之前有篇文章分享了 Jev 这款模型在 SEO 领域内的一些应用场景，写完那篇文章之后便开始着手开发了一款关键词属性判断脚本。
应用场景非常简单，就是对一大堆关键词进行属性判断，并进行相应的主题聚类。
比如我现在在谷歌搜索框里输入了一个关键词，它会给我推荐10个相关关键词建议。
如此重复这样的场景，便可以通过一个非常简单的种子词获取到成千上万的长尾词。
但是这些抓取下来的长尾关键词需要清洗，如果单纯依靠人工去做的话根本不现实，没有人会有这样的耐心。
过去我有使用 Claude Code 提供的高级模型来消化这些数据，但实际产出效果都不是太理想。
大多数情况下，这类高级模型会直接按照它们自己的意图把关键词聚类掉，没有给你输出很详细的中间过程，自然就导致没办法去对这些原始数据进行很细节的处理。
而我想要的很简单，主要就两点：
一是为每一条关键词判断搜索意图，到底是信息型关键词还是商业交易型关键词，都通通标记出来。
二是判断关键词是否具有本地搜索属性，或者是否包含品牌意图。
毕竟这些标签有助于在后续内容创作时，帮助我了解用户搜索这个词时究竟在想什么内容，或者我应该用什么类型的页面来满足其搜索意图。
每一个词条的这类细节信息我觉得都挺重要的，我都想保留并放到自己的素材库中。
比如上面截图中的“yoga pants at walmart”关键词，有一个比较明显的品牌意图。
如果使用高级模型去做的话，它大概率会直接忽视掉，而使用 Jev 去做信息判断时则会将相关属性标记出来并反馈相应的判断。
这便是我想要的，只需要给我信息反馈与信息判断，千万不要替我做决定。
除了这种关键词属性的反馈判断之外，我觉得还有一个比较重要的场景，就是对关键词进行主题聚类。
逻辑非常简单，脚本可以通过语义分析把整批关键词自动归入不同主题，同时为每一个主题进行其属性信息。
至于每一个关键词的搜索量和竞争难度，则需要调用第三方自然搜索信息的 API 来查询。
目前这部分我还没处理好，还没有决定到底是用 API 模式去做，还是用手工模式去做。
此外我还有一个没有处理的部分，就是需要将每个关键词映射到营销漏斗的不同阶段。
比如：
在营销漏斗的顶部，用户可能刚开始认识到问题，通常会搜索指南类、解释类的文章或者问答页面。
在营销漏斗的中部，用户可能正在研究相应解决方案，就适合比较类型的文章、操作教程，或者替代方案类型的内容。
在营销漏斗的底部，用户可能完成了比较充分的信息调研，接近做出购买决策，所以更适合用产品页、定价页、服务页，或者转化类型的落地页来承接这部分搜索需求。
目前这个部分的工作还没做完，主要是不知道这种关键词搜索的营销漏斗划分，该不该放在这个阶段进行处理。
没准放在内容创建之前的信息调研阶段会更合适，后续需要测试下。
