干了六七年 SEO我最大的感受是关键词研究本身不难难的是“既要量大、又要干净、还要能落地”。很多人觉得关键词研究就是找几个词扔进文章标题里然后坐等流量。真等到你去铺内容矩阵的时候会发现垃圾词占一半意图标签全靠人工判断Excel 筛到半夜还想骂人。所以我一直想把手头这套流程彻底自动化。前阵子把 Claude 接入到日常 SEO 工作流里配合几个开源工具不能说把大脑外包了但至少在“关键词挖掘、清洗、聚类、生成页面大纲和结构化数据”这条链路上已经从人肉模式切换到了半无人值守状态。今天这篇文章就把这套玩法完整拆开讲讲我是怎么选型、怎么搭环境、怎么设计 Prompt以及踩了哪些坑。1. 先把“关键词研究自动化”这件事重新定义一下很多教程喜欢把“自动化”等同于“批量采集”。拿爬虫去搜刮一堆搜索词再一键导入表格或者去调用某些关键词工具 API拉回上万条带搜索量的数据。说实话那个不叫自动化叫采集搬运工。真正的自动化至少应该覆盖四个环节挖掘、清洗、分类、产出。1.1 传统关键词研究的三个致命耗时点第一是清洗。第三方关键词工具导出的数据大量是重复词、概念叠加词、无商业意图的词。比如你做“露营灯”导出结果里会有“露营灯怎么装”“露营灯电池是什么型号”“露营灯电影”。单纯按包含关系去重根本处理不了语义层面的垃圾。第二是分类。我们通常要按搜索意图打标再按用户阶段分漏斗这个过程在 Excel 里基本靠人工读一天几千条就头晕。第三是内容产出。词库再漂亮最后要人写成标题、H1、描述、FAQ。这一步消耗最大的其实是脑力一个关键词要用什么角度切入哪些是核心卖点哪些是竞品痛点全部要重新过脑一遍。这三个痛点如果只是靠“更多工具”“更多人力”去解决永远都绕不过去。所以我决定用带代码执行能力的 AI Agent 来做这件事。1.2 Claude 在这个流程里到底扮演什么角色很多人一说 Claude 就想到网页聊天复制粘贴再手动整理。这也可以用但效率不高。我更推荐的做法是把 Claude 放进一个可以读写代码、执行终端命令、使用插件的环境里也就是 Claude Code。它本质上是一个跑在命令行里的 AI 编程助手但我不只拿它写代码我拿它做整条 SEO 工作流的“流程编排器”。你可以给它一个任务清单读取种子词 → 调用搜索类接口获取相关词 → 按语义聚类 → 过滤品牌词和低意图词 → 生成结构化表格 → 再根据聚类结果输出页面大纲。它自己调脚本自己读文件自己判断哪些词该去该留最后把一份可以直接丢给内容团队的稿子摆在文件夹里。这个过程里Claude 不是替你思考而是替你执行了大量“中间判断”。搜索引擎的原始结果是有语义信息的只是人眼很难在几千条数据里快速总结而 Claude 对这种批量文本模式非常敏感。跟纯网页版比Claude Code 最大的优势是“长上下文 工具调用”。网页版聊几百个字就要手动整理Claude Code 可以直接把 500 个关键词摊在桌面上让模型逐一做归一化、去重、聚类然后写入 CSV。省掉了大量复制粘贴也基本挽救了后半段的我。2. 搭一套能跑起来的 Claude SEO 工作台先说实话这套工作台并不复杂但第一次搭会撞见不少环境问题。我主要用的三样东西Claude Code 本体、一个配置切换工具CcSwitch、若干 MCP 插件。下面按顺序讲。2.1 安装 Claude CodeWindows / Ubuntu / VS Code 三合一Claude Code 的官方安装方式是 npm 包npm install -g anthropic-ai/claude-code装完直接在终端输入claude就能进入交互模式。它会读取你的登录态或 API Key 配置然后进入一个类似命令行工具的操作界面。如果你主力用 VS Code更推荐直接装官方扩展名字就叫 “Claude Code for VS Code”。