border);
|
||
border-radius: 12px;
|
||
padding: 28px;
|
||
margin-bottom: 20px;
|
||
position: relative;
|
||
overflow: hidden;
|
||
}
|
||
.agent-card::before {
|
||
content: '';
|
||
position: absolute;
|
||
top: 0;
|
||
left: 0;
|
||
width: 4px;
|
||
height: 100%;
|
||
}
|
||
.agent-card.seo::before { background: var(--green); }
|
||
.agent-card.geo::before { background: var(--accent); }
|
||
.agent-card.writer::before { background: var(--cyan); }
|
||
.agent-card.reddit::before { background: var(--orange); }
|
||
.agent-card.hn::before { background: var(--yellow); }
|
||
.agent-card.x::before { background: var(--pink); }
|
||
.agent-card h4 { margin-top: 0; }
|
||
|
||
/* Architecture diagram */
|
||
.arch-diagram {
|
||
background: var(--surface);
|
||
border: 1px solid var(--border);
|
||
border-radius: 12px;
|
||
padding: 32px;
|
||
margin: 24px 0;
|
||
font-family: 'SF Mono', 'Fira Code', monospace;
|
||
font-size: 13px;
|
||
line-height: 1.6;
|
||
overflow-x: auto;
|
||
white-space: pre;
|
||
color: var(--text-dim);
|
||
}
|
||
.arch-diagram .highlight { color: var(--accent); }
|
||
.arch-diagram .green { color: var(--green); }
|
||
.arch-diagram .yellow { color: var(--yellow); }
|
||
.arch-diagram .cyan { color: var(--cyan); }
|
||
.arch-diagram .orange { color: var(--orange); }
|
||
.arch-diagram .pink { color: var(--pink); }
|
||
|
||
/* Comparison table */
|
||
table {
|
||
width: 100%;
|
||
border-collapse: collapse;
|
||
margin: 20px 0;
|
||
font-size: 14px;
|
||
}
|
||
th {
|
||
background: var(--surface-2);
|
||
color: var(--accent);
|
||
padding: 12px 16px;
|
||
text-align: left;
|
||
font-weight: 600;
|
||
border-bottom: 2px solid var(--border);
|
||
}
|
||
td {
|
||
padding: 12px 16px;
|
||
border-bottom: 1px solid var(--border);
|
||
color: var(--text-dim);
|
||
}
|
||
tr:hover td { background: var(--surface); }
|
||
|
||
/* Tags */
|
||
.tag {
|
||
display: inline-block;
|
||
padding: 3px 10px;
|
||
border-radius: 4px;
|
||
font-size: 12px;
|
||
font-weight: 500;
|
||
}
|
||
.tag-green { background: rgba(52,211,153,0.15); color: var(--green); }
|
||
.tag-red { background: rgba(248,113,113,0.15); color: var(--red); }
|
||
.tag-yellow { background: rgba(251,191,36,0.15); color: var(--yellow); }
|
||
.tag-accent { background: var(--accent-glow); color: var(--accent); }
|
||
.tag-cyan { background: rgba(34,211,238,0.15); color: var(--cyan); }
|
||
|
||
/* Code blocks */
|
||
.code-block {
|
||
background: var(--surface);
|
||
border: 1px solid var(--border);
|
||
border-radius: 8px;
|
||
padding: 20px;
|
||
font-family: 'SF Mono', 'Fira Code', monospace;
|
||
font-size: 13px;
|
||
line-height: 1.6;
|
||
overflow-x: auto;
|
||
margin: 16px 0;
|
||
}
|
||
.code-block .comment { color: #6b7280; }
|
||
.code-block .keyword { color: var(--accent); }
|
||
.code-block .string { color: var(--green); }
|
||
.code-block .func { color: var(--cyan); }
|
||
|
||
/* Quote */
|
||
blockquote {
|
||
border-left: 3px solid var(--accent);
|
||
padding: 16px 20px;
|
||
margin: 20px 0;
|
||
background: var(--surface);
|
||
border-radius: 0 8px 8px 0;
|
||
font-style: italic;
|
||
color: var(--text-dim);
|
||
}
|
||
|
||
/* Info box */
|
||
.info-box {
|
||
background: var(--surface);
|
||
border: 1px solid var(--border);
|
||
border-radius: 12px;
|
||
padding: 20px 24px;
|
||
margin: 20px 0;
|
||
}
|
||
.info-box.warning {
|
||
border-color: var(--yellow);
|
||
background: rgba(251,191,36,0.05);
|
||
}
|
||
.info-box.critical {
|
||
border-color: var(--red);
|
||
background: rgba(248,113,113,0.05);
|
||
}
|
||
.info-box.success {
|
||
border-color: var(--green);
|
||
background: rgba(52,211,153,0.05);
|
||
}
|
||
.info-box-title {
|
||
font-weight: 600;
|
||
margin-bottom: 8px;
|
||
font-size: 14px;
|
||
}
|
||
.info-box p { font-size: 14px; margin-bottom: 8px; }
|
||
.info-box p:last-child { margin-bottom: 0; }
|
||
|
||
/* List */
|
||
ul, ol {
|
||
margin: 12px 0 20px 24px;
|
||
color: var(--text-dim);
|
||
}
|
||
li { margin-bottom: 8px; font-size: 15px; }
|
||
li strong { color: var(--text); }
|
||
|
||
/* Score meters */
|
||
.score-row {
|
||
display: flex;
|
||
align-items: center;
|
||
gap: 12px;
|
||
margin: 8px 0;
|
||
}
|
||
.score-label {
|
||
width: 100px;
|
||
font-size: 13px;
|
||
color: var(--text-dim);
|
||
}
|
||
.score-bar {
|
||
flex: 1;
|
||
height: 8px;
|
||
background: var(--surface-2);
|
||
border-radius: 4px;
|
||
overflow: hidden;
|
||
}
|
||
.score-fill {
|
||
height: 100%;
|
||
border-radius: 4px;
|
||
transition: width 0.5s ease;
|
||
}
|
||
.score-value {
|
||
width: 40px;
|
||
font-size: 13px;
|
||
font-weight: 600;
|
||
text-align: right;
|
||
}
|
||
|
||
/* Verdict */
|
||
.verdict {
|
||
background: linear-gradient(135deg, var(--surface), var(--surface-2));
|
||
border: 2px solid var(--accent);
|
||
border-radius: 16px;
|
||
padding: 32px;
|
||
margin: 32px 0;
|
||
text-align: center;
|
||
}
|
||
.verdict h3 {
|
||
color: var(--accent);
|
||
font-size: 24px;
|
||
margin-bottom: 16px;
|
||
}
|
||
|
||
/* Sources */
|
||
.sources {
|
||
background: var(--surface);
|
||
border: 1px solid var(--border);
|
||
border-radius: 12px;
|
||
padding: 24px;
|
||
margin-top: 48px;
|
||
}
|
||
.sources h3 {
|
||
color: var(--accent);
|
||
margin-bottom: 16px;
|
||
}
|
||
.sources a {
|
||
color: var(--text-dim);
|
||
text-decoration: none;
|
||
font-size: 13px;
|
||
display: block;
|
||
padding: 4px 0;
|
||
transition: color 0.2s;
|
||
}
|
||
.sources a:hover { color: var(--accent); }
|
||
|
||
/* Footer */
|
||
footer {
|
||
text-align: center;
|
||
padding: 48px 0;
|
||
color: var(--text-dim);
|
||
font-size: 13px;
|
||
border-top: 1px solid var(--border);
|
||
}
|
||
|
||
/* Flow chart styles */
|
||
.flow-container {
|
