[{"data":1,"prerenderedAt":69},["ShallowReactive",2],{"home-pinned-cases":3,"home-pinned-articles":41,"m-home-cases":65},[4,23,32],{"client_name":5,"content":6,"cover_image":7,"cover_style":8,"create_dept":9,"create_time":10,"create_user":9,"created_at":10,"id":11,"industry":12,"is_pinned":13,"published_at":14,"slug":15,"sort_order":16,"status":17,"summary":18,"tags":19,"tech_stack":20,"title":21,"updated_at":14,"view_count":22},"大衍智联（自测）","\u003Cp>\u003Cstrong>这是我们自己的测量记录。\u003C\u002Fstrong> 数据不好看，照原样放出来 —— 一份不敢公开自己数据的诊断，也就不值得你信。 所有原始回答都留了档（正文 + 时间戳 + 平台），结论你可以拿原始记录自己重算一遍。\u003C\u002Fp>\n\u003Ch2>这一档问的是什么\u003C\u002Fh2>\n\u003Cp>品牌词是\u003Cstrong>守门词\u003C\u002Fstrong>，不是获客词。它管的不是\"陌生人能不能找到你\"，而是\"\u003Cstrong>已经听说了你的人，去问 AI 时会不会丢\u003C\u002Fstrong>\"——防误识别、防同名覆盖、防口碑错关联。\u003C\u002Fp>\n\u003Cp>本次问了 4 条：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>#\u003C\u002Fth>\u003Cth>问题\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>1\u003C\u002Ftd>\u003Ctd>大衍智联是什么公司\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>2\u003C\u002Ftd>\u003Ctd>derivenet 是什么\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>3\u003C\u002Ftd>\u003Ctd>衍数平台是做什么的\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>4\u003C\u002Ftd>\u003Ctd>大衍智联 的口碑怎么样\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Ch2>怎么测的\u003C\u002Fh2>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>项\u003C\u002Fth>\u003Cth>值\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>时间\u003C\u002Ftd>\u003Ctd>2026-09-21\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>引擎\u003C\u002Ftd>\u003Ctd>Kimi（k3）· 通义千问（qwen3.7-max）· 通义千问（qwen3.8-max）\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>样本\u003C\u002Ftd>\u003Ctd>4 问题 × 3 引擎 = \u003Cstrong>12\u003C\u002Fstrong>（无效样本 0 条）\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Ch2>结果\u003C\u002Fh2>\n\u003Cp>\u003Cstrong>12 \u002F 12 都提到了我们\u003C\u002Fstrong>（这一点不差）。但\"提到\"和\"答对\"是两件事：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>#\u003C\u002Fth>\u003Cth>问题\u003C\u002Fth>\u003Cth>Kimi\u003C\u002Fth>\u003Cth>千问 3.7\u003C\u002Fth>\u003Cth>千问 3.8\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>1\u003C\u002Ftd>\u003Ctd>大衍智联是什么公司\u003C\u002Ftd>\u003Ctd>✅ 正确\u003C\u002Ftd>\u003Ctd>✅ 正确\u003C\u002Ftd>\u003Ctd>✅ 正确\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>2\u003C\u002Ftd>\u003Ctd>\u003Cstrong>derivenet 是什么\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>⚠️ 同名歧义\u003C\u002Ftd>\u003Ctd>❌ \u003Cstrong>答成别家\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>⚠️ 同名歧义\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>3\u003C\u002Ftd>\u003Ctd>衍数平台是做什么的\u003C\u002Ftd>\u003Ctd>⚠️ 同名歧义\u003C\u002Ftd>\u003Ctd>✅ 正确\u003C\u002Ftd>\u003Ctd>✅ 正确\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>4\u003C\u002Ftd>\u003Ctd>大衍智联 的口碑怎么样\u003C\u002Ftd>\u003Ctd>✅ 正确\u003C\u002Ftd>\u003Ctd>✅ 正确\u003C\u002Ftd>\u003Ctd>✅ 正确\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>合计：正确识别 8\u002F12 · 同名歧义 3\u002F12 · 答成别家 1\u002F12。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>三条要点\u003C\u002Fh2>\n\u003Cp>\u003Cstrong>1. 唯一全军覆没的是「derivenet」。\u003C\u002Fstrong> 4 个问题里 3 个至少有两家答对，只有它\u003Cstrong>三家全错\u003C\u002Fstrong>——两家答成同名歧义，一家直接把这个名字安到了别的事物上（错误标记：`神经网络架构`）。\u003C\u002Fp>\n\u003Cp>`derivenet` 是我们的英文名与域名，但在 AI 的语义里，它已经被别的东西占着了。\u003Cstrong>改不了 AI 的联想，只能改我们用它当主品牌词这件事。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>\u003Cstrong>2. AI 引用我方域名 4 次，全部指向 `17kimi.com`（我们的旧域名）。\u003C\u002Fstrong> 一次都不是现在的 `derivenet.com`。 我们换过一次域名，\u003Cstrong>AI 记住的还是旧的那个\u003C\u002Fstrong>。换域名、改品牌名、改业务方向，这类事 AI 不会自己跟上。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>3. 「口碑怎么样」三家都如实回答了，而且说得不客气。\u003C\u002Fstrong> 不是 AI 编的 —— 它说的是它找得到的材料里的事实。\u003Cstrong>这种情况改不了来源，只能改变事实本身\u003C\u002Fstrong>，这是所有品牌词里最难处理的一类。\u003C\u002Fp>\n\u003Ch2>口径与局限\u003C\u002Fh2>\n\u003Cul>\u003Cli>\u003Cstrong>采集口径：API\u003C\u002Fstrong>（非网页版）。按我们自己的诊断方法论 v0.3，\u003Cstrong>API 口径与用户实际看到的 App 口径不一致\u003C\u002Fstrong>，本组数字\u003Cstrong>对不上现行网页版标准\u003C\u002Fstrong>，读作\"API 视角下的品牌存在感\"。\u003C\u002Fli>\u003Cli>\u003Cstrong>单次采样\u003C\u002Fstrong>：每问每引擎 1 次。已知同一问题重复提问的\u003Cstrong>来源重合度只有 0.553\u003C\u002Fstrong>（45% 的来源每次都不一样），所以\u003Cstrong>单次快照不构成清单\u003C\u002Fstrong>，只作对照物。\u003C\u002Fli>\u003Cli>本档\u003Cstrong>不含\u003C\u002Fstrong>「北京大衍智联科技有限公司」那条（本次未采）。\u003C\u002Fli>\u003C\u002Ful>\n\u003Ch2>原始留档\u003C\u002Fh2>\n\u003Cp>`script\u002Fgeo\u002Fout\u002Fderivenet-web-20260921\u002F`（`raw\u002F` 逐条回答正文、`judged.tsv` 判定明细、`SUMMARY.md` 汇总）\u003C\u002Fp>","\u002Fimages\u002Fbrand\u002Fcover-tech.webp","default","","2026-09-23T00:00:00+08:00","4015f808-3146-514e-953c-0ece0f8e85a5","品牌词",1,"2026-09-23T17:33:29+08:00","archive-brand-2026-09",10,"published","品牌词不是获客词，是守门词——管的是\"已经听说了你的人来问 AI 时，别丢\"。4 个问题 × 3 家 AI = 12 个样本，全部提到了我们，但只有 8 个说的是我们本身：唯一全军覆没的是「derivenet 是什么」，三家 AI 没一家认出那是我们。","[\"品牌词\", \"实体识别\", \"同名歧义\", \"自测留档\"]","[]","2026 · 问了 3 家 AI 4 个品牌问题：12 次都提到我们，只有 8 次答对",0,{"client_name":5,"content":24,"cover_image":7,"cover_style":8,"create_dept":9,"create_time":10,"create_user":9,"created_at":10,"id":25,"industry":26,"is_pinned":13,"published_at":14,"slug":27,"sort_order":28,"status":17,"summary":29,"tags":30,"tech_stack":20,"title":31,"updated_at":14,"view_count":22},"\u003Cp>\u003Cstrong>这是我们自己的测量记录。\u003C\u002Fstrong> 数据不好看，照原样放出来 —— 一份不敢公开自己数据的诊断，也就不值得你信。 所有原始回答都留了档（正文 + 时间戳 + 平台），结论你可以拿原始记录自己重算一遍。\u003C\u002Fp>\n\u003Ch2>这一档问的是什么\u003C\u002Fh2>\n\u003Cp>品牌词是\u003Cstrong>身份词\u003C\u002Fstrong>，品类词是\u003Cstrong>需求词\u003C\u002Fstrong>。客户不认识你的时候，他不会搜你的名字 —— 他描述需求，让 AI 给一份候选名单。\u003C\u002Fp>\n\u003Cp>品牌词答对了，只说明 AI 知道你是谁；\u003Cstrong>不说明它会在客户找这个品类时想起你\u003C\u002Fstrong>。这两件事之间，经常差着十万八千里。这一档测的就是后者。\u003C\u002Fp>\n\u003Cp>本次问了 8 条：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>#\u003C\u002Fth>\u003Cth>问题\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>1\u003C\u002Ftd>\u003Ctd>国内有哪些低代码平台\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>2\u003C\u002Ftd>\u003Ctd>国产低代码平台推荐\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>3\u003C\u002Ftd>\u003Ctd>企业软件定制公司推荐\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>4\u003C\u002Ftd>\u003Ctd>农产品溯源系统哪家好\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>5\u003C\u002Ftd>\u003Ctd>产地直营管理系统推荐\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>6\u003C\u002Ftd>\u003Ctd>批发进销存软件推荐\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>7\u003C\u002Ftd>\u003Ctd>批发对账软件哪家好\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>8\u003C\u002Ftd>\u003Ctd>生鲜供应链管理系统推荐\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Ch2>怎么测的\u003C\u002Fh2>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>项\u003C\u002Fth>\u003Cth>值\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>时间\u003C\u002Ftd>\u003Ctd>2026-09-21\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>引擎\u003C\u002Ftd>\u003Ctd>Kimi（k3）· 通义千问（qwen3.7-max）· 通义千问（qwen3.8-max）\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>样本\u003C\u002Ftd>\u003Ctd>8 问题 × 3 引擎 = \u003Cstrong>24\u003C\u002Fstrong>（无效样本 0 条）\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Ch2>结果\u003C\u002Fh2>\n\u003Cp>\u003Cstrong>提及 0 \u002F 24。\u003C\u002Fstrong> 24 次回答，一次都没提到我们 —— 不是\"提得少\"，是\u003Cstrong>一次都没有\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>答案本身并不短（1308~1995 汉字），AI 认真给了候选名单、认真做了对比，只是\u003Cstrong>那份名单里没有我们\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>可达性 = 0。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>三条要点\u003C\u002Fh2>\n\u003Cp>\u003Cstrong>1. 这一档的数字要按\"当时的词\"来读，不能按今天的定位读。\u003C\u002Fstrong> 上面这 8 条是按我们\u003Cstrong>当时\u003C\u002Fstrong>的业务方向选的（低代码平台、农产品行业方案）。后来我们把主营收敛掉了，所以：\u003C\u002Fp>\n\u003Cp>\u003Cstrong>这组 0\u002F24 读作\"我们在旧赛道上的可达性\"，不能读作\"我们在 GEO 赛道的可达性\"\u003C\u002Fstrong> —— 那是另外一组词，见「方法词」档案。\u003C\u002Fp>\n\u003Cp>这一点必须写在前面，否则这组数字会被误读成\"我们做什么都不行\"。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>2. 0\u002F24 里混着三个互不相干的身份。\u003C\u002Fstrong> 8 条词其实在问三件事：低代码平台商（1、2）、软件定制商（3）、农产品行业方案商（4~8）。所以它不是\"一件事的 0\u002F8\"，而是\u003Cstrong>三个身份各 0 分\u003C\u002Fstrong>。