装完之后左侧会多一个 Claude 面板同时也能在编辑器里直接唤起终端会话。好处是它能直接看到当前打开的项目文件、目录结构不需要你反复把路径贴进对话框。我日常的大部分操作都在 VS Code 里完成。Ubuntu 上其实更简单只要 Node.js 版本在 18 以上跟 Windows 一样跑 npm 命令。有些人会遇到权限问题一般是 Node 装在系统目录导致的建议用 nvm 装 Node再执行全局 install路径就不容易出问题。Windows 上有一个特殊问题被反复问到“Claude Code’s workspace requires the virtual machine platform on Windows. Enable it.” 这是新版 Claude Code 在 Windows 上启用工作区功能时依赖了 Windows 的虚拟机平台组件Virtual Machine Platform / WSL2 相关。解决方法是到“启用或关闭 Windows 功能”里把“虚拟机平台”和“适用于 Linux 的 Windows 子系统”勾上然后重启。如果你平时根本不开 WSL也别嫌麻烦这属于 Claude Code 工作区在 Windows 下的硬依赖。还要提醒一点安装完后如果出现claude 无法将“claude”项识别为 cmdlet、函数、脚本文件或可运行程序的名称十有八九是 npm 全局目录没进 PATH。解决办法是找到 npm 全局目录把它加到系统环境变量里。Windows 下路径通常是%APPDATA%\npmUbuntu 下通常是/usr/local/bin或 nvm 的全局 bin 目录。想省事的话可以直接用npx claude启动。2.2 用配置切换工具接入多个模型服务商Claude Code 默认走 Anthropic 的 API不过很多团队会接国内的模型服务商DeepSeek、Qwen、GLM 之类的或者把主模型切成性价比更合适的方案。这里就轮到 CcSwitch 这种开源配置切换工具出场了。CcSwitch 是一个命令行小工具核心作用是把 Claude Code 的“API 端点、API Key、模型名”这套配置做多套切换。你不需要每次手动改环境变量或改配置文件在终端里执行一条命令就能切换。常见的接法是这样的ccswitch add按提示填入服务商名称、API Base URL、API Key以及要使用的模型名。保存后切换到这套配置ccswitch use deepseek再启动claudeClaude Code 就会用你刚指定的模型和端点。这里有个细节很多模型服务商提供的是 OpenAI 兼容接口而 Claude Code 原生用的是 Anthropic 消息格式。所以你在配置的时候要填那些“已经做了接口兼容转换”的服务商端点或者在本地架一个转换路由把 Anthropic 格式翻译成 OpenAI 格式。如果直接填一个纯 OpenAI 地址大概率会报 404 或参数格式错误。我不建议一上来就把所有便宜模型全往 Claude Code 里塞。实践下来大模型做“决策和结构化输出”的能力差距很大有的模型做关键词聚类时能把“帐篷灯”和“露营帐篷”严格分开有的模型就会糊成一团。所以我的习惯是核心编排和最终内容大纲用 Claude 系列模型中间的批量清洗、标签去重一类脏活切到更便宜的模型去跑。CcSwitch 的价值就在这几秒钟换一次配置不需要重启电脑。2.3 MCP 服务器让 Claude 拥有“联网取词”能力Claude Code 默认能读写本地文件但没有浏览器能力。要让它自己联网搜索相关关键词最标准的做法不是写一堆爬虫而是给它配 MCP 服务器。MCP 的全称是 Model Context Protocol你可以理解成“AI 模型的外部插件接口”。