||
display: flex;
|
||
flex-direction: column;
|
||
align-items: center;
|
||
gap: 4px;
|
||
margin: 24px 0;
|
||
}
|
||
.flow-node {
|
||
background: var(--surface);
|
||
border: 1px solid var(--border);
|
||
border-radius: 10px;
|
||
padding: 14px 28px;
|
||
font-size: 14px;
|
||
text-align: center;
|
||
min-width: 280px;
|
||
}
|
||
.flow-node.primary {
|
||
border-color: var(--accent);
|
||
background: var(--accent-glow);
|
||
}
|
||
.flow-arrow {
|
||
color: var(--border);
|
||
font-size: 20px;
|
||
}
|
||
.flow-branch {
|
||
display: flex;
|
||
gap: 12px;
|
||
flex-wrap: wrap;
|
||
justify-content: center;
|
||
}
|
||
.flow-branch .flow-node {
|
||
min-width: 150px;
|
||
font-size: 13px;
|
||
}
|
||
|
||
@media (max-width: 768px) {
|
||
.hero h1 { font-size: 32px; }
|
||
.card-grid { grid-template-columns: 1fr; }
|
||
.meta-bar { gap: 16px; }
|
||
.toc-grid { grid-template-columns: 1fr; }
|
||
}
|
||
</style>
|
||
</head>
|
||
<body>
|
||
|
||
<!-- Hero -->
|
||
<header class="hero">
|
||
<div class="container">
|
||
<div class="hero-badge">DEEP TECHNICAL RESEARCH / 2026-03-22</div>
|
||
<h1>Okara AI CMO</h1>
|
||
<p class="hero-sub">
|
||
对 Okara "世界首个 AI 首席营销官" 的完整技术拆解：6 Agent 架构、GEO 方法论、
|
||
AgentSea 技术遗产、学术基础、技术挑战与可复现性评估
|
||
</p>
|
||
</div>
|
||
</header>
|
||
|
||
<div class="container">
|
||
|
||
<!-- Meta -->
|
||
<div class="meta-bar">
|
||
<div class="meta-item"><strong>公司</strong> Okara (前 AgentSea)</div>
|
||
<div class="meta-item"><strong>创始人</strong> Fatima Rizwan</div>
|
||
<div class="meta-item"><strong>总部</strong> 新加坡</div>
|
||
<div class="meta-item"><strong>发布日期</strong> 2026-03-16</div>
|
||
<div class="meta-item"><strong>定价</strong> $99/月</div>
|
||
<div class="meta-item"><strong>病毒传播</strong> 8M+ views / 24h</div>
|
||
</div>
|
||
|
||
<!-- TOC -->
|
||
<div class="toc">
|
||
<h3>目录</h3>
|
||
<div class="toc-grid">
|
||
<a href="#overview">产品概览与公司背景</a>
|
||
<a href="#architecture">核心架构与逻辑流</a>
|
||
<a href="#agents">六大 Agent 技术逻辑</a>
|
||
<a href="#geo-deep">GEO 概念深度剖析</a>
|
||
<a href="#agentsea">AgentSea 技术遗产</a>
|
||
<a href="#tech-stack">技术栈推测</a>
|
||
<a href="#challenges">技术挑战与硬问题</a>
|
||
<a href="#criticism">社区批评与真实评价</a>
|
||
<a href="#reproducibility">可复现性评估</a>
|
||
<a href="#build-guide">独立开发者构建指南</a>
|
||
<a href="#sources">参考资料</a>
|
||
</div>
|
||
</div>
|
||
|
||
<!-- 1. Overview -->
|
||
<section id="overview">
|
||
<h2>1. 产品概览与公司背景</h2>
|
||
|
||
<h3>什么是 Okara AI CMO?</h3>
|
||
<p>
|
||
Okara AI CMO 是一个 <strong>$99/月的自动化营销系统</strong>，用户只需输入网站 URL，
|
||
系统即部署 6 个专门 Agent（SEO、GEO、AI Writer、Reddit、Hacker News、X），
|
||
每日自动执行营销任务 —— 网站审计、AI 搜索可见度追踪、内容创作、社区互动。
|
||
</p>
|
||
|
||
<h3>公司演变路径</h3>
|
||
<div class="info-box">
|
||
<div class="info-box-title">AgentSea -> Okara 的关键转变</div>
|
||
<p>Okara 前身是 <strong>AgentSea</strong> —— 一个开源的 AI Agent 开发与测试平台，
|
||
提供 CLI 工具和 Python SDK，面向 AI 研究者和高级开发者。AgentSea 专注于构建能操作桌面 GUI 的多模态 Agent，
|
||
有 SurfKit（Agent 编排器）、AgentDesk（虚拟桌面）、Taskara（任务管理）等组件。</p>
|
||
<p>转型后的 Okara 面向 C 端用户，核心卖点从 "Agent 开发基础设施" 变为 "隐私 AI 聊天 + AI CMO 营销自动化"。</p>
|
||
</div>
|
||
|
||
<h3>产品矩阵</h3>
|
||
<div class="card-grid">
|
||
<div class="card">
|
||
<div class="card-title">
|
||
<span class="icon" style="background:rgba(124,92,252,0.2);color:var(--accent);">C</span>
|
||
Okara Chat
|
||
</div>
|
||
<p>隐私 AI 聊天平台，30+ 模型（GPT-5、Claude 4.5 Opus、Gemini 2.5、DeepSeek V3、Llama 4 等），
|
||
客户端加密，X25519 + AES-256-GCM。$20/月 Pro 版。</p>
|
||
</div>
|
||
<div class="card">
|
||
<div class="card-title">
|
||
<span class="icon" style="background:rgba(52,211,153,0.2);color:var(--green);">M</span>
|
||
AI CMO
|
||
</div>
|
||
<p>6 Agent 营销自动化系统，$99/月。输入网站 URL 即可部署，每日自动执行 SEO/GEO/内容/社交任务。
|
||
另有 $1,000 终身方案（2,000 credits/月）。</p>
|
||
</div>
|
||
<div class="card">
|
||
<div class="card-title">
|
||
<span class="icon" style="background:rgba(251,191,36,0.2);color:var(--yellow);">A</span>
|
||
1000+ 预配置 Agent
|
||
</div>
|
||
<p>内置 1000+ 预配置 Agent，每个 Agent 自动选择最优 AI 模型和提示词。
|
||
用户选择 Agent 即可执行特定任务。</p>
|
||
</div>
|
||
</div>
|
||
|
||
<h3>关键数据</h3>
|
||
<table>
|
||
<tr><th>指标</th><th>数据</th></tr>
|
||
<tr><td>发布日期</td><td>2026 年 3 月 16 日</td></tr>
|
||
<tr><td>X 平台 24h 浏览量</td><td>~8,000,000</td></tr>
|
||
<tr><td>AI CMO 定价</td><td>$99/月 | $1,000 终身</td></tr>
|
||
<tr><td>Chat Pro 定价</td><td>$20/月</td></tr>
|
||
<tr><td>接入模型数</td><td>30+（含 GPT-5、Claude 4.5、Gemini 2.5 等）</td></tr>
|
||
<tr><td>Agent 数</td><td>6 个营销 Agent + 1000+ 通用 Agent</td></tr>
|
||
<tr><td>目标用户</td><td>独立开发者、小型创业公司、预算有限的团队</td></tr>
|
||
<tr><td>计划扩展</td><td>YouTube、LinkedIn、网红营销、外链建设</td></tr>
|
||
</table>
|
||
</section>
|
||
|
||
<!-- 2. Architecture -->
|
||
<section id="architecture">
|
||
<h2>2. 核心架构与逻辑流</h2>
|
||
|
||
<h3>端到端工作流程</h3>
|
||
<p>当用户输入网站 URL 后，系统执行以下流程：</p>
|
||
|
||
<div class="flow-container">
|
||
<div class="flow-node primary">用户输入网站 URL</div>
|
||
<div class="flow-arrow">|</div>
|
||
<div class="flow-node">网站爬虫扫描 -> 内容分析 -> 竞品识别 -> 行业定位</div>
|
||
<div class="flow-arrow">|</div>
|
||
<div class="flow-node primary">品牌上下文 Memory 生成（行业/竞品/核心卖点/语气）</div>
|
||
<div class="flow-arrow">|</div>
|
||
<div class="flow-node">CMO 编排层分发任务到 6 个 Agent</div>
|
||
<div class="flow-arrow">|</div>
|
||
<div class="flow-branch">
|
||
<div class="flow-node" style="border-color:var(--green);">SEO</div>
|
||
<div class="flow-node" style="border-color:var(--accent);">GEO</div>
|
||
<div class="flow-node" style="border-color:var(--cyan);">Writer</div>
|
||
<div class="flow-node" style="border-color:var(--orange);">Reddit</div>
|
||
<div class="flow-node" style="border-color:var(--yellow);">HN</div>
|
||
<div class="flow-node" style="border-color:var(--pink);">X</div>
|
||
</div>
|
||
<div class="flow-arrow">|</div>
|
||
