[{"data":1,"prerenderedAt":112},["ShallowReactive",2],{"article-geo-vendors-cited-vs-recommended":3,"article-related-pool":17},{"category":4,"content":5,"cover_image":6,"create_dept":7,"create_time":8,"create_user":7,"created_at":8,"id":9,"is_pinned":10,"published_at":11,"slug":12,"sort_order":10,"status":13,"summary":14,"tags":15,"title":16,"updated_at":11,"view_count":10},"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> 下面所有数据都来自我们自己的采集，方法和样本量随文标注； \u003Cstrong>其中包括对我们自己不利的数据，也包括一个我们一开始猜错、被自己数据推翻的结论。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>先说结论\u003C\u002Fh2>\n\u003Cp>我们问 AI「GEO 服务商哪家好」这类问题，然后把 AI \u003Cstrong>引用的来源\u003C\u002Fstrong>一条条扒下来数， 一共 \u003Cstrong>1766 条\u003C\u002Fstrong>。四件事和直觉不一样：\u003C\u002Fp>\n\u003Col>\u003Cli>★ \u003Cstrong>AI 念出的那份名单，来自\"别人怎么记载你\"，不是\"你怎么介绍自己\"。\u003C\u002Fstrong> 在同一条问题下，靠第三方盘点文被记载的做法，名字出现在 \u003Cstrong>55%~79%\u003C\u002Fstrong> 的回答里； 而主要靠自己发内容的做法，是 \u003Cstrong>29%\u003C\u002Fstrong>。 更关键的是：前者的回答里，\u003Cstrong>引用列表一次都没有出现它们自己的网站\u003C\u002Fstrong>。\u003C\u002Fli>\u003C\u002Fol>\n\u003Col>\u003Cli>\u003Cstrong>写好自己的官网，对\"被推荐\"几乎不起作用。\u003C\u002Fstrong> 可见度最高的那种做法，相关回答里 \u003Cstrong>0 次\u003C\u002Fstrong>引用其自有站点。\u003C\u002Fli>\u003C\u002Fol>\n\u003Col>\u003Cli>\u003Cstrong>\"被 AI 认识\"和\"被 AI 推荐\"用的不是同一批材料。\u003C\u002Fstrong> 问\"某某公司是什么\"，AI 引的 \u003Cstrong>60% 是工商信息平台\u003C\u002Fstrong>（天眼查、企查查这类）， 而且\u003Cstrong>答错率 31%\u003C\u002Fstrong>。\u003C\u002Fli>\u003C\u002Fol>\n\u003Col>\u003Cli>\u003Cstrong>我们自己也不在名单里。\u003C\u002Fstrong> 我们的名字只出现在 \u003Cstrong>1\u002F38\u003C\u002Fstrong> 条回答中， 官网在这 1766 条引用里出现 \u003Cstrong>0 次\u003C\u002Fstrong>。这一条对我们不利，但它恰好说明了这件事真实的难度。\u003C\u002Fli>\u003C\u002Fol>\n\u003Cp>\u003Cstrong>一句话\u003C\u002Fstrong>：AI 不评价你，它复述别人怎么评价你。\u003C\u002Fp>\n\u003Ch2>我们是怎么测的\u003C\u002Fh2>\n\u003Cp>先把口径说清楚，因为不同口径的数字\u003Cstrong>不能混着读\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>\u003C\u002Fth>\u003Cth>\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>\u003Cstrong>采集窗口\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>2026-09-21 ~ 09-26，\u003Cstrong>5 个日历日\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>引擎\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>豆包、千问、DeepSeek、Kimi 的\u003Cstrong>网页版\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>问题\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>我们的 GEO 问句集，其中\"服务商哪家好 \u002F 推荐 \u002F 排名\"这一类共 \u003Cstrong>38 次问答\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>得到\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>\u003Cstrong>1766 条引用\u003C\u002Fstrong>（含 URL、标题、来源类型）\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>另有\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>抓取 \u003Cstrong>31 个\u003C\u002Fstrong>真实被引页面；另取一条千问回答，其引用 \u003Cstrong>8 篇\u003C\u002Fstrong>中抓到 \u003Cstrong>6 篇\u003C\u002Fstrong>逐家核对\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>⚠️ \u003Cstrong>三条你必须知道的限制\u003C\u002Fstrong>：\u003C\u002Fp>\n\u003Col>\u003Cli>\u003Cstrong>这是快照，不是长期规律。\u003C\u002Fstrong> 平台的信源池会变，5 天只是 5 天。\u003C\u002Fli>\u003Cli>\u003Cstrong>网页版和 API 的检索面不同，数字不可比。\u003C\u002Fstrong> 本文全部用网页版。\u003C\u002Fli>\u003Cli>\u003Cstrong>Kimi 样本太薄\u003C\u002Fstrong>，它的任何结论我们都不采。\u003C\u002Fli>\u003C\u002Fol>\n\u003Ch3>本文为什么按\"做法\"拆，不按公司拆\u003C\u002Fh3>\n\u003Cp>两个原因，第二个更重要：\u003C\u002Fp>\n\u003Col>\u003Cli>\u003Cstrong>这份数据是公开可复算的\u003C\u002Fstrong> —— 你用同样的问句集去问四家 AI 的网页版，会得到同一批名字。 所以不点名不影响你验证我们。\u003C\u002Fli>\u003Cli>★ \u003Cstrong>点名本身就是可见度\u003C\u002Fstrong> —— 而这正是本文要证明的机制。 我们如果在这里列一份公司名单，等于亲手替被列进去的公司做了一次优化。 \u003Cstrong>既然我们主张\"名单可以被写出来\"，就不该假装写名单是中立的。\u003C\u002Fstrong>\u003C\u002Fli>\u003C\u002Fol>\n\u003Cp>（顺带一提：现在这篇稿子里的名字，是被写在这篇文章里，而不是被写在别人的盘点文里 —— 这两件事的差别，就是下面发现一要讲的。）\u003C\u002Fp>\n\u003Ch2>发现一：三种做法，可见度差 2.7 倍\u003C\u002Fh2>\n\u003Cp>我们统计了各类服务商的名字在 \u003Cstrong>38 条\u003C\u002Fstrong>\"哪家好\"回答里被念到的比例， 再回头查：\u003Cstrong>在念到它的那些回答里，AI 引用的来源有没有它自己的网站？\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>结果按\u003Cstrong>做法\u003C\u002Fstrong>归类如下 —— 每一行是一种做法，不是一个名字：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>做法\u003C\u002Fth>\u003Cth>名字被念到的回答\u003C\u002Fth>\u003Cth>其中引用了\u003Cstrong>它自有站\u003C\u002Fstrong>的\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>\u003Cstrong>A · 进别人写的盘点\u002F榜单文\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>\u003Cstrong>30 \u002F 38（79%）\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>\u003Cstrong>0 \u002F 30\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>A · 进别人写的盘点\u002F榜单文\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>21 \u002F 38（55%）\u003C\u002Ftd>\u003Ctd>\u003Cstrong>0 \u002F 21\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>B · 自己持续发内容\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>11 \u002F 38（29%）\u003C\u002Ftd>\u003Ctd>\u003Cstrong>11 \u002F 11（100%）\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>两条路都还没走通（我们自己）\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>1 \u002F 38（3%）\u003C\u002Ftd>\u003Ctd>—\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>要注意：A 那两行是\u003Cstrong>两家不同的公司\u003C\u002Fstrong>，但它们走的是同一种做法， \u003Cstrong>而且成绩高度接近（79% 与 55%）\u003C\u002Fstrong> —— 这正是\"做法决定量级\"而不是\"某家特别会做\"的证据。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>这张表是整个 GEO 行业最该看的一张表：\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cul>\u003Cli>\u003Cstrong>走 A 的两家，成绩最好（79%、55%），但它们自己的网站一次都没被引用过。\u003C\u002Fstrong> 它们的名字是被\u003Cstrong>别人的文章\u003C\u002Fstrong>带进去的。\u003C\u002Fli>\u003Cli>\u003Cstrong>走 B 的那家是另一条路\u003C\u002Fstrong> —— 它自己发了很多内容，AI 每次都读到了它的网站， 于是念到了它。\u003Cstrong>但天花板明显更低：29%。\u003C\u002Fstrong>\u003C\u002Fli>\u003Cli>\u003Cstrong>我们自己（3%）\u003C\u002Fstrong> —— 两条路都还没走通。\u003C\u002Fli>\u003C\u002Ful>\n\u003Cp>⇒ \u003Cstrong>靠\"把自己的网站写好\"，能进名单，但进不深。\u003C\u002Fstrong> 真正把名字送进 AI 回答的，是\u003Cstrong>别人写的文章里那份名单\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Ch2>发现二：AI 念的名单，确实是从文章里复述的\u003C\u002Fh2>\n\u003Cp>光有相关性不够，所以我们对可见度最高的那种做法做了一次\u003Cstrong>逐页核对\u003C\u002Fstrong>： 挑一条千问的回答，它\u003Cstrong>引用了 8 篇\u003C\u002Fstrong>，其中 \u003Cstrong>6 篇\u003C\u002Fstrong>我们抓到了原文，逐家比对。\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>AI 引用的那篇文章\u003C\u002Fth>\u003Cth>里面写了多少家\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>中国经济新闻网《谁的续费率和市占率高？…一文看懂中国GEO公司排名》\u003C\u002Ftd>\u003Ctd>5 家\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>IT之家《2026国内GEO服务商对比：靠谱GEO服务商选型要点与避坑指南》\u003C\u002Ftd>\u003Ctd>5 家\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>IT之家《GEO选型不再靠运气：五维判断法+TOP3服务商测试报告》\u003C\u002Ftd>\u003Ctd>3 家\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>IT之家《2026年有品牌背书的GEO服务商盘点：候选与可核验凭证清单》\u003C\u002Ftd>\u003Ctd>4 家\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>IT之家《2026年9月国内GEO服务商推荐：主流服务商对比、优缺点分析与选型参考》\u003C\u002Ftd>\u003Ctd>2 家\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>IT之家《2026年9月GEO优化服务商竞争格局深度分析报告》\u003C\u002Ftd>\u003Ctd>\u003Cstrong>0 家\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>★ 最后一篇值得单独看一眼：\u003Cstrong>它标题里带着\"竞争格局分析\"，正文里却一家都没写。\u003C\u002Fstrong> AI 照样引用了它 —— 但它对名单没有任何贡献。 （这也说明\"被引用\"和\"名字被念到\"是两件事，别混着算。）\u003C\u002Fp>\n\u003Cp>\u003Cstrong>AI 念到的每一家，都能在上面这些有名字的页面里找到出处。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>而从形态上看，\u003Cstrong>\"服务商哪家好\"类问题的引用里，豆包有 47%、千问有 76% 是盘点\u002F榜单\u002F对比类文章。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>⇒ 机制很清楚：\u003Cstrong>AI 不是在评价服务商，它是在复述它读到的名单。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>这也解释了为什么\"写好自己的官网\"这条路上限低： 一份只讲自己的官网，\u003Cstrong>里面没有可供复述的名单\u003C\u002Fstrong>，AI 就没有东西可念。 29% 那一家之所以还能被念到，是因为它发的\u003Cstrong>量大\u003C\u002Fstrong>，而不是因为它的内容\"更权威\"。\u003C\u002Fp>\n\u003Ch2>发现三：想让 AI 说对\"你是谁\"，要去改工商信息，不是改官网\u003C\u002Fh2>\n\u003Cp>再看另一类问题：「某某公司是什么」。\u003C\u002Fp>\n\u003Cp>我们把这一类单独拉出来（\u003Cstrong>45 个样本\u003C\u002Fstrong>）：\u003C\u002Fp>\n\u003Cul>\u003Cli>\u003Cstrong>答错 14 个，答错率 31%。\u003C\u002Fstrong> 其中 DeepSeek 最差，7 个样本错了 4 个。\u003C\u002Fli>\u003C\u002Ful>\n\u003Cp>而 AI 回答这类问题时引用的域名，排在前面的是：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>域名\u003C\u002Fth>\u003Cth>条数\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>天眼查\u003C\u002Ftd>\u003Ctd>11\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>企查查\u003C\u002Ftd>\u003Ctd>11\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>水滴信用\u003C\u002Ftd>\u003Ctd>5\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>抖音\u003C\u002Ftd>\u003Ctd>5\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>工商信息平台合计占 60%。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>⇒ 两件事：\u003C\u002Fp>\n\u003Col>\u003Cli>\u003Cstrong>AI 认识一家公司，主要靠工商登记和信用平台\u003C\u002Fstrong>，不是靠这家公司自己怎么说。\u003C\u002Fli>\u003Cli>\u003Cstrong>答错率高，是因为那些公开记载本身就粗\u003C\u002Fstrong>（经营范围、注册信息），AI 只能照着复述。\u003C\u002Fli>\u003C\u002Fol>\n\u003Cp>\u003Cstrong>想让 AI 说对，先去把这些公开记载改对。\u003C\u002Fstrong> 在官网上写一段自我介绍，用处比多数人以为的小得多。\u003C\u002Fp>\n\u003Ch2>发现四：我们自己也不在名单里\u003C\u002Fh2>\n\u003Cp>必须把这一条写出来，否则上面三条就成了\"别人不行、我行\"。\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>我们自己的数据\u003C\u002Fth>\u003Cth>值\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>我们官网在 1766 条引用里出现的次数\u003C\u002Ftd>\u003Ctd>\u003Cstrong>0\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>我们的名字在 38 条\"哪家好\"回答里被念到\u003C\u002Ftd>\u003Ctd>\u003Cstrong>1 条\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>我们被 AI 答错（品牌词问题）\u003C\u002Ftd>\u003Ctd>有，且不低\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>我们做 GEO，但我们的官网在 AI 的信源池里基本不存在。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>这一条恰好说明：\u003Cstrong>GEO 不是\"写几篇文章就能被推荐\"\u003C\u002Fstrong> —— 它是一个\u003Cstrong>让别人有材料可以复述你\u003C\u002Fstrong>的工程。我们自己也在解决这个问题的过程中，本文就是过程的一部分。\u003C\u002Fp>\n\u003Ch2>★ 一个我们猜错、被自己数据推翻的结论\u003C\u002Fh2>\n\u003Cp>诚实起见，这一节留着。\u003C\u002Fp>\n\u003Cp>我们最初的假设是：\u003Cstrong>\"企业自己发的软文，能进来源列表，但进不了推荐名单。\"\u003C\u002Fstrong> 理由是：我们抓到的一篇企业宣传稿，\u003Cstrong>全篇只提到它自己 1 家公司\u003C\u002Fstrong> —— 不构成\"名单\"， AI 没有可以复述的东西。听起来很顺。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>但这个推论被数据推翻了。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>上面那张表里走 B 的那种做法，名字被念到了 \u003Cstrong>11 次\u003C\u002Fstrong> —— \u003Cstrong>不是 0 次\u003C\u002Fstrong>。 而且\u003Cstrong>每一次\u003C\u002Fstrong>，AI 的引用列表里都有它自己的网站。 它就是在\"自己发内容\"这条路上，拿到了 \u003Cstrong>29%\u003C\u002Fstrong> 的可见度。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>所以准确的说法不是\"软文没用\"，而是：\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>自己发内容\u003Cstrong>有用\u003C\u002Fstrong>，能让 AI 读到你，能进名单 —— \u003Cstrong>但天花板明显低于\"进别人的盘点文\"。\u003C\u002Fstrong> 前提是你的内容里\u003Cstrong>有 AI 可以复述的东西\u003C\u002Fstrong>（比如一份名单、一组数据）， 而不是全篇只讲自己。\u003C\u002Fp>\n\u003Cp>我们把这个错误留在文章里，因为它同时是本文方法的一部分： \u003Cstrong>结论要被数据检验，包括我们自己的结论。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>把结论翻成做法：三条路各自的前提\u003C\u002Fh2>\n\u003Cp>上面是\"发生了什么\"。如果你要动手，这一段是\"那该做什么\"。 三条路都能走，但\u003Cstrong>门槛和天花板完全不同\u003C\u002Fstrong>：\u003C\u002Fp>\n\u003Cp>\u003Cstrong>A · 进别人写的盘点文 —— 天花板最高（79%），但你控制不了别人写不写你。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>可行的地方在于：\u003Cstrong>盘点文的作者需要素材\u003C\u002Fstrong>。 一份\"只有你能拿出来\"的实测数据、一份可核验的资质清单， 是盘点文作者愿意引用你的唯一理由。 ⇒ \u003Cstrong>你能做的不是\"求人写你\"，而是\"让自己成为一份可被引用的素材\"。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>\u003Cstrong>B · 自己持续发内容 —— 天花板较低（29%），但完全可控。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>适合两种情况：一是你没有媒体资源；二是你想先\u003Cstrong>证明这件事能测\u003C\u002Fstrong>。 