这不叫\"可见度低\"，叫\u003Cstrong>没有身份\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>3. 品牌词和品类词的表现天差地别，这很常见。\u003C\u002Fstrong> 同一批测量里，品牌词 12\u002F12 被提到、8\u002F12 答对；品类词 0\u002F24。\u003Cstrong>AI 知道你是谁，但不会在客户找这个品类时推荐你\u003C\u002Fstrong> —— 这是绝大多数公司第一次做这类诊断时看到的画面。\u003C\u002Fp>\n\u003Ch2>口径与局限\u003C\u002Fh2>\n\u003Cul>\u003Cli>\u003Cstrong>采集口径：API\u003C\u002Fstrong>（非网页版）。按我们自己的诊断方法论 v0.3，\u003Cstrong>API 口径与用户实际看到的 App 口径不一致\u003C\u002Fstrong>，本组数字\u003Cstrong>对不上现行网页版标准\u003C\u002Fstrong>。\u003C\u002Fli>\u003Cli>\u003Cstrong>单次采样\u003C\u002Fstrong>：每问每引擎 1 次。已知同一问题重复提问的\u003Cstrong>来源重合度只有 0.553\u003C\u002Fstrong>（45% 的来源每次都不一样），\u003Cstrong>单次快照不构成清单\u003C\u002Fstrong>。\u003C\u002Fli>\u003Cli>\u003Cstrong>词集已重排\u003C\u002Fstrong>：本档词集在 2026-09-23 按新定位重排过，其中 3 条（低代码\u002F定制）已移除。\u003Cstrong>组级数字不可与新旧词集横向比较，只能逐条对照。\u003C\u002Fstrong>\u003C\u002Fli>\u003C\u002Ful>\n\u003Ch2>原始留档\u003C\u002Fh2>\n\u003Cp>`script\u002Fgeo\u002Fout\u002Fderivenet-web-20260921\u002F`（`raw\u002F` 逐条回答正文、`judged.tsv` 判定明细、`SUMMARY.md` 汇总）\u003C\u002Fp>","4bd67fb9-9982-5301-b976-82f6bad4f326","品类词","archive-category-2026-09",20,"品类词是获客的入口——客户不认识你，他是描述需求让 AI 给候选名单。这份名单里没有我们：8 个问题 × 3 家 AI = 24 个样本，提及 0 次。而这一档用的还是我们旧业务方向的词，也就是说，在旧赛道我们也没进过名单。","[\"品类词\", \"可达性\", \"候选名单\", \"自测留档\"]","2026 · 8 个品类问题 × 3 家 AI：24 次回答，一次都没提到我们",{"client_name":5,"content":33,"cover_image":7,"cover_style":8,"create_dept":9,"create_time":10,"create_user":9,"created_at":10,"id":34,"industry":35,"is_pinned":13,"published_at":14,"slug":36,"sort_order":37,"status":17,"summary":38,"tags":39,"tech_stack":20,"title":40,"updated_at":14,"view_count":22},"\u003Cp>\u003Cstrong>这是我们自己的测量记录。\u003C\u002Fstrong> 数据不好看，照原样放出来 —— 一份不敢公开自己数据的诊断，也就不值得你信。 所有原始回答都留了档（正文 + 时间戳 + 平台），结论你可以拿原始记录自己重算一遍。\u003C\u002Fp>\n\u003Ch2>这一档问的是什么\u003C\u002Fh2>\n\u003Cp>品类词是\"这行哪家好\"，采购意向词是\"\u003Cstrong>我要做这件事，谁来做\u003C\u002Fstrong>\"。\u003C\u002Fp>\n\u003Cp>差别在于：问品类词的人还在比较，问采购意向词的人\u003Cstrong>已经决定要做了\u003C\u002Fstrong>。这类问题最接近成交 —— 客户问完，下一步往往就是找人聊。\u003C\u002Fp>\n\u003Cp>本次问了 4 条：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>#\u003C\u002Fth>\u003Cth>问题\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>1\u003C\u002Ftd>\u003Ctd>想做一套自己的管理系统，有什么推荐\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>2\u003C\u002Ftd>\u003Ctd>有没有能自己配置字段和表单的管理系统\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>3\u003C\u002Ftd>\u003Ctd>农产品企业怎么做数字化\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>4\u003C\u002Ftd>\u003Ctd>企业数据分散在多个系统，怎么集中管理\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Ch2>怎么测的\u003C\u002Fh2>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>项\u003C\u002Fth>\u003Cth>值\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>时间\u003C\u002Ftd>\u003Ctd>2026-09-21\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>引擎\u003C\u002Ftd>\u003Ctd>Kimi（k3）· 通义千问（qwen3.7-max）· 通义千问（qwen3.8-max）\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>样本\u003C\u002Ftd>\u003Ctd>4 问题 × 3 引擎 = \u003Cstrong>12\u003C\u002Fstrong>（无效样本 0 条）\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Ch2>结果\u003C\u002Fh2>\n\u003Cp>\u003Cstrong>提及 0 \u002F 12。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>客户在描述自己的处境、在问\"怎么集中管理\"—— 这正是我们做的东西能回答的问题。但 12 次回答里，\u003Cstrong>AI 一次都没有想到我们\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Ch2>三条要点\u003C\u002Fh2>\n\u003Cp>\u003Cstrong>1. 这一档和品类词一起构成\"获客可达性 = 0\"。\u003C\u002Fstrong> 品类词 0\u002F24 + 采购意向词 0\u002F12 = \u003Cstrong>36 次回答、0 次提及\u003C\u002Fstrong>。这不是\"展现量低\"，是\u003Cstrong>客户的整条提问路径上都没有我们\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>2. 第 4 条尤其典型。\u003C\u002Fstrong> 「企业数据分散在多个系统，怎么集中管理」—— 这是一个\u003Cstrong>纯粹的问题型提问\u003C\u002Fstrong>，不带品牌、不带品类词，问的是怎么办。AI 会认真给方法论、给工具、给厂商。我们不在里面。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>3. 同样是\"当时的词\"。\u003C\u002Fstrong> 这一档里有 2 条（第 1、2 条）指向的是我们已经砍掉的业务方向（低代码采购），另 2 条（第 3、4 条）指向的行业方案也已不在主营。\u003Cstrong>读作\"旧赛道上的采购意向可达性\"\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Ch2>口径与局限\u003C\u002Fh2>\n\u003Cul>\u003Cli>\u003Cstrong>采集口径：API\u003C\u002Fstrong>（非网页版）。按我们自己的诊断方法论 v0.3，\u003Cstrong>API 口径与用户实际看到的 App 口径不一致\u003C\u002Fstrong>，本组数字\u003Cstrong>对不上现行网页版标准\u003C\u002Fstrong>。\u003C\u002Fli>\u003Cli>\u003Cstrong>单次采样\u003C\u002Fstrong>：每问每引擎 1 次。已知同一问题重复提问的\u003Cstrong>来源重合度只有 0.553\u003C\u002Fstrong>，\u003Cstrong>单次快照不构成清单\u003C\u002Fstrong>。\u003C\u002Fli>\u003Cli>\u003Cstrong>词集已重排\u003C\u002Fstrong>：本档词集在 2026-09-23 按新定位重排过。\u003Cstrong>组级数字不可与新旧词集横向比较，只能逐条对照。\u003C\u002Fstrong>\u003C\u002Fli>\u003C\u002Ful>\n\u003Ch2>原始留档\u003C\u002Fh2>\n\u003Cp>`script\u002Fgeo\u002Fout\u002Fderivenet-web-20260921\u002F`（`raw\u002F` 逐条回答正文、`judged.tsv` 判定明细、`SUMMARY.md` 汇总）\u003C\u002Fp>","f9eac06e-f82f-5b84-a6bd-c0dbfd095a07","采购意向词","archive-intent-2026-09",30,"采购意向词比品类词更靠后一步——客户已经知道自己要什么，正在找人做。这类问题最值钱，也最接近成交。4 个问题 × 3 家 AI = 12 个样本，提及 0 次。","[\"采购意向词\", \"线索\", \"候选名单\", \"自测留档\"]","2026 · 4 个采购意向问题 × 3 家 AI：12 次回答，客户在找人，AI 没提我们",[42,51,58],{"category":43,"content":44,"cover_image":7,"create_dept":9,"create_time":10,"create_user":9,"created_at":10,"id":45,"is_pinned":13,"published_at":46,"slug":47,"sort_order":22,"status":17,"summary":48,"tags":49,"title":50,"updated_at":46,"view_count":22},"geo","\u003Cp>\u003Cstrong>先说身份\u003C\u002Fstrong>：本文由\u003Cstrong>大衍智联\u003C\u002Fstrong>撰写。我们自己也做 GEO 服务 —— \u003Cstrong>是当事人，不是中立的第三方评测。\u003C\u002Fstrong> 文中数据全部来自我们自己的实测，方法与样本量随文标注。\u003C\u002Fp>\n\u003Ch2>先说结论\u003C\u002Fh2>\n\u003Cp>\u003Cstrong>GEO 要解决的问题不是\"怎么让 AI 说你好话\"，而是\"AI 在回答时，会不会读到你的材料\"。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>这两件事经常被混为一谈。要分清它们，得先看一个更基础的问题：\u003C\u002Fp>\n\u003Cp>\u003Cstrong>AI 回答问题的时候，它说的话是从哪来的？\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>我们用实测回答了这个问题。\u003C\u002Fp>\n\u003Ch2>AI 回答一个问题的三个动作\u003C\u002Fh2>\n\u003Cp>把过程拆开，其实只有三步：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>#\u003C\u002Fth>\u003Cth>动作\u003C\u002Fth>\u003Cth>说明\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>1\u003C\u002Ftd>\u003Ctd>\u003Cstrong>理解你在问什么\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>判断这是问事实、问方法，还是问\"选哪个\"\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>2\u003C\u002Ftd>\u003Ctd>\u003Cstrong>去找材料\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>★ \u003Cstrong>关键在这一步\u003C\u002Fstrong> —— 它会去检索一批网页\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>3\u003C\u002Ftd>\u003Ctd>\u003Cstrong>用材料组织答案\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>把找到的内容消化成一段话给你\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>第 3 步常被误解成\"AI 的记忆\"或者\"AI 的看法\"。\u003C\u002Fstrong> 实际上， \u003Cstrong>它给你的答案，质量上限往往取决于第 2 步找到了什么。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>所以真正值得研究的，是第 2 步。\u003C\u002Fp>\n\u003Ch2>实测：AI 到底去了哪些地方找\u003C\u002Fh2>\n\u003Cp>我们做了一次采集：\u003Cstrong>一家 AI 的网页版、10 个问题、记录每一条它实际点到的链接。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>⚠️ 本节数据来自\u003Cstrong>一家\u003C\u002Fstrong> AI 的 10 个问题（不是四家）。 「不同 AI 之间差多少」用的是\u003Cstrong>另一套采集\u003C\u002Fstrong>，见本文后面「一个必须说清楚的边界」一节。\u003C\u002Fp>\n\u003Cp>结果：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>指标\u003C\u002Fth>\u003Cth>数值\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>采集到的引用条数\u003C\u002Ftd>\u003Ctd>\u003Cstrong>249 条\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>去重后来自多少个不同网站\u003C\u002Ftd>\u003Ctd>\u003Cstrong>140 个\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>出现最多的单一来源占比\u003C\u002Ftd>\u003Ctd>\u003Cstrong>不到 15%\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>出现次数靠前的来源\u003C\u002Fstrong>：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>类型\u003C\u002Fth>\u003Cth>举例\u003C\u002Fth>\u003Cth>出现次数\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>内容社区\u003C\u002Ftd>\u003Ctd>抖音\u003C\u002Ftd>\u003Ctd>38\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>工商信息\u003C\u002Ftd>\u003Ctd>企查查\u003C\u002Ftd>\u003Ctd>9\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>技术媒体\u003C\u002Ftd>\u003Ctd>InfoQ\u003C\u002Ftd>\u003Ctd>8\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>厂商官网\u003C\u002Ftd>\u003Ctd>畅捷通\u003C\u002Ftd>\u003Ctd>8\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>内容社区\u003C\u002Ftd>\u003Ctd>小红书\u003C\u002Ftd>\u003Ctd>7\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>信用信息\u003C\u002Ftd>\u003Ctd>水滴信用\u003C\u002Ftd>\u003Ctd>5\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>★ \u003Cstrong>两个值得注意的点\u003C\u002Fstrong>：\u003C\u002Fp>\n\u003Col>\u003Cli>\u003Cstrong>没有一份\"权威清单\"。