Claude Code 通过 MCP 调用外部工具就像浏览器通过插件调用外部能力一样。常见安装方式是 npxclaude mcp add my-search -- npx -y some/search-mcp claude mcp list也可以把配置写进项目里的.mcp.json这样团队里其他成员一启动 Claude Code 就自动加载这些插件不需要每个人都手动敲一遍。具体选哪些 MCP 工具取决于你手里有哪类数据源。如果你有搜索 API 的 Key就接一个搜索类 MCP如果你用自建爬虫可以让 Claude Code 直接执行你写好的 Node/Python 脚本把结果抓成本地 JSON 或 CSV 再读。这比单纯靠模型记忆生成所谓“相关词”要靠谱得多。我现在的做法是用 Google 的搜索结果页或者第三方关键词数据源抓回一批搜索词列表然后让 MCP 把结果交给 Claude Code。Claude 负责分析源数据始终来自真实搜索环境而不是模型拍脑袋编出来的关联词。这一点很关键否则你生成的词库会看起来“逻辑通顺”实际搜索量接近于零。2.4 想用本地模型备份LM Studio / Ollama 的接法有人会问能不能让 Claude Code 调用本地模型比如 LM Studio 或 Ollama 里跑的模型这个方向可以做但没有一步到位的官方支持。两者之间通常需要一个转换层。LM Studio 和 Ollama 都提供 OpenAI 兼容的本地 API而 Claude Code 原生要的是 Anthropic 格式所以你需要一个本地转换服务把 Anthropic 协议翻译成 OpenAI 协议再发给本地模型。配好之后在 CcSwitch 里把 API Base 指向http://localhost:1234/v1LM Studio 常见端口或http://localhost:11434/v1Ollama 常见端口就能让 Claude Code 跑在本地模型上。不过以我实测的体验如果你只是做 SEO 工作流本地小规模模型处理复杂聚类和内容策划时质量还是不太够。本地模型更适合做脱敏、私有数据处理或者大流量清洗。主力内容框架和决策用云端模型明显更稳。工程上建议把它当“备用通道”而不是默认通道。3. 自动化关键词研究的核心 Prompt 与流程设计环境搭好之后真正的灵魂是 Prompt 和流程。这一节我直接把我的做法拆开讲你拿去改一改就能用。3.1 先在项目里放一个“SEO 工作手册”Claude Code 每次启动后会读取项目上下文。我喜欢在项目根目录放一个claude.md文件相当于给 Claude 立规矩。里面写清楚我们的业务领域和核心产品目标用户是谁关键词研究需要输出哪些字段输出格式偏好例如 CSV 表头顺序哪些情况算“垃圾词”要直接剔除这个文件的作用是让模型每次处理任务时都有统一标准。没有规则的情况下Claude 很容易自由发挥比如把 10 个词输出成 10 种风格有了规则它就知道“去重要用语义判断不能只看字符串”。我举个实际文件片段# SEO 关键词研究规范 ## 业务背景 - 网站类型垂直领域内容站 - 核心产品营地灯 / 露营灯具 ## 输出格式 输出 CSV表头顺序关键词, 搜索意图, 用户阶段, 建议标题, 优先级 ## 清洗规则 - 删除纯品牌词和含竞品品牌名的词 - 删除明显导航类、论坛类页面意图的词 - “搜索意图”分为信息型、导航型、商业调查型、交易型 - 用户阶段分为认知期、评估期、决策期有了这个文件Claude Code 在执行任务时会自动遵守你不用每次都重复交代。3.2 关键词收录、清洗、去重的自动化步骤关键词挖掘的输入叫“种子词”。每个业务都有 20 到 50 个核心种子词这部分需要人工定义因为只有你清楚这个行业到底在卖什么。种子词不追求多但一定要准。流程我开始这样设定的第一步让 Claude Code 基于种子词生成第一批扩展词。