关键是内容里必须有\u003Cstrong>可复述的东西\u003C\u002Fstrong>：一个人人可用的核对清单、 一组别处没有的实测数字、一份可复算的方法说明。 ⇒ \u003Cstrong>全篇只讲自己 = 没有可复述的东西 = 白写。\u003C\u002Fstrong> 这一点我们踩过，见上一节。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>C · 写好自己的官网 —— 对\"被推荐\"几乎不起作用，但别把它否掉。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>它在本文数据里的可见度贡献接近 0。但\u003Cstrong>官网不是没用的\u003C\u002Fstrong> —— 它是你所有对外材料的\u003Cstrong>落点\u003C\u002Fstrong>：别人引用你的时候，得有一个能指过去的地址。 ⇒ \u003Cstrong>把官网当成\"被引用时的落脚点\"来建，不要指望它自己带来推荐。\u003C\u002Fstrong> 顺带说一句，这也是我们自己的短板：我们官网在 1766 条引用里出现 \u003Cstrong>0 次\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>三条路的共同前提\u003C\u002Fstrong>：\u003Cstrong>先有可复算的东西。\u003C\u002Fstrong> 不管是数据、清单还是资质，只要\u003Cstrong>别人没法自己验证\u003C\u002Fstrong>，它就进不了别人的文章，也进不了 AI 的回答。\u003C\u002Fp>\n\u003Ch2>那，选 GEO 服务商时该看什么\u003C\u002Fh2>\n\u003Cp>把上面的实测翻过来，就是一份可以直接用的核对清单：\u003C\u002Fp>\n\u003Col>\u003Cli>\u003Cstrong>问他：你打算怎么让我进别人的盘点文？\u003C\u002Fstrong> 从数据看，这是可见度最高的一条路（79% vs 29%）。\u003C\u002Fli>\u003C\u002Fol>\n\u003Col>\u003Cli>\u003Cstrong>问他：你的结论我能不能自己复算？\u003C\u002Fstrong> 凡是不能让你自己重现的结论，都不该作为付费依据。这一条比\"我们很专业\"有用得多。\u003C\u002Fli>\u003C\u002Fol>\n\u003Col>\u003Cli>\u003Cstrong>问他：我现在的公开记载说的是什么？\u003C\u002Fstrong> 先去看天眼查、企查查上你的公司写的是什么 —— AI 认识你是从那里开始的（发现三）。\u003C\u002Fli>\u003C\u002Fol>\n\u003Col>\u003Cli>\u003Cstrong>问他：多久能看到变化？\u003C\u002Fstrong> AI 的索引更新需要时间，\u003Cstrong>投完立刻测必然为空\u003C\u002Fstrong>。说\"三天见效\"的都在骗你。\u003C\u002Fli>\u003C\u002Fol>\n\u003Col>\u003Cli>\u003Cstrong>警惕任何一张\"权威榜单\"。\u003C\u002Fstrong> 我们已经证明了 AI 的名单是从文章里复述的 —— 反过来说， \u003Cstrong>一份名单写谁不写谁，是可以被影响的\u003C\u002Fstrong>。看到榜单，先看它有没有写劣势。\u003C\u002Fli>\u003C\u002Fol>\n\u003Cp>这一条对我们同样适用：\u003Cstrong>如果你看到一份盘点文里只有优点、没有劣势， 包括本文在内，都该先问一句\"为什么\"。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>数据边界（请连同上面的结论一起读）\u003C\u002Fh2>\n\u003Cul>\u003Cli>采集窗口 \u003Cstrong>2026-09-21 ~ 09-26 共 5 个日历日\u003C\u002Fstrong>，\u003Cstrong>是快照，不是长期规律\u003C\u002Fstrong>。\u003C\u002Fli>\u003Cli>全部用\u003Cstrong>网页版\u003C\u002Fstrong>通道；网页版与 API 的检索面不同，\u003Cstrong>数字不可直接比较\u003C\u002Fstrong>。\u003C\u002Fli>\u003Cli>\"名单来自被引文章\"是\u003Cstrong>强相关 + 逐页核对\u003C\u002Fstrong>，\u003Cstrong>不是因果实验\u003C\u002Fstrong> —— 我们没做受控投放，所以不能说\"投了盘点文就一定被念到\"。\u003C\u002Fli>\u003Cli>样本量：\u003Cstrong>38 条\"哪家好\"类问答 · 45 条品牌词问答 · 1766 条引用\u003C\u002Fstrong>。 这个量级足以看出量级差异，\u003Cstrong>不足以做精细排序\u003C\u002Fstrong>。\u003C\u002Fli>\u003Cli>本文按\u003Cstrong>做法\u003C\u002Fstrong>而不是按公司拆数据。这份数据是公开可复算的 —— 你可以用同样的问句集去问四家 AI 的网页版，得到同一批名字。\u003C\u002Fli>\u003C\u002Ful>\n\u003Ch2>我们打算怎么验证\u003C\u002Fh2>\n\u003Cp>上面每一条都是\"观察\"。\u003Cstrong>观察只能说明相关，不能说明因果。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>所以我们准备做一件更笨的事：\u003Cstrong>受控投放\u003C\u002Fstrong>。挑一个平台，投一篇带\u003Cstrong>独占事实\u003C\u002Fstrong>的内容， 在投放前、投放后第 3 天 \u002F 第 7 天 \u002F 第 14 天各采样一次，看两件事：\u003C\u002Fp>\n\u003Col>\u003Cli>那篇文章的 URL \u003Cstrong>有没有进 AI 的引用列表\u003C\u002Fstrong>；\u003C\u002Fli>\u003Cli>文章里那条\"别处不会出现\"的事实，\u003Cstrong>有没有出现在 AI 的回答正文里\u003C\u002Fstrong>。\u003C\u002Fli>\u003C\u002Fol>\n\u003Cp>判据\u003Cstrong>在投放前就写死\u003C\u002Fstrong>，中途不改 —— 否则事后一定会往对自己有利的方向解释。\u003C\u002Fp>\n\u003Cp>结果我们会照实公布，\u003Cstrong>包括失败\u003C\u002Fstrong>。\u003C\u002Fp>","\u002Fimages\u002Fbrand\u002Fcover-geo.webp","","2026-09-23T00:00:00+08:00","2b3cdb7f-4215-578a-ab5c-0283377ba365",0,"2026-09-29T11:56:13+08:00","geo-vendors-cited-vs-recommended","published","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。","[\"GEO 服务商\", \"AI 推荐\", \"信源实测\"]","2026 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",[18,30,31,41,48,55,62,69,76,83,90,101],{"category":4,"content":19,"cover_image":6,"create_dept":20,"create_time":21,"create_user":22,"created_at":23,"id":24,"is_pinned":10,"published_at":25,"slug":26,"sort_order":10,"status":13,"summary":27,"tags":28,"title":29,"updated_at":25,"view_count":10},"\u003Cp>\u003Cstrong>先说身份\u003C\u002Fstrong>：本文由\u003Cstrong>大衍智联\u003C\u002Fstrong>（北京大衍智联科技有限公司）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> 本文的核心案例就是我们自己踩的坑，所有数据来自我们自己的采集，方法与样本量随文标注， \u003Cstrong>复算路径在文末附上\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Ch2>先说结论\u003C\u002Fh2>\n\u003Cp>2026 年 9 月，我们抓到了一件比\"AI 没提到我们\"严重得多的事：\u003C\u002Fp>\n\u003Cp>\u003Cstrong>AI 主动把我们列进了一份服务商推荐名单 —— 但配的地区、行业、客户群，全部是另一家同名公司的。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>它不是漏了我们，它是\u003Cstrong>把我们和另一家公司合并成了一个\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>这不是孤例，也不是玄学。我们把这轮回答采信的 \u003Cstrong>30 条来源\u003C\u002Fstrong>逐条拆开之后， 成因是可以完整复原的 —— 而且它揭示了一条\u003Cstrong>所有同名公司都可能踩到的路径\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>我们先把最反直觉的一个数字放出来：\u003C\u002Fp>\n\u003Cp>在「GEO 服务商哪家好」这一类的 \u003Cstrong>38 条\u003C\u002Fstrong> AI 回答里， 我们的公司名出现过 \u003Cstrong>1 次\u003C\u002Fstrong>。 而\u003Cstrong>这 1 次，描述的就是别人。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>一、我们是怎么发现的\u003C\u002Fh2>\n\u003Cp>2026-09-23，我们在做例行测量时，问 AI「国内 生成式引擎优化（GEO）服务商哪家好」。\u003C\u002Fp>\n\u003Cp>回答里出现了一份名单。\u003Cstrong>我们的名字在里面。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>但那一行写的是：\u003C\u002Fp>\n\u003Cp>\u003Cstrong>大衍智联（大衍 GEO，泉州）\u003C\u002Fstrong>：自研 GEO 系统，拓词-创作-分发-监测-诊断闭环； \u003Cstrong>东南制造、外贸、本地商家\u003C\u002Fstrong>；支持工具输出 + 全案托管双模式\u003C\u002Fp>\n\u003Cp>三个问题：\u003C\u002Fp>\n\u003Col>\u003Cli>我们是\u003Cstrong>北京\u003C\u002Fstrong>的公司，不是泉州的。\u003C\u002Fli>\u003Cli>「东南制造、外贸、本地商家」不是我们的客群描述。\u003C\u002Fli>\u003Cli>我们被归进了\u003Cstrong>「垂直 \u002F 区域专精服务商」\u003C\u002Fstrong>这一档 —— 而同组另外两家分别在东莞和深圳。\u003C\u002Fli>\u003C\u002Fol>\n\u003Cp>\u003Cstrong>这比\"AI 不认识我们\"要糟得多。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>如果 AI 压根不提我们，读者只是不知道我们存在。 而现在，读者得到的是\u003Cstrong>关于我们的、具体而错误的事实\u003C\u002Fstrong> —— 他们以为自己在读一份准确的介绍。\u003C\u002Fp>\n\u003Ch2>二、证据链：三个可复算的数字\u003C\u002Fh2>\n\u003Cp>我们把这一轮的产物逐条拆开，得到三个数字。三个都是可以复算的（复算方法见文末）。\u003C\u002Fp>\n\u003Ch3>数字一：38 条回答里，我们被念到 1 次\u003C\u002Fh3>\n\u003Cp>我们统计了 2026-09-21 至 09-26 采集窗口内，\u003Cstrong>「服务商哪家好 \u002F 推荐 \u002F 排名」这一类\u003C\u002Fstrong>的全部 AI 网页版回答，共 \u003Cstrong>38 条\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>在这 38 条里，我们的公司名出现过的回答数是：\u003Cstrong>1 条\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>这个数字本身已经不好看了（3%）。但真正的问题是下一个。\u003C\u002Fp>\n\u003Ch3>数字二 ★：那 1 次，描述的是别人\u003C\u002Fh3>\n\u003Cp>我们把「提到『大衍』」和「提到『泉州』」两个条件交叉统计：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>筛选条件\u003C\u002Fth>\u003Cth>条数\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>同时提到「大衍」和「泉州」\u003C\u002Ftd>\u003Ctd>\u003Cstrong>1\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>只提到「大衍」、没提「泉州」\u003C\u002Ftd>\u003Ctd>\u003Cstrong>0\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>只提到「泉州」、没提「大衍」\u003C\u002Ftd>\u003Ctd>\u003Cstrong>0\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>这说明：在那 38 条回答里，我们的名字每一次出现，旁边都跟着泉州。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>一次例外都没有。\u003C\u002Fp>\n\u003Cp>换句话说 —— \u003Cstrong>在这类问题下，AI 对我们的每一次\"提及\"，都是一次错误描述。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch3>数字三：在那条回答里，40% 的来源指向同一个平台\u003C\u002Fh3>\n\u003Cp>这是最关键的一步。我们把那条回答\u003Cstrong>采信的全部 30 条来源\u003C\u002Fstrong>按域名统计：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>域名\u003C\u002Fth>\u003Cth>条数\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>`iesdouyin.com`（抖音）\u003C\u002Ftd>\u003Ctd>\u003Cstrong>12\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>`jiemian.com`（界面新闻）\u003C\u002Ftd>\u003Ctd>2\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>其余 8 个域名\u003C\u002Ftd>\u003Ctd>各 1\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>30 条来源里，12 条来自抖音 —— 占 40%。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>顺着这 12 条往下看，其中 3 条的内容是\u003Cstrong>另一家同名公司的推广\u003C\u002Fstrong>， 包括一条直接写着「泉州 GEO 服务商梯队盘点」，把「泉州市大衍信息科技有限公司」列为第一梯队。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>因果链到这里就闭合了。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>三、机制：为什么是豆包、为什么是抖音\u003C\u002Fh2>\n\u003Cp>把上面三个数字连起来，机制是这样的：\u003C\u002Fp>\n\u003Cp>``` 豆包在回答这类问题时，大量采信抖音内容（这一轮：12\u002F30 = 40%） ↓ 同一时期，另一家同名公司在抖音投放 GEO 内容 ↓ 豆包检索到了这些内容 ↓ 两者的公司名高度重合（都含「大衍」） ↓ AI 把「我们的名字」和「他们的画像」粘成了一个条目 ```\u003C\u002Fp>\n\u003Cp>\u003Cstrong>这不是\"AI 产生了幻觉\"。\u003C\u002Fstrong> 它读到的每一份材料都是真实的 —— 真实存在一家泉州的同名公司，真实在抖音发内容，真实做东南制造和外贸。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>AI 的错误不在\"编造\"，而在\"归并\"：它把两个本该分开的实体，合并成了一个。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch3>一个旁证：换一个引擎，这件事就没发生\u003C\u002Fh3>\n\u003Cp>同期的千问测量里，\u003Cstrong>两轮、共 8 个问题，一次都没有提到我们，也一次都没有把我们和泉州混淆。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>为什么？因为\u003Cstrong>千问不读抖音\u003C\u002Fstrong> —— 在我们同期采集的数据里， 抖音在豆包的来源里占相当比例，而在千问的来源里是 \u003Cstrong>0\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>同一个错误的成因和它的边界，在这里对上了： \u003Cstrong>它跟着抖音这条链路走，链路不存在的地方，错误也不存在。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>这条旁证的价值在于：它说明这个问题\u003Cstrong>不是随机的\u003C\u002Fstrong>。 如果它是随机幻觉，两个引擎都该出错；它只在读抖音的那个引擎上出现， 说明它是\u003Cstrong>可定位、可解释、也因此可能可处理\u003C\u002Fstrong>的。\u003C\u002Fp>\n\u003Ch2>四、为什么这比\"没被提到\"更严重\u003C\u002Fh2>\n\u003Cp>我们把品牌被 AI 说错分成两种，它们的严重程度完全不同：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>\u003C\u002Fth>\u003Cth>形态\u003C\u002Fth>\u003Cth>读者得到什么\u003C\u002Fth>\u003Cth>处理难度\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>\u003Cstrong>A · 没被提到\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>AI 不知道有你\u003C\u002Ftd>\u003Ctd>空白（不会误导，但也不会带来客户）\u003C\u002Ftd>\u003Ctd>补公开内容\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>B · 被说成别人\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>AI 提到了你，但描述是别人的\u003C\u002Ftd>\u003Ctd>\u003Cstrong>具体而错误的事实\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>要先\"拆开\"再做 A\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>本文这一例属于 B，而且是 B 里最隐蔽的一种 —— \u003Cstrong>因为从表面上看，它是\"好消息\"\u003C\u002Fstrong>：AI 推荐了我们，我们进了名单。\u003C\u002Fp>\n\u003Cp>如果不逐字核对描述，我们甚至会把它当成一次成功。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>这是所有\"被同名实体缠上\"的公司都会遇到的结构性问题\u003C\u002Fstrong>： 越是你想要的那个位置（被别人列进推荐名单），越容易让错误的信息搭上你的名字。\u003C\u002Fp>\n\u003Ch2>五、怎么排查你自己有没有这个问题\u003C\u002Fh2>\n\u003Cp>这件事对我们是一个教训，对任何公司都可能发生。我们把它整理成一份可以直接照着做的排查清单 —— \u003Cstrong>核心思路是：不要只看\"有没有提到我\"，要逐字核对\"提到我的那句话，说的是不是我\"。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch3>第一步：分开看两类问题\u003C\u002Fh3>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>问题类型\u003C\u002Fth>\u003Cth>例子\u003C\u002Fth>\u003Cth>该看什么\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>\u003Cstrong>品牌词\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>「XX 公司是做什么的」\u003C\u002Ftd>\u003Ctd>描述\u003Cstrong>是否准确\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>品类词\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>「XX 服务商哪家好」\u003C\u002Ftd>\u003Ctd>名单里\u003Cstrong>有没有你\u003C\u002Fstrong> + 描述\u003Cstrong>是否准确\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>两类问题的信源池不一样，必须分开测，\u003Cstrong>不能混着看\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Ch3>第二步：对提到的每一次，做三件事\u003C\u002Fh3>\n\u003Col>\u003Cli>\u003Cstrong>核对地区与行业\u003C\u002Fstrong>：AI 给你的地区和行业，是不是你的？\u003C\u002Fli>\u003Cli>\u003Cstrong>核对分组\u003C\u002Fstrong>：AI 把你归进了哪一类？和你实际的定位一致吗？\u003C\u002Fli>\u003Cli>\u003Cstrong>找出处\u003C\u002Fstrong>：让 AI 给出它的引用来源（多数网页版都能展开），逐条看是哪些域名。