\u003C\u002Fstrong> 249 条引用散在 140 个网站上， 最多的一家也没超过 15%。\u003Cstrong>AI 不是在一张榜单上挑，它是在一张很散的网上找。\u003C\u002Fstrong>\u003C\u002Fli>\u003Cli>\u003Cstrong>厂商自己的官网是会被引用的\u003C\u002Fstrong> —— 上表里的畅捷通出现了 8 次， 而且在特定行业问题下被反复引用。 \u003Cstrong>\"AI 看不到你的官网\"这个说法，在数据上不成立。\u003C\u002Fstrong>\u003C\u002Fli>\u003C\u002Fol>\n\u003Ch2>实测：AI 找材料时，还有一个更值得注意的特点\u003C\u002Fh2>\n\u003Cp>它\u003Cstrong>读过的材料，是可以被我们自己数出来的\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>也就是说：\u003Cstrong>AI 的取材过程虽然不透明，但它的取材结果留下了痕迹\u003C\u002Fstrong> —— 每一条引用都是一个可以打开的链接。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>这一点很重要\u003C\u002Fstrong>，因为它把一个看起来玄学的问题变成了可观测的问题：\u003C\u002Fp>\n\u003Cp>你不用猜\"AI 喜不喜欢我\"，\u003Cstrong>你可以直接看它引了谁。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>★ 这也是 GEO 和传统推广最不一样的地方： \u003Cstrong>传统渠道效果难归因，而 AI 的信源是可以一条条列出来的。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>所以 GEO 是什么\u003C\u002Fh2>\n\u003Cp>把上面的事实拼起来，可以给一个准确的定义：\u003C\u002Fp>\n\u003Cp>\u003Cstrong>GEO（生成式引擎优化）：调整你的公开材料，让它更容易被 AI 在回答问题时检索到、读懂、并采用。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>拆开是三个动作：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>动作\u003C\u002Fth>\u003Cth>做什么\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>\u003Cstrong>被检索到\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>你的内容得在 AI 会去的那类网站上，且能被正常抓取\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>被读懂\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>内容组织得清楚，有明确的事实和判断，\u003Cstrong>不是营销话术堆砌\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>被采用\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>内容是可信的、可核验的，\u003Cstrong>AI 才敢用\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>注意定义里没有\"排名\"两个字。\u003C\u002Fstrong> 这是有意的。\u003C\u002Fp>\n\u003Ch2>一个关键区分：AI 在两类问题上去的地方完全不同\u003C\u002Fh2>\n\u003Cp>这一条对做 GEO 特别重要，因为\u003Cstrong>它决定了你该改什么材料\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>我们把采集到的 249 条引用按问题性质分成两组：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>来源类型\u003C\u002Fth>\u003Cth>问\"这家公司是谁\"（119 条）\u003C\u002Fth>\u003Cth>问\"这个行业该怎么选\"（130 条）\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>\u003Cstrong>工商 \u002F 信用 \u002F 黄页\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>\u003Cstrong>26 条（21.8%）\u003C\u002Fstrong> ← 最大头\u003C\u002Ftd>\u003Ctd>2 条（1.5%）\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>政府 \u002F 学术\u003C\u002Ftd>\u003Ctd>18 条（15.1%）\u003C\u002Ftd>\u003Ctd>8 条（6.2%）\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>新闻媒体\u003C\u002Ftd>\u003Ctd>13 条（10.9%）\u003C\u002Ftd>\u003Ctd>9 条（6.9%）\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>内容社区 \u002F 短视频\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>9 条（7.6%）\u003C\u002Ftd>\u003Ctd>\u003Cstrong>40 条（30.8%）\u003C\u002Fstrong> ← 最大头\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>技术社区 \u002F 媒体\u003C\u002Ftd>\u003Ctd>2 条（1.7%）\u003C\u002Ftd>\u003Ctd>13 条（10.0%）\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>厂商官网\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>\u003Cstrong>1 条（0.8%）\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>\u003Cstrong>16 条（12.3%）\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>招聘网站\u003C\u002Ftd>\u003Ctd>2 条（1.7%）\u003C\u002Ftd>\u003Ctd>0 条\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>两套体系几乎不交叉。\u003C\u002Fstrong> 由此得到 GEO 的第一个实务原则：\u003C\u002Fp>\n\u003Cp>\u003Cstrong>\"AI 怎么说你\" 和 \"AI 会不会推荐你\"，是两件事，要用两套材料去做。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>\u003C\u002Fth>\u003Cth>品牌侧\u003C\u002Fth>\u003Cth>行业侧\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>AI 去哪找\u003C\u002Ftd>\u003Ctd>工商、信用、新闻\u003C\u002Ftd>\u003Ctd>内容社区、厂商官网、技术媒体\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>你能做什么\u003C\u002Ftd>\u003Ctd>\u003Cstrong>对齐公开信息\u003C\u002Fstrong>（快）\u003C\u002Ftd>\u003Ctd>\u003Cstrong>写内容\u003C\u002Fstrong>（慢）\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>能承诺吗\u003C\u002Ftd>\u003Ctd>✅ 可以承诺\"说对\"\u003C\u002Ftd>\u003Ctd>❌ 不能承诺结果\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>⚠️ 来源类型是按域名性质\u003Cstrong>人工归类\u003C\u002Fstrong>的，总样本 249 条，\u003Cstrong>请当作方向性证据\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Ch3>第二个实务原则：两类问题分开做，不要混着算\u003C\u002Fh3>\n\u003Cp>我们算了这 10 个问题\u003Cstrong>两两之间\u003C\u002Fstrong>来源的重合度，按\"同类还是跨类\"分组平均：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>对比\u003C\u002Fth>\u003Cth>平均重合度\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>同类之间（品牌问品牌 \u002F 行业问行业）\u003C\u002Ftd>\u003Ctd>\u003Cstrong>0.115\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>跨类之间\u003C\u002Fstrong>（品牌问行业）\u003C\u002Ftd>\u003Ctd>\u003Cstrong>0.042\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>跨类重合度只有同类的三分之一。\u003C\u002Fstrong> 这从另一个角度印证了上面那张表： \u003Cstrong>两类问题用的确实是两套材料。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>\u003Cstrong>所以实务上的第一个动作是：把\"AI 怎么说我\"和\"AI 会不会推荐我\"当成两个项目做。\u003C\u002Fstrong> 目标是分开的、材料是分开的、考核标准也是分开的 —— \u003Cstrong>混着做，两边都会做不准\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>⚠️ \u003Cstrong>一个必须说明的限制\u003C\u002Fstrong>：我们在采集里\u003Cstrong>观察到一对\u003C\u002Fstrong>同属某细分主题的问题， 重合度高达 0.636（接近重复测量的水平）。但\u003Cstrong>这是一对样本，n=2\u003C\u002Fstrong>， \u003Cstrong>不足以说明\"同一主题下来源必然收敛\"\u003C\u002Fstrong> —— 同组平均只有 0.115， 说明即使是同类问题，来源也常常很散。\u003Cstrong>我们不从这个孤例往外推。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>GEO 和别的做法有什么区别\u003C\u002Fh2>\n\u003Cp>经常被问：\"这不就是 SEO 换了个名字吗？\"\u003Cstrong>不是，但也不全无关系。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>\u003C\u002Fth>\u003Cth>广告投放\u003C\u002Fth>\u003Cth>SEO（搜索优化）\u003C\u002Fth>\u003Cth>\u003Cstrong>GEO\u003C\u002Fstrong>\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>谁看\u003C\u002Ftd>\u003Ctd>用户（被动看到）\u003C\u002Ftd>\u003Ctd>用户（主动搜索）\u003C\u002Ftd>\u003Ctd>\u003Cstrong>AI\u003C\u002Fstrong>（替你找资料）\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>你的位置\u003C\u002Ftd>\u003Ctd>付费买位置\u003C\u002Ftd>\u003Ctd>争取靠前\u003C\u002Ftd>\u003Ctd>\u003Cstrong>进\"被检索的材料池\"\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>决定因素\u003C\u002Ftd>\u003Ctd>出价\u003C\u002Ftd>\u003Ctd>页面与关键词的相关度\u003C\u002Ftd>\u003Ctd>\u003Cstrong>内容可不可信、有没有信息\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>效果怎么衡量\u003C\u002Ftd>\u003Ctd>曝光、点击\u003C\u002Ftd>\u003Ctd>排名、流量\u003C\u002Ftd>\u003Ctd>\u003Cstrong>AI 提到没有、说对没有\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>见效周期\u003C\u002Ftd>\u003Ctd>立刻\u003C\u002Ftd>\u003Ctd>数周到数月\u003C\u002Ftd>\u003Ctd>\u003Cstrong>数周起，且需要持续观测\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>★ \u003Cstrong>关键差异在\"决定因素\"那一格\u003C\u002Fstrong>： SEO 时代，页面和关键词对得上就有机会；\u003Cstrong>GEO 时代，AI 还要判断\"这条信息可不可信\"\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>这就是为什么\"承认局限\"的内容反而更容易被采用\u003C\u002Fstrong> —— 它看起来更像在说实话。\u003C\u002Fp>\n\u003Ch2>GEO 不是什么（三个常见的误解）\u003C\u002Fh2>\n\u003Ch3>误解一：\"GEO 就是给 AI 投毒\"\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>这是最常见的误解，也是最需要澄清的。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>给 AI 投毒指的是\u003Cstrong>编造事实、批量生成虚假内容去污染信源\u003C\u002Fstrong>。 \u003Cstrong>GEO 正相反\u003C\u002Fstrong> —— 它做的是\u003Cstrong>把真实的信息整理清楚、放到 AI 能找到的地方\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>这两件事的区别在于事实真假\u003C\u002Fstrong>，不在于有没有做内容。\u003C\u002Fp>\n\u003Cp>★ 一个简单的判断标准：\u003Cstrong>如果内容里编了事实、虚构了案例，那就是投毒； 如果只是把自己的真实情况说清楚、说得更可读，那是 GEO。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch3>误解二：\"GEO 就是刷排名\"\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>AI 的回答里没有\"排名\"这个概念。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>我们实测的 249 条引用里，\u003Cstrong>没有任何一份榜单式的\"权威来源\"被反复引用\u003C\u002Fstrong>。 AI 的做法是从多个来源\u003Cstrong>综合\u003C\u002Fstrong>出一个答案，而不是照抄某张榜。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>所以\"刷到第一位\"这个目标本身就不成立。