<div class="flow-node">每日任务结果 -> 用户收件箱（5 项可执行建议/天）</div>
|
||
</div>
|
||
|
||
<h3>推测架构图</h3>
|
||
<div class="arch-diagram"><span class="highlight">+==========================================+</span>
|
||
<span class="highlight">| Okara AI CMO 编排层 |</span>
|
||
<span class="highlight">+==========================================+</span>
|
||
| |
|
||
<span class="green">[品牌 Memory]</span> <span class="yellow">[任务调度器]</span>
|
||
存储品牌上下文 Cron / 每日触发
|
||
竞品信息 任务队列分发
|
||
语气风格
|
||
| |
|
||
<span class="cyan">+--------+--------+--------+--------+--------+</span>
|
||
<span class="cyan">| SEO | GEO | Writer | Reddit | HN | X |</span>
|
||
<span class="cyan">| Agent | Agent | Agent | Agent | Agent | Agent |</span>
|
||
<span class="cyan">+--------+--------+--------+--------+--------+-------+</span>
|
||
| | | | | |
|
||
<span class="orange">[爬虫]</span> <span class="orange">[AI查询]</span> <span class="orange">[LLM]</span> <span class="orange">[Reddit</span> <span class="orange">[HN</span> <span class="orange">[X</span>
|
||
<span class="orange">[审计]</span> <span class="orange">[监控]</span> <span class="orange">[生成]</span> <span class="orange"> API]</span> <span class="orange"> API]</span> <span class="orange"> API]</span>
|
||
| | | | | |
|
||
<span class="pink">+======================================================+</span>
|
||
<span class="pink">| LLM 基础设施（多模型路由） |</span>
|
||
<span class="pink">| Claude / GPT / DeepSeek / Llama / Qwen / Mistral |</span>
|
||
<span class="pink">+======================================================+</span>
|
||
| |
|
||
<span class="green">[AES-256-GCM 加密存储]</span> <span class="yellow">[结果推送 Email/Dashboard]</span></div>
|
||
|
||
<h3>Agent 编排模式</h3>
|
||
<div class="info-box">
|
||
<div class="info-box-title">推测：并行执行 + 共享上下文</div>
|
||
<p>基于产品行为观察，6 个 Agent 大概率<strong>并行执行</strong>而非串行。
|
||
每个 Agent 独立负责一个渠道，但共享同一个品牌 Memory（上下文）。</p>
|
||
<p>这类似 <strong>CrewAI 的角色驱动模型</strong>：定义 Agent 身份 + 工具 + 目标，
|
||
由编排层统一管理执行。但 Okara 的实现可能更简单 —— 本质是多个独立的
|
||
<strong>System Prompt + LLM 调用</strong>，通过共享数据库传递品牌上下文。</p>
|
||
</div>
|
||
|
||
<h3>LLM 基础设施</h3>
|
||
<p>
|
||
Okara 平台接入 30+ AI 模型，用于不同任务的最优模型路由。
|
||
但多方评测指出，<strong>AI CMO 的核心引擎主要是 Claude 的封装</strong>（Claude wrapper），
|
||
辅以标准 System Prompt 和基础 Memory 基础设施。
|
||
</p>
|
||
<ul>
|
||
<li><strong>主力模型</strong>：Claude（Anthropic），用于内容生成、SEO 建议、社区回复</li>
|
||
<li><strong>模型切换</strong>：单次对话内可切换模型，1000+ Agent 各有预配置最优模型</li>
|
||
<li><strong>自托管 + API</strong>：部分模型自托管，部分通过 API 访问，零数据留存策略</li>
|
||
<li><strong>加密</strong>：对话存储使用 X25519 + AES-256-GCM 加密（开源：<code>okara-crypto</code>）</li>
|
||
</ul>
|
||
|
||
<h3>Memory 系统</h3>
|
||
<p>Okara 宣称支持"无限上下文记忆"。推测实现方式：</p>
|
||
<ul>
|
||
<li><strong>品牌档案</strong>：首次扫描网站时提取的结构化数据（行业、竞品、核心关键词、品牌语气）</li>
|
||
<li><strong>对话记忆</strong>：历史对话摘要 + 向量检索（标准 RAG 模式）</li>
|
||
<li><strong>任务历史</strong>：每日 Agent 执行结果的累积数据库</li>
|
||
<li><strong>跨 Agent 共享</strong>：所有 Agent 读取同一品牌档案，保证一致性</li>
|
||
</ul>
|
||
</section>
|
||
|
||
<!-- 3. Agents -->
|
||
<section id="agents">
|
||
<h2>3. 六大 Agent 技术逻辑</h2>
|
||
|
||
<!-- SEO -->
|
||
<div class="agent-card seo">
|
||
<h4 style="color:var(--green);">SEO Agent - 网站审计与搜索优化</h4>
|
||
<p><span class="tag tag-green">每日执行</span> <span class="tag tag-cyan">5 项可执行建议/天</span></p>
|
||
|
||
<h4>审计维度</h4>
|
||
<table>
|
||
<tr><th>审计类别</th><th>具体检查项</th></tr>
|
||
<tr><td>技术 SEO</td><td>页面加载速度、移动端优化、SSL、Core Web Vitals</td></tr>
|
||
<tr><td>页面 SEO</td><td>Meta Title/Description、H 标签层级、Canonical、内链结构</td></tr>
|
||
<tr><td>图片优化</td><td>Alt 标签、压缩率、懒加载、WebP 格式</td></tr>
|
||
<tr><td>外链分析</td><td>域名权威度（DA）、引用域数、链接增速、Top 引荐</td></tr>
|
||
<tr><td>SERP 快照</td><td>关键词排名位置、竞品排名页面、搜索可见度</td></tr>
|
||
<tr><td>综合评分</td><td>SEO 总分 + 性能评分 + 页面问题计数</td></tr>
|
||
</table>
|
||
|
||
<h4>推测技术实现</h4>
|
||
<ul>
|
||
<li><strong>爬虫引擎</strong>：可能基于 Puppeteer/Playwright 的无头浏览器爬虫，或调用第三方 API（如 Screaming Frog API、Lighthouse API）</li>
|
||
<li><strong>性能评分</strong>：大概率调用 Google Lighthouse / PageSpeed Insights API</li>
|
||
<li><strong>外链数据</strong>：可能对接 Ahrefs / Moz / Majestic 的 API</li>
|
||
<li><strong>建议生成</strong>：将审计结果 + 品牌上下文注入 LLM，生成自然语言建议</li>
|
||
<li><strong>竞品分析</strong>：爬取相同关键词的 Top 10 SERP 结果，对比分析</li>
|
||
</ul>
|
||
|
||
<div class="info-box warning">
|
||
<div class="info-box-title">技术难度评估</div>
|
||
<p><strong>低-中</strong> —— 网站审计有大量成熟的开源工具和 API 可用。
|
||
难点在于将多源数据整合为有针对性的建议，但 LLM 可以很好地完成这一步。
|
||
这是 Okara 6 个 Agent 中最成熟、最容易实现的。</p>
|
||
</div>
|
||
</div>
|
||
|
||
<!-- GEO -->
|
||
<div class="agent-card geo">
|
||
<h4 style="color:var(--accent);">GEO Agent - 生成式搜索引擎优化</h4>
|
||
<p><span class="tag tag-accent">核心创新</span> <span class="tag tag-yellow">新兴领域</span></p>
|
||
|
||
<h4>GEO Score 评估维度</h4>
|
||
<div class="score-row">
|
||
<span class="score-label">ChatGPT</span>
|
||
<div class="score-bar"><div class="score-fill" style="width:92%;background:var(--green);"></div></div>
|
||
<span class="score-value" style="color:var(--green);">92</span>
|
||
</div>
|
||
<div class="score-row">
|
||
<span class="score-label">Claude</span>
|
||
<div class="score-bar"><div class="score-fill" style="width:88%;background:var(--cyan);"></div></div>
|
||
<span class="score-value" style="color:var(--cyan);">88</span>
|
||
</div>
|
||
<div class="score-row">
|
||
<span class="score-label">Perplexity</span>
|
||
<div class="score-bar"><div class="score-fill" style="width:75%;background:var(--accent);"></div></div>
|
||
<span class="score-value" style="color:var(--accent);">75</span>
|
||
</div>
|
||
<div class="score-row">
|
||
<span class="score-label">Gemini</span>
|
||
<div class="score-bar"><div class="score-fill" style="width:60%;background:var(--yellow);"></div></div>
|
||
<span class="score-value" style="color:var(--yellow);">60</span>
