品牌 AI 可见度基线怎么测：一套可复测的方法

一次回答，不能代表品牌的真实可见度

很多团队刚开始做 GEO 时，会先在 AI 中搜索自己的品牌名。回答里出现了品牌，就认为已经获得曝光；没有出现，就马上准备增加内容。

这两种判断都过早。AI 的回答会受到模型版本、联网检索结果、账号状态、所在地区和测试入口等因素影响。一次出现或一次缺席，都不能直接代表品牌的稳定表现。

GEO 是 Generative Engine Optimization 的缩写，中文通常译为“生成式引擎优化”。它关注的是：当用户向 AI 提问时，品牌能否被识别、进入答案，并获得可信页面的支持。

一套可用的 AI 可见度基线，至少要回答四个问题：

1. AI 是否主动提到品牌？
2. 品牌被提及时，位于推荐清单的什么位置？
3. 回答引用了哪些页面？
4. 在同一批问题中，竞品被提到的频率是多少？

只有持续记录这四项，团队才能判断后续对内容、官网和外部公开信源所做的调整，是否影响了 AI 的回答。

其中有两个概念必须分开：

• 品牌提及：答案正文中出现了品牌名称。
• 页面引用：答案提供了可点击的来源页面链接。

品牌被提及，说明 AI 已经识别到这个品牌；页面被引用，说明某个具体网页被用作回答依据。两项都重要，但不能合并成一个数字。

GEO 也不能和 SEO 混在一起计算。SEO 是 Search Engine Optimization 的缩写，即搜索引擎优化，主要观察网页在搜索结果中的位置和点击情况；GEO 主要观察生成式答案是否提到品牌、是否把品牌列入候选，以及是否引用品牌相关页面。

两者的统计对象不同，但基础工作有交集：网页需要允许抓取，标题和结构需要清楚，重要事实也要便于检索和理解。

第一步：建立固定的问题库

起步阶段不必直接准备几百条问题。一个便于执行的方案，是先设置30条问题，覆盖品牌、品类、场景、对比和实体信息五类。

例如，将30条问题分别放到4个引擎中测试1次，就能得到120个初始观察点。以后继续使用同一套问题复测，前后结果才有比较价值。

30条不是固定标准。产品线、市场和语言较多的企业，可以扩展到50条或100条；业务刚起步的团队，也可以先测试15条。数量可以调整，但进入正式测试后，原问题必须保留。

如果这个月问“最好的XX”，下个月改成“XX供应商哪家可靠”，两轮结果就不能直接比较，因为问题本身已经变了。

问题类型	建议数量	主要测试内容	示例写法
品牌词	4—6条	AI掌握了哪些品牌信息，是否存在事实错误	“介绍一下[品牌全称]”
品类词	6—8条	品牌能否进入泛品类答案	“2026年[品类]有哪些值得关注的服务商”
场景词	6—8条	品牌是否与具体需求建立关联	“[行业]要解决[具体问题]，通常怎么选方案”
对比词	6—8条	品牌是否进入候选和比较	“[品牌A]、[品牌B]、[品牌C]怎么比较”
实体词	4—6条	公司、创始人、资质和主营信息是否一致	“[公司全称]成立于什么时候，主要做什么”

问题应保留真实用户会使用的表达，不能只使用企业内部的产品名称。

例如，工业服务企业除了测试“工业数字化解决方案推荐”，还应加入“找[工艺]供应商看什么”“有[认证]的厂家有哪些”“能不能做小批量”等问题。这些说法更接近用户实际咨询和选择供应商时的表达。

第二步：根据目标市场选择测试引擎

测试哪些引擎，应由品牌的目标市场决定。

面向海外市场，可以覆盖 ChatGPT、Google AI Overviews、Perplexity、Gemini、Claude 等入口。面向中国大陆市场，可以测试豆包、DeepSeek、Kimi、元宝和文心一言；必要时再增加通义千问、秘塔或知乎直答。

不同引擎采用的信源范围和答案形式并不相同。国内行业观察中，常见的判断包括：元宝更容易调用微信生态信息，文心更依赖百度生态，豆包更常出现字节系内容，Kimi 和 DeepSeek 的回答中较常看到知乎等公开问答来源。