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch3>误解三：\"做一次就行了\"\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>不行，因为 AI 的答案本身在波动。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>实测数据：\u003Cstrong>同一家 AI、同一个问题、隔开再问，它引用的来源重合度只有 0.347 ~ 0.576。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>\u003Cstrong>最高也不到六成。\u003C\u002Fstrong> 这意味着：\u003C\u002Fp>\n\u003Cul>\u003Cli>\u003Cstrong>单次测量的结论不可信\u003C\u002Fstrong> —— 你今天问一次\"没提到我\"，不能推出结论\u003C\u002Fli>\u003Cli>\u003Cstrong>这是一件需要持续观测的事\u003C\u002Fstrong>，不是一次性项目\u003C\u002Fli>\u003C\u002Ful>\n\u003Ch2>那做 GEO 具体在做什么\u003C\u002Fh2>\n\u003Cp>按上面三个动作，实际工作大致是：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>#\u003C\u002Fth>\u003Cth>做什么\u003C\u002Fth>\u003Cth>产出\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>1\u003C\u002Ftd>\u003Ctd>\u003Cstrong>测\u003C\u002Fstrong>：AI 现在怎么说你，依据是哪一页\u003C\u002Ftd>\u003Ctd>一份有原始证据的现状记录\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>2\u003C\u002Ftd>\u003Ctd>\u003Cstrong>找\u003C\u002Fstrong>：你的客户实际会问什么问题\u003C\u002Ftd>\u003Ctd>一批真实的问题\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>3\u003C\u002Ftd>\u003Ctd>\u003Cstrong>查\u003C\u002Fstrong>：这些问题下，AI 从哪些网站取材\u003C\u002Ftd>\u003Ctd>一份信源清单\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>4\u003C\u002Ftd>\u003Ctd>\u003Cstrong>补\u003C\u002Fstrong>：把自己的材料写清楚、放在对的地方\u003C\u002Ftd>\u003Ctd>内容\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>5\u003C\u002Ftd>\u003Ctd>\u003Cstrong>复测\u003C\u002Fstrong>：隔一段时间再测，看有没有变化\u003C\u002Ftd>\u003Ctd>趋势\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>★ \u003Cstrong>第 1 步和第 5 步是这件事的地基。\u003C\u002Fstrong> 没有测量，后面全是猜。\u003C\u002Fp>\n\u003Ch2>一个必须说清楚的边界\u003C\u002Fh2>\n\u003Cp>\u003Cstrong>GEO 能提高\"被 AI 读到\"的概率，不能保证\"被 AI 推荐\"。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>理由还是那个数字：不同 AI 之间的信源重合度只有 \u003Cstrong>0.00 ~ 0.21\u003C\u002Fstrong>， 而它们各自重复测自己的重合度是 \u003Cstrong>0.35 ~ 0.58\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>AI 之间的差异，比 AI 自己的随机波动还大。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>在这个量级的不确定性下，\u003Cstrong>任何\"保证被推荐\"的承诺都是不诚实的\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Ch2>小结\u003C\u002Fh2>\n\u003Cul>\u003Cli>\u003Cstrong>AI 的答案质量，上限取决于它找到了什么材料\u003C\u002Fstrong>\u003C\u002Fli>\u003Cli>\u003Cstrong>实测：249 条引用散在 140 个网站上，没有\"权威清单\"；但厂商官网确实会被引\u003C\u002Fstrong>\u003C\u002Fli>\u003Cli>\u003Cstrong>GEO 是\"让材料更容易被检索到、读懂、采用\"，不是刷排名\u003C\u002Fstrong>\u003C\u002Fli>\u003Cli>\u003Cstrong>它和\"投毒\"的区别在于事实真假，不在于做不做内容\u003C\u002Fstrong>\u003C\u002Fli>\u003Cli>★ \u003Cstrong>单次测量不算数\u003C\u002Fstrong> —— 重复测量的重合度最高只有 0.576\u003C\u002Fli>\u003C\u002Ful>\n\u003Cp>\u003Cstrong>关于本文的数据来源\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>以上实测由\u003Cstrong>大衍智联\u003C\u002Fstrong>完成。方法与样本量已在文中逐处标注， \u003Cstrong>你可以照着同样的方法测一遍\u003C\u002Fstrong> —— 这正是我们建议的第一步。\u003C\u002Fp>","36bc0d84-72df-5537-a453-33e4a5fc63e3","2026-09-23T16:48:34+08:00","what-is-geo-generative-engine-optimization","GEO 常被解释成「让 AI 推荐你」，但要说清楚它，得先回答一个更基础的问题：AI 回答问题时的资料是从哪来的。我们采集了 249 条 AI 引用、来自 140 个不同网站，用实测数据说明 AI 的取材方式，并据此给出 GEO 的准确定义和三个常见误解。","[\"GEO\", \"AI 信源\", \"基础概念\"]","什么是 GEO 生成式引擎优化：AI 回答问题时到底从哪里找资料",{"category":43,"content":52,"cover_image":7,"create_dept":9,"create_time":10,"create_user":9,"created_at":10,"id":53,"is_pinned":13,"published_at":46,"slug":54,"sort_order":22,"status":17,"summary":55,"tags":56,"title":57,"updated_at":46,"view_count":22},"\u003Cp>\u003Cstrong>先说身份\u003C\u002Fstrong>：我们自己也做这件事。所以这篇文章\u003Cstrong>不是中立的第三方评测\u003C\u002Fstrong> —— 是\u003Cstrong>从业者写的判断标准\u003C\u002Fstrong>。 这个身份必须在开头讲清楚，否则就是伪装中立。\u003Cstrong>你可以用下面的标准来考核我们。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>先说结论\u003C\u002Fh2>\n\u003Cp>\u003Cstrong>挑 GEO 服务商，最该问的不是\"你能让我被 AI 推荐吗\"，而是\"你的结论我能不能自己核对\"。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>因为第一个问题的答案只有两种：说不承诺的（你觉得他怂），和承诺的（他在赌你不会验证）。 \u003Cstrong>而第二个问题，能直接筛掉大部分不靠谱的。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>下面 8 条，\u003Cstrong>第 2 条是分水岭\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>⚠️ \u003Cstrong>但先说清楚这 8 条的范围 —— 这是一个必须交代的限制。\u003C\u002Fstrong> \u003Cstrong>这 8 条全都属于\"测量与方法论\"这一个维度。\u003C\u002Fstrong> 挑服务商时还会看别的维度，我们\u003Cstrong>一条都没写\u003C\u002Fstrong>，因为\u003Cstrong>我们在那些维度上没有优势\u003C\u002Fstrong>： | 我们没写的维度 | 为什么没写 | |---|---| | 做过的客户案例、口碑 | 我们\u003Cstrong>还没有可公开的第三方案例\u003C\u002Fstrong> | | 内容创作能力 | 不是我们的长项 | | 对你所在行业的理解深度 | 因人而异，写不出通用标准 | | 团队规模与稳定性 | 我们小 | ★ \u003Cstrong>所以请注意：这不是一份\"挑服务商的全集\"，是\"方法论这一个维度上的 8 条\"。\u003C\u002Fstrong> 如果你更看重案例和行业经验，\u003Cstrong>这套标准帮不了你\u003C\u002Fstrong> —— 那也是很合理的选择。\u003C\u002Fp>\n\u003Ch2>8 条判断标准\u003C\u002Fh2>\n\u003Ch3>1 · 它承诺什么？\u003C\u002Fh3>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>它说\u003C\u002Fth>\u003Cth>判断\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>\"保证 AI 推荐你\"、\"保证上榜单\"、\"保证排名\"\u003C\u002Ftd>\u003Ctd>❌ \u003Cstrong>直接排除\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\"提升 AI 可见度 XX%\"\u003C\u002Ftd>\u003Ctd>⚠️ 追问：\u003Cstrong>怎么测的？测几次？\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\"确保品牌词下说对、约定问题下争取提及\"\u003C\u002Ftd>\u003Ctd>✅ 这是\u003Cstrong>可核验的边界\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>★ 为什么\"保证推荐\"基本等于不靠谱？看一个数字：\u003C\u002Fp>\n\u003Cp>\u003Cstrong>同一家 AI、同一个问题、隔开再问，它引用的来源重合度只有 0.347 ~ 0.576。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>\u003Cstrong>连 AI 自己都不稳定。\u003C\u002Fstrong> 在这个波动幅度下还承诺结果的，要么不懂，要么在赌。\u003C\u002Fp>\n\u003Ch3>2 · ★ 它的结论，你能自己复算吗？（分水岭）\u003C\u002Fh3>\n\u003Cp>这是最重要的一条。\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>它给你的\u003C\u002Fth>\u003Cth>判断\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>一个分数 \u002F 一个等级 \u002F 一个\"AI 可见度 62 分\"\u003C\u002Ftd>\u003Ctd>❌ \u003Cstrong>无法核对\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>原始回答 + 引用的来源 + 样本量 + 口径\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>✅ \u003Cstrong>你可以自己跑一遍\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>\"可复算\"的意思是\u003C\u002Fstrong>：给你方法和样本，你自己跑能得出同样的数字。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>为什么这条是分水岭\u003C\u002Fstrong>：因为 GEO 的判定大量依赖对语义的理解， 如果服务商只给结论不给过程，\u003Cstrong>你永远无法知道那个结论是怎么来的\u003C\u002Fstrong> —— 也就无法判断它是真的测出来的，还是编的。\u003C\u002Fp>\n\u003Cp>★ \u003Cstrong>一个务实的替代方案\u003C\u002Fstrong>：如果做不到完全复算， \u003Cstrong>至少要能\"核对\"\u003C\u002Fstrong> —— 把 AI 的回答原文切出来给你看，你自己读一遍。 \u003Cstrong>判定过程可以不可复算，但证据必须是原始的。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch3>3 · 它测的是\"提到没有\"，还是\"说对了没有\"？\u003C\u002Fh3>\n\u003Cp>这两个是\u003Cstrong>不同的指标，不能混算\u003C\u002Fstrong>：\u003C\u002Fp>\n\u003Cul>\u003Cli>\u003Cstrong>提到没有\u003C\u002Fstrong> —— 品牌名有没有出现\u003C\u002Fli>\u003Cli>\u003Cstrong>说对了没有\u003C\u002Fstrong> —— 出现的那些话，是不是你的真实情况\u003C\u002Fli>\u003C\u002Ful>\n\u003Cp>\u003Cstrong>只有前者，等于没测。\u003C\u002Fstrong> 因为我们实测过：AI 确实提到了我们， 但说的是\u003Cstrong>我们几年前、已经不再主张的业务\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>提到 ≠ 说对。\u003C\u002Fstrong> 前者是数量，后者才是质量。\u003C\u002Fp>\n\u003Ch3>4 · 它区分\"品牌词\"和\"行业词\"吗？\u003C\u002Fh3>\n\u003Cp>不同性质的问题，考核标准完全不同：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>\u003C\u002Fth>\u003Cth>品牌词（问\"你这家公司\"）\u003C\u002Fth>\u003Cth>行业词（问\"该怎么选\"）\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>看什么\u003C\u002Ftd>\u003Ctd>\u003Cstrong>AI 说得对不对\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>\u003Cstrong>AI 会不会把你放进候选\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>可控性\u003C\u002Ftd>\u003Ctd>✅ \u003Cstrong>可控\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>⚠️ \u003Cstrong>不完全可控\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>能不能承诺\u003C\u002Ftd>\u003Ctd>可以承诺\"说对\"\u003C\u002Ftd>\u003Ctd>\u003Cstrong>不能承诺结果\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>把这两类混在一起算一个\"AI 可见度\"的，说明它没想清楚。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>★ 尤其要警惕一种话术：\u003Cstrong>用\"品牌词下我们表现很好\"去暗示\"行业词也没问题\"。\u003C\u002Fstrong> 这是两件事。\u003C\u002Fp>\n\u003Ch3>5 · 它会不会主动给你看\"对它不利的数字\"？\u003C\u002Fh3>\n\u003Cp>这条听起来奇怪，但很好用。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>一个真正在做测量的人，手上一定有不利的数字\u003C\u002Fstrong> —— 因为实测数据不会全是有利的。我们的例子里，重复测量的重合度最高只有 0.576， 这\u003Cstrong>不是好消息\u003C\u002Fstrong>，但它必须写出来，否则整套数字都不可信。