|
||
</div>
|
||
<p class="dim" style="font-size:13px;margin-top:8px;">* 以上为 Okara 官网展示的示例分数</p>
|
||
|
||
<h4>评分维度</h4>
|
||
<ul>
|
||
<li><strong>可见度（Visibility）</strong>：品牌在 AI 回答中被提及的频率</li>
|
||
<li><strong>情感（Sentiment）</strong>：AI 提及品牌时的正面/中性/负面倾向</li>
|
||
<li><strong>平均位置（Average Position）</strong>：品牌在 AI 回答中出现的位置（越靠前越好）</li>
|
||
</ul>
|
||
|
||
<h4>推测技术实现</h4>
|
||
<ul>
|
||
<li><strong>Prompt 矩阵</strong>：构建关键词 x 意图 x 地区的查询矩阵（如 "最好的 XX 工具"、"XX vs YY 对比"）</li>
|
||
<li><strong>批量 AI 查询</strong>：通过各 AI 的 API 程序化发送查询（ChatGPT API、Claude API、Perplexity API）</li>
|
||
<li><strong>回答解析</strong>：用 NLP/LLM 分析回答中的品牌提及、位置、语气</li>
|
||
<li><strong>竞品对比</strong>：同时追踪竞品在相同查询中的表现</li>
|
||
<li><strong>趋势追踪</strong>：每周/月重复查询，绘制可见度趋势线</li>
|
||
</ul>
|
||
|
||
<div class="info-box warning">
|
||
<div class="info-box-title">技术难度评估</div>
|
||
<p><strong>中-高</strong> —— 核心挑战是 <strong>API 成本和速率限制</strong>。
|
||
每次查询需要调用多个 AI 平台 API，成本高昂。同时 AI 回答有随机性，
|
||
需要多次采样取平均。这是整个产品中最具创新性但也最难标准化的部分。</p>
|
||
</div>
|
||
</div>
|
||
|
||
<!-- Writer -->
|
||
<div class="agent-card writer">
|
||
<h4 style="color:var(--cyan);">AI Writer Agent - 内容创作</h4>
|
||
<p><span class="tag tag-cyan">品牌语气一致</span> <span class="tag tag-green">多格式输出</span></p>
|
||
|
||
<h4>核心能力</h4>
|
||
<ul>
|
||
<li><strong>品牌语气维护</strong>：从品牌 Memory 中读取语气风格，确保所有内容一致</li>
|
||
<li><strong>内容格式</strong>：博客文章、产品描述、落地页文案、社交媒体帖子</li>
|
||
<li><strong>SEO 协同</strong>：基于 SEO Agent 的关键词建议生成优化内容</li>
|
||
<li><strong>内容日历</strong>：基于行业趋势和竞品动态建议发布节奏</li>
|
||
</ul>
|
||
|
||
<h4>推测技术实现</h4>
|
||
<p>本质上是 <strong>Brand Context + SEO Keywords + LLM Generation</strong>。
|
||
将品牌档案、目标关键词、竞品内容分析作为上下文注入 Claude/GPT，
|
||
通过 System Prompt 控制语气和格式。这是标准的 LLM 应用模式。</p>
|
||
|
||
<div class="info-box">
|
||
<div class="info-box-title">技术难度评估</div>
|
||
<p><strong>低</strong> —— 最容易实现的 Agent。核心是 Prompt Engineering + 品牌上下文管理。
|
||
任何有 LLM API 经验的开发者都能在几天内构建。</p>
|
||
</div>
|
||
</div>
|
||
|
||
<!-- Reddit -->
|
||
<div class="agent-card reddit">
|
||
<h4 style="color:var(--orange);">Reddit Agent - 社区互动</h4>
|
||
<p><span class="tag tag-red">高风险</span> <span class="tag tag-yellow">反垃圾挑战</span></p>
|
||
|
||
<h4>工作逻辑</h4>
|
||
<ul>
|
||
<li><strong>话题监控</strong>：追踪与产品相关的 subreddit 和关键词</li>
|
||
<li><strong>线程发现</strong>：找到用户讨论产品所在品类的帖子</li>
|
||
<li><strong>回复生成</strong>：生成与上下文匹配的、有价值的回复，自然地提及产品</li>
|
||
<li><strong>语气适配</strong>：Reddit 需要更口语化、更有个性的语气</li>
|
||
</ul>
|
||
|
||
<h4>推测技术实现</h4>
|
||
<ul>
|
||
<li><strong>Reddit API</strong>：使用 Reddit API / PRAW 抓取帖子和评论</li>
|
||
<li><strong>关键词匹配 + 语义搜索</strong>：找到相关讨论</li>
|
||
<li><strong>回复生成</strong>：LLM 基于帖子内容 + 品牌上下文生成回复</li>
|
||
<li><strong>投放策略</strong>：可能只建议回复内容，由用户手动发布（或通过 API 自动发布）</li>
|
||
</ul>
|
||
|
||
<div class="info-box critical">
|
||
<div class="info-box-title">重大风险：反垃圾检测</div>
|
||
<p>Reddit 的反垃圾系统非常严格。2024-2025 年 AI 内容规则数量翻倍，多数 subreddit 明确禁止 AI 生成内容。</p>
|
||
<p><strong>已知问题</strong>：Okara 的 Reddit Agent 生成的内容已被报告<strong>触发垃圾封禁</strong>。
|
||
在 Reddit 这种注重社区文化的平台上，机器人化的回复（过于礼貌、条理清晰、格式完美）反而是最大的破绽。</p>
|
||
<p>Reddit 的 Responsible Builder Policy 明确规定：自动化帖子/评论/私信中不得有垃圾行为，
|
||
包括跨 subreddit 发布相同或实质相似的内容。</p>
|
||
</div>
|
||
</div>
|
||
|
||
<!-- HN -->
|
||
<div class="agent-card hn">
|
||
<h4 style="color:var(--yellow);">Hacker News Agent - 技术社区</h4>
|
||
<p><span class="tag tag-red">极高风险</span> <span class="tag tag-yellow">最严格社区</span></p>
|
||
|
||
<h4>工作逻辑</h4>
|
||
<ul>
|
||
<li>适配 HN 的技术受众和更高的内容标准</li>
|
||
<li>建议可以提交的帖子主题（Show HN 等）</li>
|
||
<li>监控产品可能被讨论的相关线程</li>
|
||
<li>生成技术导向的评论和回复</li>
|
||
</ul>
|
||
|
||
<div class="info-box critical">
|
||
<div class="info-box-title">HN 的独特挑战</div>
|
||
<p>Hacker News 的社区比 Reddit 更难自动化互动。HN 用户对营销内容极度敏感，
|
||
任何被察觉的自我推广都会被迅速 flag。HN 有专门的反作弊系统（dang 等管理员活跃巡逻）。
|
||
<strong>在 HN 上使用 AI 自动发帖，几乎可以确定被封号。</strong></p>
|
||
</div>
|
||
</div>
|
||
|
||
<!-- X -->
|
||
<div class="agent-card x">
|
||
<h4 style="color:var(--pink);">X (Twitter) Agent - 社交媒体</h4>
|
||
<p><span class="tag tag-yellow">中等风险</span> <span class="tag tag-cyan">内容生成</span></p>
|
||
|
||
<h4>工作逻辑</h4>
|
||
<ul>
|
||
<li>生成与品牌相关的推文建议</li>
|
||
<li>追踪行业热点话题</li>
|
||
<li>优化发布时间和频率</li>
|
||
<li>互动策略（回复、引用推文）</li>
|
||
</ul>
|
||
|
||
<div class="info-box warning">
|
||
<div class="info-box-title">已知问题</div>
|
||
<p>多位用户报告 X Agent 会<strong>建议发布关于 Okara 自身的推广推文</strong>，
|
||
而非用户的品牌内容。这暴露了 System Prompt 中可能存在的 Okara 品牌植入问题。</p>
|
||
</div>
|
||
</div>
|
||
</section>
|
||
|
||
<!-- 4. GEO Deep Dive -->
|
||
<section id="geo-deep">
|
||
<h2>4. GEO 概念深度剖析</h2>
|
||
|
||
<h3>什么是 GEO（生成式搜索引擎优化）？</h3>
|
||
<blockquote>
|
||
"当用户向 ChatGPT 询问'最好的 XX 工具'时，你的品牌会被提及吗？
|
||
还是 AI 只推荐你的竞争对手？" —— 这就是 GEO 要解决的核心问题。
|
||
</blockquote>
|
||
|
||
<p>
|
||
<strong>传统 SEO</strong> 优化网站在 Google 搜索结果中的排名。<br>
|
||
<strong>GEO</strong> 优化品牌在 AI 生成回答中的可见度和被引用概率。
|
||
</p>
|
||
|
||
<h3>SEO vs GEO 核心差异</h3>
|
||
<table>
|
||
<tr><th>维度</th><th>传统 SEO</th><th>GEO (生成式引擎优化)</th></tr>
|
||
<tr><td>优化目标</td><td>Google/Bing 搜索排名</td><td>ChatGPT/Claude/Perplexity 回答中被引用</td></tr>
|
||
<tr><td>核心指标</td><td>排名位置、点击率、流量</td><td>提及率、引用率、情感分析、声量占比</td></tr>
|
||
<tr><td>内容策略</td><td>关键词密度、反链建设</td><td>权威性引用、统计数据、清晰结构化</td></tr>
|
||
<tr><td>流量来源</td><td>搜索引擎结果页 (SERP)</td><td>AI 生成回答中的引用链接</td></tr>
|
||
<tr><td>关键词填充效果</td><td>有一定效果</td><td>无效甚至负面（学术验证）</td></tr>
|
||
<tr><td>排名因素</td><td>PageRank、权威度、相关性</td><td>实体清晰度、多平台一致性、可提取性</td></tr>
|
||
<tr><td>竞争环境</td><td>10 个蓝色链接竞争</td><td>AI 综合回答中的品牌推荐竞争</td></tr>
|
||
</table>
|
||
|
||
<h3>学术研究基础</h3>
|
||
<div class="info-box success">
|
||
<div class="info-box-title">GEO 奠基论文：Princeton/IIT Delhi/Georgia Tech 联合研究</div>
|
||
<p><strong>论文</strong>：Aggarwal, Murahari, Rajpurohit, Kalyan, Narasimhan, Deshpande.