它会把种子词拆成语义元素再组合出长尾词。比如“露营灯”可以扩展到“充电露营灯”“户外帐篷灯”“露营灯续航”“露营灯怎么充电”等。第二步把这些扩展词与实际搜索结果源对照。我不信任纯生成结果所以会写一个很小的脚本把每个词交给搜索接口取回“真实搜索结果摘要”或“相关搜索词”让 Claude 阅读这些搜索结果再二次修正词库。用真实搜索结果做反馈是关键词研究自动化里最容易被忽略的一环。第三步清洗去重。Claude 会按语义关系去重比如“露营灯推荐”和“推荐露营灯”这种词序颠倒的词传统工具很难识别但对 Claude 来说就是一句话的事。它还会自动过滤掉明显没有搜索价值的内容。第四步补充搜索量和趋势数据。这部分如果有 API 就自动补全没有的话可以让 Claude 输出一个“人工补数据”列表保持流程透明。3.3 写一个可重复执行的“挖词 Agent”最理想的状态不是每次手动说一遍需求而是把“挖词”做成一个命令。我在项目里放了一个keyword_research.sh脚本或写一个 Node 脚本用来驱动 Claude Code 执行固定流程claude 执行关键词研究流程读取 seed_words.txt抓取扩展词清洗去重输出 research_result.csv只要 seed_words.txt 更新了跑这一条命令后面全自动。Claude Code 自己会规划步骤读文件、执行脚本、生成临时文件、校验输出、最终汇总。整个过程它会打印日志出错了你可以中断重新点名让它修正。这个“命令化”的思路对团队协作也很有用。内容编辑不需要懂 Prompt 工程只需要会往 seed_words.txt 里加词然后跑命令。其他人只看产出结果。4. 从关键词到内容基建让 AI 直接产出 SEO 输出物关键词研究到词库只是第一步真正决定 SEO 效果的是后面怎么把这些词变成内容结构。Claude 在这里能继续出力而且质量相当能打。4.1 按搜索意图分层的关键词分类法拿到一批词以后先让 Claude 按搜索意图分层。搜索意图我通常分为四类信息型、商业调查型、交易型、导航型。不同意图对应不同的内容形态和转化目标。搜索意图典型词示例内容形态转化价值信息型露营灯怎么选科普文/清单文低商业调查型露营灯品牌对比对比文/测评文中交易型便携露营灯价格产品页/促销页高导航型某品牌官方不需要专门做忽略传统做法是人眼给每行打标几千行下来体力消耗很大。我的做法是让 Claude 按整句上下文理解意图打标完之后生成一个可审计的说明字段。如果编辑觉得某个词分类错了改一行说明下一轮 Claude 就会按这个逻辑继续。4.2 生成内容集群与页面大纲词库有了意图标签也有了接下来要做内容集群。这一步非常容易浪费人力因为编辑很容易凭感觉把一个长尾词随便安排到某个页面造成站内重复。我的编排逻辑是这样把同一业务主题下的核心词设为“支柱页面”把长尾变体词和问题型词挂到“集群页面”。Claude 可以自动做这个映射因为它能理解词之间的语义关系。比如“露营灯”“户外照明”是支柱词“如何选择露营灯亮度”“露营灯续航测试”就适合挂到“露营灯选购指南”这个集群下。做完映射后让它按组输出页面大纲。大纲内容包括页面目标关键词H1 建议H2/H3 结构内容字数参考需要覆盖的卖点用户可能关心的难点内链建议这里有个经验不要让 Claude 一次性输出完整全文先只输出大纲。大纲阶段人工审核一遍成本最低方向确认之后再逐节展开。直接要求全文很容易出现“看着专业、实际废话”的问题。4.3 批量输出元描述和 H 标签建议SEO 日常最繁琐的是批量写 title、meta description、H1。这部分不需要太多创造力但需要关键词嵌入和长度控制。