这是我们自己的测量记录。 数据不好看，照原样放出来 —— 一份不敢公开自己数据的诊断，也就不值得你信。 所有原始回答都留了档（正文 + 时间戳 + 平台），结论你可以拿原始记录自己重算一遍。
这一档问的是什么
品牌词是身份词，品类词是需求词。客户不认识你的时候，他不会搜你的名字 —— 他描述需求，让 AI 给一份候选名单。
品牌词答对了，只说明 AI 知道你是谁；不说明它会在客户找这个品类时想起你。这两件事之间，经常差着十万八千里。这一档测的就是后者。
本次问了 8 条：
| # | 问题 |
|---|---|
| 1 | 国内有哪些低代码平台 |
| 2 | 国产低代码平台推荐 |
| 3 | 企业软件定制公司推荐 |
| 4 | 农产品溯源系统哪家好 |
| 5 | 产地直营管理系统推荐 |
| 6 | 批发进销存软件推荐 |
| 7 | 批发对账软件哪家好 |
| 8 | 生鲜供应链管理系统推荐 |
怎么测的
| 项 | 值 |
|---|---|
| 时间 | 2026-09-21 |
| 引擎 | Kimi（k3）· 通义千问（qwen3.7-max）· 通义千问（qwen3.8-max） |
| 样本 | 8 问题 × 3 引擎 = 24（无效样本 0 条） |
结果
提及 0 / 24。 24 次回答，一次都没提到我们 —— 不是"提得少"，是一次都没有。
答案本身并不短（1308~1995 汉字），AI 认真给了候选名单、认真做了对比，只是那份名单里没有我们。
可达性 = 0。
三条要点
1. 这一档的数字要按"当时的词"来读，不能按今天的定位读。 上面这 8 条是按我们当时的业务方向选的（低代码平台、农产品行业方案）。后来我们把主营收敛掉了，所以：
这组 0/24 读作"我们在旧赛道上的可达性"，不能读作"我们在 GEO 赛道的可达性" —— 那是另外一组词，见「方法词」档案。
这一点必须写在前面，否则这组数字会被误读成"我们做什么都不行"。
2. 0/24 里混着三个互不相干的身份。 8 条词其实在问三件事：低代码平台商（1、2）、软件定制商（3）、农产品行业方案商（4~8）。所以它不是"一件事的 0/8"，而是三个身份各 0 分。这不叫"可见度低"，叫没有身份。
3. 品牌词和品类词的表现天差地别，这很常见。 同一批测量里，品牌词 12/12 被提到、8/12 答对；品类词 0/24。AI 知道你是谁，但不会在客户找这个品类时推荐你 —— 这是绝大多数公司第一次做这类诊断时看到的画面。
口径与局限
- 采集口径：API（非网页版）。按我们自己的诊断方法论 v0.3，API 口径与用户实际看到的 App 口径不一致，本组数字对不上现行网页版标准。
- 单次采样：每问每引擎 1 次。已知同一问题重复提问的来源重合度只有 0.553（45% 的来源每次都不一样），单次快照不构成清单。
- 词集已重排：本档词集在 2026-09-23 按新定位重排过，其中 3 条（低代码/定制）已移除。组级数字不可与新旧词集横向比较，只能逐条对照。
原始留档
`script/geo/out/derivenet-web-20260921/`（`raw/` 逐条回答正文、`judged.tsv` 判定明细、`SUMMARY.md` 汇总）