|
||
"GEO: Generative Engine Optimization." KDD 2024.</p>
|
||
<p><strong>核心发现</strong>：GEO 优化可将 AI 回答中的品牌可见度提升最高 <strong>40%</strong>。</p>
|
||
</div>
|
||
|
||
<h4>论文测试的 9 种优化策略</h4>
|
||
<table>
|
||
<tr><th>策略</th><th>效果</th><th>说明</th></tr>
|
||
<tr><td>添加引用 (Cite Sources)</td><td><span class="tag tag-green">+30-40%</span></td><td>在内容中添加权威来源引用，效果最佳</td></tr>
|
||
<tr><td>添加引语 (Quotation)</td><td><span class="tag tag-green">+30-40%</span></td><td>直接引用专家/数据，显著提升可见度</td></tr>
|
||
<tr><td>添加统计 (Statistics)</td><td><span class="tag tag-green">+25-35%</span></td><td>在内容中嵌入具体数据和统计信息</td></tr>
|
||
<tr><td>权威语气 (Authoritative)</td><td><span class="tag tag-yellow">+15-25%</span></td><td>增强说服力，在辩论/历史类效果好</td></tr>
|
||
<tr><td>专业术语 (Technical Terms)</td><td><span class="tag tag-yellow">+10-20%</span></td><td>使用领域专业词汇</td></tr>
|
||
<tr><td>独特用词 (Unique Words)</td><td><span class="tag tag-yellow">+10-15%</span></td><td>新颖表达方式</td></tr>
|
||
<tr><td>易于理解 (Easy-to-Understand)</td><td><span class="tag tag-yellow">+5-15%</span></td><td>简化语言</td></tr>
|
||
<tr><td>流畅性 (Fluency)</td><td><span class="tag tag-yellow">+5-10%</span></td><td>文本质量优化</td></tr>
|
||
<tr><td>关键词填充 (Keyword Stuffing)</td><td><span class="tag tag-red">0 / 负面</span></td><td>传统 SEO 策略在 GEO 中无效甚至有害</td></tr>
|
||
</table>
|
||
|
||
<h4>论文关键发现</h4>
|
||
<ul>
|
||
<li><strong>低排名网站获益最大</strong>：引用策略为低排名网站带来 <strong>115.1%</strong> 可见度提升，而高排名网站反而下降 -30.3%。GEO 有"民主化"效应。</li>
|
||
<li><strong>策略效果因领域而异</strong>：权威语气在辩论/历史类最佳，统计数据在法律/政府类最佳，引语在人文/社会类最佳。</li>
|
||
<li><strong>Perplexity 验证</strong>：在 Perplexity.ai 上的真实测试确认引语策略带来 22% 提升。</li>
|
||
</ul>
|
||
|
||
<h3>技术实现：如何追踪 AI 品牌可见度？</h3>
|
||
<h4>方法论框架</h4>
|
||
<ol>
|
||
<li><strong>构建 Prompt 矩阵</strong>：按意图（问题/解决方案/对比/推荐）、地区、用户画像分类</li>
|
||
<li><strong>多引擎查询</strong>：同时向 ChatGPT、Claude、Perplexity、Gemini 发送相同查询</li>
|
||
<li><strong>回答解析</strong>：NLP 提取品牌提及、位置、上下文、情感</li>
|
||
<li><strong>引用映射</strong>：追踪 AI 优先引用的域名和内容来源</li>
|
||
<li><strong>竞品对比</strong>：计算品牌 vs 竞品的声量占比（Answer Share of Voice）</li>
|
||
<li><strong>时间序列</strong>：每周/月归一化结果，绘制趋势</li>
|
||
</ol>
|
||
|
||
<h4>核心公式</h4>
|
||
<div class="code-block">
|
||
<span class="comment">// 回答声量占比 (Answer Share of Voice)</span>
|
||
<span class="func">ASoV</span> = (<span class="keyword">包含品牌的 prompt 数</span>) / (<span class="keyword">总测试 prompt 数</span>) <span class="keyword">per engine</span>
|
||
|
||
<span class="comment">// 位置加权词数 (Position-Adjusted Word Count)</span>
|
||
<span class="func">Imp_pwc</span>(s_k) = sum(|c_j| * <span class="keyword">exp(-j)</span>) <span class="comment">// j = 引用位置，指数衰减</span>
|
||
|
||
<span class="comment">// 主观印象分 (Subjective Impression)</span>
|
||
<span class="func">Imp_sub</span> = <span class="keyword">G-Eval</span>(relevance, influence, uniqueness,
|
||
positioning, amount, CTR_likelihood, diversity)
|
||
</div>
|
||
|
||
<h3>GEO 市场生态（2026）</h3>
|
||
<table>
|
||
<tr><th>平台</th><th>定价</th><th>特色</th></tr>
|
||
<tr><td>Okara GEO Agent</td><td>$99/月（含 CMO）</td><td>集成在 AI CMO 中，非独立产品</td></tr>
|
||
<tr><td>Semrush AI Visibility</td><td>$99/月起</td><td>行业领导者，被 Adobe 收购（$1.9B）</td></tr>
|
||
<tr><td>Ahrefs Brand Radar</td><td>$199/月起</td><td>强大的反链和 AI 可见度分析</td></tr>
|
||
<tr><td>AthenaHQ</td><td>$270-295/月</td><td>300 万回答目录，30 万域名映射</td></tr>
|
||
<tr><td>Profound</td><td>$499/月起</td><td>企业级，监控 10+ AI 引擎</td></tr>
|
||
<tr><td>Peec AI</td><td>85 欧/月起</td><td>性价比选择</td></tr>
|
||
<tr><td>OtterlyAI</td><td>按需定价</td><td>20,000+ 营销专业人士使用</td></tr>
|
||
</table>
|
||
</section>
|
||
|
||
<!-- 5. AgentSea -->
|
||
<section id="agentsea">
|
||
<h2>5. AgentSea 技术遗产</h2>
|
||
|
||
<h3>AgentSea 是什么？</h3>
|
||
<p>
|
||
AgentSea 是 Okara 的前身，一个开源 AI Agent 开发平台。它的设计哲学是
|
||
<strong>Unix 风格的模块化工具集</strong> —— 每个工具只做一件事，组合使用。
|
||
AgentSea 在 GitHub 上有 47+ 个仓库，主要用 Python、TypeScript 和 Rust 开发。
|
||
</p>
|
||
|
||
<h3>核心组件</h3>
|
||
<div class="card-grid">
|
||
<div class="card">
|
||
<div class="card-title">
|
||
<span class="icon" style="background:rgba(52,211,153,0.2);color:var(--green);">S</span>
|
||
SurfKit (192 stars)
|
||
</div>
|
||
<p><strong>Kubernetes 风格的 Agent 编排器</strong>。支持本地 Docker、K8s、GCE 部署。
|
||
Agent 容器化，通过 <code>solve()</code> 异步提交任务。Python + Poetry。</p>
|
||
</div>
|
||
<div class="card">
|
||
<div class="card-title">
|
||
<span class="icon" style="background:rgba(34,211,238,0.2);color:var(--cyan);">D</span>
|
||
AgentDesk
|
||
</div>
|
||
<p><strong>AI Agent 的虚拟桌面</strong>。在本地/GCP/AWS 运行 VM，Agent 通过 HTTP API
|
||
控制鼠标和键盘。基于 agentd 守护进程。</p>
|
||
</div>
|
||
<div class="card">
|
||
<div class="card-title">
|
||
<span class="icon" style="background:rgba(251,191,36,0.2);color:var(--yellow);">T</span>
|
||
Taskara
|
||
</div>
|
||
<p><strong>Agent 任务管理</strong>。跟踪任务创建/分配/执行日志/完成/失败。
|
||
SurfKit 内部使用 Taskara 管理任务生命周期。</p>
|
||
</div>
|
||
<div class="card">
|
||
<div class="card-title">
|
||
<span class="icon" style="background:rgba(124,92,252,0.2);color:var(--accent);">R</span>
|
||
r1-computer-use (221 stars)
|
||
</div>
|
||
<p><strong>将 DeepSeek R1 思想应用于 Computer Use</strong>。最高星数项目。
|
||
实验性质，探索 RL 在 GUI 操控中的应用。</p>
|
||
</div>
|
||
<div class="card">
|
||
<div class="card-title">
|
||
<span class="icon" style="background:rgba(248,113,113,0.2);color:var(--red);">F</span>
|
||
Flashbacker (55 stars)
|
||
</div>
|
||
<p><strong>Claude Code 状态管理</strong>。会话连续性 + AI Persona + 子 Agent + Agent 讨论。
|
||
TypeScript。最新项目之一。</p>
|
||
</div>
|
||
<div class="card">
|
||
<div class="card-title">
|
||
<span class="icon" style="background:rgba(244,114,182,0.2);color:var(--pink);">N</span>
|
||
Nebulous (52 stars)
|
||
</div>
|
||
<p><strong>全球分布式容器编排器</strong>。用 Rust 开发。表明团队在分布式系统方面有深度技术能力。</p>
|
||
</div>
|
||
</div>
|
||
|
||
<h3>SurfKit 技术架构详解</h3>
|
||
<div class="code-block">
|
||
<span class="comment"># SurfKit 工作流示例</span>
|
||
<span class="keyword">from</span> surfkit <span class="keyword">import</span> solve
|
||
|
||
<span class="comment"># 异步提交任务给 Agent</span>
|
||
task = <span class="func">solve</span>(
|
||
<span class="string">"审计 example.com 的 SEO 状况"</span>,
|
||
agent_type=<span class="string">"okara/seo-agent"</span>,
|
||