\u003C\u002Fli>\u003C\u002Fol>\n\u003Ch3>第三步：算一个交叉表格\u003C\u002Fh3>\n\u003Cp>把「我的品牌名」和「那个可疑的同名\u002F近名实体」做成 2×2 交叉统计：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>\u003C\u002Fth>\u003Cth>提到同名实体\u003C\u002Fth>\u003Cth>没提到\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>\u003Cstrong>提到我\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>⚠️ \u003Cstrong>疑似合并\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>✅ 正常\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>没提到\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>对方独立存在\u003C\u002Ftd>\u003Ctd>—\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>如果「同时提到」这一格有数字，而「只提到我」那一格是 0 —— 那就是本文这个情况。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch3>第四步：看那个平台的来源占比\u003C\u002Fh3>\n\u003Cp>如果 AI 的引用里某个内容平台占比异常高（我们这一例是抖音 40%）， 就去那个平台上\u003Cstrong>搜一遍你的公司名\u003C\u002Fstrong>，看有没有同名账号在活动。\u003C\u002Fp>\n\u003Ch2>六、我们做了什么，不承诺什么\u003C\u002Fh2>\n\u003Cp>\u003Cstrong>我们已经做的：\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cul>\u003Cli>把这一次的完整产物（回答原文、30 条来源、逐条域名）留档，供后续复测对照。\u003C\u002Fli>\u003Cli>本文即为该留档的公开版本 —— 它是\u003Cstrong>证据原件\u003C\u002Fstrong>：当有人（或 AI）想核实\"大衍智联是不是泉州的\"时，这里有一份可复算的记录。\u003C\u002Fli>\u003C\u002Ful>\n\u003Cp>\u003Cstrong>我们不承诺的：\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cul>\u003Cli>\u003Cstrong>我们不承诺\"能让 AI 不再混淆\"。\u003C\u002Fstrong> 这次混淆的成因链条里， 有一环是另一家公司自身的经营行为 —— 那不在我们控制范围内。\u003C\u002Fli>\u003Cli>\u003Cstrong>我们不承诺\"补内容就一定能解决\"。\u003C\u002Fstrong> 本文记录的是\u003Cstrong>一次观测\u003C\u002Fstrong>， 不是一次对照实验。混淆是否可逆、要多长时间、需要多大的内容量， 我们目前没有数据回答。在没有数据之前，我们不会把它写进承诺里。\u003C\u002Fli>\u003C\u002Ful>\n\u003Cp>\u003Cstrong>我们建议的第一步（也是我们自己要做的）：\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>先确认公开的\u003Cstrong>工商登记信息\u003C\u002Fstrong>本身是否准确。 在我们同期的测量里，AI 回答品牌词问题时引用的域名中， \u003Cstrong>工商信息平台合计占 60%\u003C\u002Fstrong>（天眼查、企查查、水滴信用等）—— 而 AI 复述的就是这些字段。\u003Cstrong>源头字段不对，后面写多少内容都是在补下游。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>附：数据口径与复算方法\u003C\u002Fh2>\n\u003Cp>本文全部数字来自我们自己采集的 GEO 引用库（采集窗口 \u003Cstrong>2026-09-21 ~ 09-26\u003C\u002Fstrong>， 四家引擎的\u003Cstrong>网页版\u003C\u002Fstrong>）。口径与查询方式如下，任何人可以用同样的口径复核。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>口径定义\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>项\u003C\u002Fth>\u003Cth>定义\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>样本集\u003C\u002Ftd>\u003Ctd>网页版 + 采集有效 + 原始记录为合法 JSON + 问题属于「服务商哪家好\u002F推荐\u002F排名」类 → \u003Cstrong>38 条\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>「被念到」\u003C\u002Ftd>\u003Ctd>该条回答正文中出现品牌名字符串\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>「来源」\u003C\u002Ftd>\u003Ctd>该条回答采信的引用列表条目\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>三条限制（请一并阅读）\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Col>\u003Cli>\u003Cstrong>这是快照，不是长期规律。\u003C\u002Fstrong> 窗口只有 5 个日历日，平台信源池会变。\u003C\u002Fli>\u003Cli>\u003Cstrong>网页版与 API 的检索面不同，数字不可比。\u003C\u002Fstrong> 本文全部为网页版。\u003C\u002Fli>\u003Cli>\u003Cstrong>样本量小。\u003C\u002Fstrong> 38 条回答、单次观测，够说明\"这件事发生过、机制如此\"， \u003Cstrong>不够说明\"发生频率是多少\"\u003C\u002Fstrong>。要估频率需要多轮重复采集。\u003C\u002Fli>\u003C\u002Fol>\n\u003Cp>\u003Cstrong>复算三个核心数字的方法\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>``` ① 38 条样本集：按上述「样本集」口径筛选 ② 「同时提到大衍与泉州」：在该样本集内做两个条件的交叉计数 ③ 40% 抖音来源：取该条回答对应的引用记录，按域名分组计数 ```\u003C\u002Fp>\n\u003Cp>\u003Cstrong>一处诚实说明\u003C\u002Fstrong>：本文的案例是一次\u003Cstrong>观察\u003C\u002Fstrong>，不是受控实验。 我们无法排除同期还有其它因素在起作用。上面给出的因果链， 是在\"逐条拆开它的来源列表\"之后\u003Cstrong>能被完整解释\u003C\u002Fstrong>的那一条 —— 但\"能解释\"不等于\"已证明\"。\u003C\u002Fp>","93220144-7e8e-11f1-94f7-1468ccc67c1d","2026-09-29T08:55:18+08:00","932348ce7e8e11f194f71468ccc67c1d","2026-09-29T08:55:19+08:00","f2e3dae9-aaa1-4e25-87c4-b8964aa11a49","2026-09-29T11:56:02+08:00","ai-merged-two-same-name-companies","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",{"category":4,"content":5,"cover_image":6,"create_dept":7,"create_time":8,"create_user":7,"created_at":8,"id":9,"is_pinned":10,"published_at":11,"slug":12,"sort_order":10,"status":13,"summary":14,"tags":15,"title":16,"updated_at":11,"view_count":10},{"category":4,"content":32,"cover_image":33,"create_dept":7,"create_time":8,"create_user":7,"created_at":8,"id":34,"is_pinned":35,"published_at":36,"slug":37,"sort_order":10,"status":13,"summary":38,"tags":39,"title":40,"updated_at":36,"view_count":10},"\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>","\u002Fimages\u002Fbrand\u002Fcover-tech.webp","36bc0d84-72df-5537-a453-33e4a5fc63e3",1,"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":4,"content":42,"cover_image":33,"create_dept":7,"create_time":8,"create_user":7,"created_at":8,"id":43,"is_pinned":10,"published_at":36,"slug":44,"sort_order":10,"status":13,"summary":45,"tags":46,"title":47,"updated_at":36,"view_count":10},"\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>品牌被 AI 答错，绝大多数不是 AI 编的，而是它照着一份真实的材料在说 —— 只是那份材料不对，或者过时了。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>这句话决定了处理方式：\u003Cstrong>你的动作不是\"去纠正 AI\"，是\"去改它读的那份材料\"。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>我们用自己做样本测了一遍，得到三种成因完全不同的\"被答错\"。\u003C\u002Fp>\n\u003Ch2>我们拿自己做的两次实测\u003C\u002Fh2>\n\u003Ch3>实测一：中文公司名 —— AI 答的是工商登记页\u003C\u002Fh3>\n\u003Cp>我们问 AI：\"（公司全名）是什么公司？\"\u003C\u002Fp>\n\u003Cp>AI 的回答几乎\u003Cstrong>逐字对上了工商登记信息\u003C\u002Fstrong>：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>AI 说了什么\u003C\u002Fth>\u003Cth>来源性质\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>统一社会信用代码\u003C\u002Ftd>\u003Ctd>工商登记\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>成立时间、注册资本、企业状态\u003C\u002Ftd>\u003Ctd>工商登记\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>注册地址、法定代表人、登记机关\u003C\u002Ftd>\u003Ctd>工商登记\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>经营范围（技术服务、软件开发、企业管理咨询…）\u003C\u002Ftd>\u003Ctd>工商登记\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>业务简介\u003C\u002Ftd>\u003Ctd>⚠️ \u003Cstrong>这一句不来自工商登记\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>前四项都是准确的\u003C\u002Fstrong> —— 这其实是好消息：\u003Cstrong>AI 认识你的第一步，走的是公开可得、且你可以核对的材料。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>\u003Cstrong>问题出在最后一项。\u003C\u002Fstrong> AI 给的\"业务简介\"说的是：\u003Cstrong>主打某个自研的低代码开发平台\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>那个说法\u003Cstrong>在我们官网的旧文章里确实存在\u003C\u002Fstrong>，但它\u003Cstrong>已经不是我们现在的对外口径了\u003C\u002Fstrong>。 ★ \u003Cstrong>所以这不是\"AI 答错\"，是\"AI 答对了旧材料\"。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>\u003Cstrong>这两件事的处理方式完全不同\u003C\u002Fstrong>：\u003C\u002Fp>\n\u003Cul>\u003Cli>如果是 AI 答错 → 你只能反复申诉，效果不确定\u003C\u002Fli>\u003Cli>如果是材料过时 → \u003Cstrong>你把材料改掉，问题就消失了\u003C\u002Fstrong>\u003C\u002Fli>\u003C\u002Ful>\n\u003Ch3>实测二：英文名 —— AI 答的是一篇同名论文\u003C\u002Fh3>\n\u003Cp>我们又问 AI：\"（英文品牌名）是什么？\"\u003C\u002Fp>\n\u003Cp>AI 回答的是一篇 \u003Cstrong>2021 年发表的学术论文\u003C\u002Fstrong>（关于极低分辨率图像识别的模型）， 标题里的词和我们的英文名\u003Cstrong>完全一样\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>整整一段答案，没有一个字是关于我们公司的。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>★ 这里要更正一个我们早期自己的误判： 我们起初以为这是\"\u003Cstrong>拼写相似导致的混淆\u003C\u002Fstrong>\"，后来核对原文发现\u003Cstrong>不是\u003C\u002Fstrong> —— \u003Cstrong>它是一个完全同名的实体，把 AI 的信源池占住了。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>看 AI 引用的来源就更清楚：\u003Cstrong>学术论文库出现了 5 次、另一个学术索引 2 次\u003C\u002Fstrong>。 对一个还没什么公开内容的品牌来说，\u003Cstrong>学术库里那篇同名论文，就是 AI 能找到的\"最像\"的东西。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>品牌问题下，AI 到底在读什么\u003C\u002Fh2>\n\u003Cp>把这两次实测放进一次更大的采集里看，规律更清楚。\u003C\u002Fp>\n\u003Cp>我们把 249 条 AI 引用按问题性质分成两组，看\u003Cstrong>问\"这家公司是谁\"\u003C\u002Fstrong>这一组引用的是什么：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>来源类型\u003C\u002Fth>\u003Cth>条数\u003C\u002Fth>\u003Cth>占比\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\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>\u003Cstrong>21.8%\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>政府 \u002F 学术\u003C\u002Ftd>\u003Ctd>18\u003C\u002Ftd>\u003Ctd>15.1%\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>新闻媒体\u003C\u002Ftd>\u003Ctd>13\u003C\u002Ftd>\u003Ctd>10.9%\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>内容社区 \u002F 短视频\u003C\u002Ftd>\u003Ctd>9\u003C\u002Ftd>\u003Ctd>7.6%\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>技术社区 \u002F 媒体\u003C\u002Ftd>\u003Ctd>2\u003C\u002Ftd>\u003Ctd>1.7%\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>招聘网站\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>\u003Cstrong>2\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>\u003Cstrong>1.7%\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>厂商自己的官网\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>\u003Cstrong>1\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>\u003Cstrong>0.8%\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>（该组合计）\u003C\u002Ftd>\u003Ctd>119\u003C\u002Ftd>\u003Ctd>100%\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>三个可以直接用的结论\u003C\u002Fstrong>：\u003C\u002Fp>\n\u003Col>\u003Cli>★ \u003Cstrong>工商\u002F信用类是最大头（21.8%）\u003C\u002Fstrong> —— 这就是 AI\"认识你\"的起点\u003C\u002Fli>\u003Cli>\u003Cstrong>厂商官网在品牌问题下几乎不起作用（0.8%）\u003C\u002Fstrong> —— 所以在自家官网上\"更正自我介绍\"，\u003Cstrong>对这类问题帮助很有限\u003C\u002Fstrong>\u003C\u002Fli>\u003Cli>\u003Cstrong>招聘网站也在名单里\u003C\u002Fstrong> —— 一条过期的招聘信息，也会成为 AI 描述你的材料\u003C\u002Fli>\u003C\u002Fol>\n\u003Cp>★ 第 2 条最反直觉，也最重要： \u003Cstrong>\"AI 说我的公司说错了，我去改官网\"—— 这个动作，大概率解决不了问题。\u003C\u002Fstrong> 因为那类问题下，AI 读的不是你的官网。\u003C\u002Fp>\n\u003Cp>⚠️ \u003Cstrong>口径\u003C\u002Fstrong>：来源类型按域名性质\u003Cstrong>人工归类\u003C\u002Fstrong>，总样本 249 条。\u003Cstrong>当作方向性证据，不是精确比例。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>三种\"被答错\"，成因完全不同\u003C\u002Fh2>\n\u003Cp>把上面的实测归纳一下，加上我们见过的其他情况：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>类型\u003C\u002Fth>\u003Cth>表现\u003C\u002Fth>\u003Cth>根因\u003C\u002Fth>\u003Cth>处理方向\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>\u003Cstrong>一 · 信源池被同名实体占据\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>AI 答的是另一家公司\u002F另一个东西\u003C\u002Ftd>\u003Ctd>你的公开内容太少，同名实体\"更响\"\u003C\u002Ftd>\u003Ctd>\u003Cstrong>补自己的、可核验的公开内容\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>二 · 材料过时\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>AI 说的是你几年前的业务\u003C\u002Ftd>\u003Ctd>旧材料还挂在网上，且\u003Cstrong>比新材料更容易被找到\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>\u003Cstrong>下架或更新旧材料\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>三 · 材料写偏\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>AI 说的业务\u003Cstrong>不是你想做的\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>你的公开材料里确实那么写着\u003C\u002Ftd>\u003Ctd>\u003Cstrong>改材料，不是改 AI\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>★★ \u003Cstrong>注意这三种的共性\u003C\u002Fstrong>：\u003Cstrong>没有一种是\"AI 凭空编造\"。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>这也是我们一直强调的：\u003Cstrong>遇到\"被答错\"，第一反应不该是\"AI 有问题\"， 而该是\"它读到了什么\"。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>怎么排查\u003C\u002Fh2>\n\u003Cp>按顺序做，每一步都能缩小范围：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>步骤\u003C\u002Fth>\u003Cth>做什么\u003C\u002Fth>\u003Cth>看什么\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>1\u003C\u002Ftd>\u003Ctd>用\u003Cstrong>公司全名\u003C\u002Fstrong>问 AI\u003C\u002Ftd>\u003Ctd>它引了哪些来源\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>2\u003C\u002Ftd>\u003Ctd>用\u003Cstrong>品牌名\u002F英文名\u003C\u002Fstrong>问 AI\u003C\u002Ftd>\u003Ctd>是否被同名实体占据\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>3\u003C\u002Ftd>\u003Ctd>换成\u003Cstrong>\"口碑怎么样\"、\"靠不靠谱\"\u003C\u002Fstrong>再问\u003C\u002Ftd>\u003Ctd>这几类问题引的来源通常和上面不同\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>4\u003C\u002Ftd>\u003Ctd>把 AI 引用的来源\u003Cstrong>逐条打开\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>★ \u003Cstrong>这一步是关键\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>5\u003C\u002Ftd>\u003Ctd>对照：这句话\u003Cstrong>是从哪条材料来的\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>找到那句\"错的\"原文\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>★ 第 4 步是最容易漏、但最有价值的：\u003Cstrong>AI 引用的来源就是它的\"材料清单\"。