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>如果一份报告里全是好消息，那它更可能是销售材料，不是测量结果。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch3>6 · 判定过程你能核对吗？\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>\"AI 说了什么\"是原始证据，\"AI 有没有提到你\"是判定结论。\u003C\u002Fstrong> 两者之间的那一步，是判定过程。\u003C\u002Fp>\n\u003Cp>一个可靠的交付应该让你能：\u003Cstrong>看到结论 → 点开它对应的原始回答片段 → 自己判断对不对。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>如果只有结论、看不到原始片段，\u003Cstrong>你无法发现\"误判\"\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>★ 这不是吹毛求疵：我们自己在早期就出过一次判定错误 —— 工具把一段\u003Cstrong>正常的产品描述\u003C\u002Fstrong>判成了\"AI 说错了\"。 \u003Cstrong>如果当时给了客户，就是一份方向错误的报告。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch3>7 · 它做不做\"造假内容去投喂\"这件事？\u003C\u002Fh3>\n\u003Cp>有些人会说\"我们帮你铺内容，让 AI 只能抓到你\"。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>这一条要直接问清楚，并且写进合同。\u003C\u002Fstrong> 判断方法很简单： \u003Cstrong>它准备发布的内容里，有没有编造的事实、虚构的案例、无依据的排名。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cul>\u003Cli>有依据的自我陈述（\"我们适合什么、不适合什么\"）→ ✅ 可以做\u003C\u002Fli>\u003Cli>伪装成第三方测评、把自己排第一 → ❌ \u003Cstrong>这是操纵\u003C\u002Fstrong>\u003C\u002Fli>\u003C\u002Ful>\n\u003Cp>★ 这不是道德洁癖。\u003Cstrong>这种做法短期可能有效，但对品牌是负资产\u003C\u002Fstrong> —— 一旦被识别为营销操纵，AI 和用户都会降低对这家公司内容的信任。\u003C\u002Fp>\n\u003Ch3>8 · 它交付什么、多久一次？\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>要问清楚三件事\u003C\u002Fstrong>：\u003C\u002Fp>\n\u003Cul>\u003Cli>\u003Cstrong>交付物是什么\u003C\u002Fstrong>（一份报告？一批内容？一个能自己跑的测法？）\u003C\u002Fli>\u003Cli>\u003Cstrong>周期多长\u003C\u002Fstrong>（一次性？月度？）\u003C\u002Fli>\u003Cli>\u003Cstrong>怎么判断有没有用\u003C\u002Fstrong>（复测的口径是什么）\u003C\u002Fli>\u003C\u002Ful>\n\u003Cp>★ \u003Cstrong>最理想的交付是\"你以后能自己测\"\u003C\u002Fstrong> —— 因为 AI 的答案本身在波动，\u003Cstrong>只有持续测的人才能看出趋势\u003C\u002Fstrong>， 一次性报告的价值天然有限。\u003C\u002Fp>\n\u003Ch2>一份合格的交付应该长什么样\u003C\u002Fh2>\n\u003Cp>上面 8 条是\"怎么挑\"。这一节说\"挑中之后，它应该给你什么\"。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>反面例子（只有结论）\u003C\u002Fstrong>：\u003C\u002Fp>\n\u003Cp>\"本月 AI 可见度得分 62 分，环比提升 8%。\"\u003C\u002Fp>\n\u003Cp>\u003Cstrong>问题\u003C\u002Fstrong>：62 分怎么算的？哪个 AI？问了几次？\"提升 8%\"是真实变化还是波动？ （参考：同一家 AI 重复测自己的重合度只有 0.347~0.576，\u003Cstrong>8% 的变化在噪声范围内\u003C\u002Fstrong>。）\u003C\u002Fp>\n\u003Cp>\u003Cstrong>正面例子（可核对）\u003C\u002Fstrong>：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>交付项\u003C\u002Fth>\u003Cth>内容\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>\u003Cstrong>测了什么\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>固定的一批问题（列出原文）、固定几家 AI、每家重复几次\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>原始证据\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>每次提问，AI 的\u003Cstrong>回答原文\u003C\u002Fstrong>，以及它\u003Cstrong>引用到的来源链接\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>判定结果\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>提到了没有 \u002F 说对了没有 —— \u003Cstrong>分开列\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>判定明细\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>每条结论\u003Cstrong>对应到原文的哪一段\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>来源分析\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>你的问题上，AI 现在\u003Cstrong>引的是谁\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>变化对比\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>和上一次相比，\u003Cstrong>哪些变了、哪些没变\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>下一轮建议\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>要改什么材料、投到哪里\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>★ \u003Cstrong>\"判定明细\"这一行是分水岭\u003C\u002Fstrong> —— 它让你能\u003Cstrong>自己复核\u003C\u002Fstrong>服务商有没有判错。 没有这一行的报告，你只能选择相信或不信。\u003C\u002Fp>\n\u003Cp>我们自己在早期就出过一次判定错误：把一段\u003Cstrong>正常的产品描述\u003C\u002Fstrong>判成了\"AI 说错了\"。 \u003Cstrong>如果那份报告直接给了客户，客户根本无从发现。\u003C\u002Fstrong> 所以这条对我们是硬要求。\u003C\u002Fp>\n\u003Ch2>几个可以直接问出口的问题\u003C\u002Fh2>\n\u003Cp>如果你不想记上面那么多条，\u003Cstrong>问这 5 个就够\u003C\u002Fstrong>：\u003C\u002Fp>\n\u003Col>\u003Cli>\u003Cstrong>\"你打算怎么测？用几个问题、几家人工智能、重复几次？\"\u003C\u002Fstrong> → 答不上来或含糊的，后面都不用谈了\u003C\u002Fli>\u003Cli>\u003Cstrong>\"测完之后，我能看到 AI 回答的原文吗？\"\u003C\u002Fstrong> → 回答\"只能看结论\"的，\u003Cstrong>风险很高\u003C\u002Fstrong>\u003C\u002Fli>\u003Cli>\u003Cstrong>\"你能给我看一个数字不太好看的结果吗？\"\u003C\u002Fstrong> → 真正做过测量的人一定有；给不出的，多半在挑好的说\u003C\u002Fli>\u003Cli>\u003Cstrong>\"品牌问题和行业问题，你的考核标准分别是什么？\"\u003C\u002Fstrong> → 混在一起答的，说明没分清这两件事\u003C\u002Fli>\u003Cli>\u003Cstrong>\"你最做不到的是什么？\"\u003C\u002Fstrong> → ★ 这一问最能筛人。\u003Cstrong>答\"基本都能做\"的，可以直接排除。\u003C\u002Fstrong>\u003C\u002Fli>\u003C\u002Fol>\n\u003Ch2>企业自己要先准备什么\u003C\u002Fh2>\n\u003Cp>在找服务商之前，有几件事你自己做更快（也基本不花钱）：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>#\u003C\u002Fth>\u003Cth>准备什么\u003C\u002Fth>\u003Cth>为什么\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>1\u003C\u002Ftd>\u003Ctd>\u003Cstrong>把公司全名、品牌名、业务范围在所有公开渠道上写一致\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>AI 认识你的第一手材料是工商和招聘信息，\u003Cstrong>写法不一致会直接影响它怎么描述你\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>2\u003C\u002Ftd>\u003Ctd>\u003Cstrong>列出 10~20 个\"客户会问的问题\"\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>不是行业术语，是\u003Cstrong>客户真实会怎么说\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>3\u003C\u002Ftd>\u003Ctd>\u003Cstrong>确定用哪几家 AI 测\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>实测显示不同 AI 之间来源重合度只有 0.00~0.21，\u003Cstrong>先搞清楚你的客户在用哪家\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>4\u003C\u002Ftd>\u003Ctd>\u003Cstrong>准备一个能持续投入的人\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>GEO 不是一次性项目，\u003Cstrong>复测才有意义\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>5\u003C\u002Ftd>\u003Ctd>\u003Cstrong>内部先说清楚期望\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>如果老板期待的是\"保证被推荐\"，这个项目从一开始就该停\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>★ 第 3 条尤其要强调：\u003Cstrong>不要默认\"AI 都差不多\"。\u003C\u002Fstrong> 数据不支持这个假设。\u003C\u002Fp>\n\u003Ch2>我们自己做不到的 8 件事\u003C\u002Fh2>\n\u003Cp>把话说在前面。\u003Cstrong>你可以拿这一段去考核任何一家服务商，包括我们。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>#\u003C\u002Fth>\u003Cth>做不到\u003C\u002Fth>\u003Cth>原因\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>1\u003C\u002Ftd>\u003Ctd>\u003Cstrong>不承诺\"AI 一定会推荐你\"\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>不同 AI 来源重合度 0.00~0.21，同一家 AI 自己重复测也只有 0.35~0.58 —— \u003Cstrong>波动太大，承诺就是不诚实\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>2\u003C\u002Ftd>\u003Ctd>\u003Cstrong>不承诺排名、不承诺\"进榜单\"\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>榜单型问题是\u003Cstrong>第三方内容站、媒体、行业报告的战场\u003C\u002Fstrong>，\u003Cstrong>不在我们手里\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>3\u003C\u002Ftd>\u003Ctd>\u003Cstrong>不保证\"改完立刻见效\"\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>收录和更新有物理延迟，通常以周计\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>4\u003C\u002Ftd>\u003Ctd>\u003Cstrong>不做内容造假\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>编造事实、虚构案例、无依据排名 —— \u003Cstrong>这条是我们的硬边界，不做就是不做\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>5\u003C\u002Ftd>\u003Ctd>\u003Cstrong>不交付我们的工具\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>你买到的是\u003Cstrong>结果和测法\u003C\u002Fstrong>，不是我们跑数据的那套程序\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>6\u003C\u002Ftd>\u003Ctd>\u003Cstrong>判定有盲区\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>\"说对\"是\u003Cstrong>近似判定\u003C\u002Fstrong>，报告会标注，\u003Cstrong>建议抽检\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>7\u003C\u002Ftd>\u003Ctd>★ \u003Cstrong>不承诺方法论长期有效\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>我们的方法建立在\u003Cstrong>当前 AI 的取材行为\u003C\u002Fstrong>上。AI 换检索策略，\u003Cstrong>整套方法可能失效\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>8\u003C\u002Ftd>\u003Ctd>★ \u003Cstrong>不承诺\"测出来 → 建议\"这一步必然有效\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>测量是可核验的，但从数据到\"你该做什么\"是\u003Cstrong>判断\u003C\u002Fstrong>，不是数据\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>关于第 7、8 条，多说两句\u003C\u002Fstrong> —— 因为它们最容易被忽视：\u003C\u002Fp>\n\u003Cp>\u003Cstrong>第 7 条（保质期）\u003C\u002Fstrong>：我们自己测出\"AI 的答案在波动\"。 既然它会波动，\u003Cstrong>就不能假设它下个月还用同样的方式找资料\u003C\u002Fstrong>。 我们\u003Cstrong>不设一个\"这套方法三年有效\"的承诺\u003C\u002Fstrong>，因为那没有依据。