device_type=<span class="string">"desktop"</span> <span class="comment"># 容器化桌面环境</span>
|
||
)
|
||
|
||
<span class="comment"># 等待完成</span>
|
||
task.<span class="func">wait_for_done</span>()
|
||
result = task.result
|
||
|
||
<span class="comment"># CLI 命令</span>
|
||
<span class="comment"># surfkit agent create --name seo-agent --runtime docker</span>
|
||
<span class="comment"># surfkit solve "审计 SEO" --agent seo-agent --device desktop</span>
|
||
</div>
|
||
|
||
<h3>集成生态</h3>
|
||
<table>
|
||
<tr><th>组件</th><th>功能</th><th>关系</th></tr>
|
||
<tr><td>MLLM</td><td>Prompt 管理、路由、Schema 验证</td><td>LLM 调用的中间层</td></tr>
|
||
<tr><td>Taskara</td><td>任务管理</td><td>SurfKit 内部使用</td></tr>
|
||
<tr><td>Skillpacks</td><td>Agent 微调</td><td>特定任务的能力包</td></tr>
|
||
<tr><td>Threadmem</td><td>线程/对话管理</td><td>Agent 记忆系统</td></tr>
|
||
<tr><td>Orign</td><td>Agent 强化学习</td><td>Rust 实现的 RL 框架</td></tr>
|
||
</table>
|
||
|
||
<h3>从 AgentSea 到 AI CMO 的技术桥接</h3>
|
||
<div class="info-box">
|
||
<div class="info-box-title">关键推测</div>
|
||
<p>AgentSea 的基础设施（Agent 编排 + 任务管理 + 对话记忆 + 多模型路由）
|
||
直接为 AI CMO 提供了底层框架。但从 "通用 Agent 开发平台" 到 "营销自动化产品" 的转变中，
|
||
大部分 AgentSea 的 Computer Use 能力（桌面操控、GUI 导航）并未直接使用。</p>
|
||
<p>AI CMO 更可能是一个<strong>精简版本</strong>：保留了任务调度、Agent 编排、Memory 管理的核心，
|
||
但将 Agent 实现简化为 <strong>System Prompt + LLM API 调用 + 第三方工具 API</strong>。</p>
|
||
</div>
|
||
</section>
|
||
|
||
<!-- 6. Tech Stack -->
|
||
<section id="tech-stack">
|
||
<h2>6. 技术栈推测</h2>
|
||
|
||
<h3>基于公开信息的技术栈推测</h3>
|
||
<table>
|
||
<tr><th>层级</th><th>推测技术</th><th>依据</th></tr>
|
||
<tr><td>前端</td><td>React / Next.js + TypeScript</td><td>okara-crypto 为 TypeScript，现代 SaaS 标配</td></tr>
|
||
<tr><td>后端</td><td>Python (FastAPI / Flask) + TypeScript</td><td>SurfKit 用 Python，Flashbacker 用 TypeScript</td></tr>
|
||
<tr><td>Agent 框架</td><td>自研（基于 SurfKit/Taskara 简化版）</td><td>AgentSea 有完整 Agent 基础设施</td></tr>
|
||
<tr><td>LLM 路由</td><td>MLLM 库 / 自研路由器</td><td>AgentSea 的 MLLM 组件</td></tr>
|
||
<tr><td>主力 LLM</td><td>Claude (Anthropic)</td><td>多方评测指出是 Claude wrapper</td></tr>
|
||
<tr><td>辅助 LLM</td><td>GPT-5、DeepSeek V3、Llama 4</td><td>官网列出 30+ 模型</td></tr>
|
||
<tr><td>加密</td><td>X25519 + AES-256-GCM + Argon2id</td><td>开源代码 okara-crypto</td></tr>
|
||
<tr><td>爬虫</td><td>Puppeteer / Playwright / Lighthouse API</td><td>SEO 审计需要无头浏览器</td></tr>
|
||
<tr><td>SEO 数据</td><td>第三方 API (Ahrefs/Moz/Majestic)</td><td>外链数据需要大规模索引</td></tr>
|
||
<tr><td>GEO 监控</td><td>ChatGPT/Claude/Perplexity API 批量查询</td><td>GEO 需要程序化查询 AI</td></tr>
|
||
<tr><td>任务调度</td><td>Cron / 消息队列 (Redis/RabbitMQ)</td><td>每日任务执行需要调度器</td></tr>
|
||
<tr><td>数据库</td><td>PostgreSQL + Redis</td><td>标准 SaaS 选择</td></tr>
|
||
<tr><td>社交 API</td><td>Reddit API, X API v2, HN API</td><td>社区 Agent 需要平台 API</td></tr>
|
||
<tr><td>部署</td><td>Docker + K8s (自研 Nebulous?)</td><td>AgentSea 有分布式编排器</td></tr>
|
||
<tr><td>CDN/边缘</td><td>Cloudflare / Vercel</td><td>新加坡团队，全球用户</td></tr>
|
||
</table>
|
||
|
||
<h3>加密实现详解</h3>
|
||
<p>Okara 开源了其加密库 <code>okara-crypto</code>（GitHub: askOkara/okara-crypto），
|
||
这是唯一公开的技术实现代码：</p>
|
||
|
||
<div class="code-block">
|
||
<span class="comment">// 消息加密流程</span>
|
||
<span class="keyword">1.</span> 用户发送明文消息 (HTTPS/TLS 1.3)
|
||
<span class="keyword">2.</span> 消息明文传递给 AI 模型处理（必须明文才能推理）
|
||
<span class="keyword">3.</span> AI 回复后，生成临时 X25519 密钥对
|
||
<span class="keyword">4.</span> ECDH 密钥协商 + HKDF-SHA512 派生 AES 密钥
|
||
<span class="keyword">5.</span> AES-256-GCM 加密后存入数据库
|
||
|
||
<span class="comment">// 存储格式</span>
|
||
<span class="func">encrypted_payload</span> = ephemeral_pub_key (32B)
|
||
+ IV (16B)
|
||
+ auth_tag (16B)
|
||
+ ciphertext
|
||
|
||
<span class="comment">// 密码保护私钥</span>
|
||
6位密码 -> <span class="func">Argon2id</span>(t=4, m=128MB, p=2) -> AES-256-GCM 加密私钥
|
||
</div>
|
||
</section>
|
||
|
||
<!-- 7. Challenges -->
|
||
<section id="challenges">
|
||
<h2>7. 技术挑战与硬问题</h2>
|
||
|
||
<div class="card-grid">
|
||
<div class="card" style="border-color:var(--red);">
|
||
<div class="card-title" style="color:var(--red);">反垃圾检测逃避</div>
|
||
<p>Reddit/HN 的反垃圾系统越来越智能。AI 生成内容的特征（过于礼貌、格式完美、中立客观）
|
||
恰恰是最容易被检测的。Reddit BotBuster 等工具专门检测 AI 帖子。
|
||
<strong>这是 Okara 最大的技术债务。</strong></p>
|
||
</div>
|
||
<div class="card" style="border-color:var(--yellow);">
|
||
<div class="card-title" style="color:var(--yellow);">GEO 测量的不确定性</div>
|
||
<p>AI 回答有固有随机性（temperature > 0），同一查询多次执行结果不同。
|
||
论文建议 5 次采样取平均，但这 5x 了 API 成本。40-60% 的引用来源每月变化，
|
||
导致 GEO 分数波动大。</p>
|
||
</div>
|
||
<div class="card" style="border-color:var(--orange);">
|
||
<div class="card-title" style="color:var(--orange);">API 成本与速率限制</div>
|
||
<p>GEO 监控需要向 4+ AI 平台批量发送查询。按 100 个关键词 x 4 平台 x 5 次采样 = 2,000 次 API 调用/轮。
|
||
以 GPT-4 级别定价，仅 GEO 一项的 API 成本就可能超过用户月费。</p>
|
||
</div>
|
||
<div class="card" style="border-color:var(--accent);">
|
||
<div class="card-title" style="color:var(--accent);">多 Agent 上下文一致性</div>
|
||
<p>6 个 Agent 独立运行但需要维护一致的品牌认知。如果 SEO Agent 建议的关键词与
|
||
Writer Agent 生成的内容不一致，或 Reddit Agent 的语气与品牌定位冲突，
|
||
会产生矛盾输出。</p>
|
||
</div>
|
||
<div class="card" style="border-color:var(--cyan);">
|
||
<div class="card-title" style="color:var(--cyan);">品牌语气一致性</div>
|
||
<p>不同平台需要不同语气（Reddit 口语化、HN 技术化、X 简洁化），
|
||
同时要保持品牌核心信息一致。这需要精细的 Prompt 工程和持续调优。
|
||
当前报告显示内容质量 "过于通用" 和 "过时"。</p>
|
||
</div>
|
||
<div class="card" style="border-color:var(--pink);">
|
||
<div class="card-title" style="color:var(--pink);">实时 SEO 爬虫规模</div>
|
||
<p>为每个用户每天爬取网站并生成审计报告，需要大量计算资源。
|
||
如果用户数激增（病毒传播后），爬虫基础设施的扩展是硬挑战。
|
||
可能需要分批执行和结果缓存策略。</p>
|
||
</div>
|
||
</div>
|
||
|
||
<h3>成本结构分析</h3>
|
||
<div class="info-box warning">
|
||
<div class="info-box-title">$99/月能覆盖成本吗？</div>
|
||
<p>粗略估算每用户每月成本：</p>
|
||
<ul>
|
||
<li><strong>LLM API 调用</strong>（内容生成、SEO 建议、社区回复）：~$10-30</li>
|
||
<li><strong>GEO 监控</strong>（批量 AI 查询）：~$20-50</li>
|
||
<li><strong>SEO 数据 API</strong>（Ahrefs/Moz 按调用计费）：~$5-15</li>
|
||
<li><strong>爬虫基础设施</strong>：~$3-8</li>
|
||
<li><strong>基础设施/带宽</strong>：~$2-5</li>
|
||
<li><strong>总计</strong>：~$40-108/用户/月</li>
|
||
</ul>
|
||
<p>利润率很薄，尤其在 GEO 监控密集的情况下。这解释了为什么产品可能在 GEO 监控频率上做了妥协（如每周而非每日查询）。</p>
|
||
</div>
|
||
</section>
|
||
|
||
<!-- 8. Criticism -->
|
||
<section id="criticism">
