技术分享与行业洞察
把我们自己实测出来的东西写下来 —— AI 从哪取材、为什么这么说你、怎么把结论算回去
2026实测：AI 为什么会把两家同名公司合并成一个？我们追出了完整证据链
我们的公司名被 AI 列进了一份服务商推荐名单——但旁边配的地区、行业、客群描述，全部是另一家同名公司的。这不是"AI 没提到我们"，而是"AI 提到了我们、却说了别人的事"。我们把这轮回答采信的 30 条来源逐条拆开，复原了它的成因：一条 40% 来源指向同一个内容平台的检索链。本文给出完整证据链、复算方法，以及一份可以自查同名风险的排查清单。
2026-09-292026 GEO服务商实测：拆完1766条AI引用，让AI念出你名字的到底是哪种做法
我们采集了四家 AI 在 2026-09-21 至 09-26 期间回答 GEO（生成式引擎优化）类问题时引用的 1766 条来源，逐条统计，并抓取 31 个真实被引页面核对。结论是：AI 念出的名字，来自"别人怎么记载他们"，而不是"他们自己怎么说"。同一条问题下，靠第三方盘点文被记载的做法可见度 55%~79%，只靠自己发内容的做法 29%，而写好自己的官网几乎不起作用。本文按**做法**而不是按公司拆解这份名单，并给出一份选服务商时可直接用的核对清单。
2026-09-23
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
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。
2026-09-23品牌被 AI 答错了怎么处理：我们查了自己，发现三种完全不同的成因
有人问 AI「你的公司是什么」，得到的答案不对——这是最常见也最容易被误判的一类问题。我们拿自己做样本实测，发现"被答错"至少有三种完全不同的成因：信源池被同名实体占据、AI 照着你多年前的材料说、你的公开材料写的就是别的业务。三种成因的处理方式完全不同，用错方法会白费力气。
2026-09-23GEO 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
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。
2026-09-23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
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。
2026-09-23为什么不同 AI 给出的答案不一样：我们测了 3 家 AI 的引用来源，差异大到反常
同样的问题交给不同的 AI，答案常常对不上——多数人归因于「模型不一样」。但我们横向比对了 3 家 AI 实际引用的网站，发现一个更根本的原因：它们读的资料几乎不重合。跨 AI 的信源重合度只有 0.00~0.21，甚至低于每一家自己重复测自己的波动下限（0.347）。其中一家的引用里有 38% 来自某一类短视频社区，另外两家在同样的问题上一次都没引到。
2026-09-23AI 不引用你的官网？先看我们手里的两个反例，再决定改什么
「AI 看不到我的官网」是流传很广的说法，但我们的实测里，厂商官网被 AI 反复引用的例子不止一个。所以问题不是「官网能不能被引」，而是「你的官网上有没有值得被引的东西」。本文给出两个反例、四类真实原因，以及一份能被引 / 不会被引的内容对照。
2026-09-23AI 回答里没有你的公司：先分清「真没有」和「你只问了一次」
测出来"AI 没提到我们"之后，多数人的第一反应是赶紧去发内容。但我们的实测显示：重复提问的引用重合度只有 0.347~0.576，不同 AI 之间只有 0.00~0.21 —— 你看到的"没有"，有相当一部分是测量本身的问题。先排除三种假没有，再谈优化。
2026-09-232026 怎么让 AI 搜索提到我的品牌：四家 AI 信源池最高只重合 0.079
我们把豆包、千问、DeepSeek、Kimi 四家 AI 网页版回答 GEO 类问题时引用的来源，两两算了一遍重合度 —— 六组里最高的一组 Jaccard 只有 0.079，最低 0.016。也就是说"在一家 AI 里被提到"几乎不预示"在另一家也被提到"。进一步看，池子的边界不是行业，而是问题的语义邻近度。本文给出这个结构下的三条可执行做法。
2026-09-23大语言模型应用开发入门：从 Prompt 到 Agent
从 API 调用到构建企业级 LLM 应用，理解 Prompt Engineering、RAG 和 AI Agent 的核心概念与实践。
2026-07-16
企业数字化转型的三个关键阶段
从信息化到数字化再到智能化，企业数字化转型的正确路径和每个阶段的核心挑战。
2026-07-16