\u003C\u002Fstrong> \u003Cstrong>你不是在猜 AI 为什么这么说，你是在看它读的是哪一页。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>怎么处理（按类型对症）\u003C\u002Fh2>\n\u003Ch3>类型一 · 同名实体占据信源池\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>不能申诉，只能\"盖过去\"。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>AI 在对比几个候选来源时，会倾向于\u003Cstrong>信息更完整、更可核验、更常被引用\u003C\u002Fstrong>的那个。 所以处理方式是\u003Cstrong>让自己的公开信息变得完整且一致\u003C\u002Fstrong>：\u003C\u002Fp>\n\u003Cul>\u003Cli>公司全名、品牌名、业务范围，在\u003Cstrong>所有公开渠道\u003C\u002Fstrong>上写法一致\u003C\u002Fli>\u003Cli>有一个\u003Cstrong>说清楚\"你是谁、做什么、不做什么\"\u003C\u002Fstrong>的页面\u003C\u002Fli>\u003Cli>建好基础资料条目（详见下面「我们不承诺什么」之后的说明）\u003C\u002Fli>\u003C\u002Ful>\n\u003Ch3>类型二 · 材料过时\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>先下架，再补新。\u003C\u002Fstrong> 顺序不能反。\u003C\u002Fp>\n\u003Cp>原因很简单：\u003Cstrong>旧材料如果还挂着，它比新材料\"活得更久\"\u003C\u002Fstrong> —— 搜索引擎和 AI 都已经收录过它，新材料的收录需要时间。 \u003Cstrong>两者并存的那段时间，AI 可能读到的还是旧的。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch3>类型三 · 材料写偏\u003C\u002Fh3>\n\u003Cp>这一类\u003Cstrong>最容易被误判成\"AI 胡说\"\u003C\u002Fstrong>，也\u003Cstrong>最好修\u003C\u002Fstrong>：改材料就行。\u003C\u002Fp>\n\u003Cp>但要注意一个陷阱：\u003Cstrong>经营范围这类信息，改起来有实际门槛\u003C\u002Fstrong>（要走工商变更）。 如果短期内改不了，\u003Cstrong>就靠\"新内容覆盖\"\u003C\u002Fstrong> —— 用足够多、足够一致的公开内容， 让 AI 拿到的材料\u003Cstrong>不止那一页\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Ch2>一个反直觉但重要的提醒\u003C\u002Fh2>\n\u003Cp>\u003Cstrong>\"AI 说错了\"和\"我搜不到自己\"经常是同一个问题。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>我们在实测里看到：AI 回答关于一家公司的问题时，引用的来源里\u003Cstrong>出现最多的是工商信息站， 其次是招聘网站和信用信息站\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>这些东西有一个共同点：它们的更新，取决于你自己。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cul>\u003Cli>招聘信息还挂着三年前的岗位 → AI 会照着说\u003C\u002Fli>\u003Cli>工商信息里的业务范围很窄 → AI 会照着说\u003C\u002Fli>\u003Cli>官网上还挂着已经不做的业务 → AI 会照着说\u003C\u002Fli>\u003C\u002Ful>\n\u003Cp>★ \u003Cstrong>所以\"品牌纠错\"的第一步，往往不在 AI 那边，而在这些页面上。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>我们不承诺什么\u003C\u002Fh2>\n\u003Cul>\u003Cli>❌ \u003Cstrong>不承诺\"改完材料，AI 立刻就改口\"\u003C\u002Fstrong> —— 收录和更新有物理延迟， 我们的实测显示，同一家 AI 重复提问的引用重合度也只有 0.347~0.576， 也就是说\u003Cstrong>它的\"记忆\"本身就在波动\u003C\u002Fstrong>。\u003C\u002Fli>\u003Cli>❌ \u003Cstrong>不承诺能\"洗掉\"关于你的负面信息\u003C\u002Fstrong> —— 那是另一回事，不在本文讨论范围内。\u003C\u002Fli>\u003Cli>✅ \u003Cstrong>能承诺的是\u003C\u002Fstrong>：把\"AI 现在怎么说你、依据是哪一页\"查清楚， 把能改的材料改掉，然后\u003Cstrong>持续复测看变化\u003C\u002Fstrong>。\u003C\u002Fli>\u003C\u002Ful>\n\u003Ch2>小结\u003C\u002Fh2>\n\u003Cul>\u003Cli>\u003Cstrong>品牌被答错，多半是\"AI 读到了旧材料或错材料\"，不是它编的\u003C\u002Fstrong>\u003C\u002Fli>\u003Cli>\u003Cstrong>三种成因\u003C\u002Fstrong>：同名实体占据信源池 \u002F 材料过时 \u002F 材料本身写偏 —— \u003Cstrong>处理方式完全不同\u003C\u002Fstrong>\u003C\u002Fli>\u003Cli>\u003Cstrong>排查的关键一步\u003C\u002Fstrong>：把 AI \u003Cstrong>引用的来源\u003C\u002Fstrong>逐条打开，看那句话从哪来\u003C\u002Fli>\u003Cli>\u003Cstrong>处理的顺序\u003C\u002Fstrong>：先下架旧的，再补新的 —— \u003Cstrong>顺序反了会白做\u003C\u002Fstrong>\u003C\u002Fli>\u003Cli>★ \u003Cstrong>最常被忽略的一点\u003C\u002Fstrong>：AI 认识你的第一手材料（工商、招聘、信用信息）， \u003Cstrong>恰恰是你自己能直接维护的那些页面\u003C\u002Fstrong>\u003C\u002Fli>\u003C\u002Ful>\n\u003Cp>\u003Cstrong>关于本文的数据来源\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>以上两次实测由\u003Cstrong>大衍智联\u003C\u002Fstrong>完成，是我们拿自己做第一个样本的结果。 我们写这件事，部分原因正是\u003Cstrong>我们自己身上就发生了这两种\"被答错\"\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>文中没有展开我们自己的工商登记细节 —— \u003Cstrong>那是公开信息，但没必要替你复述一遍\u003C\u002Fstrong>。 \u003Cstrong>你可以照着上面的排查步骤，测一遍你自己的公司。\u003C\u002Fstrong>\u003C\u002Fp>","530e48af-97ef-57ed-8303-6a570ddcfd2c","ai-answered-wrong-about-my-brand","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。","[\"品牌纠错\", \"AI 推荐\", \"信源实测\"]","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",{"category":4,"content":49,"cover_image":33,"create_dept":7,"create_time":8,"create_user":7,"created_at":8,"id":50,"is_pinned":35,"published_at":36,"slug":51,"sort_order":10,"status":13,"summary":52,"tags":53,"title":54,"updated_at":36,"view_count":10},"\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":4,"content":56,"cover_image":33,"create_dept":7,"create_time":8,"create_user":7,"created_at":8,"id":57,"is_pinned":35,"published_at":36,"slug":58,"sort_order":10,"status":13,"summary":59,"tags":60,"title":61,"updated_at":36,"view_count":10},"\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",{"category":4,"content":63,"cover_image":33,"create_dept":7,"create_time":8,"create_user":7,"created_at":8,"id":64,"is_pinned":10,"published_at":36,"slug":65,"sort_order":10,"status":13,"summary":66,"tags":67,"title":68,"updated_at":36,"view_count":10},"\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>同一个问题问不同的 AI，答案对不上，多数人的解释是\"\u003Cstrong>模型不一样\u003C\u002Fstrong>\"。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>但我们实测下来，更根本的原因在前面一步：它们读的资料，几乎不重合。\u003C\u002Fstrong>\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>\u003Cstrong>不同 AI 之间\u003C\u002Fstrong>，引用的网站重合度\u003C\u002Ftd>\u003Ctd>\u003Cstrong>0.00 ~ 0.21\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>同一家 AI 自己\u003C\u002Fstrong>重复测（作为对照）\u003C\u002Ftd>\u003Ctd>\u003Cstrong>0.347 ~ 0.576\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还低。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>这句话值得再读一遍 —— \u003Cstrong>两家不同的 AI 在同一个问题上找到的材料， 比同一家 AI 两次找到的材料，差异还要大。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>我们是怎么测的\u003C\u002Fh2>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>项\u003C\u002Fth>\u003Cth>说明\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>对象\u003C\u002Ftd>\u003Ctd>\u003Cstrong>4 家 AI 的网页版\u003C\u002Fstrong>（不是接口），但\u003Cstrong>只有 3 家样本量够\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>问题\u003C\u002Ftd>\u003Ctd>同一批 \u003Cstrong>5 个问题\u003C\u002Fstrong>，全部是\u003Cstrong>首次提问\u003C\u002Fstrong>（不是追问）\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>重复\u003C\u002Ftd>\u003Ctd>甲 \u002F 乙 \u002F 丙各测 \u003Cstrong>3 次\u003C\u002Fstrong>（各 15 条可比样本）；\u003Cstrong>第 4 家只有 3 条，本文结论不依赖它\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>采集\u003C\u002Ftd>\u003Ctd>每一问记录 AI 答案里\u003Cstrong>实际点到的链接\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>得到\u003C\u002Ftd>\u003Ctd>三家合计 \u003Cstrong>501 条引用\u003C\u002Fstrong>（251 + 152 + 98）\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>对照\u003C\u002Ftd>\u003Ctd>每一家\u003Cstrong>自己重复测自己\u003C\u002Fstrong>，作为\"噪声基线\"\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>⚠️ \u003Cstrong>本文的采集批次，和我们另一篇《怎么让 AI 推荐我的公司》不是同一次。\u003C\u002Fstrong> | | 本文 | 《怎么让 AI 推荐我的公司》 | |---|---|---| | 问了几个问题 | \u003Cstrong>5 个\u003C\u002Fstrong> | \u003Cstrong>10 个\u003C\u002Fstrong> | | 几家 AI | \u003Cstrong>3 家可比\u003C\u002Fstrong> | \u003Cstrong>1 家\u003C\u002Fstrong> | | 重复次数 | 每家 \u003Cstrong>3 次\u003C\u002Fstrong> | 每个问题 1 次 | | 引用条数 | \u003Cstrong>501 条\u003C\u002Fstrong> | \u003Cstrong>249 条\u003C\u002Fstrong> | | 回答什么 | \u003Cstrong>AI 之间差多少\u003C\u002Fstrong> | \u003Cstrong>AI 读了什么\u003C\u002Fstrong> | \u003Cstrong>两篇的数字不能直接对照着读。\u003C\u002Fstrong> 我们在这篇里把口径写清楚， 就是因为\u003Cstrong>混着读会得出错误的印象\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>★ \u003Cstrong>为什么要设\"噪声基线\"\u003C\u002Fstrong>：因为 AI 的答案本来就在波动， 如果只看\"两家不一样\"，你分不清这是\u003Cstrong>平台差异\u003C\u002Fstrong>还是\u003Cstrong>随机波动\u003C\u002Fstrong>。 \u003Cstrong>只有拿每一家自己的波动幅度当尺子，才能判断差异是不是真的。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>发现一：差异是真的，不是随机波动\u003C\u002Fh2>\n\u003Cp>把跨 AI 的重合度，放在各自平台的噪声基线旁边看：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>引擎\u003C\u002Fth>\u003Cth>自己重复测自己（噪声基线）\u003C\u002Fth>\u003Cth>它和别家之间的重合度\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>甲\u003C\u002Ftd>\u003Ctd>\u003Cstrong>0.576\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>0.00 ~ 0.21\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>乙\u003C\u002Ftd>\u003Ctd>\u003Cstrong>0.489\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>0.00 ~ 0.21\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>丙\u003C\u002Ftd>\u003Ctd>\u003Cstrong>0.347\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>0.00 ~ 0.21\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>跨 AI 的重合度（0.00~0.21）低于每一家的自身波动下限。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>\u003Cstrong>结论\u003C\u002Fstrong>：\u003Cstrong>不同 AI 读的资料确实不一样，而且差异明显超出随机范围。\u003C\u002Fstrong> 这不是\"模型性格不同\"，是\u003Cstrong>它们看的东西不同\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Ch2>发现二：★ 有一家的信源，别家完全没有\u003C\u002Fh2>\n\u003Cp>这是本次采集里最清楚的一个现象。\u003C\u002Fp>\n\u003Cp>同一批问题下，某一类\u003Cstrong>短视频社区\u003C\u002Fstrong>的内容在四家的分布：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>引擎\u003C\u002Fth>\u003Cth>采集样本\u003C\u002Fth>\u003Cth>引用条数（去重）\u003C\u002Fth>\u003Cth>来自该短视频社区\u003C\u002Fth>\u003Cth>占比\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>\u003Cstrong>甲\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>15\u003C\u002Ftd>\u003Ctd>251\u003C\u002Ftd>\u003Ctd>\u003Cstrong>95\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>\u003Cstrong>38%\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>乙\u003C\u002Ftd>\u003Ctd>15\u003C\u002Ftd>\u003Ctd>152\u003C\u002Ftd>\u003Ctd>\u003Cstrong>0\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>\u003Cstrong>0%\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>丙\u003C\u002Ftd>\u003Ctd>15\u003C\u002Ftd>\u003Ctd>98\u003C\u002Ftd>\u003Ctd>\u003Cstrong>0\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>\u003Cstrong>0%\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>甲引了 95 次，乙和丙一次都没有。\u003C\u002Fstrong> 而乙、丙各有 15 条样本、三次独立采样。\u003C\u002Fp>\n\u003Ch3>但这里要说清楚一件事：不是\"回避字节\"\u003C\u002Fh3>\n\u003Cp>我们一开始以为是\"某些 AI 不用字节系的内容\"。\u003Cstrong>核对后发现不对\u003C\u002Fstrong>：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>域名\u003C\u002Fth>\u003Cth>甲\u003C\u002Fth>\u003Cth>乙\u003C\u002Fth>\u003Cth>丙\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>\u003Cstrong>短视频分享页\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>\u003Cstrong>95\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>\u003Cstrong>0\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>\u003Cstrong>0\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>今日头条（图文）\u003C\u002Ftd>\u003Ctd>1\u003C\u002Ftd>\u003Ctd>\u003Cstrong>7\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>0\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>乙引了今日头条 7 条，但一次都没引短视频。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>所以准确的结论是：\u003Cstrong>不是\"回避某家公司\"，而是\"短视频这个内容池，只有甲在用\"。\u003C\u002Fstrong> 图文它照样引，视频它不引。\u003C\u002Fp>\n\u003Cp>★ \u003Cstrong>这个区分很重要\u003C\u002Fstrong> —— 如果误判成\"回避字节\"， 策略会变成\"别在某家公司身上花功夫\"，而\u003Cstrong>正确的策略是\"看你的客户用哪家 AI，再决定投不投视频\"\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Ch2>发现三：每家 AI 都在吃自家生态\u003C\u002Fh2>\n\u003Cp>同一类现象，我们还观察到了第二个实例：\u003C\u002Fp>\n\u003Cp>在某一类健康相关的问题上，\u003Cstrong>乙引用的内容里有相当高的比例来自它自己生态内的站点\u003C\u002Fstrong>， 而\u003Cstrong>甲在同样的问题上是 0%\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>两个实例、不同平台、同一规律。