|
||
<h2>8. 社区批评与真实评价</h2>
|
||
|
||
<h3>正面评价</h3>
|
||
<ul>
|
||
<li>产品定位精准 —— $99/月 vs 数万美元的营销团队，击中了独立开发者的痛点</li>
|
||
<li>GEO 概念前瞻 —— 在 AI 搜索兴起的时代，GEO 是真实需求</li>
|
||
<li>病毒传播证明了市场需求 —— 8M+ 浏览量不是靠买量能做到的</li>
|
||
<li>加密架构严谨 —— 开源的 okara-crypto 代码质量可靠</li>
|
||
</ul>
|
||
|
||
<h3>核心批评</h3>
|
||
|
||
<div class="info-box critical">
|
||
<div class="info-box-title">"本质上是一个 Claude Wrapper"</div>
|
||
<p>来自 Efficienist 的技术分析指出：产品并非革命性的自主 Agent，
|
||
而是基于简单 System Prompt 和标准 Memory 基础设施的 <strong>Claude 封装</strong>。
|
||
暴露的错误信息证实了这一点。</p>
|
||
</div>
|
||
|
||
<div class="info-box critical">
|
||
<div class="info-box-title">内容质量问题</div>
|
||
<p>多位用户报告生成的内容 "过时"、"极度通用"、"质量低下"。
|
||
Agent 甚至建议用户发布关于 Okara 自身的推广推文，而非用户品牌的内容。
|
||
基本连接性问题导致部分功能无法正常工作。</p>
|
||
</div>
|
||
|
||
<div class="info-box critical">
|
||
<div class="info-box-title">社区平台封禁风险</div>
|
||
<p>无人监管的自动化在 Reddit 和 HN 等严格平台上<strong>立即触发垃圾封禁</strong>。
|
||
产品缺乏对社区规则的深度理解，生成的回复明显是机器人风格。</p>
|
||
</div>
|
||
|
||
<blockquote>
|
||
"说实话，用 Claude Code 就能做所有这些事情。"<br>
|
||
—— Hacker News 用户 mrprincerawat
|
||
</blockquote>
|
||
|
||
<div class="info-box warning">
|
||
<div class="info-box-title">无性能数据</div>
|
||
<p>Okara 没有公布任何性能基准数据 —— 没有用户案例研究、没有 A/B 测试结果、
|
||
没有流量增长数据。$99/月的定价完全基于承诺而非验证过的结果。
|
||
早期用户本质上是在<strong>免费 beta 测试一个不稳定的实验品</strong>。</p>
|
||
</div>
|
||
</section>
|
||
|
||
<!-- 9. Reproducibility -->
|
||
<section id="reproducibility">
|
||
<h2>9. 可复现性评估</h2>
|
||
|
||
<h3>各组件难度评分</h3>
|
||
<table>
|
||
<tr>
|
||
<th>组件</th>
|
||
<th>技术难度</th>
|
||
<th>独立开发可行性</th>
|
||
<th>核心技术</th>
|
||
</tr>
|
||
<tr>
|
||
<td>SEO 审计 Agent</td>
|
||
<td><span class="tag tag-green">低</span></td>
|
||
<td><span class="tag tag-green">完全可行</span></td>
|
||
<td>Lighthouse API + Puppeteer + LLM 总结</td>
|
||
</tr>
|
||
<tr>
|
||
<td>AI Writer Agent</td>
|
||
<td><span class="tag tag-green">低</span></td>
|
||
<td><span class="tag tag-green">完全可行</span></td>
|
||
<td>品牌上下文 + LLM API + Prompt 模板</td>
|
||
</tr>
|
||
<tr>
|
||
<td>X (Twitter) Agent</td>
|
||
<td><span class="tag tag-green">低</span></td>
|
||
<td><span class="tag tag-green">完全可行</span></td>
|
||
<td>X API v2 + LLM 内容生成</td>
|
||
</tr>
|
||
<tr>
|
||
<td>Reddit Agent</td>
|
||
<td><span class="tag tag-yellow">中</span></td>
|
||
<td><span class="tag tag-yellow">可行但高风险</span></td>
|
||
<td>Reddit API + 语义搜索 + 反垃圾策略</td>
|
||
</tr>
|
||
<tr>
|
||
<td>HN Agent</td>
|
||
<td><span class="tag tag-yellow">中</span></td>
|
||
<td><span class="tag tag-red">不建议自动化</span></td>
|
||
<td>HN API + 极高封号风险</td>
|
||
</tr>
|
||
<tr>
|
||
<td>GEO 监控 Agent</td>
|
||
<td><span class="tag tag-red">高</span></td>
|
||
<td><span class="tag tag-yellow">可行但成本高</span></td>
|
||
<td>多 AI API + NLP 分析 + 统计采样</td>
|
||
</tr>
|
||
<tr>
|
||
<td>CMO 编排层</td>
|
||
<td><span class="tag tag-yellow">中</span></td>
|
||
<td><span class="tag tag-green">完全可行</span></td>
|
||
<td>Cron + 任务队列 + 共享 Memory</td>
|
||
</tr>
|
||
<tr>
|
||
<td>品牌 Memory 系统</td>
|
||
<td><span class="tag tag-green">低-中</span></td>
|
||
<td><span class="tag tag-green">完全可行</span></td>
|
||
<td>结构化数据 + 向量存储 + RAG</td>
|
||
</tr>
|
||
</table>
|
||
|
||
<div class="verdict">
|
||
<h3>总体评估</h3>
|
||
<p style="font-size:18px;color:var(--text);">
|
||
Okara AI CMO 的 <strong>80% 功能可以被独立开发者复现</strong>。<br>
|
||
核心技术并非突破性创新，而是 <strong>LLM API + 第三方工具 API + Prompt Engineering</strong> 的巧妙组合。
|
||
</p>
|
||
<p style="color:var(--text-dim);margin-top:12px;">
|
||
真正的壁垒不是技术，而是：(1) 产品化包装 (2) 用户获取 (3) 持续迭代优化。<br>
|
||
GEO 监控是唯一有技术深度的部分，但市面已有多个专业工具可替代。
|
||
</p>
|
||
</div>
|
||
</section>
|
||
|
||
<!-- 10. Build Guide -->
|
||
<section id="build-guide">
|
||
<h2>10. 独立开发者构建指南</h2>
|
||
|
||
<h3>推荐技术栈</h3>
|
||
<div class="code-block">
|
||
<span class="comment"># Agent 框架选择</span>
|
||
<span class="keyword">Option A</span>: CrewAI <span class="comment">-- 角色驱动，最适合多 Agent 营销场景</span>
|
||
<span class="keyword">Option B</span>: LangGraph <span class="comment">-- 状态机模式，精确控制执行流程</span>
|
||
<span class="keyword">Option C</span>: n8n + OpenAI <span class="comment">-- 低代码，快速搭建 workflow</span>
|
||
|
||
<span class="comment"># LLM</span>
|
||
<span class="func">Primary</span>: Claude 4.1 Sonnet <span class="comment">-- 最佳性价比</span>
|
||
<span class="func">Fallback</span>: GPT-4o / DeepSeek V3 <span class="comment">-- 备用</span>
|
||
|
||
<span class="comment"># SEO 审计</span>
|
||
<span class="func">Crawler</span>: Playwright / Puppeteer
|
||
<span class="func">Performance</span>: Google Lighthouse API (免费)
|
||
<span class="func">Backlinks</span>: Ahrefs API / Moz API (按调用付费)
|
||
<span class="func">Open Source</span>: Greenflare / SEOnaut
|
||
|
||
<span class="comment"># GEO 监控</span>
|
||
<span class="func">ChatGPT</span>: OpenAI API (chat completions)
|
||
<span class="func">Claude</span>: Anthropic API
|
||
<span class="func">Perplexity</span>: Perplexity API
|
||
<span class="func">Analysis</span>: LLM 自身分析回答中的品牌提及
|
||
|
||
<span class="comment"># 社交平台</span>
|
||
<span class="func">Reddit</span>: PRAW (Python Reddit API Wrapper)
|
||
<span class="func">X</span>: tweepy / X API v2
|
||
<span class="func">HN</span>: HN Firebase API (只读推荐)
|
||
|
||
<span class="comment"># 基础设施</span>
|
||
<span class="func">Backend</span>: FastAPI (Python) / Express (Node.js)
|
||
<span class="func">Database</span>: PostgreSQL + pgvector (向量搜索)
|
||
<span class="func">Queue</span>: Redis / BullMQ (任务调度)
|
||
<span class="func">Scheduler</span>: node-cron / APScheduler
|
||
</div>
|
||
|
||
<h3>最小可行产品 (MVP) 路线图</h3>
|
||
<table>
|
||
<tr><th>阶段</th><th>功能</th><th>时间</th><th>成本</th></tr>
|
||
<tr><td>Phase 1</td><td>网站爬虫 + SEO 审计 + LLM 建议</td><td>1 周</td><td>Lighthouse API 免费</td></tr>
|
||
<tr><td>Phase 2</td><td>品牌 Memory 系统 + AI Writer</td><td>3 天</td><td>Claude API ~$20/月</td></tr>
|
||
<tr><td>Phase 3</td><td>GEO 基础监控（手动 Prompt 矩阵）</td><td>1 周</td><td>多 AI API ~$50/月</td></tr>
|
||
<tr><td>Phase 4</td><td>Reddit/X Agent（建议模式，不自动发布）</td><td>1 周</td><td>Reddit/X API 免费层</td></tr>
|
||
<tr><td>Phase 5</td><td>编排层 + 每日邮件报告 + Dashboard</td><td>1 周</td><td>基础设施 ~$10/月</td></tr>
|
||
</table>
|
||
<p class="dim">总计约 4 周开发时间，月运营成本约 $80-100/用户（与 Okara 定价接近，利润空间极小）。</p>
