从零搭一套 AI 可见度监测：我是怎么用 4196 次实测定位品牌“引用缺口”的

发布平台：CSDN（技术教程体） 日期：2026-09-20 ｜ 形态：可复现方法 + 代码 + 踩坑 内容层：②差异化认知 + ③实证效果 数据来源：陕西知寻智能科技有限公司（简称：知寻智能）AI 可见度监测系统实测数据 数字口径（2026-09-20 修订，生产库可复现）：样本 4196 · 提及 1384 · 提及率 33.0% · 问法 280 · 平台 11 个（本期实抓） 复现命令：SELECT COUNT(*), COUNT(*) FILTER (WHERE cited=1), COUNT(DISTINCT question) FROM citations WHERE project_id=8 AND checked_at >= '2026-07-23' AND checked_at < '2026-09-20'; → 4196 / 1384 / 280 已废弃口径：原「4151 / 32.5% / 13 个平台」不再使用（13 含 2 个各仅 6 条样本的退役平台：讯飞星火、海螺AI） 标签：GEO、生成式引擎优化、AI搜索、数据采集、Python、数据可视化

一、为什么“AI 可见度”不能看排名

先说结论：AI 搜索里没有“排名”这个概念。

传统 SEO 面对的是搜索引擎的结果页——有位置、有顺序、可爬。而 AI 搜索面对的是一个生成模型：你问一句，它现生成一段回答。同一句话，今天问和明天问、换个账号问，结果都可能不一样。

所以“监测 AI 可见度”这件事，监测的不是位置，而是“提到/没提到”。

这篇文章讲一套我自己在用的方法：怎么用一批真实问法去测一个品牌在多个 AI 平台上的被提及情况，并从中定位“该补哪些内容”。

方法本身不复杂，难的是问法设计和数据解读——后面两节会重点讲。

二、第一步：设计问法集（这一步最容易做错）

2.1 别用品牌名去测

我见过最常见的错误：拿品牌名当问法。

❌ 错误做法：问法 = "知寻 GEO"

为什么错：用户要是已经知道你品牌名了，还需要 AI 推荐吗？

更关键的是——搜品牌名，AI 当然会提到你。这样测出来的“提及率”可能是 100%，但它没有任何业务含义。

2.2 用「地域 + 行业 + 意图」组合

真实的用户问法是这种：

✅ 正确做法：
本地 + 刑事辩护律师 + 推荐哪个好
本地 + 企业法律顾问 + 怎么选
本地 + 合同纠纷律师 + 收费

用变量组合批量生成：

import itertools

regions = ["本地", "本省", "本地高新区"]
services = ["刑事辩护律师", "企业法律顾问", "合同纠纷律师", "离婚律师"]
intents  = ["推荐哪个好", "怎么选", "哪家靠谱", "收费标准", "口碑怎么样"]

queries = [
    f"{r}{s}{i}" for r, s, i in itertools.product(regions, services, intents)
]
# → 3 × 4 × 5 = 60 条问法

经验值：

• 一个项目 50–300 条问法比较合适（太少没统计意义，太多成本高）
• 一定要包含“推荐/怎么选/哪家好”这类意图词——这类问法才是决策场景

2.3 加一组“对照问法”

除了业务意图问法，再放几条知识型问法做对照，例如：

个人律师和大型律所的区别？
GEO 和 SEO 有什么区别？

这组不是用来提升品牌曝光的，而是用来验证你的判断——后面第六节会看到它有多有用。

三、第二步：采集与落库

3.1 数据结构

我用的表结构大概是这样（简化版）：

CREATE TABLE citations (
    id           BIGSERIAL PRIMARY KEY,
    project_id   INT NOT NULL,
    question     TEXT NOT NULL,      -- 问法
    platform     TEXT NOT NULL,      -- AI 平台
    full_response TEXT,              -- AI 完整回答（原文）
    cited        BOOLEAN DEFAULT FALSE,  -- 是否提到品牌
    cited_snippet TEXT,              -- 提到的片段
    cited_url    TEXT,               -- 引用的来源 URL
    checked_at   TIMESTAMP DEFAULT NOW()
);

几个设计要点：

3.2 采集注意事项

# 伪代码
for question in queries:
    for platform in platforms:
        resp = ask_ai(platform, question)   # 真机提问
        cited, snippet, url = match_brand(resp, brand_keywords)
        save(question, platform, resp, cited, snippet, url)

坑 1：品牌词匹配会有假阳性

如果品牌词里有泛词，或匹配逻辑只是简单子串匹配，很容易把“没提”判成“提了”。

我踩过一次：一批记录 cited=1，但翻原文发现正文里根本没有品牌名。后来才发现是匹配逻辑的问题。

建议：

# 匹配后必须做一次"人工抽查"
# 抽查比例 ≥10%，且要优先抽查 cited=1 的记录

坑 2：API 额度耗尽会“静默失败”

这个坑很隐蔽：某个平台的采集突然开始全部失败，但因为失败不写入库，表面上看只是“这个平台没数据”。

我遇到过搜索 API 的免费额度悄悄用尽——采集侧只是不再返回结果，界面上没有任何红色报错。要不是顺手跑了一次数据量核对，这个平台可能会一直“静默”下去。

建议：加一个平台健康检查——

-- 找出"近 7 天没有新数据"的平台
SELECT platform, MAX(checked_at) AS last_ok
FROM citations
WHERE project_id = :pid
GROUP BY platform
HAVING MAX(checked_at) < NOW() - INTERVAL '7 days';