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>第 8 条（建议的可靠性）\u003C\u002Fstrong>：我们能保证的是\"\u003Cstrong>测准\u003C\u002Fstrong>\"，不是\"\u003Cstrong>建议一定对\u003C\u002Fstrong>\"。 如果你按我们的建议做了、没效果，\u003Cstrong>我们会如实告诉你没效果\u003C\u002Fstrong>， 但我们\u003Cstrong>不事前承诺建议有效\u003C\u002Fstrong> —— 那是赌，不是专业。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>我们能承诺的是\u003C\u002Fstrong>：\u003C\u002Fp>\n\u003Cul>\u003Cli>把\"AI 现在怎么说你、依据是哪一页\"\u003Cstrong>测清楚\u003C\u002Fstrong>\u003C\u002Fli>\u003Cli>把错误说法\u003Cstrong>找出来并说明来源\u003C\u002Fstrong>\u003C\u002Fli>\u003Cli>把你自己的材料\u003Cstrong>对齐\u003C\u002Fstrong>\u003C\u002Fli>\u003Cli>\u003Cstrong>持续复测，让你看得见变化\u003C\u002Fstrong>\u003C\u002Fli>\u003C\u002Ful>\n\u003Cp>\u003Cstrong>能测清楚、能说对，是\"被推荐\"的前提。反过来不成立。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>小结\u003C\u002Fh2>\n\u003Cul>\u003Cli>\u003Cstrong>第 2 条是分水岭\u003C\u002Fstrong>：不能复算的结论，不该作为付费依据；\u003Cstrong>退一步，至少要能核对原始回答\u003C\u002Fstrong>\u003C\u002Fli>\u003Cli>\u003Cstrong>提到 ≠ 说对\u003C\u002Fstrong> —— 只测\"提到没有\"等于没测\u003C\u002Fli>\u003Cli>\u003Cstrong>品牌词和行业词必须分开算\u003C\u002Fstrong> —— 一个能承诺，一个不能\u003C\u002Fli>\u003Cli>\u003Cstrong>看它敢不敢给你看不好的数字\u003C\u002Fstrong> —— 全是好消息的报告，是销售材料\u003C\u002Fli>\u003Cli>★ \u003Cstrong>最该问的一句话\u003C\u002Fstrong>：\"你给的这个结论，我自己怎么验证？\"\u003C\u002Fli>\u003C\u002Ful>\n\u003Cp>\u003Cstrong>关于本文的立场\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>本文由\u003Cstrong>大衍智联\u003C\u002Fstrong>撰写，\u003Cstrong>我们是 GEO 服务的从业者\u003C\u002Fstrong>，不是中立方。 文中 8 条标准\u003Cstrong>同样适用于考核我们\u003C\u002Fstrong>；末尾\"做不到的 4 件事\"就是我们对客的固定口径。\u003C\u002Fp>\n\u003Cp>如果这份标准对你只是\"多了一个挑服务商的清单\"，那它的目的就达到了 —— \u003Cstrong>即使你最后选的不是我们。\u003C\u002Fstrong>\u003C\u002Fp>","584c7632-25b0-512d-9143-c6d05449be92","how-to-choose-geo-service","挑 GEO 服务商时，大多数人问错了问题——问\"你能让我被 AI 推荐吗\"，而不是\"你的结论我能不能自己核对\"。本文给出 8 条判断标准，其中最重要的一条是\"可复算\"：凡是不能让你自己复现的结论，都不该作为付费依据。末尾列出我们自己做不到的 4 件事。","[\"GEO 服务\", \"供应商选择\", \"判断标准\"]","GEO 优化服务怎么选：8 条判断标准，附我们作为从业者做不到的 4 件事",{"category":43,"content":59,"cover_image":7,"create_dept":9,"create_time":10,"create_user":9,"created_at":10,"id":60,"is_pinned":13,"published_at":46,"slug":61,"sort_order":22,"status":17,"summary":62,"tags":63,"title":64,"updated_at":46,"view_count":22},"\u003Cp>\u003Cstrong>先说身份\u003C\u002Fstrong>：本文由\u003Cstrong>大衍智联\u003C\u002Fstrong>撰写。我们自己也做 GEO 服务 —— \u003Cstrong>是当事人，不是中立的第三方评测。\u003C\u002Fstrong> 文中数据全部来自我们自己的实测，方法与样本量随文标注。\u003C\u002Fp>\n\u003Ch2>先说结论\u003C\u002Fh2>\n\u003Cp>我们把 AI 回答问题时\u003Cstrong>引用的那些链接\u003C\u002Fstrong>全部扒下来，一条条数。五件事和直觉不一样：\u003C\u002Fp>\n\u003Col>\u003Cli>\u003Cstrong>没有一个\"权威清单\"\u003C\u002Fstrong> —— 249 条引用散落在 \u003Cstrong>140 个不同网站\u003C\u002Fstrong>上，没有任何一家占了统治地位。\u003C\u002Fli>\u003Cli>★ \u003Cstrong>问\"你是谁\"和问\"该怎么选\"，AI 去的是两套完全不同的地方\u003C\u002Fstrong> —— 前者的头号来源是工商登记（\u003Cstrong>21.8%\u003C\u002Fstrong>），后者是内容社区（\u003Cstrong>30.8%\u003C\u002Fstrong>）。\u003Cstrong>几乎不交叉。\u003C\u002Fstrong>\u003C\u002Fli>\u003Cli>\u003Cstrong>换个 AI 问同一个问题，它引的来源几乎不重合\u003C\u002Fstrong> —— 重合度低到 \u003Cstrong>0 到 0.21\u003C\u002Fstrong>。\u003C\u002Fli>\u003Cli>\u003Cstrong>同一家 AI，同一句话问两次，引的来源也可能不一样\u003C\u002Fstrong> —— 这不是它不稳定，是它的正常状态。\u003C\u002Fli>\u003Cli>\u003Cstrong>当你问\"某某公司是什么\"时，AI 引的多半是工商和信用信息站\u003C\u002Fstrong>，不是那家公司的官网。\u003C\u002Fli>\u003C\u002Fol>\n\u003Cp>第 2 条最实用：\u003Cstrong>\"AI 怎么说你\"和\"AI 会不会推荐你\"，根本不是同一件事，用的也不是同一批材料。\u003C\u002Fstrong> 第 5 条最容易被忽略：\u003Cstrong>AI 认识你，是从别人介绍你开始的。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>我们是怎么测的\u003C\u002Fh2>\n\u003Cp>\u003Cstrong>本文用了两套采集数据，先把口径分清楚\u003C\u002Fstrong> —— 因为它们\u003Cstrong>不能混着读\u003C\u002Fstrong>：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>\u003C\u002Fth>\u003Cth>\u003Cstrong>数据 A\u003C\u002Fstrong>（发现一、二、五）\u003C\u002Fth>\u003Cth>\u003Cstrong>数据 B\u003C\u002Fstrong>（发现三、四）\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>引擎\u003C\u002Ftd>\u003Ctd>\u003Cstrong>一家\u003C\u002Fstrong> AI 的网页版\u003C\u002Ftd>\u003Ctd>\u003Cstrong>四家\u003C\u002Fstrong> AI 的网页版\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>问题\u003C\u002Ftd>\u003Ctd>\u003Cstrong>10 个\u003C\u002Fstrong>（一半问公司、一半问行业）\u003C\u002Ftd>\u003Ctd>\u003Cstrong>5 个\u003C\u002Fstrong>（同一批）\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>重复\u003C\u002Ftd>\u003Ctd>每个问题各 1 次\u003C\u002Ftd>\u003Ctd>其中三家各 \u003Cstrong>3 次\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>得到\u003C\u002Ftd>\u003Ctd>\u003Cstrong>249 条引用 \u002F 140 个网站\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>各家可比样本 \u003Cstrong>15 条\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>回答的问题\u003C\u002Ftd>\u003Ctd>\u003Cstrong>AI 读了什么\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>\u003Cstrong>AI 之间、以及它自己，差多少\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>⚠️ \u003Cstrong>两套数据的量纲不同，不能直接比大小。\u003C\u002Fstrong> 比如数据 A 里说\"某网站出现 \u003Cstrong>38 次\u003C\u002Fstrong>\"（次数）， 数据 B 里说\"某类内容占 \u003Cstrong>38%\u003C\u002Fstrong>\"（占比）—— \u003Cstrong>这是两个不同的量\u003C\u002Fstrong>，文中会分别标注分母。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>口径说明\u003C\u002Fstrong>：本文所有数字都标了来源和样本量。样本小的地方直接写\"样本小\"， \u003Cstrong>不利的数字照样写\u003C\u002Fstrong> —— 这是我们做这件事的基本要求。\u003C\u002Fp>\n\u003Ch2>发现一：AI 没有一份\"权威清单\"\u003C\u002Fh2>\n\u003Cp>很多人以为 AI 回答\"哪家好\"的时候，是去翻某个排行榜。\u003Cstrong>实际不是。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>249 条引用散落在 140 个网站上，出现最多的几家也只占个位数：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>来源类型\u003C\u002Fth>\u003Cth>实际出现的网站（举例）\u003C\u002Fth>\u003Cth>出现次数\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>内容社区\u003C\u002Ftd>\u003Ctd>抖音\u003C\u002Ftd>\u003Ctd>38\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>工商信息\u003C\u002Ftd>\u003Ctd>企查查\u003C\u002Ftd>\u003Ctd>9\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>技术媒体\u003C\u002Ftd>\u003Ctd>InfoQ\u003C\u002Ftd>\u003Ctd>8\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>厂商官网\u003C\u002Ftd>\u003Ctd>畅捷通\u003C\u002Ftd>\u003Ctd>8\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>内容社区\u003C\u002Ftd>\u003Ctd>小红书\u003C\u002Ftd>\u003Ctd>7\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>信用信息\u003C\u002Ftd>\u003Ctd>水滴信用\u003C\u002Ftd>\u003Ctd>5\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>没有任何一家超过 15%。\u003C\u002Fstrong> 换句话说：\u003Cstrong>AI 不是在一张榜单上挑，它是在一张很散的网上找。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>★ 顺带一个对我们自己有冲击的发现：\u003Cstrong>厂商自己的官网是会被引的\u003C\u002Fstrong> —— 上表里\"畅捷通\"出现了 8 次， 而且在\"批发进销存\"这类问题下，它的官网被反复引用。\u003C\u002Fp>\n\u003Cp>所以\"自有网站的内容 AI 看不到\"这个说法\u003Cstrong>不成立\u003C\u002Fstrong>。真正的问题是：\u003Cstrong>你官网上有什么值得它引的东西。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch3>一个附加观察：在强监管的行业里，AI 会优先去政府网站\u003C\u002Fh3>\n\u003Cp>我们问到\u003Cstrong>农产品溯源\u003C\u002Fstrong>这类问题时，AI 引用的来源里出现了\u003Cstrong>农业农村部官网 3 次\u003C\u002Fstrong>， 以及同系统的另外两个站点各 1~2 次。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>这不是个例的方向性信号\u003C\u002Fstrong>：在\u003Cstrong>有明确监管主体、且公开信息丰富\u003C\u002Fstrong>的行业里， AI 会优先取信\u003Cstrong>政府或权威机构的公开来源\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>对企业的含义是：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>你的行业\u003C\u002Fth>\u003Cth>应对\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>\u003Cstrong>有强监管主体\u003C\u002Fstrong>（食品、农业、医疗、建筑…）\u003C\u002Ftd>\u003Ctd>⚠️ \u003Cstrong>先看你的合规信息、资质公示是不是公开、完整\u003C\u002Fstrong> —— 那可能是 AI 的第一选择\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>无明确监管主体\u003C\u002Ftd>\u003Ctd>内容社区和厂商官网的权重更高\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>★ \u003Cstrong>这一条容易被忽略\u003C\u002Fstrong>：很多企业把精力全放在\"写营销内容\"上， 而 AI 在回答它所在行业的问题时，\u003Cstrong>先去看了资质公示页\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Ch2>★ 发现二：问\"你是谁\"和问\"该怎么选\"，AI 去的地方完全不一样\u003C\u002Fh2>\n\u003Cp>这是我们这次采集里\u003Cstrong>最有实操价值\u003C\u002Fstrong>的一条。