\u003C\u002Fstrong> 这让我们倾向于认为：\u003Cstrong>这不是偶然，而是结构性现象\u003C\u002Fstrong> —— \u003Cstrong>每家 AI 都优先\u002F更容易取到自己生态内的内容。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>⚠️ \u003Cstrong>但这里必须标注不确定性\u003C\u002Fstrong>：我们也做了一个判别检验 —— 在同一个问题上，甲取到了权威的行业来源、且完全没有取自家内容。 \u003Cstrong>这说明它并非\"只用自家内容\"，而是\"在那类问题上，自家内容恰好更多\"。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>\u003Cstrong>两种解释我们目前分不开\u003C\u002Fstrong>：可能是\u003Cstrong>平台偏好\u003C\u002Fstrong>，也可能是\u003Cstrong>内容生态现状\u003C\u002Fstrong>（那些内容本来就长在那儿）。 \u003Cstrong>本文不下这个结论。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>为什么\"平台偏好\"和\"内容现状\"我们分不开\u003C\u002Fh2>\n\u003Cp>这一节专门讲我们的不确定性 —— \u003Cstrong>因为它决定了你能拿这些数据做什么。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>看到\"某家的信源里，自家生态占 38%\"，有两种完全不同的解释：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>解释\u003C\u002Fth>\u003Cth>含义\u003C\u002Fth>\u003Cth>应对\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>\u003Cstrong>A · 平台偏好\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>它\u003Cstrong>主动\u003C\u002Fstrong>偏向自家内容\u003C\u002Ftd>\u003Ctd>换平台就得换投放策略\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>B · 内容现状\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>那些内容\u003Cstrong>本来就长在那儿\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>不用特殊对待，正常投就行\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>这两种解释指向完全相反的行动\u003C\u002Fstrong>，所以必须分清。我们做了两个检验：\u003C\u002Fp>\n\u003Cp>\u003Cstrong>检验一：换一个品类再看\u003C\u002Fstrong> 在另一类问题上，该平台的自家生态占比\u003Cstrong>掉到了 0%\u003C\u002Fstrong>，而另一个平台升到了 73~83%。 → \u003Cstrong>如果是\"平台偏好\"，它应该在所有品类上都偏高。\u003C\u002Fstrong> 这个结果不支持 A。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>检验二：看它有没有取到外部权威源\u003C\u002Fstrong> 在同一个问题上，该平台\u003Cstrong>取到了外部的权威来源，且完全没有取自家内容\u003C\u002Fstrong>。 → \u003Cstrong>如果是\"平台偏好\"，它应该宁可用自家的。\u003C\u002Fstrong> 这个结果也不支持 A。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>所以我们的倾向是 B（内容现状）\u003C\u002Fstrong> —— 但那类内容恰好长在那家平台上。\u003C\u002Fp>\n\u003Cp>⚠️ \u003Cstrong>但我们不做结论。\u003C\u002Fstrong> 原因是：\u003C\u002Fp>\n\u003Cul>\u003Cli>只测了\u003Cstrong>两个品类\u003C\u002Fstrong>，样本量不足以排除\"某些品类偏好、某些不偏好\"\u003C\u002Fli>\u003Cli>平台的内容策略会\u003Cstrong>随时间变化\u003C\u002Fstrong>，我们测的是\u003Cstrong>当时的快照\u003C\u002Fstrong>\u003C\u002Fli>\u003Cli>我们\u003Cstrong>看不到平台的检索逻辑\u003C\u002Fstrong>，只能从结果反推\u003C\u002Fli>\u003C\u002Ful>\n\u003Cp>★ \u003Cstrong>写这一段的意思是\u003C\u002Fstrong>：如果你看到有人拿\"某平台只用自家内容\"下结论， \u003Cstrong>先问他是怎么排除\"内容本来就长在那儿\"这个解释的。\u003C\u002Fstrong> 这个问题能筛掉大部分想当然。\u003C\u002Fp>\n\u003Ch2>这对企业意味着什么\u003C\u002Fh2>\n\u003Ch3>1 · \"一篇文章通投所有 AI\"行不通\u003C\u002Fh3>\n\u003Cp>跨 AI 重合度 0.00~0.21。\u003Cstrong>同一批内容，在不同 AI 那里被读到的概率差异极大。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch3>2 · 先搞清楚你的客户用哪家 AI\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>不要默认\"AI 都差不多\"。\u003C\u002Fstrong> 数据不支持这个假设。 如果你的客户集中在某一类平台，\u003Cstrong>投放在那里才是有意义的\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Ch3>3 · 内容形态要跟着平台走\u003C\u002Fh3>\n\u003Cp>短视频池和图文池\u003Cstrong>是分开的\u003C\u002Fstrong>。 一条素材能不能复用，\u003Cstrong>取决于目标平台吃哪种形态\u003C\u002Fstrong>，不是\"发出去就等于覆盖\"。\u003C\u002Fp>\n\u003Ch3>4 · 别用一家的结果推断另一家\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>在一家 AI 那里没被提到，不代表在另一家也没有。\u003C\u002Fstrong> 这是两件需要分开测的事。\u003C\u002Fp>\n\u003Ch2>如果你只做一件事：先搞清楚客户用哪家 AI\u003C\u002Fh2>\n\u003Cp>前面都是分析，这一节说\u003Cstrong>明天就能做的动作\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>已经知道用哪家\u003C\u002Fstrong> → 直接测那一家，重复 3 次以上。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>不知道用哪家\u003C\u002Fstrong> → 按这个顺序问：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>问谁\u003C\u002Fth>\u003Cth>问什么\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>销售 \u002F 客服\u003C\u002Ftd>\u003Ctd>\"客户提过他们用哪个 AI 助手吗？\"\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>成单客户\u003C\u002Ftd>\u003Ctd>\"你当初是怎么找供应商的？\"\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>官网 \u002F 小程序后台\u003C\u002Ftd>\u003Ctd>看访客来源里有没有 AI 助手的跳转\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>自己的团队\u003C\u002Ftd>\u003Ctd>你们自己遇到问题先问哪个\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>★ \u003Cstrong>第一条通常最有效\u003C\u002Fstrong> —— \u003Cstrong>客户主动提到\"我问了 AI 说你们……\"，就是最直接的信号。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>\u003Cstrong>一个反直觉的提醒\u003C\u002Fstrong>：不要根据\"哪家 AI 用户最多\"来选。 \u003Cstrong>你的客户是谁，决定了该测哪家\u003C\u002Fstrong> —— 一个面向特定行业客户的 B2B 企业， 和一家面向普通消费者的小程序，答案可能完全不同， 而\u003Cstrong>数据已经证明这两家的信源几乎不重叠\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Ch2>一个必须说清楚的边界\u003C\u002Fh2>\n\u003Cp>上面的数据能说明\"\u003Cstrong>不同 AI 读的资料不一样\u003C\u002Fstrong>\"， 但\u003Cstrong>不能说明\"我们能让某家 AI 一定读到你\"\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cul>\u003Cli>❌ 不承诺\"投到某平台就会被某家 AI 引用\"\u003C\u002Fli>\u003Cli>❌ 不承诺跨平台统一的可见度结果\u003C\u002Fli>\u003Cli>✅ 能承诺的是：\u003Cstrong>把每一家的信源分别测出来，告诉你差异在哪\u003C\u002Fstrong>\u003C\u002Fli>\u003C\u002Ful>\n\u003Cp>★ 还有一个诚实的限制：\u003Cstrong>样本量\u003C\u002Fstrong>。 我们每家测了 3 次、共 15 条样本。\u003Cstrong>这足以看出\"差异很大\"， 但不足以支持\"精确到百分点的占比结论\"。\u003C\u002Fstrong> 文中的占比都标了分母，请连分母一起看。\u003C\u002Fp>\n\u003Ch2>小结\u003C\u002Fh2>\n\u003Cul>\u003Cli>\u003Cstrong>不同 AI 的差异是真的\u003C\u002Fstrong> —— 重合度 0.00~0.21，低于各自自身波动的下限\u003C\u002Fli>\u003Cli>\u003Cstrong>有一家的信源，别家完全没有\u003C\u002Fstrong> —— 同一类短视频，一家 95 次，另外两家各 15 样本 0 次\u003C\u002Fli>\u003Cli>\u003Cstrong>要区分\"回避某公司\"和\"某个内容池\"\u003C\u002Fstrong> —— 图文照引、视频不引，是两件事\u003C\u002Fli>\u003Cli>\u003Cstrong>每家都在吃自家生态\u003C\u002Fstrong> —— 观察到两个实例，但\u003Cstrong>平台偏好 vs 内容现状，我们分不开\u003C\u002Fstrong>\u003C\u002Fli>\u003Cli>★ \u003Cstrong>实操结论：先确定你的客户用哪家 AI，再决定投什么形态\u003C\u002Fstrong>\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，采集的是 AI 助手\u003Cstrong>网页版\u003C\u002Fstrong>的首问结果 （不是接口，也不是追问），每家各 3 次、共 15 条可比样本。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>样本量不大，这是本文所有结论的强度上限。\u003C\u002Fstrong> 我们把不够确定的地方都标了出来（比如\"平台偏好 vs 内容现状分不开\"）， \u003Cstrong>不希望读者把弱证据读成强结论。\u003C\u002Fstrong>\u003C\u002Fp>","807cd926-2cd1-5217-8f7a-0cb1e07198f2","why-different-ai-answers-differ","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。","[\"AI 信源\", \"跨平台差异\", \"信源实测\"]","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",{"category":4,"content":70,"cover_image":33,"create_dept":7,"create_time":8,"create_user":7,"created_at":8,"id":71,"is_pinned":10,"published_at":36,"slug":72,"sort_order":10,"status":13,"summary":73,"tags":74,"title":75,"updated_at":36,"view_count":10},"\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>\"AI 不引用官网\"这个说法，在数据上不成立。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>我们采集的 249 条 AI 引用里，\u003Cstrong>厂商自己的官网出现了不止一次，有的还被反复引用\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>所以真正的问题不是\"官网能不能被引\"，而是：\u003C\u002Fp>\n\u003Cp>\u003Cstrong>你的官网上，有没有值得被引的东西？\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>但在改内容之前，\u003Cstrong>有四类原因要先排除\u003C\u002Fstrong> —— 顺序错了会白做很多功。\u003C\u002Fp>\n\u003Ch2>两个反例\u003C\u002Fh2>\n\u003Ch3>反例一：某厂商官网在一类行业问题下被反复引用\u003C\u002Fh3>\n\u003Cp>我们在一次采集里，统计了 AI 引用的所有来源。其中\u003Cstrong>一家厂商的官网出现了 8 次\u003C\u002Fstrong>， 集中在与它业务直接相关的那类问题上。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>这说明\u003C\u002Fstrong>：AI 在回答某个行业的具体问题时，\u003Cstrong>会直接去读该行业厂商的官网\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Ch3>反例二：一次提问里，7 条引用有 4 条来自同一家厂商官网\u003C\u002Fh3>\n\u003Cp>另一次采集更有代表性：在一次关于某类管理系统的提问中， \u003Cstrong>AI 给出的 7 条引用里，有 4 条来自同一家厂商官网的系列文章\u003C\u002Fstrong>（不是首页，是文章）。\u003C\u002Fp>\n\u003Cp>★ \u003Cstrong>这一条尤其重要\u003C\u002Fstrong>，因为它说明两件事：\u003C\u002Fp>\n\u003Col>\u003Cli>\u003Cstrong>AI 会读官网的深层内容\u003C\u002Fstrong>，不只读首页\u003C\u002Fli>\u003Cli>\u003Cstrong>只要形态对，官网内容可以被\"整批采信\"\u003C\u002Fstrong> —— 不是零星被提，是连续多条\u003C\u002Fli>\u003C\u002Fol>\n\u003Ch3>反例三 · ★ 把 249 条引用按问题类型拆开看，官网的分布很不均匀\u003C\u002Fh3>\n\u003Cp>我们把采集到的引用按\u003Cstrong>问题性质\u003C\u002Fstrong>分成两组，再看\u003Cstrong>厂商官网\u003C\u002Fstrong>这类来源出现在哪：\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>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>作为对照：工商 \u002F 信用 \u002F 黄页\u003C\u002Ftd>\u003Ctd>\u003Cstrong>26 条（21.8%）\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>2 条（1.5%）\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>作为对照：内容社区 \u002F 短视频\u003C\u002Ftd>\u003Ctd>9 条（7.6%）\u003C\u002Ftd>\u003Ctd>40 条（30.8%）\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>同一个\"官网\"，在两类问题下的表现差了 15 倍。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>这条数据解释了一个很常见的困惑：\u003Cstrong>\"我官网明明写了很多，为什么 AI 介绍我的时候还在引用别的网站？\"\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>\u003Cstrong>因为它引用的那些问题，恰好是官网帮不上忙的那一类。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>★ \u003Cstrong>官网能做的是行业问题，做不了品牌问题。\u003C\u002Fstrong> 有人问\"你这家公司是什么\"时，AI 去的是工商登记和信用信息站（21.8%）， \u003Cstrong>那里的内容不是你能直接改的\u003C\u002Fstrong> —— 那是别人怎么登记你。\u003C\u002Fp>\n\u003Cp>⚠️ \u003Cstrong>口径\u003C\u002Fstrong>：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，不是精确比例。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>那为什么你的官网没被引？四类原因\u003C\u002Fh2>\n\u003Cp>\u003Cstrong>按排除顺序排列\u003C\u002Fstrong> —— 顺序很重要，因为前面的问题不解决，后面做多少都白费。\u003C\u002Fp>\n\u003Ch3>原因一：抓不到（技术层面）\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>这一条要第一个查\u003C\u002Fstrong>，因为它是\"一票否决\"：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>检查什么\u003C\u002Fth>\u003Cth>为什么\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>网站能否被\u003Cstrong>外部正常访问\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>有些配置会导致特定类型的访问被拒绝\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>是否\u003Cstrong>依赖较新的加密协议\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>老一些的抓取端可能连不上\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>是否有\u003Cstrong>拦爬虫的规则\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>安全策略有时会误伤\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>是否\u003Cstrong>每个页面都能直接打开\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>有些站点内容靠交互加载，抓取端拿不到\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>★ \u003Cstrong>这一类问题的特点是：内容再好也没用，因为根本读不到。\u003C\u002Fstrong> \u003Cstrong>所以它必须第一个排除。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch3>原因二：没有值得引的内容\u003C\u002Fh3>\n\u003Cp>这是最常见的一类。\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>官网上常见的\u003C\u002Fth>\u003Cth>它是不是\"材料\"\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>公司简介、发展历程、愿景使命\u003C\u002Ftd>\u003Ctd>❌ \u003Cstrong>不是\u003C\u002Fstrong> —— 任何公司都这么写\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>产品功能罗列\u003C\u002Ftd>\u003Ctd>❌ \u003Cstrong>不是\u003C\u002Fstrong> —— 是宣传，不是信息\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>客户案例（只有 logo 墙）\u003C\u002Ftd>\u003Ctd>⚠️ \u003Cstrong>弱\u003C\u002Fstrong> —— 没有可核验的细节\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>具体数字、判断标准、可对照的表格\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>✅ \u003Cstrong>是\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>回答某个真实问题的内容\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>✅ \u003Cstrong>是\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>说清楚什么情况下不适合\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>✅ \u003Cstrong>是\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>AI 需要的是\"信息\"，不是\"介绍\"。