买家在采购 GEO 之前，最自然的疑问通常不是「要不要做 GEO」，而是一个更具体的问题：客户去问 AI 的时候，我在答案里吗？如果不在，问题出在哪一层？先回答这个问题，因为它决定你该买的到底是什么——是更多监测，还是先把事实和内容修好。
一、先写下用户真正会问的话
诊断不要从「监测多少个模型」开始，要从「用户到底问了什么」开始。找 10 到 20 条最接近成交前一刻的问题，覆盖品类推荐、横向比较、使用场景、替代方案、预算约束这几类意图。
示例：假设你卖家用意式咖啡机，用户可能问 "What home espresso machines are actually worth buying?"，也可能问「家里想买一台能用五年、预算 5000 左右的意式咖啡机，买哪个？」。这两句不是同一个题面：前者在问品类推荐，后者带了预算、年限和使用场景，模型给出的候选名单、排序方式和推荐理由都可能不同。诊断时要把它们当成两条独立问题分别记录，才能看出你在哪一条里缺席。
题面一旦开始用于记录，就不要随手改写。措辞、语言、标点都要冻结；需要调整就新增一条，旧的那条继续留在记录里。原因是：改过题面之后的数字，跟改之前的数字不可比，无论结果好坏。
二、四种结局，对应四种不同的动作
同一个问题，品牌可能落在四种不同的结局里。它们的表面症状相似（「AI 里没我」或「AI 里说错我」），但要做的事差别很大。
| 结局 | 你在答案里的样子 | 要先问的问题 | 优先动作 |
|---|---|---|---|
| 缺席 | 竞品名单里完全没有你 | 题面里出现的是品类词还是品牌词？ | 先分清是「没被找到」还是「找到了但没被推荐」 |
| 错述 | 出现的是过时价格、停产状态、错误参数 | 这条错误信息来自哪个公开页面？ | 把能改的页面改成可核对、带日期的事实陈述 |
| 提及但不推荐 | 名单里有你，推荐理由却都归竞品 | 答案把你的哪一点当卖点？把竞品的哪一点当买点？ | 补齐缺失的事实条目，而不是重复品牌形容词 |
| 盲区 | 你根本不知道答案长什么样 | 谁在什么时候问的？答了什么？ | 先固定题面与模型组，开始存档 |
展开说几句。
缺席是最容易被误判的一种。品牌常常在搜索里排得上号，就以为 AI 也会带出自己。但搜索引擎的抓取与索引状态，不能直接代表某个模型会不会推荐你，这两件事要分开测。Google 在其 AI 搜索功能说明中表示，Google AI 搜索功能沿用 SEO 基础，重视有用可靠的内容和可发现的内部链接，不需要专门的 AI 文本文件，也不保证抓取、索引或展示（https://developers.google.com/search/docs/appearance/ai-features）。这份说明只描述 Google 自己的机制，不能外推到其他模型，更不能反推「被收录就一定被推荐」。
错述的处理顺序是「先事实、后表达」。示例：假设答案里写着你某款产品「已停产」，而实际上只是换了型号名。第一步不是写一篇解释性长文，而是让该型号对应的页面本身给出清楚、可核对、带日期的陈述，让读到它的人和抓取它的系统拿到同一个版本。
提及但不推荐最容易被指标掩盖。提及数上升会让人以为问题在缓解，但客户记住的是推荐理由。如果答案提到你只是因为你便宜，或者因为你是「另一个选择」，那对被选中帮助有限。
盲区不是「没问题」，而是「没数据」。没有存档，就无法区分模型漂移、竞品动作和你自己的发布。
三、看见，只是必要条件
监测能回答「有没有被提到」。要把风险变成团队可以审批、可以执行的工作，还需要三件配套的事：把被引用的说法收敛成有来源、有负责人、有有效期的版本；在有人授权的前提下执行修改；以及在相同条件下复测，确认变化是不是真的跟你的动作有关。这三件事分别对应事实治理、授权执行和复测纪律。只有监测、没有这三样配套，通常会出现两种结果：报告越来越厚，能改的东西没变；或者改了一堆东西，没人能说清是哪一个起了作用。
四、把五个数分开测
最容易出错的地方，是把不同层次的数据揉成一个「AI 表现分」。至少要把这五件事分开记录：
- 提及：答案里有没有出现你的品牌名。
- 推荐：你有没有进入答案给出的候选或推荐清单。
- 引用：答案有没有引用你的页面或内容作为来源。
- 访问：有没有可归因到这些答案的站点访问。
- 商机：有没有产生询盘、试用或成交。
示例：假设某个模型在新答案里提到了你（提及 +1），但没有把你放进推荐清单（推荐 0），也没有引用你的页面（引用 0）。这种情况下访问量和询盘没有变化是正常的，不能拿「提及数上升」去解释商业结果。反过来同样成立：访问量上升可能来自一次投放或一次媒体报道，不能直接归因给 AI 答案。前后相关不等于因果。
五、模型层之间的差别，必须写进记录
同一个问题，消费端产品和直接调用 API 的结果可能不一样：消费端可能带联网检索、带记忆、带个性化，而 API 调用往往是参数固定的单轮问答；带原生检索的模型会给出引用来源，不带检索的回答不会。所以每条记录至少要写清：通过哪个入口问的、有没有开联网检索、有没有登录或记忆状态。把这些混在一起记录，前后就没有可比性。
六、什么情况下这套方法会失效
- 如果你的类目在 AI 答案里出现频率极低（例如非常冷门的工业设备），采样得到的样本会很少，任何短期结论都不可靠。
- 如果题面反复改写，前后数字不可比，谈涨跌没有意义。
- 如果模型版本、检索开关或系统提示变了，观察到的变化可能来自模型本身的漂移，而不是你的动作。
- 如果你的品牌在公开网络上几乎没有可核对的事实页，那么第一步应该是补齐事实，而不是提高监测频率。
七、可以直接用的诊断模板
每行一条记录，建议包含这些字段：
用户问题｜语言｜模型｜入口与是否联网｜是否提及｜是否进入推荐清单｜推荐理由归属（自己／竞品／无）｜被引用的来源｜记录日期｜不确定项备注
「不确定项备注」这一列不要省。它记录的是「这次变化我们还解释不清的部分」，是后面做归因时最有用的东西。
常见问题
手工每周查几个模型，够用吗？
作为起点可以用，但要注意两点：手工记录很难保证题面和条件一致；单次结果只能当方向性信号，不能当作正式基线。要做经营决策，需要能反复复测的固定基线和统一记录。
下一步该先做什么？
先冻结一份题面清单和一组模型名单，跑一轮存档，看清四种结局里你各占多少。这一步不需要任何工具，一张表格就能开始。
Winin 在这件事上的方向，是把监测、事实治理、授权执行和同条件复测连成一条可核对的链路，让品牌不只知道「有没有被提到」，还能知道下一步改什么、改完之后怎么确认。具体范围以你的实际问题和模型清单为准。