\u003C\u002Fp>\n\u003Cp>我们把 10 个问题分成两组、各占一半，然后看 AI 在这两组问题下\u003Cstrong>分别引用了哪些类型的网站\u003C\u002Fstrong>：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>来源类型\u003C\u002Fth>\u003Cth>问\"这家公司是谁\"（119 条引用）\u003C\u002Fth>\u003Cth>问\"这个行业该怎么选\"（130 条引用）\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>\u003Cstrong>工商 \u002F 信用 \u002F 黄页\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>\u003Cstrong>26 条（21.8%）\u003C\u002Fstrong> ← 最大头\u003C\u002Ftd>\u003Ctd>2 条（1.5%）\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>政府 \u002F 学术\u003C\u002Ftd>\u003Ctd>18 条（15.1%）\u003C\u002Ftd>\u003Ctd>8 条（6.2%）\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>新闻媒体\u003C\u002Ftd>\u003Ctd>13 条（10.9%）\u003C\u002Ftd>\u003Ctd>9 条（6.9%）\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>内容社区 \u002F 短视频\u003C\u002Ftd>\u003Ctd>9 条（7.6%）\u003C\u002Ftd>\u003Ctd>\u003Cstrong>40 条（30.8%）\u003C\u002Fstrong> ← 最大头\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>技术社区 \u002F 媒体\u003C\u002Ftd>\u003Ctd>2 条（1.7%）\u003C\u002Ftd>\u003Ctd>13 条（10.0%）\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>厂商官网\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>\u003Cstrong>1 条（0.8%）\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>\u003Cstrong>16 条（12.3%）\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>招聘网站\u003C\u002Ftd>\u003Ctd>2 条（1.7%）\u003C\u002Ftd>\u003Ctd>0 条\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>读一下这张表，会看到两套几乎不交叉的体系：\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>\u003C\u002Fth>\u003Cth>问\"你是谁\"\u003C\u002Fth>\u003Cth>问\"该怎么选\"\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>AI 主要去哪\u003C\u002Ftd>\u003Ctd>工商登记、信用信息、新闻\u003C\u002Ftd>\u003Ctd>内容社区、厂商官网、技术媒体\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>你的官网有用吗\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>❌ \u003Cstrong>几乎没用（0.8%）\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>✅ \u003Cstrong>有用（12.3%）\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>决定因素\u003C\u002Ftd>\u003Ctd>\u003Cstrong>别人怎么登记你\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>\u003Cstrong>你自己写了什么\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>★ \u003Cstrong>这张表推翻了一个很常见的做法\u003C\u002Fstrong>： 很多公司的做法是\"\u003Cstrong>把官网做好，等着 AI 来读\u003C\u002Fstrong>\"。 但数据显示：\u003Cstrong>在你自己的品牌问题上，官网几乎不起作用（0.8%）\u003C\u002Fstrong> —— 那类问题 AI 去的是工商和信用信息站。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>反过来也成立\u003C\u002Fstrong>：你想在\"这个行业该怎么选\"这类问题上被提到， \u003Cstrong>工商信息帮不上忙\u003C\u002Fstrong>（1.5%），得靠内容。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>一句话\u003C\u002Fstrong>：\u003Cstrong>\"AI 怎么说你\" 和 \"AI 会不会推荐你\"，用的根本是两套材料。\u003C\u002Fstrong> 混在一起做，两边都会做不好。\u003C\u002Fp>\n\u003Ch3>用重合度再验一次\u003C\u002Fh3>\n\u003Cp>\"两套体系\"这个判断，还可以用另一个角度验证：\u003C\u002Fp>\n\u003Cp>我们算了这 10 个问题\u003Cstrong>两两之间\u003C\u002Fstrong>引用来源的重合度，然后按\"同类还是跨类\"分组平均：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>对比\u003C\u002Fth>\u003Cth>平均重合度\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>\u003Cstrong>同组内部\u003C\u002Fstrong>（品牌问品牌 \u002F 行业问行业）\u003C\u002Ftd>\u003Ctd>\u003Cstrong>0.115\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>跨组之间\u003C\u002Fstrong>（品牌问行业）\u003C\u002Ftd>\u003Ctd>\u003Cstrong>0.042\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>跨组重合度只有组内的三分之一。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>★ 而更有意思的是\u003Cstrong>组内差异也很大\u003C\u002Fstrong>：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>问题对\u003C\u002Fth>\u003Cth>重合度\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>两条\u003Cstrong>低代码\u003C\u002Fstrong>相关的问题\u003C\u002Ftd>\u003Ctd>\u003Cstrong>0.636\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>两条\u003Cstrong>农产品\u003C\u002Fstrong>相关的问题\u003C\u002Ftd>\u003Ctd>0.10 ~ 0.13\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>品牌问题之间\u003C\u002Ftd>\u003Ctd>0.02 ~ 0.18\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>⚠️ \u003Cstrong>这一格要特别小心，它很容易被过度解读。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>\u003Cstrong>我们只观察到\"一对\"问题达到 0.636。\u003C\u002Fstrong> 一对样本\u003Cstrong>不能说明\"同类问题必然收敛\"\u003C\u002Fstrong> —— 而且同组平均只有 0.115，说明\u003Cstrong>即使是同类问题，来源也常常很散\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>所以我们不能说\"细分主题下必然收敛\"。\u003C\u002Fstrong> 诚实的表述是：\u003C\u002Fp>\n\u003Cp>在\u003Cstrong>跨类\u003C\u002Fstrong>（品牌 vs 行业）之间，来源重合度（0.042）明显低于\u003Cstrong>同类\u003C\u002Fstrong>之间（0.115）—— \u003Cstrong>这说明\"问你是谁\"和\"问该怎么选\"确实是两套材料。\u003C\u002Fstrong> 至于\u003Cstrong>同一个细分主题内部\u003C\u002Fstrong>能不能摸清，我们目前的样本\u003Cstrong>还不足以下结论\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>这一点对行动的影响\u003C\u002Fstrong>：把两类问题\u003Cstrong>分开做\u003C\u002Fstrong>是有数据支撑的（跨组只有 0.042）； 但\"把某一类问题里的某一个主题打透就一定能摸清信源\"，\u003Cstrong>我们暂时不能保证\u003C\u002Fstrong> —— 它可能成立，也可能只是我们恰好碰上了一对。\u003C\u002Fp>\n\u003Cp>⚠️ \u003Cstrong>口径说明\u003C\u002Fstrong>：来源类型是我们按域名性质\u003Cstrong>人工归类\u003C\u002Fstrong>的（比如\"某某云\"归厂商官网）， 分类有主观成分；总样本 249 条，也不算大。\u003Cstrong>请把这些表当作方向性证据，不是精确比例。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>发现三：换个 AI 问，来源几乎不重合\u003C\u002Fh2>\n\u003Cp>（\u003Cstrong>以下是数据 B\u003C\u002Fstrong>）同样是那 5 个问题，我们让几家 AI 各回答一遍（\u003Cstrong>其中 3 家样本量够\u003C\u002Fstrong>），然后比它们引用的网站：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>对比\u003C\u002Fth>\u003Cth>重合度\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>AI 之间互相重合\u003C\u002Ftd>\u003Ctd>\u003Cstrong>0.00 ~ 0.21\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>作为对照：\u003Cstrong>同一家 AI 自己重复测\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>\u003Cstrong>0.35 ~ 0.58\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>AI 之间的重合度，比它自己重复测自己的重合度还低。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>这意味着两件事：\u003C\u002Fp>\n\u003Cul>\u003Cli>\u003Cstrong>「AI 都推荐了谁」这个问题没有统一答案\u003C\u002Fstrong> —— 不同的 AI 生活在不同的信息世界里。 举个实测例子：在\"批发进销存\"这类问题下，AI 甲引了 \u003Cstrong>38%\u003C\u002Fstrong> 的内容来自同一类短视频社区， 而 AI 乙、AI 丙在那个问题上\u003Cstrong>一次都没有\u003C\u002Fstrong>引到那里。\u003C\u002Fli>\u003Cli>\u003Cstrong>想\"一篇文章通投所有 AI\"，从数据上看是行不通的。\u003C\u002Fstrong>\u003C\u002Fli>\u003C\u002Ful>\n\u003Cp>★ \u003Cstrong>这一条对我们的意义\u003C\u002Fstrong>：任何声称\"我们能让所有 AI 都推荐你\"的说法， \u003Cstrong>在数据上就站不住\u003C\u002Fstrong> —— 因为不同 AI 的取材来源本身就不重合。\u003C\u002Fp>\n\u003Ch2>发现四：同一家 AI，你问两次，它引的来源也可能不一样\u003C\u002Fh2>\n\u003Cp>我们做了重复测量：\u003Cstrong>同一个问题、同一家 AI、隔开再问\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>AI\u003C\u002Fth>\u003Cth>同一问题重复提问时，引用网站的重合度\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>AI·甲\u003C\u002Ftd>\u003Ctd>0.576\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>AI·乙\u003C\u002Ftd>\u003Ctd>0.489\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>AI·丙\u003C\u002Ftd>\u003Ctd>0.347\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>最高也不到 0.6。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>这条是最容易被忽略、但影响最大的：\u003Cstrong>它决定了\"监测\"这件事该怎么做。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>如果你今天问一句\"AI 提到我了吗\"，得到一个\"没有\"，\u003Cstrong>这个结论是不可信的\u003C\u002Fstrong> —— 你只做了一次采样，而下一次结果可能就不一样。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>实务建议\u003C\u002Fstrong>：任何一次性的\"AI 品牌体检\"结果，都应当被当作\u003Cstrong>一次快照\u003C\u002Fstrong>，不是结论。 判断自己有没有被提到，靠的是\u003Cstrong>同一问题反复测 + 看趋势\u003C\u002Fstrong>，不是看某一天的一次结果。\u003C\u002Fp>\n\u003Ch2>发现五：★ AI 认识你，是从\"别人介绍你\"开始的\u003C\u002Fh2>\n\u003Cp>这是四件事里最能直接行动的一条。\u003C\u002Fp>\n\u003Cp>我们问了 4 个关于我们自己的问题，看 AI 引了什么：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>问题\u003C\u002Fth>\u003Cth>AI 引用的来源（部分）\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>这家公司是什么公司\u003C\u002Ftd>\u003Ctd>工商信息站、招聘网站、本地新闻\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>公司名 + 口碑怎么样\u003C\u002Ftd>\u003Ctd>工商信息站（6 次）、信用信息站、本地新闻\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>这个平台是做什么的\u003C\u002Ftd>\u003Ctd>信用信息站、工商信息站、省级媒体\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>出现最多的是工商信息站（9 次）和信用信息站（5 次）。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>也就是说：\u003Cstrong>当有人去问 AI\"这家公司靠不靠谱\"时，AI 递给他的第一手材料， 多半是一张工商登记页和一条招聘信息。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>这不是坏事，也不是好事，\u003Cstrong>它是一个事实\u003C\u002Fstrong>。它带来两个推论：\u003C\u002Fp>\n\u003Cul>\u003Cli>\u003Cstrong>好消息\u003C\u002Fstrong>：这些页面上的信息\u003Cstrong>是可以自己维护和更新的\u003C\u002Fstrong>。AI 读到的关于你的第一印象， 有很大一部分来自你本来就能控制的地方。\u003C\u002Fli>\u003Cli>\u003Cstrong>要注意的地方\u003C\u002Fstrong>：如果你的工商信息过期、业务范围写得太窄、 或者招聘信息和你现在的定位对不上，\u003Cstrong>AI 就是在拿过时的材料介绍你。