我会把整批关键词喂给 Claude Code让它一次性生成一个“页面优化字段表”包含Title建议控制在 60 字符内包含核心词Meta Description包含核心词和行动指标H1唯一不重复标题H2 列表围绕搜索意图展开重点内链锚文本建议实测下来这类结构化输出 Claude 做得又快又规矩。关键是 Prompt 里要把字符限制、关键词出现位置、拒绝堆砌等规则写明。数据量大时可以分批跑最后合并 CSV。5. FAQPage 结构化数据是怎么一回事自动生成怎么做词库做完、页面结构写完还有一个常被忽略但收益很直接的环节FAQ 结构化数据。我把它单独拉出来讲因为和“关键词研究自动化”直接衔接——FAQ 素材最好的来源就是关键词研究里的问题型长尾词。5.1 Google 对 FAQ 结构化数据的要求FAQPage 是 Schema.org 里的一种结构化数据类型专门用来标记“常见问题”区块。给页面加上 FAQPage 结构化数据之后页面有机会在 Google 搜索结果里展示为展开的问答形式或者获得更丰富的展示面积。它本身不改变页面内容形态只是用机器可读的方式告诉搜索引擎哪些是问题哪些是答案。写 FAQPage 结构化数据有两种常见语法JSON-LD 和微数据。现在更推荐 JSON-LD因为可以被搜索引擎稳定解析。它的核心结构很简单最外层是FAQPage类型里面放一个mainEntity数组每个元素是带question和acceptedAnswer的节点。需要特别注意FAQ 内容必须真实出现在页面上不能只是在代码里写一段用户看不见的问答。Google 对于“隐藏内容”的查处很重不建议做这种自欺欺人的事。另外Google 对 FAQ 富媒体结果的展示位置一直有调整最近几年大多只在高权威网站的健康、政务类页面里积极展示。普通站点不是百分百能拿到富媒体结果但加上结构化数据本身不扣分还能增强页面语义理解属于“无成本加分项”。别抱着“加了必出富媒体”的心态但也不能因为不保证就完全不做。5.2 用 Claude 生成 JSON-LD 的实操模板从关键词研究到 FAQ其实只有一步把研究阶段收集到的问题型长尾词变成问答 JSON-LD。这套输出非常适合让 Claude 自动化。我会让 Claude Code 读取关键词表专门把“信息型、以‘怎么/如何/是什么/要不要’开头”的词筛出来再按搜索意图聚类。然后生成对应的 FAQ 内容。Prompt 模板大概是你是一名 SEO 结构化数据专家。 请根据以下关键词生成 FAQPage JSON-LD 格式代码。 要求 1. 问题必须来源于关键词不要自创无搜索需求的问题。 2. 答案控制在 60120 字准确、不含引导性过强的商业表达。 3. 输出格式必须是合法 JSON-LD符合 schema.org/FAQPage 规范。 4. 每个页面的 FAQ 不超过 6 组聚焦高价值问题。生成之后只要把它插入页面的head或body区域即可。手里是 WordPress 的话可以放到自定义 HTML 小工具里用静态站就直接内联进页面模板。5.3 常见问题FAQ 放在首页还是正文里FAQ 的位置对 SEO 有影响吗以我的经验最稳妥的是“从用户角度思考”用户会在哪里看到这个问答就把它放在哪里。一般内容页里FAQ 区块放在正文结束后、相关推荐之前最自然。首页、产品聚合页也可以放只要问题确实和页面主题相关。自动化生成 FAQ 时有一个坑模型很容易为了凑数而生成大量“发明型问题”。比如页面明明讲露营灯电池它给你生成一个“露营灯可以用在厨房吗”这种无关问题。所以我始终强调FAQ 问题的来源必须是关键词研究阶段出现的“真实问题词”不是模型现编的。如果某个问题在搜索数据里根本不存在那它就不具备 SEO 价值。6. 我踩过的坑以及给你兜底的建议这套流程从想法到落地中间踩的坑不算少。挑几个最影响效率的写出来。6.1 安装环节的真实报错记录安装 Claude Code 时报错最多的地方集中在 npm 环境上。