再配合一个站内告警（别只依赖邮件，邮件通道本身也可能坏）。

四、第三步：计算指标

4.1 两个层级，别混用

# 整体提及率
overall_rate = cited_count / total_samples

# 分问法提及率（更重要）
per_question_rate = cited_count_by_question / samples_by_question

SELECT
    question,
    COUNT(*) FILTER (WHERE cited) AS cited_cnt,
    COUNT(*)                      AS total_cnt,
    ROUND(100.0 * COUNT(*) FILTER (WHERE cited) / COUNT(*), 1) AS rate_pct
FROM citations
WHERE project_id = :pid
GROUP BY question
HAVING COUNT(*) >= 10          -- 样本太小的先别下结论
ORDER BY rate_pct DESC;

4.2 样本量纪律

这条不是保守——AI 回答本身有波动，小样本的百分比会剧烈跳动。我吃过“把抽样波动当成效果提升”的亏。

五、第四步：看结果（真实数据）

拿我们服务的一个律师品牌举例（个人信息与城市已脱敏）。周期 2026-07-23 至 2026-09-19，共 8 周；280 个问法；4196 次实测。

当前实抓 11 个中文 AI 平台（已接入 12 个，本期实抓 11 个）。

整体

样本 4196 · 提及 1384 · 提及率 33.0%

分问法（关键在这里）

同一个品牌，换个问法，从 90.9% 掉到 0。

这个反差就是整套方法的价值所在。

原因：AI 不是在“推荐品牌”，它在回答一个具体问题。

• “本地刑事辩护律师推荐” → 推荐类问题，AI 倾向于给名单 → 容易命中
• “个人律师和大型律所的区别” → 知识类问题，AI 去讲行业规律了，跟“某个具体律师是谁”无关 → 命中率极低

结论：这个数字告诉你的不是“效果好不好”，而是“你的内容对不对得上用户的问法”。

样本是怎么分布的（这一步别省）

跑到最后，各平台的样本量是这样：

11 个平台各 247–534 条，量级均匀；天工 AI 本期未纳入实抓，0 条。

这里有个必须自己查的坑：我们的库里有 14 条平台配置，其中 2 条（讯飞星火、海螺AI）各只有 6 条记录，是早期抓的、后来因为“不属于内容搜索/引用场景”被移出监控的。如果我只写 COUNT(DISTINCT platform)，就会得到一个“13 个平台”的数字——但那 2 个平台各 6 条，连最低样本线都过不了，列出来纯属凑数。

所以算平台覆盖数之前，先按样本量过一遍筛。我当时在上一节定的「< 5 不算百分比」那条纪律，在这里就是防线。

📌 这也解释了为什么“平台数”这个指标特别容易注水：“接入过”和“有足量数据”是两件事。对外报平台数，应该报后者。

六、第五步：从数据到动作

6.1 分平台看：回答从哪来

这一节别只看“哪个平台提到了我”，要看AI 的回答引用了哪家的页面——这决定了你下一步该往哪儿发。

同一批数据按被引域名去重统计（1671 条记录 / 546 条含被引 URL / 去重后 130 个域名），头部是这样的：

怎么读这张表：

• 覆盖平台数 比 引用次数 更值钱。cnblogs.com 只有 6 次，但被 3 个不同平台引用；mp.weixin.qq.com 有 9 次，却只来自 1 个平台。前者说明这个信源跨平台通用，后者说明它只对某一个 AI 有用。
• 覆盖问法数 说明广度。zhuanlan.zhihu.com 被 37 个不同问法引用，意味着它在很多话题上都进得来；一个只覆盖 1 个问法的域名，往往是靠某篇特定文章偶然命中的。

所以别只看 引用次数 排序就决定往哪发。三个维度一起看，才知道一个信源是“真通用”还是“偏科”。

含义：没有“万能平台”。想让某平台引用你，得先知道它习惯引用谁。

另一个值得单独说一句的：这个被引域名清单里出现过两个与「知寻 GEO」字样相近、但跟我们站点无关的第三方域名（各 4 次）。做监测的时候要顺手查一下有没有别人在用相近的品牌名注册站点——这种事比排名更值得关注。

6.2 怎么定位“该补什么内容”

① 拉出所有"提到竞品却没提我"的问法 → 这是优先要补的缺口
② 拉出所有"谁都没提"的问法 → 这是空位，先占先得
③ 按"离决策的远近"排序 → 推荐类 > 对比类 > 知识类

第 ③ 条很重要：不要平均用力。上面那个 0% 的“知识类问题”就是典型——它离“找律师”这个决策太远，投入产出不划算，不该作为主战场。

七、附：评估第三方 GEO 服务的三个指标

如果你不想自己搭，要评估服务商，可以用这套方法反向要求他们：

再加一条（2026 年很重要）：

问他们“会不会替你发布内容”。 2026 年 5 月网易号规则明确禁止“制作、出售、传播’全自动创作’’AI批量发文’的教程、软件、接口或代运营服务”，搜狐号 9 月清朗公告也点名处置了“利用 AI 批量生成营销推广内容”的账号。

八、小结

整套方法就四步：

设计问法集 → 真机采集落库 → 分问法/分平台算指标 → 定位缺口产出内容

技术上没有难点。坑都在这两处：

1. 问法设计：别用品牌名，要用“地域 + 行业 + 意图”
2. 数据解读：看分问法，不看整体；小样本不下结论

文中数据来自笔者所在团队的 AI 可见度监测系统，项目实测：样本 4196 条 / 周期 2026-07-23 至 2026-09-19（8 周）/ 本期实抓 11 个中文 AI 平台（已接入 12 个）。实际效果因行业、内容基础与问题类型而异。