\u003C\u002Fstrong>\u003C\u002Fli>\u003C\u002Ful>\n\u003Cp>★ 这也是\"品牌被 AI 答错了\"最常见的成因之一——\u003Cstrong>不是 AI 编的，是它照着旧材料说的。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>那\"让 AI 推荐我\"到底该怎么做\u003C\u002Fh2>\n\u003Cp>基于\"发现二\"，\u003Cstrong>先分成两条线做\u003C\u002Fstrong> —— 混着做会互相拖累：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>\u003C\u002Fth>\u003Cth>品牌线（\"AI 怎么说我\"）\u003C\u002Fth>\u003Cth>行业线（\"AI 会不会推荐我\"）\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>目标\u003C\u002Ftd>\u003Ctd>\u003Cstrong>说对\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>\u003Cstrong>被放进候选\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>主战场\u003C\u002Ftd>\u003Ctd>工商、信用、招聘、媒体\u003C\u002Ftd>\u003Ctd>官网内容、内容社区、行业媒体\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>见效速度\u003C\u002Ftd>\u003Ctd>✅ \u003Cstrong>快\u003C\u002Fstrong>（改材料就行）\u003C\u002Ftd>\u003Ctd>⚠️ \u003Cstrong>慢\u003C\u002Fstrong>（要时间收录）\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>能不能承诺\u003C\u002Ftd>\u003Ctd>✅ 可以\u003C\u002Ftd>\u003Ctd>❌ \u003Cstrong>不能\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>两条线具体的动作如下\u003C\u002Fstrong>（按\"你能不能自己动手\"排序）：\u003C\u002Fp>\n\u003Ch3>1. 先把\"AI 现在怎么说你\"测出来，而且要反复测\u003C\u002Fh3>\n\u003Cp>不是问一次，是\u003Cstrong>同一批问题反复测、记录变化\u003C\u002Fstrong>。 测两件事：\u003Cstrong>提到了没有\u003C\u002Fstrong>、\u003Cstrong>说对了没有\u003C\u002Fstrong>。后者往往比前者更容易出问题。\u003C\u002Fp>\n\u003Ch3>2. 把工商、信用、招聘这些\"AI 的第一手材料\"对齐\u003C\u002Fh3>\n\u003Cp>这是一个\u003Cstrong>很少有人在做的动作\u003C\u002Fstrong>，但从数据看它是 AI 认识你的起点。 不需要技巧，需要的是\u003Cstrong>发现不一致然后改掉\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Ch3>3. 官网上放\"值得被引用的东西\"\u003C\u002Fh3>\n\u003Cp>实测已经证明厂商官网能被引。但\"值得被引\"和\"写得多\"是两件事：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>值得被引的\u003C\u002Fth>\u003Cth>不太会被引的\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>具体数字、判断标准、可对照的表格\u003C\u002Ftd>\u003Ctd>公司简介、愿景使命\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>回答一个真实存在问题的内容\u003C\u002Ftd>\u003Ctd>产品功能罗列\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>说清楚\"什么情况下不适合\"\u003C\u002Ftd>\u003Ctd>只说优点\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>★ 最后一行尤其重要：\u003Cstrong>承认局限的内容，反而更容易被当成可信材料。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch3>4. 不要指望\"一篇文章通投所有 AI\"\u003C\u002Fh3>\n\u003Cp>发现三的数据摆在那里。\u003Cstrong>先测清楚你的客户用哪几家 AI，再决定投哪里。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>★ 做成了，是什么样\u003C\u002Fh2>\n\u003Cp>前面讲的都是\"哪里不行、哪里不确定\"。这一节说\u003Cstrong>做下去会看到什么\u003C\u002Fstrong> —— 因为\"一直测、一直测\"如果看不到阶段性的东西，是撑不下去的。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>先说清楚\u003C\u002Fstrong>：\u003Cstrong>我们自己就是第一个样本，目前结果还没出来。\u003C\u002Fstrong> 我们的网站刚上线不久，收录需要时间。所以下面\u003Cstrong>不是案例，是\"可观测的标志\"\u003C\u002Fstrong> —— 你照着同样的方法测，就能知道自己走到哪一步了。\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>阶段\u003C\u002Fth>\u003Cth>观测到什么\u003C\u002Fth>\u003Cth>怎么测\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>\u003Cstrong>① 对齐\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>问\"这家公司是什么\"，AI 描述的业务\u003Cstrong>和你现在的主张一致\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>问品牌问题，读它的描述\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>② 来源进池\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>品牌问题下，AI 引用的来源里\u003Cstrong>出现了你自己的材料\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>看那一问引了哪些链接\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>③ 行业可见\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>行业问题下，AI \u003Cstrong>引用了你的内容\u003C\u002Fstrong>（哪怕没提你名字）\u003C\u002Ftd>\u003Ctd>看引用链接里有没有你的站\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>④ 行业提及\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>行业问题下，AI 的\u003Cstrong>回答正文里出现了你的品牌名\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>读回答原文\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>⑤ 稳定\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>上面几条\u003Cstrong>在多次重复测量中都能复现\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>同一问题问 3 次以上\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>★ \u003Cstrong>四个观察点，注意几个容易搞错的地方\u003C\u002Fstrong>：\u003C\u002Fp>\n\u003Cul>\u003Cli>\u003Cstrong>① 和 ② 是\"品牌侧\"，③④⑤ 是\"行业侧\"\u003C\u002Fstrong> —— 两条线的材料不同（见\"发现二\"）， \u003Cstrong>别指望一条线的动作能推动另一条\u003C\u002Fstrong>\u003C\u002Fli>\u003Cli>\u003Cstrong>③ 比 ④ 先到，而且 ③ 本身就很有价值\u003C\u002Fstrong> —— 被引用意味着\u003Cstrong>你成了 AI 回答的素材\u003C\u002Fstrong>，即使这一次没点名\u003C\u002Fli>\u003Cli>\u003Cstrong>⑤ 才是能对外说的阶段\u003C\u002Fstrong> —— 前面几条必须重复验证， 因为\u003Cstrong>单次快照不算数\u003C\u002Fstrong>（见\"发现四\"）\u003C\u002Fli>\u003C\u002Ful>\n\u003Ch3>我们现在的状态（如实写）\u003C\u002Fh3>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>阶段\u003C\u002Fth>\u003Cth>我们的状态\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>① 对齐\u003C\u002Ftd>\u003Ctd>⚠️ \u003Cstrong>进行中\u003C\u002Fstrong> —— 实测发现 AI 描述我们时，用的是我们已经不再主张的旧口径\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>② 来源进池\u003C\u002Ftd>\u003Ctd>❌ \u003Cstrong>未达成\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>③ ~ ⑤\u003C\u002Ftd>\u003Ctd>❌ \u003Cstrong>未达成\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>我们说得出上面这套阶段，是因为我们自己正在走。\u003C\u002Fstrong> \u003Cstrong>等有结果了，我们会把这五个阶段的实测数据补上来\u003C\u002Fstrong> —— \u003Cstrong>不管是好的还是不好的。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>我们不承诺什么\u003C\u002Fh2>\n\u003Cp>把话说在前面，免得误解：\u003C\u002Fp>\n\u003Cul>\u003Cli>❌ \u003Cstrong>不承诺\"AI 一定会推荐你\"\u003C\u002Fstrong> —— 从上面的数据就能看出来，不同 AI 的来源几乎不重合， 这个战场上还有大量我们控制不了的因素。\u003C\u002Fli>\u003Cli>❌ \u003Cstrong>不承诺排名、不承诺\"进榜单\"\u003C\u002Fstrong>。\u003C\u002Fli>\u003Cli>✅ \u003Cstrong>能承诺的是\u003C\u002Fstrong>：把\"AI 现在怎么说你\"测清楚、把错误说法找出来、 把你自己的材料对齐、持续观测变化。\u003C\u002Fli>\u003C\u002Ful>\n\u003Cp>\u003Cstrong>能测清楚、能说对，是能推荐的前提。反过来不成立。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>小结\u003C\u002Fh2>\n\u003Cp>五个发现，一句话各一条：\u003C\u002Fp>\n\u003Col>\u003Cli>\u003Cstrong>AI 没有权威清单\u003C\u002Fstrong> —— 249 条引用散在 140 个网站上。\u003C\u002Fli>\u003Cli>★ \u003Cstrong>问\"你是谁\"和问\"该怎么选\"是两套材料\u003C\u002Fstrong> —— 品牌问题上工商\u002F信用占 21.8%、官网 0.8%；行业问题上内容社区占 30.8%、官网 12.3%。\u003C\u002Fli>\u003Cli>\u003Cstrong>不同 AI 的来源几乎不重合\u003C\u002Fstrong> —— 重合度 0.00~0.21，比它自己重复测自己还低。\u003C\u002Fli>\u003Cli>\u003Cstrong>同一家 AI 自己也会变\u003C\u002Fstrong> —— 重复提问的重合度最高 0.576，所以\"问一次\"不算数。\u003C\u002Fli>\u003Cli>★ \u003Cstrong>AI 认识你，是从工商和信用信息站开始的\u003C\u002Fstrong> —— 那些材料你自己就能维护。\u003C\u002Fli>\u003C\u002Fol>\n\u003Cp>这份数据来自我们对自己做的一次实测。\u003Cstrong>方法、样本量、口径都写在文中\u003C\u002Fstrong>， 不利的数字也照写。你可以照着同样的方法，测一遍你自己的公司。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>关于本文的数据来源\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>以上实测由\u003Cstrong>大衍智联\u003C\u002Fstrong>完成（我们自己做这件事，也拿自己做第一个样本）。 方法与样本量已在文中逐处标注，\u003Cstrong>你可以照着重跑一遍验证\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>如果你要引用本文里的数字，\u003Cstrong>请连同样本量一并引用\u003C\u002Fstrong> —— 去掉样本量的数字会失真，这一点在「发现四」里已经说明。\u003C\u002Fp>","62bc52a7-3bf1-5324-baf5-207b28c88a7d","how-to-get-recommended-by-ai","我们让 AI 回答了 10 个关于企业和行业的问题，扒出 249 条引用、来自 140 个不同网站。发现五件事：AI 没有一份\"权威清单\"；问\"你是谁\"和问\"该怎么选\"用的是两套完全不同的材料（品牌问题上工商信息占 21.8%、官网只有 0.8%；行业问题上内容社区占 30.8%、官网有 12.3%）；不同 AI 的来源几乎不重合；同一家 AI 问两次结果也会变。","[\"AI 推荐\", \"品牌可见度\", \"信源实测\"]","怎么让 AI 推荐我的公司：我们扒了 249 条 AI 引用，发现它最先看的不是你官网",[66,67,68],{"client_name":5,"content":6,"cover_image":7,"cover_style":8,"create_dept":9,"create_time":10,"create_user":9,"created_at":10,"id":11,"industry":12,"is_pinned":13,"published_at":14,"slug":15,"sort_order":16,"status":17,"summary":18,"tags":19,"tech_stack":20,"title":21,"updated_at":14,"view_count":22},{"client_name":5,"content":24,"cover_image":7,"cover_style":8,"create_dept":9,"create_time":10,"create_user":9,"created_at":10,"id":25,"industry":26,"is_pinned":13,"published_at":14,"slug":27,"sort_order":28,"status":17,"summary":29,"tags":30,"tech_stack":20,"title":31,"updated_at":14,"view_count":22},{"client_name":5,"content":33,"cover_image":7,"cover_style":8,"create_dept":9,"create_time":10,"create_user":9,"created_at":10,"id":34,"industry":35,"is_pinned":13,"published_at":14,"slug":36,"sort_order":37,"status":17,"summary":38,"tags":39,"tech_stack":20,"title":40,"updated_at":14,"view_count":22},1792497133577]