\u003C\u002Fstrong> 公司简介里没有信息，\u003Cstrong>引用了也撑不起一个答案。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch3>原因三：形态不对\u003C\u002Fh3>\n\u003Cp>同样的内容，写法不同，被采用的难度也不同。\u003C\u002Fp>\n\u003Cp>被引用的那些内容，通常有一个共同点：\u003Cstrong>它们是\"帮用户做判断\"的，不是\"介绍自己\"的。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>容易被采用\u003C\u002Fth>\u003Cth>不容易被采用\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>选型标准、对比、避坑指南\u003C\u002Ftd>\u003Ctd>产品发布、功能更新\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>有明确标题结构的清单\u003C\u002Ftd>\u003Ctd>大段连续叙述\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>一段一个要点，可以独立摘走\u003C\u002Ftd>\u003Ctd>要点藏在长段落里\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>有对照表\u003C\u002Ftd>\u003Ctd>纯文字堆砌\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>★ 一个实用的自检方法：\u003Cstrong>把你自己文章里的任意一段单独摘出来， 它能不能独立回答一个问题？\u003C\u002Fstrong> 不能的话，AI 也很难用它。\u003C\u002Fp>\n\u003Ch3>原因四：没进入候选\u003C\u002Fh3>\n\u003Cp>前面三条都排除了，还是没被引 —— 那可能是\u003Cstrong>竞争问题\u003C\u002Fstrong>：\u003C\u002Fp>\n\u003Cp>\u003Cstrong>同一个问题上，AI 已经有一批它在用的来源了。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>这时候要考虑的是：\u003Cstrong>这个问题上，现有的来源都是谁？\u003C\u002Fstrong> 如果全是行业媒体和头部公司的内容，那你要么\u003Cstrong>选一个竞争更少的问题切入\u003C\u002Fstrong>， 要么\u003Cstrong>提供现有来源里没有的信息\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>★ 最后这半句是关键：\u003Cstrong>\"别处没有的信息\"是最强的被引理由。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>自查清单\u003C\u002Fh2>\n\u003Cp>按顺序做，每一条都能给出\"是\u002F否\"：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>#\u003C\u002Fth>\u003Cth>检查\u003C\u002Fth>\u003Cth>怎么查\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>1\u003C\u002Ftd>\u003Ctd>页面能不能被外部直接打开\u003C\u002Ftd>\u003Ctd>换一个网络环境试试\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>2\u003C\u002Ftd>\u003Ctd>页面内容\u003Cstrong>不执行交互\u003C\u002Fstrong>能不能看到\u003C\u002Ftd>\u003Ctd>关掉脚本再打开\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>3\u003C\u002Ftd>\u003Ctd>官网里有没有\u003Cstrong>带数字、带判断、带表格\u003C\u002Fstrong>的内容\u003C\u002Ftd>\u003Ctd>自己搜一遍\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>4\u003C\u002Ftd>\u003Ctd>有没有\u003Cstrong>一篇是\"帮用户选\"而不是\"介绍自己\"\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>自己读一遍\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>5\u003C\u002Ftd>\u003Ctd>目标问题上，\u003Cstrong>AI 现在引的是谁\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>直接问，看它引了哪些来源\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>6\u003C\u002Ftd>\u003Ctd>你和那些来源相比，\u003Cstrong>多了什么别处没有的信息\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>诚实回答\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>★ 第 5 条是最有效的一步：\u003Cstrong>AI 引用了谁，就说明这个问题是可以被引用的\u003C\u002Fstrong> —— \u003Cstrong>只是答案现在不是你。\u003C\u002Fstrong> 这比\"AI 什么都没说\"要好办得多。\u003C\u002Fp>\n\u003Ch2>改哪里、怎么改\u003C\u002Fh2>\n\u003Cp>如果自查下来是\"内容问题\"（第 3、4 条），方向大致是：\u003C\u002Fp>\n\u003Col>\u003Cli>\u003Cstrong>把\"介绍自己\"改成\"帮用户判断\"\u003C\u002Fstrong> —— 用同样的专业能力，回答客户真实会问的问题\u003C\u002Fli>\u003Cli>\u003Cstrong>加入具体的数字和判断依据\u003C\u002Fstrong> —— 阈值、成本、时长、常见的失败模式、验收方式\u003C\u002Fli>\u003Cli>\u003Cstrong>用清单和对照表组织\u003C\u002Fstrong> —— 让每一段能被单独摘走\u003C\u002Fli>\u003Cli>\u003Cstrong>承认局限\u003C\u002Fstrong> —— 写清楚什么情况下你的方案不合适\u003C\u002Fli>\u003C\u002Fol>\n\u003Cp>★ 第 4 条常被当成\"自曝其短\"，但\u003Cstrong>恰好相反\u003C\u002Fstrong>： \u003Cstrong>一份只说优点的材料，可信度反而更低。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>一个容易搞反的地方\u003C\u002Fh2>\n\u003Cp>因为上面的数据，我们经常听到两种\u003Cstrong>方向相反\u003C\u002Fstrong>的抱怨：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>抱怨\u003C\u002Fth>\u003Cth>实际情况\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>\"AI 从来不引我的官网\"\u003C\u002Ftd>\u003Ctd>⚠️ 你问的可能是\u003Cstrong>品牌类问题\u003C\u002Fstrong> —— 那类问题官网本来就不是主角（0.8%）\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\"我官网写了很多，AI 怎么还是不认识我\"\u003C\u002Ftd>\u003Ctd>⚠️ \u003Cstrong>写得多 ≠ 写得对\u003C\u002Fstrong>，也\u003Cstrong>≠ 问的问题对\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>★ \u003Cstrong>先分清你要的是哪一种，再改内容。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cul>\u003Cli>想要\u003Cstrong>\"AI 说对我是谁\"\u003C\u002Fstrong> → 重点在\u003Cstrong>工商\u002F信用\u002F招聘材料的一致性\u003C\u002Fstrong>，不是写文章\u003C\u002Fli>\u003Cli>想要\u003Cstrong>\"行业问题下被 AI 提到\"\u003C\u002Fstrong> → 重点才是\u003Cstrong>官网内容\u003C\u002Fstrong>，而且形态要对\u003C\u002Fli>\u003C\u002Ful>\n\u003Cp>\u003Cstrong>这两个目标用同一套动作去做，至少有一个会落空。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>一个必须说清楚的边界\u003C\u002Fh2>\n\u003Cp>我们手上是\u003Cstrong>两个反例 + 一组分布数据\u003C\u002Fstrong>，不是\"规律\"。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>样本量小，而且这两次采集的其他条件（平台权重、发布时间）我们控制不了\u003C\u002Fstrong> —— 所以\u003Cstrong>不能从这个观察里推出\"只要这样写就一定被引\"\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cul>\u003Cli>❌ 不承诺\"按这个方法改完，官网就会被引\"\u003C\u002Fli>\u003Cli>✅ 能说的是：\u003Cstrong>这两个反例证明\"官网内容被引\"这条路是通的\u003C\u002Fstrong>， 以及\u003Cstrong>你的官网没被引，多半有具体原因，可以先查出来\u003C\u002Fstrong>\u003C\u002Fli>\u003C\u002Ful>\n\u003Ch2>小结\u003C\u002Fh2>\n\u003Cul>\u003Cli>\u003Cstrong>\"AI 不引用官网\"不成立\u003C\u002Fstrong> —— 我们手里有两个反例，其中一个是一次提问里 4 条引用都来自同一家官网\u003C\u002Fli>\u003Cli>\u003Cstrong>排除顺序\u003C\u002Fstrong>：抓取 → 有没有材料 → 形态对不对 → 有没有竞争\u003C\u002Fli>\u003Cli>\u003Cstrong>AI 要的是\"信息\"，不是\"介绍\"\u003C\u002Fstrong> —— 公司简介和功能罗列撑不起一个答案\u003C\u002Fli>\u003Cli>\u003Cstrong>自检最快的一步\u003C\u002Fstrong>：直接问 AI，看它在你的问题上\u003Cstrong>引了谁\u003C\u002Fstrong>\u003C\u002Fli>\u003Cli>★ \u003Cstrong>\"别处没有的信息\"是最强的被引理由\u003C\u002Fstrong>\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，来自我们常规采集里对 AI 引用来源的统计。 两个反例的具体样本条件已在文中说明；\u003Cstrong>样本量不大，请注意结论强度。\u003C\u002Fstrong>\u003C\u002Fp>","82ae7a4c-30bb-5779-8799-2cbc628d303b","why-ai-doesnt-cite-my-website","「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 \u002F 不会被引的内容对照。","[\"官网优化\", \"AI 信源\", \"信源实测\"]","AI 不引用你的官网？先看我们手里的两个反例，再决定改什么",{"category":4,"content":77,"cover_image":33,"create_dept":7,"create_time":8,"create_user":7,"created_at":8,"id":78,"is_pinned":10,"published_at":36,"slug":79,"sort_order":10,"status":13,"summary":80,"tags":81,"title":82,"updated_at":36,"view_count":10},"\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>在动手优化之前，先确认你测到的\"没有\"是真的没有。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>我们做了重复测量，得到一个不太好接受的数字：\u003C\u002Fp>\n\u003Cp>\u003Cstrong>同一个问题、同一家 AI、隔开再问 —— 它引用的网站重合度只有 0.347 ~ 0.576。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>意思是：\u003Cstrong>你今天问一次得到\"AI 没提到我\"，这个结论的可靠性，比多数人以为的低得多。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>下面三种\"假没有\"，我们每一种都亲自踩过。\u003C\u002Fp>\n\u003Ch2>假没有之一：你只问了一次\u003C\u002Fh2>\n\u003Cp>这是最常见的一种。\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>测量方式\u003C\u002Fth>\u003Cth>真实性\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>同一问题问 \u003Cstrong>1 次\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>⚠️ \u003Cstrong>只能算一次快照\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>同一问题重复问 \u003Cstrong>3 次以上\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>✅ 可以看趋势\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>三家 AI 的重复测量结果：\u003Cstrong>0.576 \u002F 0.489 \u002F 0.347\u003C\u002Fstrong>。 \u003Cstrong>最高也不到六成。\u003C\u002Fstrong> 也就是说，即使你完全不做优化，换一次提问你看到的引用来源就会有明显变化。\u003C\u002Fp>\n\u003Cp>★ \u003Cstrong>这一条我们自己踩过。\u003C\u002Fstrong> 早期我们拿单次采集的结果当成结论写过一份报告， 后来重复采样发现那条结论\u003Cstrong>站不住\u003C\u002Fstrong>，已经撤回。 \u003Cstrong>单次快照不是一个清单，它是一次抽样。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>\u003Cstrong>结论\u003C\u002Fstrong>：任何\"AI 提到我了吗\"的判断，都必须建立在\u003Cstrong>多次重复\u003C\u002Fstrong>上。 问一次得到的\"没有\"，\u003Cstrong>不足以下任何结论\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Ch2>假没有之二：你问的那家 AI，不在你客户的圈子里\u003C\u002Fh2>\n\u003Cp>第二件反直觉的事：\u003Cstrong>不同 AI 之间，取材来源几乎不重合。\u003C\u002Fstrong>\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>不同 AI 之间\u003C\u002Ftd>\u003Ctd>\u003Cstrong>0.00 ~ 0.21\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>作为对照：同一家 AI 自己重复测\u003C\u002Ftd>\u003Ctd>0.35 ~ 0.58\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>一个具体的例子：在某一类采购问题上，\u003Cstrong>AI 甲引用的内容里有 38% 来自短视频社区\u003C\u002Fstrong>， 而 AI 乙、AI 丙在\u003Cstrong>同样的问题上一次都没有\u003C\u002Fstrong>引到那里。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>推论\u003C\u002Fstrong>：你在 AI 甲那里没被提到，\u003Cstrong>和你在 AI 乙那里没被提到，是两件不同的事\u003C\u002Fstrong>， 需要分开处理。\u003C\u002Fp>\n\u003Cp>★ \u003Cstrong>实务上要先做一步\u003C\u002Fstrong>：搞清楚\u003Cstrong>你的客户实际在用哪家 AI\u003C\u002Fstrong>。 不要默认\"AI 都差不多\" —— 数据显示它们差得很多。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>一个具体的做法\u003C\u002Fstrong>：去问你的销售和客服，\"客户提过他们在用哪个 AI 助手\"。 这比任何行业报告都准 —— \u003Cstrong>你的客户用什么，才是你要测什么。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>★ 补充：两类问题的\"没有\"，根本不是一回事\u003C\u002Fh2>\n\u003Cp>这是我们在采集里发现的、最能解释混乱的一条：\u003C\u002Fp>\n\u003Cp>\u003Cstrong>\"AI 提到你了吗\"这个问法本身太粗。\u003C\u002Fstrong> 因为 AI 在\u003Cstrong>两类问题\u003C\u002Fstrong>上去的地方完全不同：\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>\u003C\u002Ftd>\u003Ctd>2 条（1.5%）\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>\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\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>两套体系几乎不交叉。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>所以\"没有你\"这句话，至少有两种完全不同的含义：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>你测的\u003C\u002Fth>\u003Cth>\"没有你\"意味着\u003C\u002Fth>\u003Cth>该怎么修\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>\u003Cstrong>品牌问题\u003C\u002Fstrong>（问你是谁）\u003C\u002Ftd>\u003Ctd>AI 读的工商\u002F信用材料里，\u003Cstrong>你的信息不完整或过时\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>\u003Cstrong>对齐公开信息\u003C\u002Fstrong> —— 快，且不需要写文章\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>行业问题\u003C\u002Fstrong>（问该怎么选）\u003C\u002Ftd>\u003Ctd>\u003Cstrong>你的内容没进那个池子\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>\u003Cstrong>写内容\u003C\u002Fstrong> —— 慢，且不保证结果\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>★ \u003Cstrong>混着测、混着算，就会得出一个既不能解释、也不能行动的数字。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>\u003Cstrong>分开测，你才知道该修哪一边。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>假没有之三：你问的那个问题，客户根本不会这么问\u003C\u002Fh2>\n\u003Cp>这是我们见过最隐蔽的一种。\u003C\u002Fp>\n\u003Cp>很多企业测自己的方式是：\u003Cstrong>直接搜自己的公司名，或者搜自己行业里的术语\u003C\u002Fstrong>。 但客户不这么说。\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>你可能会问\u003C\u002Fth>\u003Cth>客户实际会问\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>我们是做什么的\u003C\u002Ftd>\u003Ctd>我们这个行业该怎么选供应商\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>某某技术方案\u003C\u002Ftd>\u003Ctd>遇到某个具体问题该怎么办\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>我们的品牌名\u003C\u002Ftd>\u003Ctd>某个具体场景下用哪个方案\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>前一类问题，AI 只要认得你就够了；后一类问题，才是真正能带来客户的。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>而且这两类的考核标准完全不同：\u003C\u002Fp>\n\u003Cul>\u003Cli>问公司名 → 看的是\u003Cstrong>AI 说得对不对\u003C\u002Fstrong>（这是能守住的）\u003C\u002Fli>\u003Cli>问行业问题 → 看的是\u003Cstrong>AI 会不会把你放进候选\u003C\u002Fstrong>（这个受很多因素影响）\u003C\u002Fli>\u003C\u002Ful>\n\u003Cp>\u003Cstrong>把这两类混在一起算一个\"AI 可见度\"，是没意义的。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>那怎么判断是不是\"真没有\"\u003C\u002Fh2>\n\u003Cp>排除上面三种之后，剩下的才可能是真没有。