先明确测试的是哪个 AI 入口
| 入口 | 主要测试什么 | 需要注意什么 |
|---|---|---|
| 闭卷模型 API | 模型本身掌握的知识 | 不等同于面向消费者的联网搜索产品 |
| 带检索的 API | 模型与指定搜索工具的组合 | 结果会受到搜索源、工具和具体设置影响 |
| 消费者 AI 产品 | 客户可能实际使用的产品体验 | 账号、地区、个性化和产品更新可能影响回答 |
| 搜索引擎 AI 功能 | 基于搜索索引生成的答案 | 收录和展示方式会随市场与问题变化 |
这些入口要分开统计。每次测试都记录供应商、使用入口、模型版本、联网状态、账号类型、语言、地区和时间。
从客户真实决策生成问题
身份理解
品牌是谁，具体提供什么？
品类发现
不写目标品牌时，哪些企业或产品进入候选？
场景适配
具体客户、任务或限制条件下，什么方案合适？
比较选择
目标与指定替代方案有什么差异？
证据来源
重要主张由哪些来源支持？
风险边界
什么情况下产品或服务并不适用？
带品牌名的问题测量理解准确度；不带品牌名的品类和场景问题测量发现与候选机会。两者必须使用不同样本范围。
中国市场怎样选择模型
中文项目优先围绕 DeepSeek、Kimi、Qwen（通义千问）、GLM、豆包和 MiniMax 等中国市场常用模型与产品入口设计监测。最终范围取决于客户所在市场和目标用户真正使用什么，不用固定模型清单代替项目合同。
每次运行都记录供应商、具体模型或产品入口、联网状态、语言、市场和时间。中文问题要独立设计和测试，不能把英文翻译当成等价测试。
每次测试至少保留什么
- 固定的问题类型、完整问题原文和版本编号
- 供应商、使用入口和可确认的模型版本
- 联网状态、账号类型、语言、地区和时间
- 完整原始回答和回答中展示的来源网址
- 调用失败、拒答、限流和未展示引用等运行状态
- 分别判断品牌提及、事实支持、进入候选、推荐和引用
- 运行编号和重复测试序号
看长期变化，不看单次截图
同一个问题要多次测试，再按问题类型比较模型。每个比率都同时展示样本量。问题、模型、联网方式或评分规则改变时，重新开始一段记录，保证前后数据可以解释。
每轮监测都要给出下一步行动：继续观察、纠正事实、改进页面、加强信源，或进一步调查新问题。这样监测结果才能真正进入日常运营。
补充问答
Q: 怎么查品牌在 AI 里的表现？有没有自查方法？
A: 最简单的自查：挑 10–20 个真实用户会问的品类问题，问题里不写品牌名；在目标用户常用的几个 AI 平台上各问 3 次以上；逐条保存原文、是否联网和引用来源；统计每条回答是「推荐」「只提到」「没出现」。这就是一次最小的基线。
Q: AI 回答里没有「排名」，怎么查品牌排第几？
A: AI 的推荐通常是一段话加几个选项，没有稳定的排名位次。更可靠的指标是：在一组问题里，你被推荐的比例是多少，被推荐时排在列表的第几个，推荐理由是什么。
Q: 手动测试靠谱吗？能不能批量测？
A: 手动测试可以起步，但要固定问题、平台、联网设置和提问次数，并完整保存原文。平台多、问题多、需要定期复测时，用工具或脚本通过接口批量采样更容易保持条件一致；记得接口和 App 的结果要分开统计。
Q: 用哪些问题来测？新品牌怎么做第一次摸底？
A: 优先用真实问题：客服咨询、销售记录、电商问答、搜索词。按用户决策阶段覆盖「了解品类、找方案、比较、核实事实」四类。新品牌的第一次摸底，重点看两件事：品类问题里是否出现，品牌问题里事实是否准确。
Q: 初步检测之后，要不要做正式诊断？
A: 看初步结果：如果在关键问题里普遍缺席、或者出现明显的事实错误，就值得做一次完整的基线，扩大问题范围、增加采样次数、覆盖更多平台。如果表现已经不错，可以只做定期抽查。
Q: 多个平台怎么一起监测？比如只想看 Kimi 的提及率？
