这段时间使用了很多 SEO 相关的 Skill，一般体验下来给我的感觉就是 AI 版本的 RankMath。
即便这样，我觉得有几个项目还是值得学习的。
一是能从这些项目中学习对应的工程开发技巧，二是可以在这类开源项目的基础上进行自定义的需求完善。
比如这个话题度很高的项目，下载安装之后确实是可以用，但有些板块的效果并没有他们宣传的那么好。
所以到底要不要应用到实际生产环境中去，仁者见仁智者见智吧。
但我觉得这个项目的工程结构是可以借鉴的，如果你有意去做这类 AI SEO 项目是可以花时间好好学习一下。
比如这个项目中有一套 SEO Cache 的机制，主要是为了解决跨 Skill、跨脚本、跨会话复用结构化结果的问题。
它的设计思路就非常简单，直接将每一步流程中涉及到的输出以文件的形式沉淀下来。
当然，整套机制有设计各个步骤输出文案的标准模板，不会任由 AI 按照自己的意思去做文件沉淀。
就是这样一套简单的机制，解决了不同工作环节中的数据通讯，这种设计逻辑我觉得可以借鉴过来，非常简单也非常实用。
项目中除了这套 SEO Cache 的机制值得花精力研究之外，我觉得该项目中的脚本功能也是值得学习的。
比如一个比较通用的 AI 场景，你现在想让 AI 去帮你分析某个页面的技术 SEO 做的怎么样。
有些 AI Agent 的做法就比较粗暴，直接让模型去读取链接，并根据读取到的内容生成相应的技术 SEO 报告。
这里且不说模型上下文长度是不是够用，单单就多次信息沟通下来，其对应消耗的 Token 就是一个比较大的优化点。
那这个项目做的就比较聪明，当识别到用户想去做技术 SEO 的优化时，它会先调用对应的网页下载去把目标网页下载下来，并将下载内容用 Markdown 格式文档沉淀下来。
就是这样一个小小的改进，便能节省大量的 Token 消耗。
这个项目中类似这样的实操点还有一些，我建议有兴趣的朋友可以将源代码下载下来好好看看。
至于项目中具体的 SEO 优化步骤，我觉得还是得根据自己的项目因地制宜，不要一股脑全部拿进来直接使用。
某些场景下，你会发现这个项目中的一些 Skill 并不是那么好用，甚至偶尔会比较鸡肋。
所以条件允许的情况下，我建议是把这个项目中的技术框架拿过来，但里面的内核尽可能按照你自己的实际业务进行个性化定制。