第一种error: claude native binary not installed. Either postinstall did not run这通常是 npm 在安装过程中没有正确执行 postinstall 脚本造成的。我碰到时先卸载再重装就能好npm uninstall -g anthropic-ai/claude-code npm install -g anthropic-ai/claude-code如果重装也不行可以检查 npm cache 和网络状态或者换一个 Node 版本再试。第二种claude : 无法将“claude”项识别为 cmdlet、函数、脚本文件或可运行程序的名称。这个前面说过是 PATH 环境变量问题。除了改环境变量也可以在项目里用 npx 方式运行npx claude先跑通再说。第三种Windows 上提示虚拟机平台未开启就是需要启动 Windows 的虚拟机平台功能。尤其在桌面版和工作区功能同时使用时这个问题比较常见。第四种ECONNRESET连接中断。这类报错大多是网络链路不稳定或是企业网关拦截。建议先从本地网络环境排查确认 DNS 和出网稳定性再检查 API 服务商的访问白名单。如果换了稳定网络后依然稳定复现再怀疑工具配置。6.2 自动化关键词“看着很多其实是垃圾”的过滤技巧自动化最大的风险不是产出少而是产出太多“伪关键词”。什么叫伪关键词就是搜索意图不明确、搜索量近似为零、或者语义上与业务不搭的词。模型生成时它可以很流畅地造出一大堆“听起来合理”但实际没人搜的词。我现在的过滤手段有三道第一道搜索数据校验。把生成的候选词交给搜索接口做批量查询拿回来的真实数据里搜索量小于阈值的直接淘汰。第二道语义边界校验。让 Claude 对每个候选词给出一句“业务相关性理由”。理由牵强的比如把“营地教育”和“露营灯”强行关联的词直接删除。第三道编辑抽检。每一批数据留出 5% 让编辑人工抽检反馈错误标签。这些反馈会进入下一轮的清洗规则里。6.3 成本控制与模型分工Claude Code 用起来很爽但费用也得算。我的体会是不要让最贵的模型做所有脏活。比如“关键词批量翻译”“CSV 字段归一化”这种任务用常规模型就能完成只有“判断关键词聚类边界”“生成内容大纲”“写 FAQ 答案”这类需要强语义理解的任务才值得用顶级模型。这也是为什么我在前文强调配置切换工具。实际工作流里我会在同一个任务里切换两次模型清洗阶段切到便宜模型内容策划阶段切回 Claude。整个流程跑下来成本和纯人工相比节省九成以上同时质量稳定度比单纯堆低价模型高很多。6.4 版权与投放注意事项最后说两个容易忽略的事。第一个是“原创和改写”的边界。让 Claude 生成内容大纲和 FAQ 没问题但直接让它仿写竞品页面或者洗稿是不合规的。搜索引擎对低质量 AI 内容的识别能力已经很强投入产出比只会越来越差。我始终把它定位为“策划辅助”不把它变成“内容偷懒器”。第二个是关键词工具的“数据真实性问题”。很多公开工具允许抓取搜索建议但只是搜索建议不是准确搜索量。做自动化时一定要在产出报告里注明数据来源。团队内部用来判断内容优先级没问题客户报告或对外展示如果标成“官方搜索量”会出笑话。7. 最后一个经验把自动化流程当产品来迭代这套流程跑了小半年我最深的体会是自动化不是一次性搭好就完事它需要像产品一样持续迭代。每次编辑反馈、每次排名波动、每次搜索引擎调整展示规则都是在给流程提供新的需求。你放进claude.md里的规则越多、越具体下一轮输出质量就会越稳。如果你也是每天被关键词研究折磨的人我建议别一上来就追求全自动化。先把“清洗聚类”这一段跑通跑顺手之后再接入内容生成和结构化数据。步骤越少越好控制控制得住了才有机会真正节省时间。后面你会发现最值钱的其实不是模型能替你挖多少词而是你能把自己的判断力固化成一整套可复用的规则让它替你干那些重复的体力活。