A: 同一组问题在各平台分别采样，按平台单独出结果，再做横向比较。单看某一个平台也可以，但结论只代表那个平台和那种入口。
Q: 品牌提及率是怎么统计出来的？
A: 分子是明确提到目标品牌的有效回答数，分母是有效回答总数。请求失败的不算进分母；同名的其他主体要排除；问题里本身就写了品牌名的，不能算进自然提及率。
Q: 怎么追踪 AI 对品牌的描述变化？
A: 固定一组品牌事实类问题（是什么、价格、功能、适用对象），定期采样，把回答和你确认过的事实逐条对照，记录「说对 / 说错 / 答不上」。
Q: AI 回答里品牌不被提及，怎么排查原因？
A: 按顺序排查：AI 的搜索爬虫能否访问你的网站；官网上是否有用文字写清的关键信息；AI 引用的第三方来源里有没有你；品牌名是否容易和别的主体混淆。
Q: 大促前、竞品报告急着要，怎么快速做？
A: 缩小范围：只选与这次目标最相关的 10 个问题、2–3 个主要平台，每题问 3 次，按「谁被推荐、理由是什么、引用了谁」整理成表。报告里写清样本量和测试条件，不要把小样本结论写成定论。
Q: 汽车等特定行业怎么监测口碑和推荐？
A: 方法相同，问题换成该行业用户真实的问法，比如车型对比、续航、用车成本；同时单独统计 AI 描述的情感倾向和事实准确度。
Q: 多久监测一次？要看哪些维度？
A: 了解现状按月即可；正在发布内容、等待验证时按周或按发布节奏。维度至少包括：是否出现、是否推荐、推荐理由、事实准确度、引用来源，联网和不联网分开。
Q: AI 可见性分数是怎么算的？可信吗？
A: 各家的计算方法不同，常见做法是把提及、推荐、排序等加权合成一个分数。只有一个分数、看不到分子分母和原始回答时，很难判断它是否可信。建议优先看拆开的指标。
Q: 常用指标有哪些？推荐率、提及率、推荐份额、引用率有什么区别？
A: 提及率：有效回答中提到你的比例。推荐率：有效回答中把你作为建议选项的比例。推荐份额（也叫 AI 里的 share of voice、「心智份额」）：所有被推荐的品牌名额里，你占了多少。引用率：回答附带的来源里有你的内容的比例。提到不等于推荐，被引用也不等于被推荐。
Q: 情感倾向怎么统计？
A: 对提到你的回答逐条判断是正面、中性还是负面，并保存判断依据的原句。自动判断要抽样人工复核。
Q: 分母不同的数据能比较吗？GEO 用什么 KPI？周报看什么？
A: 不能直接比较。问题集、平台、联网条件、采样次数不同，百分比就没有可比性。KPI 建议用推荐率、事实准确度和关键问题的覆盖情况，每个都写清口径；周报包含本期数值、与上期的同条件对比、主要变化的原始回答样例，以及本期采取的行动。
Q: 同一个问题 AI 每次回答都不一样，怎么办？要问几次才可靠？
A: 回答有随机性是正常的。常见做法是每题每个平台至少问 3 次，重要结论需要更多样本；看的是比例，不是某一次的结果。
Q: 怎么判断变化是真的，还是随机波动？
A: 复测时保持问题、平台、入口、联网设置和采样次数完全一致；变化幅度要明显大于同条件下重复测试时的自然波动；同时记录这段时间里模型是否更新、竞品是否有动作。
Q: 做完 GEO 怎么验证效果？复测要注意什么？
A: 在优化前做基线，优化内容发布并确认可以访问后，按相同条件复测。复测报告写清前后的样本量和条件，并说明有哪些因素无法排除。
Q: GEO 多久能看到效果？
A: 联网回答可能在内容被收录后几天到几周内出现变化；不联网的回答取决于模型何时更新训练数据，周期不受品牌控制。按发布后 7、14、30 天分别复测更稳妥。
Q: 回答变了，是因为优化还是因为模型更新？
A: 单靠前后对比无法完全区分。可以同时看：引用来源里是否出现了你新发布的内容；未做优化的对照问题是否也发生了类似变化；平台是否公布了模型更新。
继续了解测量方法
查看 GEO 效果怎么衡量与 Winin 测量方法论，了解样本范围、优化前基线和复测要求。