判断流程：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>步骤\u003C\u002Fth>\u003Cth>做什么\u003C\u002Fth>\u003Cth>通过标准\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>1\u003C\u002Ftd>\u003Ctd>同一问题\u003Cstrong>重复问多次\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>至少 3 次\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>2\u003C\u002Ftd>\u003Ctd>\u003Cstrong>换成客户会问的话\u003C\u002Fstrong>再问一遍\u003C\u002Ftd>\u003Ctd>两类问题分开测\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>3\u003C\u002Ftd>\u003Ctd>\u003Cstrong>换 AI\u003C\u002Fstrong> 再问一遍\u003C\u002Ftd>\u003Ctd>至少 2~3 家\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>4\u003C\u002Ftd>\u003Ctd>看\u003Cstrong>引用来源\u003C\u002Fstrong>，不只看有没有提到你\u003C\u002Ftd>\u003Ctd>见下一步\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>★ \u003Cstrong>第 4 步是关键，也是最多人漏掉的一步\u003C\u002Fstrong>：\u003C\u002Fp>\n\u003Cp>\u003Cstrong>如果 AI 在你的问题上引用了别的网站，说明这个问题是有答案的、是被取材的 —— 只是答案不是你。\u003C\u002Fstrong> 这比\"AI 什么都没说\"要好办得多，因为你知道\u003Cstrong>该去哪一类地方说话\u003C\u002Fstrong>了。\u003C\u002Fp>\n\u003Cp>反过来，如果 AI 在这个问题上\u003Cstrong>什么网站都没引、纯粹自己讲了一通\u003C\u002Fstrong>， 那说明这个问题\u003Cstrong>还没进入取材环节\u003C\u002Fstrong>，盲目发内容大概率是白费。\u003C\u002Fp>\n\u003Ch2>附：重合度是怎么算的（你可以自己复现）\u003C\u002Fh2>\n\u003Cp>上面反复出现\"重合度\"这个数，这里说清楚它怎么来的 —— \u003Cstrong>因为只有你知道怎么算，你才能自己验。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>\u003Cstrong>一句话定义\u003C\u002Fstrong>：\u003C\u002Fp>\n\u003Cp>把两次提问各自引用到的\u003Cstrong>网站域名\u003C\u002Fstrong>列成两个集合， \u003Cstrong>重合度 = 交集 ÷ 并集\u003C\u002Fstrong>（0 = 完全不重合，1 = 完全一样）。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>举个具体例子\u003C\u002Fstrong>：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>问题\u003C\u002Fth>\u003Cth>第一次引用的网站\u003C\u002Fth>\u003Cth>第二次引用的网站\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>同一个问题\u003C\u002Ftd>\u003Ctd>甲、乙、丙\u003C\u002Ftd>\u003Ctd>乙、丙、丁\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cul>\u003Cli>交集 = {乙, 丙} → 2 个\u003C\u002Fli>\u003Cli>并集 = {甲, 乙, 丙, 丁} → 4 个\u003C\u002Fli>\u003Cli>\u003Cstrong>重合度 = 2 ÷ 4 = 0.5\u003C\u002Fstrong>\u003C\u002Fli>\u003C\u002Ful>\n\u003Cp>\u003Cstrong>操作步骤\u003C\u002Fstrong>（不需要任何工具，手工也能做）：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>#\u003C\u002Fth>\u003Cth>做什么\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>1\u003C\u002Ftd>\u003Ctd>选 \u003Cstrong>1 个问题\u003C\u002Fstrong>，固定好原话\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>2\u003C\u002Ftd>\u003Ctd>在同一家 AI 上问 \u003Cstrong>3 次\u003C\u002Fstrong>（\u003Cstrong>每次都用新会话\u003C\u002Fstrong>，不要追问）\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>3\u003C\u002Ftd>\u003Ctd>把每次 AI \u003Cstrong>引用到的网站域名\u003C\u002Fstrong>抄下来\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>4\u003C\u002Ftd>\u003Ctd>两两比较，各算一次重合度，取平均\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>5\u003C\u002Ftd>\u003Ctd>换一家 AI，重复 1~4\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>★ \u003Cstrong>三个容易做错的地方\u003C\u002Fstrong>（我们踩过）：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>坑\u003C\u002Fth>\u003Cth>为什么错\u003C\u002Fth>\u003Cth>正确做法\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>\u003Cstrong>在同一个会话里接着问\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>那是\u003Cstrong>追问\u003C\u002Fstrong>，AI 会带着上文，结果不可比\u003C\u002Ftd>\u003Ctd>\u003Cstrong>每次开新会话\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>用接口测\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>接口和网页版的结果\u003Cstrong>不是一回事\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>若你的客户用网页版，就测网页版\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>只问一次就下结论\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>这正是本文说的问题\u003C\u002Ftd>\u003Ctd>\u003Cstrong>至少 3 次\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>做完你会得到一组自己的数字。\u003C\u002Fstrong> 它可能和我们的不一样（品类、时机不同）， \u003Cstrong>但只要是按同样方法测的，就能反映你自己的情况。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>★ \u003Cstrong>这就是我们说的\"可复算\"\u003C\u002Fstrong> —— 你不需要相信我们，你可以自己跑一遍。\u003C\u002Fp>\n\u003Ch2>确认是真没有之后，按这个顺序做\u003C\u002Fh2>\n\u003Ch3>第一步：先看 AI 现在怎么说你（不是行业问题，是你自己）\u003C\u002Fh3>\n\u003Cp>去问\"这家公司是什么\"\"这家公司靠不靠谱\"。\u003C\u002Fp>\n\u003Cp>我们的实测里，这类问题下 AI 引用的来源\u003Cstrong>出现最多的是工商信息站和招聘网站\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>这意味着你的第一手材料本身可能就过时或写偏了\u003C\u002Fstrong> —— 而这是最容易修的。\u003C\u002Fp>\n\u003Ch3>第二步：把 AI 会读到的那些页面对齐\u003C\u002Fh3>\n\u003Cp>工商登记、招聘信息、公开的资质页面 —— 这些不需要写作技巧，需要的是\u003Cstrong>发现不一致然后改掉\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Ch3>第三步：再考虑官网内容\u003C\u002Fh3>\n\u003Cp>实测已经证明\u003Cstrong>厂商官网是会被引的\u003C\u002Fstrong>（我们的样本里，某厂商官网被反复引用）。 但\u003Cstrong>\"写得多\"和\"值得被引\"是两件事\u003C\u002Fstrong>：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>值得被引\u003C\u002Fth>\u003Cth>不太会被引\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>回答一个真实存在的问题\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\u003Ch3>第四步：定一个能重复的测法\u003C\u002Fh3>\n\u003Cp>固定一批问题、固定那几家 AI、固定重复次数，然后\u003Cstrong>隔一段时间再测一次，看变化\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>不要追一次性的数字。\u003C\u002Fstrong> 理由见\"假没有之一\"。\u003C\u002Fp>\n\u003Ch2>一个必须说清楚的边界\u003C\u002Fh2>\n\u003Cp>上面整套方法的产出是\u003Cstrong>\"AI 现在怎么说、变没变\"\u003C\u002Fstrong>，不是\u003Cstrong>\"AI 一定会推荐你\"\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cul>\u003Cli>❌ 我们\u003Cstrong>不承诺\u003C\u002Fstrong>推进某个具体问题后 AI 就会提到你\u003C\u002Fli>\u003Cli>❌ 我们\u003Cstrong>不承诺\u003C\u002Fstrong>排名或\"进榜单\"\u003C\u002Fli>\u003Cli>✅ 能承诺的是：\u003Cstrong>测清楚、测准、看得见变化\u003C\u002Fstrong>\u003C\u002Fli>\u003C\u002Ful>\n\u003Cp>\u003Cstrong>为什么不能承诺？\u003C\u002Fstrong> 不是保守，是数据不支持： 不同 AI 的来源重合度只有 0.00~0.21，同一家 AI 自己重复测也只有 0.35~0.58 —— \u003Cstrong>在这个波动幅度下，任何\"保证被推荐\"的说法都是不诚实的。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>小结\u003C\u002Fh2>\n\u003Cul>\u003Cli>\u003Cstrong>问一次不算数\u003C\u002Fstrong> —— 同一家 AI 重复提问的重合度只有 0.347~0.576\u003C\u002Fli>\u003Cli>\u003Cstrong>换一家 AI 等于换一个世界\u003C\u002Fstrong> —— AI 之间重合度 0.00~0.21，比噪声基线还低\u003C\u002Fli>\u003Cli>\u003Cstrong>先问对问题\u003C\u002Fstrong> —— \"问公司名\"和\"问行业问题\"要分开测、分开算\u003C\u002Fli>\u003Cli>\u003Cstrong>看引用来源\u003C\u002Fstrong> —— AI 引了别人说明这题有答案，只是答案不是你\u003C\u002Fli>\u003Cli>★ \u003Cstrong>先修那些 AI 真正在读的页面\u003C\u002Fstrong> —— 工商、招聘这些，比写新文章更快见效\u003C\u002Fli>\u003C\u002Ful>\n\u003Cp>本文所有数字来自我们自己的实测，方法与样本量已在文中标注。 \u003Cstrong>不利的数字照样写\u003C\u002Fstrong> —— 这是做这件事的基本要求。\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。文中的重合度、样本量、口径都已逐处标注， \u003Cstrong>你可以照着同样的方法测一遍\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>我们写这套方法，是因为要做这件事；也正因为要做这件事， \u003Cstrong>才把对我们不利的数字（比如\"重复提问也只有 0.347\"）照写出来\u003C\u002Fstrong>。\u003C\u002Fp>","c78deea5-057e-5cd0-9eac-16846906615a","ai-doesnt-mention-my-company","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。","[\"AI 推荐\", \"品牌监测\", \"信源实测\"]","AI 回答里没有你的公司：先分清「真没有」和「你只问了一次」",{"category":4,"content":84,"cover_image":6,"create_dept":7,"create_time":8,"create_user":7,"created_at":8,"id":85,"is_pinned":10,"published_at":11,"slug":86,"sort_order":10,"status":13,"summary":87,"tags":88,"title":89,"updated_at":11,"view_count":10},"\u003Cp>\u003Cstrong>先说身份\u003C\u002Fstrong>：本文由\u003Cstrong>大衍智联\u003C\u002Fstrong>撰写。我们自己做 GEO 服务 —— \u003Cstrong>是做这件事的人，不是中立的第三方。\u003C\u002Fstrong> 下面所有数字都来自我们自己的采集，样本量与口径随文标注； \u003Cstrong>其中包含对我们不利的部分\u003C\u002Fstrong>（比如我们自己也还没做到）。\u003C\u002Fp>\n\u003Ch2>先说结论\u003C\u002Fh2>\n\u003Cp>很多人的问题是：\"我的品牌怎么才能出现在 AI 的回答里？\"\u003C\u002Fp>\n\u003Cp>这个问题本身有个隐含假设 —— \u003Cstrong>认为\"AI 的资料来源\"是一个池子，挤进去就行。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>我们把四家 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。 \u003Cstrong>这个假设是错的。\u003C\u002Fstrong> 四件事：\u003C\u002Fp>\n\u003Col>\u003Cli>★ \u003Cstrong>四家 AI 读的是四个几乎不相交的池子。\u003C\u002Fstrong> 六组两两重合度（Jaccard）\u003Cstrong>全部 ≤ 0.079\u003C\u002Fstrong>，最低的一组只有 \u003Cstrong>0.016\u003C\u002Fstrong>。 含义很直接：\u003Cstrong>在一家 AI 里被提到，几乎不预示你在另一家也被提到。\u003C\u002Fstrong>\u003C\u002Fli>\u003C\u002Fol>\n\u003Col>\u003Cli>\u003Cstrong>池子的边界不是\"行业\"，是\"问题的语义\"。\u003C\u002Fstrong> 同一家 AI 内部，两个看似不相干的品类，重合度可以高到 \u003Cstrong>0.400\u003C\u002Fstrong>； 而两个听起来相关的品类，重合度可能只有 \u003Cstrong>0.03~0.22\u003C\u002Fstrong>。\u003C\u002Fli>\u003C\u002Fol>\n\u003Col>\u003Cli>\u003Cstrong>同一篇文章，进豆包和进千问的难度不一样。\u003C\u002Fstrong> 豆包的池子\u003Cstrong>大而散\u003C\u002Fstrong>（1032 条引用 \u002F 273 个域名，前 10 名只占 49.2%）； 千问的池子\u003Cstrong>小而集中\u003C\u002Fstrong>（370 条引用 \u002F 仅 48 个域名，前 10 名占 68.9%）。\u003C\u002Fli>\u003C\u002Fol>\n\u003Col>\u003Cli>\u003Cstrong>\"要有大号\"是错觉。\u003C\u002Fstrong> 我们抽样解析了 17 个被 AI 引用的抖音账号，\u003Cstrong>粉丝中位数 904\u003C\u002Fstrong>， \u003Cstrong>13 个（76%）在 1 万粉以下\u003C\u002Fstrong> —— 其中一个只有 \u003Cstrong>4 个粉丝、49 个赞\u003C\u002Fstrong>，照样被引用。\u003C\u002Fli>\u003C\u002Fol>\n\u003Cp>\u003Cstrong>一句话\u003C\u002Fstrong>：不是\"怎么挤进 AI 的资料池\"，而是\"\u003Cstrong>怎么分别进四个不同的池子\u003C\u002Fstrong>\"。\u003C\u002Fp>\n\u003Ch2>我们是怎么测的\u003C\u002Fh2>\n\u003Cp>先说口径，因为不同口径的数字\u003Cstrong>不能混着读\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>\u003C\u002Fth>\u003Cth>\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>\u003Cstrong>采集窗口\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>2026-09-21 ~ 09-26，\u003Cstrong>5 个日历日\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>引擎\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>豆包、千问、DeepSeek、Kimi 的\u003Cstrong>网页版\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>问题\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>我们的 GEO 问句集\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>算的什么\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>每家的\u003Cstrong>被引来源池\u003C\u002Fstrong>，两两求 Jaccard 重合度\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Cstrong>另有\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>抽样解析被引的抖音账号 17 个\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>⚠️ \u003Cstrong>三条必须先知道的限制\u003C\u002Fstrong>：\u003C\u002Fp>\n\u003Col>\u003Cli>\u003Cstrong>这是快照，不是长期规律。\u003C\u002Fstrong> 平台的信源池会变，5 天只是 5 天。\u003C\u002Fli>\u003Cli>\u003Cstrong>网页版和 API 的检索面不同，数字不可比。\u003C\u002Fstrong> 本文全部用网页版。\u003C\u002Fli>\u003Cli>\u003Cstrong>Kimi 样本太薄\u003C\u002Fstrong>，涉及它的数字只作参照，不作为结论依据。\u003C\u002Fli>\u003C\u002Fol>\n\u003Ch3>本文为什么不点名\u003C\u002Fh3>\n\u003Cp>和我们的其他实测文一样：\u003Cstrong>点名本身就是可见度\u003C\u002Fstrong>。 本文后面的结论之一就是\"被引用会带来曝光\"—— 既然我们自己这么主张，就不该在这里顺手给谁送一份曝光。 \u003Cstrong>这份数据是公开可复算的\u003C\u002Fstrong>，你用同样的问句集问四家 AI 的网页版，会得到同一批来源。\u003C\u002Fp>\n\u003Ch2>发现一：四家 AI 读的是四个几乎不相交的池子\u003C\u002Fh2>\n\u003Cp>这是本文最重要的一张表。\u003Cstrong>六组两两重合度，全部 ≤ 0.079：\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>组合\u003C\u002Fth>\u003Cth>Jaccard 重合度\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>DeepSeek × 豆包\u003C\u002Ftd>\u003Ctd>\u003Cstrong>0.079\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>DeepSeek × 千问\u003C\u002Ftd>\u003Ctd>0.076\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>千问 × Kimi\u003C\u002Ftd>\u003Ctd>0.067\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>豆包 × 千问\u003C\u002Ftd>\u003Ctd>0.059\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>豆包 × Kimi\u003C\u002Ftd>\u003Ctd>0.028\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>DeepSeek × Kimi\u003C\u002Ftd>\u003Ctd>\u003Cstrong>0.016\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>怎么读这张表\u003C\u002Fstrong>：Jaccard 是\"两边的来源池有多相似\"，0 是完全不相干，1 是完全一样。 最高的 0.079，意味着\u003Cstrong>两边只有约 8% 的来源是重叠的\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>⇒ \u003Cstrong>直接推论：不要问\"怎么让 AI 提到我\"，要问\"怎么让 \u003Cem>哪一家\u003C\u002Fem> AI 提到我\"。