内容转搜索Query构建器

要解决的问题

内容团队和知识库维护者经常面对一堆笔记、文章标题、产品评测，却很难判断用户真正会用什么词去搜索它们。直接拿标题当 query，要么像标签一样没人搜，要么丢掉了决策点——比如把「养发馆和减肥店哪个更赚钱」简化成「养发 减肥」，就丢失了「新手创业、利润对比」这个核心诉求。这个技能要解决的正是从原始内容反推真实搜索意图，并产出可直接用于检索增强的 query。

核心能力

• 意图判断：把每条内容归类为求推荐、比优劣、查口碑、求方法、troubleshooting、购买决策、避坑等意图，而不是机械地抽关键词。
• 需求拆解：提取「实体 + 场景 + 痛点」，明确哪些信息必须保留、哪些泛化词应舍弃。
• 语言还原：用真实用户口语化表达重写，避免标题化和关键词堆砌。
• 三角度输出：每条内容产出 3 个不同长度和角度的 query，形成互补。

关键步骤

1. URL 预处理：若只给链接没有正文，先用 read_url 或 web_search 抓取页面，再与标题合并分析；URL 不可访问时降级为仅用标题。
2. 三步分析法：依次做意图判断、核心需求分析、语言还原，确保 query 紧扣原文主题。
3. 差异化构造：

- Q1（精准需求型）：7–12 字，聚焦核心决策点。
- Q2（问题解决/经验型）：13–20 字，覆盖具体场景和方法。
- Q3（泛需求/关联型）：15–25 字，扩展到相关维度。

1. 内容类型适配：按产品评测、行业对比、知识科普、troubleshooting、购买决策、服务选择等类型调整 query 方向。

适用边界

• 不触发场景：通用知识问答、代码生成、文件处理、不涉及 query 构造的内容总结。
• 质量约束：所有 query 至少 7 字；不能引入原文未涉及的品牌/型号/地点作为核心限定；不能泛化成「XX怎么样」就结束，必须保留具体决策点。
• 容错处理：内容为空或无法提取有效信息时返回错误提示并跳过；query 不满足字数约束时自动调整表达。
• 输出一致性：严格按输入格式（如 Excel、CSV、Markdown）逐条处理，保证新增列与原内容一一对应，不遗漏、不改写原始数据。