关键词聚类生成器

要解决的问题

关键词聚类是 SEO/SEM 分析里的常见需求。从 Google Ads API 或 SEMrush API 拉回来的关键词常常有成千上万，摆在面前的是一张扁平的词表：每个词都带着搜索量、竞争度、CPC 等指标，但词与词之间没有结构。手工分组既慢又主观——把 "running shoes" 和 "sneakers" 放进同一类，还是把 "best running shoes" 单独拎出来？不同的人会给出不同的答案。

这个技能要做的就是把这件事自动化：用语义向量衡量词与词之间的距离，再用聚类算法把整张词表切成若干个主题簇。

工作原理

整个流程可以拆成三步：

1. 生成 Embedding：调用 sentence-transformers 的 all-MiniLM-L6-v2 模型，把每个关键词编码成 384 维向量。这个模型只有约 22M 参数，在语义相似度任务上表现稳定，而且可以直接在本地 CPU 上跑，不需要 GPU。
2. HDBSCAN 聚类：对向量集合执行 HDBSCAN。相比 K-Means，HDBSCAN 不需要预设簇数，还能识别噪声点——那些语义上"哪个簇都不太像"的关键词会被单独标记，而不是被强行塞进某个簇里。
3. 关联搜索量数据：聚类结果会结合从 Google Ads API 和 SEMrush API 拉取的搜索量数据，让每个簇不仅有语义标签，还能反映对应的商业价值。

适用边界与注意点

• 模型语义偏向英文：all-MiniLM-L6-v2 主要在英文语料上训练。如果关键词是中文或其他语言，相似度计算的质量会打折扣，建议先做小规模验证再决定是否全量跑。
• 短词的向量质量有限：像 "shoes" 这样的单词，其语义表征不如短语稳定，聚类结果对这类输入不太敏感。
• 搜索量依赖 API 权限：Google Ads API 和 SEMrush API 都需要各自的凭据和配额。配额耗尽或授权过期时，搜索量字段可能直接缺失。
• 聚类结果需要人工校验：算法给出的簇只是起点，最终的命名和取舍仍应由熟悉业务的人来完成。