把Search Console查询数据喂给AI：自动找出内容缺口并生成选题清单

很多站长每周打开 Search Console，看一眼点击曲线就关掉，最多再扫两行查询词。这些数据其实是一座金矿：它记录着用户真实搜索了什么、你的页面排在第几位、哪些词有曝光却没点击。把这些原始数据导出，交给 AI 做结构化分析，能在半小时内得到一份可执行的内容缺口清单和选题建议。

下面是一套完整、可复现的流程，工具组合为 Search Console 导出 + 表格清洗 + 大模型分析，适合有基础建站经验的站长和开发者。

第一步：导出正确的查询数据，别只导 7 天

Search Console 的「效果」报告默认展示 3 个月数据，但很多人在导出时只选了最近 7 天，样本量太小，AI 分析出来的结论噪音很大。建议至少导出 90 天的查询数据，并把「查询」「网页」「展示次数」「点击次数」「CTR」「平均排名」六列全部勾选。

导出路径：效果报告 → 日期范围选「过去 3 个月」 → 右上角「导出」 → CSV。如果站点查询词超过 1000 条，建议按「网页」维度再导一份，方便后续做页面级归因。

导出后先做三件事

1. 删除查询为空的行，这类多为图片或匿名搜索，对选题无价值。
2. 把平均排名转换为数值格式，去掉百分号与文本符号。
3. 新增一列「机会分」，用公式粗筛：展示次数 ÷ 平均排名，分数越高越值得关注。

清洗后的表格控制在 500 到 2000 行之间最合适。行数太少结论单薄，太多则超出模型单次处理能力，需要分批。

第二步：给 AI 一套明确的角色和分析框架

直接把 CSV 丢给模型说「帮我分析」，得到的多是泛泛而谈。有效的做法是设定角色、输入字段说明、规定输出格式。以下提示词模板可直接复用：

你是资深SEO内容策略师。以下是我网站过去90天Search Console的查询数据（CSV格式），字段为：查询词、落地页、展示次数、点击次数、CTR、平均排名。
请完成三件事：
1. 找出「高展示、低CTR、排名4-15位」的查询词，归为可提升点击的优化机会；
2. 找出「有曝光但无对应落地页或落地页不匹配」的查询词，归为内容缺口；
3. 基于缺口聚类，输出10个选题，每个选题包含：目标查询词、建议标题、内容类型（教程/对比/清单）、预估搜索意图。
输出用表格呈现，不要解释过程。

注意两个细节：一是明确要求「不要解释过程」，否则模型会输出大量铺垫文字；二是要求用表格输出，方便直接粘贴回表格软件继续加工。

数据里包含真实查询词，上传前请确认所用工具是否会将数据用于训练。企业站建议使用支持关闭训练的 API 调用或本地模型。

第三步：读懂 AI 输出的三类缺口

模型返回的结果通常可以归为三类，处理方式完全不同，站长需要自己判断优先级。

优先做第一类，改动成本最低，通常改完标题后两周内就能在数据里看到 CTR 变化。第二类需要投入写作资源，适合按机会分排序，每周推进 2 到 3 篇。

第四步：把选题清单变成排期，而不是收藏夹里的文档

AI 给出的 10 个选题往往质量参差，需要人工二次筛选。判断标准很实际：这个查询词过去 90 天是否有稳定曝光？对应的搜索结果首页是资讯、论坛还是产品页？如果首页全是论坛讨论，说明商业价值低，可以放弃。

筛选后进入排期表，建议字段包括：目标词、当前排名、内容类型、负责人、预计上线周。每周复盘时把新导出的 Search Console 数据再喂一次模型，对比上一轮缺口是否被填补，形成闭环。

一个可复用的日常节奏

• 每周一：导出上周查询数据，跑一次缺口分析，耗时约 20 分钟。
• 每周三：完成 1 到 2 篇缺口内容或标题优化。
• 每月末：导出 90 天数据做趋势对比，剔除已失效选题。

这套流程的价值不在于 AI 有多聪明，而在于把原本散落在报表里的信号，压缩成一份能直接派活的清单。数据导出、提示词固定、输出结构化，三步固定下来后，内容规划就不再依赖灵感。