但这些只是行业观察，不是各平台公开承诺的固定规则。测试前不要预设某个引擎一定会引用哪类信源，应以实际答案和实际引用页面为准。

即使测试的是同一个引擎，也不能依据一次结果长期下结论。模型更新、检索索引变化、个性化设置和网页实时变化，都可能改变回答。Profound 的公开追踪曾指出，同一问题对应的 Google AI Overviews，也就是 Google 搜索中的 AI 摘要答案，在较多时间会发生变化，引用来源也可能被替换。

因此，首轮可以把每个问题在每个引擎中执行1次，建立初始记录；此后再按照相同条件持续复测。

基线的作用，不是证明某一次回答绝对正确，而是建立一个可以重复比较的起点。

第三步：统一测试条件

测试环境是基线中最容易被忽略的部分。

每轮测试至少要记录以下信息：

• 账号是否登录；
• 测试人员所在地区；
• 使用的语言；
• 是否开启联网；
• 使用网页、应用程序还是搜索入口。

不要一部分问题在登录状态下测试，另一部分在未登录状态下测试；也不要第一次使用中文，复测时改用英文，却把两轮结果直接比较。

建议把同一轮测试集中完成。先确定4至6个引擎，再按照同一题序依次测试。每个问题都应原样复制，不追问、不补充背景，也不为了让品牌出现而临时修改问题。

如果模型反问，应记录“需要追问”；如果模型明确表示无法核实，也要保留原话。这些同样属于测试结果。

企业内部还可以安排两个人交叉复核部分问题。例如，抽取20%的问题，让第二个人独立测试。如果两人的记录差异较大，应先检查账号状态、所在地区、使用入口和问题文本是否一致，再判断差异是否来自答案本身的波动。

第四步：每条答案记录9项信息

如果只记录“出现”或“没出现”，后续很难判断问题究竟出在哪里。

建议每条问题都记录以下9项，并统一放在同一张表中：

字段	记录方式	后续用途
测试日期和时间	精确到日期，必要时记录时段	避免把不同时间的答案混在一起
引擎和版本入口	写清网页、应用程序或搜索入口	区分同一品牌下的不同产品入口
原始问题	一字不改地保存	复测时直接使用相同问题
是否提及品牌	是／否	计算品牌提及率
候选位置	首位、前3、其他、未进入	判断品牌进入推荐后的具体位置
引用页面链接	原样保存每一个链接	找出真正被采用的页面
信息正确性	正确、部分错误、明显错误	优先处理错误的品牌信息
竞品与数量	记录出现的竞品及次数	计算竞品可见度份额
截图或导出链接	保存原始证据	便于复核，不依赖测试人员记忆

“候选位置”必须提前统一定义。

例如，一条答案列出了10个品牌，不能只要品牌出现就算成功。可以将结果分为首位、前3、其余候选和未进入。排在第2位与排在第9位，对用户选择的影响并不相同。

引用页面也不能只记录域名。需要进一步区分具体页面属于官网产品页、帮助中心、第三方报道、百科页面、论坛帖子，还是竞品页面。

完成这一步后，通常可以识别出性质不同的问题。例如：

• 某个问题没有提到品牌，是因为该问题下的回答主要引用行业协会、标准文件和媒体内容；
• 某个问题提到了品牌，但引用依据是一篇已经过期的报道。

两种情况的原因不同，处理方式也不同，不能都归结为“内容不够多”。

第五步：统一四个核心指标的计算口径

基线阶段不必先做复杂的数据看板，但以下四个指标必须使用统一口径。

1. 品牌提及率

计算方式：

提及品牌的问题数 ÷ 全部有效问题数 × 100%

例如，30条问题中有9条提到了品牌，品牌提及率就是30%。

如果某条答案报错、拒答或没有完成，应单独标记为无效，不要直接计入分母。

2. 候选进入率

这个指标只统计包含“推荐”“供应商”“服务商”“品牌对比”等候选清单的问题。

计算方式：

进入候选清单的问题数 ÷ 候选类有效问题数 × 100%

相比只测试品牌名称，候选进入率更接近用户实际选择品牌的过程。

3. 引用覆盖率

计算方式：

至少有一个自有页面被引用的问题数 ÷ 全部有效问题数 × 100%

除覆盖率外，还应分别记录引用页面数和引用域名数。

十个答案都引用同一篇文章，与十个答案分别引用十个不同页面，代表的覆盖情况并不相同。

4. 竞品可见度份额

在每条可以比较的问题中，统计各品牌被提及的次数，再计算：

某品牌提及次数 ÷ 所有品牌提及总次数 × 100%

这个数字不是市场份额，只代表该品牌在本次问题库中的答案份额。报告中必须写清问题范围、测试引擎和测试时间，不能把它表述为整个市场的结论。

除以上四项指标外，还应单独统计事实错误率。

如果 AI 把品牌的成立年份、主营业务、所在地或资质信息说错，即使品牌提及率很高，也不能认为当前状态良好。错误信息可能来自旧新闻、目录站或百科词条，需要根据实际引用和公开页面逐项查找来源。