\u003C\u002Fstrong> 你在一家做通了，另外三家大概率\u003Cstrong>一点都不知道\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>这也解释了一个常见困惑：有人说\"我试了，AI 根本不提我\"， 而另一个人在同一行业说\"AI 提我了\" —— \u003Cstrong>他们很可能问的不是同一家 AI。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch3>这张表顺手否掉了两个常见做法\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>① \"先做通一家，其他自然会跟上\"。\u003C\u002Fstrong> 不会。0.079 的意思是重叠约 8%。一家做通，另外三家是\u003Cstrong>独立事件\u003C\u002Fstrong>， 不存在\"溢出效应\"。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>② \"同一篇稿到处贴，广撒网总有一家能捞到\"。\u003C\u002Fstrong> \"广撒网\"在\u003Cstrong>同一家 AI 内部\u003C\u002Fstrong>有用 —— 对豆包那种 273 个域名的散池子确实有效。 但\u003Cstrong>跨家撒网没用\u003C\u002Fstrong>：四家池子几乎不相交，贴到第四家时， 边际收益不会像贴第一家那么高，因为你贴的渠道\u003Cstrong>未必是那家认的渠道\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>真正的问题是：\u003Cstrong>每家认的渠道不是同一批。\u003C\u002Fstrong> 这就要看下面的发现二和发现三。\u003C\u002Fp>\n\u003Ch2>发现二：池子不是按\"行业\"切的，是按\"问题\"切的\u003C\u002Fh2>\n\u003Cp>如果池子按行业切，那么\"做 CRM 的\"和\"做低代码的\"应该是两个池子，\"做 CRM 的\"和\"做 ERP 的\"应该很近。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>实测不是这样。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>同一家 AI 内部，\u003Cstrong>千问的\"CRM × 低代码\"重合度是 0.400\u003C\u002Fstrong> —— 而\u003Cstrong>其余品类之间只有 0.03~0.22\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>也就是说：\u003Cstrong>CRM 和低代码这两个听起来八竿子打不着的品类， 在千问的信源池里反而高度重合（0.400）\u003C\u002Fstrong>； 而一些名字上更亲的品类组合，重合度低得多。\u003C\u002Fp>\n\u003Cp>⇒ \u003Cstrong>池子的边界是\"问题的语义邻近度\"，不是\"行业分类\"。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>\u003Cstrong>这条对内容有直接影响\u003C\u002Fstrong>： 你要写的不是\"我们这个行业怎么样\"， 而是\u003Cstrong>\"用户会拿什么句子去问 AI\"\u003C\u002Fstrong> —— 池子是按那个句子切的。\u003C\u002Fp>\n\u003Cp>顺带一提，四家切得\u003Cstrong>松紧也不一样\u003C\u002Fstrong>：豆包和 DeepSeek 切得狠， 千问切得松（它能把 0.400 这么高的两组算作同一池）。\u003C\u002Fp>\n\u003Ch2>发现三：同一篇稿，进豆包和进千问的难度不一样\u003C\u002Fh2>\n\u003Cp>两家的池子结构完全不同：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>\u003C\u002Fth>\u003Cth>豆包\u003C\u002Fth>\u003Cth>千问\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>引用条数\u003C\u002Ftd>\u003Ctd>\u003Cstrong>1032\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>370\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>去重域名\u003C\u002Ftd>\u003Ctd>\u003Cstrong>273\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>\u003Cstrong>48\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>前 10 名占多少\u003C\u002Ftd>\u003Ctd>\u003Cstrong>49.2%\u003C\u002Fstrong>（散）\u003C\u002Ftd>\u003Ctd>\u003Cstrong>68.9%\u003C\u002Fstrong>（集中）\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>头名\u003C\u002Ftd>\u003Ctd>iesdouyin.com（抖音）\u003Cstrong>27.9%\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>ithome.com \u003Cstrong>26.5%\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>头名 ÷ 第二名\u003C\u002Ftd>\u003Ctd>\u003Cstrong>7.2×\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>3.4×\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>两个完全不同的地形：\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cul>\u003Cli>\u003Cstrong>豆包是\"大而散\"\u003C\u002Fstrong> —— 273 个域名，前 10 名合起来还不到一半。 好消息是\u003Cstrong>门多\u003C\u002Fstrong>；坏消息是单个来源的权重低， \u003Cstrong>你进去了也未必被念到\u003C\u002Fstrong>（头名抖音一家独占 27.9%，是第二名的 7.2 倍）。\u003C\u002Fli>\u003Cli>\u003Cstrong>千问是\"小而集中\"\u003C\u002Fstrong> —— 只有 48 个域名，前 10 名吃掉近 69%。 好消息是\u003Cstrong>进去就容易被念到\u003C\u002Fstrong>；坏消息是\u003Cstrong>门少\u003C\u002Fstrong>， 它偏好的那批来源相对固定（头名是 IT 之家这样的科技媒体）。\u003C\u002Fli>\u003C\u002Ful>\n\u003Cp>⇒ \u003Cstrong>同一份内容，投进这两家的预期收益结构完全不同。\u003C\u002Fstrong> 在豆包那边，你要拼的是\u003Cstrong>覆盖面\u003C\u002Fstrong>；在千问那边，你要拼的是\u003Cstrong>挤进那份短名单\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Ch2>发现四：不需要大号\u003C\u002Fh2>\n\u003Cp>\"要让 AI 引我，我得先做个大号吧？\" —— 本轮数据不支持这个想法。\u003C\u002Fp>\n\u003Cp>我们抽样解析了 \u003Cstrong>17 个\u003C\u002Fstrong>被 AI 引用的抖音账号：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\u003Ctr>\u003Cth>指标\u003C\u002Fth>\u003Cth>值\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\u003Ctd>账号数\u003C\u002Ftd>\u003Ctd>17\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>粉丝数\u003Cstrong>中位数\u003C\u002Fstrong>\u003C\u002Ftd>\u003Ctd>\u003Cstrong>904\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>1 万粉以下占比\u003C\u002Ftd>\u003Ctd>\u003Cstrong>13 \u002F 17（76%）\u003C\u002Fstrong>\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003Cstrong>其中一个被引的账号，只有 4 个粉丝、49 个赞。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>⇒ \u003Cstrong>被引用和账号规模没有明显关系。\u003C\u002Fstrong> 反过来说：\u003Cstrong>\"等我粉丝多了再说\"是一个可以一直拖下去的理由\u003C\u002Fstrong>， 而数据显示它并不是前提。\u003C\u002Fp>\n\u003Cp>⚠️ \u003Cstrong>一条必要的保留\u003C\u002Fstrong>：这是 \u003Cstrong>17 个样本\u003C\u002Fstrong>的中位数，量级看得出， \u003Cstrong>不足以支撑\"粉丝数和被引完全无关\"这种强结论\u003C\u002Fstrong>。 我们只主张：\u003Cstrong>本轮没有观察到\"必须是大号\"这个门槛。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>把结论翻成做法\u003C\u002Fh2>\n\u003Cp>上面是\"是什么\"。如果你要动手，这一段是\"怎么做\"。\u003Cstrong>三条，按优先级排：\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>\u003Cstrong>1. 先决定\"打哪一家\"，不要平铺四家。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>从发现一看，四家重合度 ≤0.079 —— \u003Cstrong>平铺等于四家都做不深\u003C\u002Fstrong>。 先挑一家作为主战场（比如你已经观察到有大流量入口的那家）， 把它做透，再横向扩。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>2. 内容贴着\"问题\"写，不要贴着\"行业\"写。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>从发现二看，池子按\u003Cstrong>问题的语义\u003C\u002Fstrong>切（千问 CRM × 低代码 = 0.400）。 所以选题的正确姿势是： \u003Cstrong>先把用户会拿去问 AI 的句子列出来，再针对句子写内容\u003C\u002Fstrong>， 而不是先想\"我们行业要写点什么\"。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>3. 按引擎的地形选策略，而不是一套打法用到底。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cul>\u003Cli>对\u003Cstrong>大而散\u003C\u002Fstrong>的池子（豆包：273 域名 \u002F 前 10 名 49.2%）：拼\u003Cstrong>覆盖面\u003C\u002Fstrong>，多渠道铺。\u003C\u002Fli>\u003Cli>对小而集中的池子（千问：48 域名 \u002F 前 10 名 68.9%）：拼\u003Cstrong>挤进那份短名单\u003C\u002Fstrong>， 值得为它单独做一条更硬的内容。\u003C\u002Fli>\u003C\u002Ful>\n\u003Cp>\u003Cstrong>★ 三条的共同前提\u003C\u002Fstrong>：\u003Cstrong>你得先能测。\u003C\u002Fstrong> 上面每一条都建立在\"知道自己在哪家的池子里、什么位置\"之上。 如果测不了，三条都只是话术。 这也是我们为什么在每一篇里都带一组\u003Cstrong>可复算的独占数字\u003C\u002Fstrong> —— 没有它，做了也不知道有没有效果。\u003C\u002Fp>\n\u003Ch3>具体怎么开始测\u003C\u002Fh3>\n\u003Cp>不需要什么工具，一个下午能跑完第一轮：\u003C\u002Fp>\n\u003Col>\u003Cli>\u003Cstrong>列问句。\u003C\u002Fstrong> 把你希望被提到的那件事，写成 10~20 个用户真会问出口的句子。 注意是\u003Cstrong>句子\u003C\u002Fstrong>，不是关键词 —— 池子按问题的语义切（发现二）。\u003C\u002Fli>\u003Cli>\u003Cstrong>逐家问，逐条记。\u003C\u002Fstrong> 四家 AI 的\u003Cstrong>网页版\u003C\u002Fstrong>分别问一遍， 把每次回答里\u003Cstrong>引用的来源\u003C\u002Fstrong>抄下来（URL + 标题）。 ⚠️ 一定要记\u003Cstrong>哪家引擎的哪一次\u003C\u002Fstrong>，否则后面算不了重合度。\u003C\u002Fli>\u003Cli>\u003Cstrong>隔几天再问一遍。\u003C\u002Fstrong> 同一条问题，AI 每次给的来源会变。 \u003Cstrong>只跑一轮就下结论，等于把噪声当信号。\u003C\u002Fstrong>\u003C\u002Fli>\u003Cli>\u003Cstrong>看两个数\u003C\u002Fstrong>：你的来源有没有进列表；进了之后名次稳不稳。 前者是\"有没有\"，后者才是\"稳不稳\"。\u003C\u002Fli>\u003C\u002Fol>\n\u003Cp>\u003Cstrong>这四步的意义不在于得到一张好看的图，而在于：\u003C\u002Fstrong> 只有先有这个基线，你投了东西之后才能回答\"到底有没有变化\"。 没有基线的投放，效果好坏都只能靠感觉 —— 而感觉在这件事上极不可靠。\u003C\u002Fp>\n\u003Ch2>数据边界（请连同上面结论一起读）\u003C\u002Fh2>\n\u003Cul>\u003Cli>采集窗口 \u003Cstrong>2026-09-21 ~ 09-26 共 5 个日历日\u003C\u002Fstrong>，\u003Cstrong>是快照，不是长期规律\u003C\u002Fstrong>。\u003C\u002Fli>\u003Cli>全部用\u003Cstrong>网页版\u003C\u002Fstrong>通道；网页版与 API 的检索面不同，\u003Cstrong>数字不可直接比较\u003C\u002Fstrong>。\u003C\u002Fli>\u003Cli>重合度是\u003Cstrong>观测值，不是因果\u003C\u002Fstrong> —— 我们没做受控投放， 所以不能说\"按这个做法做就一定进池子\"。\u003C\u002Fli>\u003Cli>\u003Cstrong>Kimi 的样本太薄\u003C\u002Fstrong>（30 条引用 \u002F 16 个域名），涉及它的口径只作参照。\u003C\u002Fli>\u003Cli>抖音账号那条基于 \u003Cstrong>17 个样本\u003C\u002Fstrong>，只能看量级，不能做精细排序。\u003C\u002Fli>\u003Cli>本文\u003Cstrong>不点名\u003C\u002Fstrong>具体来源与账号：点名本身就是可见度， 而我们主张的正是\"被引用会带来曝光\"。\u003C\u002Fli>\u003C\u002Ful>\n\u003Ch2>我们打算怎么验证\u003C\u002Fh2>\n\u003Cp>上面每一条都是\"观察\"。\u003Cstrong>观察只能说明相关，不能说明因果。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>所以我们准备做一件更笨的事：\u003Cstrong>受控投放\u003C\u002Fstrong>。 挑一个平台，投一篇带\u003Cstrong>独占事实\u003C\u002Fstrong>的内容， 在投放前、投放后第 3 天 \u002F 第 7 天 \u002F 第 14 天各采样一次，看两件事：\u003C\u002Fp>\n\u003Col>\u003Cli>那篇文章的 URL \u003Cstrong>有没有进 AI 的引用列表\u003C\u002Fstrong>；\u003C\u002Fli>\u003Cli>文章里那条\"别处不会出现\"的事实，\u003Cstrong>有没有出现在 AI 的回答正文里\u003C\u002Fstrong>。\u003C\u002Fli>\u003C\u002Fol>\n\u003Cp>判据\u003Cstrong>在投放前就写死\u003C\u002Fstrong>，中途不改 —— 否则事后一定会往对自己有利的方向解释。\u003C\u002Fp>\n\u003Cp>结果我们会照实公布，\u003Cstrong>包括失败\u003C\u002Fstrong>。\u003C\u002Fp>","cbd1f0be-f940-58d5-b4f1-cf82351c3e1c","how-ai-search-mentions-my-brand","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。","[\"AI 搜索\", \"品牌曝光\", \"信源实测\"]","2026 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",{"category":91,"content":92,"cover_image":33,"create_dept":7,"create_time":93,"create_user":7,"created_at":93,"id":94,"is_pinned":10,"published_at":95,"slug":96,"sort_order":10,"status":13,"summary":97,"tags":98,"title":99,"updated_at":100,"view_count":10},"tech","\u003Ch2>引言\u003C\u002Fh2>\u003Cp>2026 年，大语言模型已经从炫技走向实用。但要构建一个真正可用的企业级 LLM 应用，远不止调用 API 那么简单。本文从实践角度梳理 LLM 应用开发的核心概念。\u003C\u002Fp>\u003Ch2>第一层：Prompt Engineering\u003C\u002Fh2>\u003Cp>最基础的 LLM 应用就是写一个好的 Prompt。但好的 Prompt 不是一次写成的——需要像写代码一样迭代测试。核心技巧：明确角色、提供示例（Few-shot）、结构化输出要求（JSON Schema）。\u003C\u002Fp>\u003Ch2>第二层：RAG（检索增强生成）\u003C\u002Fh2>\u003Cp>Prompt 能解决的问题有限——模型的知识截止于训练日期，无法回答关于你的私有文档的问题。RAG 通过在生成前检索相关文档片段，让模型看到它原本不知道的信息。\u003C\u002Fp>\u003Cp>一个生产级 RAG 系统至少需要：文档解析 → 文本分割 → 向量化 → 向量存储 → 检索 → 重排序 → 生成。每个环节都有坑。\u003C\u002Fp>\u003Ch2>第三层：AI Agent\u003C\u002Fh2>\u003Cp>Agent 是 LLM 应用的终极形态——模型不再是回答问题，而是能自主规划、调用工具、执行多步任务。但 Agent 也是最难做好的——自主性越高，不可控性越强。\u003C\u002Fp>\u003Ch2>总结\u003C\u002Fh2>\u003Cp>不要一上来就做 Agent。先做好 Prompt，再引入 RAG，最后考虑 Agent。80% 的企业场景，RAG 就够了。\u003C\u002Fp>","2026-07-16T10:32:31+08:00","39005d54-307b-4834-b21d-1c9ec129fbef",null,"llm-app-development","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。","[\"LLM\", \"RAG\", \"AI Agent\"]","大语言模型应用开发入门：从 Prompt 到 Agent","2026-07-17T09:33:56+08:00",{"category":102,"content":103,"cover_image":104,"create_dept":7,"create_time":105,"create_user":7,"created_at":105,"id":106,"is_pinned":10,"published_at":107,"slug":108,"sort_order":10,"status":13,"summary":109,"tags":110,"title":111,"updated_at":36,"view_count":10},"industry","\u003Ch2>引言\u003C\u002Fh2>\u003Cp>数字化转型不是一次性项目，而是一个持续演进的过程。根据我们服务 50+ 企业的经验，成功的数字化转型通常经历三个阶段。每个阶段有不同的核心任务和典型陷阱。\u003C\u002Fp>\u003Ch2>阶段一：信息化——把数据从纸质搬到数字世界\u003C\u002Fh2>\u003Cp>这是最基础但最关键的一步。很多企业以为上了 OA、买了财务软件就是完成了信息化，但实际上各系统数据不互通，仍是信息孤岛。\u003C\u002Fp>\u003Cp>\u003Cstrong>核心任务：\u003C\u002Fstrong>建立统一的数据标准和主数据管理体系。至少确保客户、产品、员工三个核心实体在各系统中口径一致。\u003C\u002Fp>\u003Ch2>阶段二：数字化——让数据流动起来\u003C\u002Fh2>\u003Cp>信息化的数据是死的——在各个系统里躺着。数字化的核心是让数据在不同系统、不同部门之间流动，驱动业务流程自动化。\u003C\u002Fp>\u003Cp>\u003Cstrong>核心任务：\u003C\u002Fstrong>构建企业级数据中台或集成平台，打通 ERP、CRM、MES、WMS 等核心系统。重点是 API 治理和数据血缘。\u003C\u002Fp>\u003Ch2>阶段三：智能化——让 AI 参与决策\u003C\u002Fh2>\u003Cp>有了高质量的数据和流畅的数据管道，AI 才能真正发挥价值。这不是买一个 AI 产品能解决的——需要企业的数据基础设施已经就绪。\u003C\u002Fp>\u003Cp>\u003Cstrong>核心任务：\u003C\u002Fstrong>识别高价值的 AI 应用场景，建立数据到模型的持续迭代闭环。\u003C\u002Fp>\u003Ch2>总结\u003C\u002Fh2>\u003Cp>三个阶段不能跳跃。没有高质量数据基础的 AI 项目，90% 都会失败。建议企业先完成信息化和数字化的基础工作，再考虑 AI 应用。\u003C\u002Fp>","\u002Fimages\u002Fbrand\u002Fcover-industry.webp","2026-07-16T10:19:32+08:00","929d4109-40a3-4be2-a788-ce0090b30ef3","2026-07-16T10:00:00+08:00","digital-transformation-stages","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。","[\"数字化转型\", \"企业管理\"]","企业数字化转型的三个关键阶段",1792497133578]