|
||
|
||
<h3>开源替代工具</h3>
|
||
<table>
|
||
<tr><th>Okara 功能</th><th>开源/免费替代</th></tr>
|
||
<tr><td>SEO 爬虫审计</td><td>Greenflare, SEOnaut, Lighthouse CLI, seo-tools-api</td></tr>
|
||
<tr><td>多 Agent 编排</td><td>CrewAI, LangGraph, AutoGen, n8n</td></tr>
|
||
<tr><td>内容生成</td><td>任何 LLM API + Prompt 模板</td></tr>
|
||
<tr><td>Reddit 监控</td><td>PRAW (Python), TaskAGI Reddit Agent</td></tr>
|
||
<tr><td>GEO 监控</td><td>自建（AI API 批量查询）/ LLMrefs / Peec AI</td></tr>
|
||
<tr><td>品牌 Memory</td><td>pgvector + LangChain RAG / ChromaDB</td></tr>
|
||
<tr><td>任务调度</td><td>BullMQ, Celery, APScheduler</td></tr>
|
||
<tr><td>加密存储</td><td>okara-crypto (MIT, 开源)</td></tr>
|
||
</table>
|
||
|
||
<h3>关键建议</h3>
|
||
<div class="info-box success">
|
||
<div class="info-box-title">如果要构建类似产品</div>
|
||
<ol>
|
||
<li><strong>别自动发布到社区</strong> —— 只提供建议，让用户手动发布。自动化 = 封号。</li>
|
||
<li><strong>GEO 监控可以外包</strong> —— 用 Peec AI / OtterlyAI 等专业工具的 API，比自建便宜。</li>
|
||
<li><strong>SEO 审计是最好的引流钩子</strong> —— 免费 SEO 审计 -> 付费 AI CMO 全套。</li>
|
||
<li><strong>品牌 Memory 是核心壁垒</strong> —— 谁的品牌理解更深，谁的建议更精准。</li>
|
||
<li><strong>成本控制是生死线</strong> —— $99 定价下利润很薄，必须精细管理 API 调用量。</li>
|
||
</ol>
|
||
</div>
|
||
</section>
|
||
|
||
<!-- Sources -->
|
||
<section id="sources" class="sources">
|
||
<h3>参考资料</h3>
|
||
|
||
<h4 style="color:var(--accent);margin:16px 0 8px;">Okara 官方资源</h4>
|
||
<a href="https://okara.ai/agent/cmo" target="_blank">Okara AI CMO - 官方产品页</a>
|
||
<a href="https://okara.ai/agent/seo" target="_blank">Okara SEO Agent - 官方页面</a>
|
||
<a href="https://okara.ai/whitepaper" target="_blank">Okara Whitepaper - 加密架构白皮书</a>
|
||
<a href="https://github.com/askOkara/okara-crypto" target="_blank">okara-crypto - 开源加密库 (GitHub)</a>
|
||
<a href="https://okara.ai/" target="_blank">Okara 官网 - Private AI Chat</a>
|
||
|
||
<h4 style="color:var(--green);margin:16px 0 8px;">AgentSea 技术资源</h4>
|
||
<a href="https://github.com/agentsea" target="_blank">AgentSea GitHub 组织 (47+ 仓库)</a>
|
||
<a href="https://github.com/agentsea/surfkit" target="_blank">SurfKit - Agent 编排器 (192 stars)</a>
|
||
<a href="https://github.com/agentsea/r1-computer-use" target="_blank">r1-computer-use - DeepSeek R1 Computer Use (221 stars)</a>
|
||
<a href="https://github.com/agentsea/flashbacker" target="_blank">Flashbacker - Claude Code 状态管理 (55 stars)</a>
|
||
<a href="https://github.com/agentsea/taskara" target="_blank">Taskara - Agent 任务管理</a>
|
||
<a href="https://github.com/agentsea/agentdesk" target="_blank">AgentDesk - AI Agent 虚拟桌面</a>
|
||
<a href="https://github.com/agentsea/nebulous" target="_blank">Nebulous - 分布式容器编排器 (Rust)</a>
|
||
|
||
<h4 style="color:var(--cyan);margin:16px 0 8px;">GEO 学术研究</h4>
|
||
<a href="https://arxiv.org/abs/2311.09735" target="_blank">GEO: Generative Engine Optimization (arXiv, KDD 2024)</a>
|
||
<a href="https://dl.acm.org/doi/10.1145/3637528.3671900" target="_blank">GEO - ACM SIGKDD 2024 论文</a>
|
||
<a href="https://collaborate.princeton.edu/en/publications/geo-generative-engine-optimization/" target="_blank">Princeton - GEO 研究页面</a>
|
||
<a href="https://arxiv.org/html/2311.09735v3" target="_blank">GEO 论文完整 HTML 版本</a>
|
||
|
||
<h4 style="color:var(--yellow);margin:16px 0 8px;">产品评测与分析</h4>
|
||
<a href="https://efficienist.com/okara-launches-a-99-ai-cmo-that-will-absolutely-not-replace-human-marketers/" target="_blank">Efficienist - "Claude Wrapper" 技术批评</a>
|
||
<a href="https://incrypted.com/en/review-okara-and-its-ai-chief-marketing-officer/" target="_blank">INCRYPTED - Okara AI CMO 深度评测</a>
|
||
<a href="https://www.digit.in/features/general/okara-ai-cmo-explained-the-autonomous-marketing-agent-for-startups.html" target="_blank">Digit.in - Okara AI CMO 技术解读</a>
|
||
<a href="https://www.storyboard18.com/digital/what-is-ai-cmo-okara-launches-ai-agents-to-handle-seo-content-and-growth-92373.htm" target="_blank">Storyboard18 - AI CMO 发布报道</a>
|
||
<a href="https://simplechat.app/blog/okara-ai-agentsea-review" target="_blank">SimpleChat - Okara/AgentSea 对比评测</a>
|
||
<a href="https://www.superhuman.ai/p/okara-launches-an-ai-cmo" target="_blank">Superhuman AI Newsletter - 发布报道</a>
|
||
<a href="https://news.ycombinator.com/item?id=47403568" target="_blank">Hacker News - Okara AI CMO 讨论</a>
|
||
|
||
<h4 style="color:var(--orange);margin:16px 0 8px;">GEO 工具与生态</h4>
|
||
<a href="https://searchengineland.com/what-is-generative-engine-optimization-geo-444418" target="_blank">Search Engine Land - GEO 完整指南</a>
|
||
<a href="https://alexbirkett.com/generative-engine-optimization-software/" target="_blank">Alex Birkett - 8 大 GEO 软件评测 (2026)</a>
|
||
<a href="https://www.brandradar.ai/resources/measure-generative-engine-optimization-visibility" target="_blank">BrandRadar - GEO 可见度测量方法论</a>
|
||
<a href="https://www.semrush.com/blog/best-generative-engine-optimization-tools/" target="_blank">Semrush - 10 大 GEO 工具 (2025)</a>
|
||
<a href="https://otterly.ai/" target="_blank">OtterlyAI - AI 搜索监控工具</a>
|
||
<a href="https://llmrefs.com/" target="_blank">LLMrefs - AI 搜索分析平台</a>
|
||
|
||
<h4 style="color:var(--pink);margin:16px 0 8px;">技术参考</h4>
|
||
<a href="https://www.searchenginejournal.com/agentic-ai-in-seo-part-2/547097/" target="_blank">Search Engine Journal - Agentic AI in SEO</a>
|
||
<a href="https://www.pangram.com/blog/how-to-detect-ai-on-reddit" target="_blank">Pangram Labs - Reddit AI 检测方法</a>
|
||
<a href="https://support.reddithelp.com/hc/en-us/articles/42728983564564-Responsible-Builder-Policy" target="_blank">Reddit Responsible Builder Policy</a>
|
||
<a href="https://n8n.io/workflows/3224-analyze-any-website-with-openai-and-get-on-page-seo-audit/" target="_blank">n8n - OpenAI SEO 审计工作流</a>
|
||
<a href="https://dev.to/pockit_tools/langgraph-vs-crewai-vs-autogen-the-complete-multi-agent-ai-orchestration-guide-for-2026-2d63" target="_blank">DEV.to - 多 Agent 框架对比 (2026)</a>
|
||
</section>
|
||
|
||
</div>
|
||
|
||
<footer>
|
||
<div class="container">
|
||
<p>Okara AI CMO Deep Technical Research | 2026-03-22</p>
|
||
<p style="margin-top:4px;">Generated by Claude Code Agent | For research purposes only</p>
|
||
</div>
|
||
</footer>
|
||
|
||
</body>
|
||
</html>
|