第一次测试后，优先检查三类缺口

完成第一轮测试后，不要急着增加内容数量。先判断问题属于哪一类。

1. 品牌词回答正确，品类词和场景词中却没有品牌

这通常说明 AI 能够识别品牌，却没有稳定建立品牌与具体品类、服务场景或用户需求之间的关联。

下一步不应继续重复发布公司介绍，而应补充用户问题对应的页面，说明品牌适用于哪些场景、不适用于哪些场景、服务边界是什么、用户可以从哪些维度进行比较，以及哪些事实能够公开核实。

2. 回答提到了品牌，但没有引用自有页面

这可能说明模型通过已有训练信息或其他公开内容知道品牌，却没有把品牌官网作为可引用依据。

此时应检查：

• 官网是否允许搜索引擎和相关程序抓取；
• 重要内容是否只能通过前端脚本加载；
• 页面是否有明确的标题、作者和日期；
• 页面是否提供常见问题（FAQ）和事实来源。

Google 在2025年关于 AI 搜索的公开说明中仍然强调，面向 AI 功能的内容基础是做好 SEO。因此，可抓取、可理解的网页仍应优先处理。

3. 页面被多次引用，但品牌信息不正确

这种情况应先修正公开的品牌实体资料，再考虑扩大曝光。

需要整理并核对公司全称、简称、创始人、成立时间、主营业务、证书和联系方式，确保官网、新闻稿、百科和社交媒体简介之间保持一致。

AI 不会只依据一个页面生成答案。多个来源的信息互相矛盾，回答就更容易出现错误。

基线建立后，按30、60、90天复测

基线不能只测一次。一个便于执行的复测安排是：

• 第0天： 建立完整基线；
• 第30天： 使用原问题库进行全部复测；
• 第60天： 再次完成全部复测，并增加一轮新的高价值问题；
• 第90天： 进行一次完整复盘。

每一轮都应保留旧问题，不能为了让数据变好而删除表现不佳的题目。

如果团队资源有限，也可以每周测试10条核心问题，每月完成一次全部测试。核心问题应优先选择更接近咨询、比较和采购的场景，例如“怎么选”“哪家可靠”“是否适合某行业”“与竞品怎么比”。

周度记录用于观察波动，月度记录用于判断趋势，季度复盘再决定后续的内容和渠道投入。

一次复测上涨，不能直接证明某篇文章立即产生了效果；一次下跌，也不能直接说明已有内容已经失效。应先观察连续两至三轮的变化，再结合引用页面、网站收录情况和第三方提及进行判断。

GEO 需要持续观察品牌是否被检索、理解和引用，不能只在内容发布后检查一次。

可直接复制的基线表头

可以直接使用下面这行建立 Excel 或在线表格：

日期｜市场与语言｜引擎入口｜账号状态｜问题编号｜原始问题｜是否提及｜候选位置｜自有引用URL｜引用类型｜信息是否正确｜竞品名称｜竞品次数｜截图链接｜备注

先把原始记录和证据保存完整，再考虑数据看板和自动化。

如果一项“AI 可见度分数”没有对应的原始问题、原始答案和引用链接，后续既难以复盘，也无法向团队解释数字为什么发生变化。

常见问题

只搜索品牌名，能不能作为 AI 可见度基线？

不能。

品牌名测试只能验证 AI 是否知道这个品牌，不能说明用户在品类选择、场景搜索和竞品比较时是否会看到它。

问题库至少还应加入品类词、场景词、对比词和实体信息词。

基线问题一定要有30条吗？

不一定。30条只是便于起步和比较的常用规模。

少于15条时，问题库容易只覆盖品牌词；超过100条后，手工复测成本会明显增加。应先覆盖五类问题，再根据业务复杂度调整数量。

AI 没有提供引用链接，应该怎么记录？

直接记录“无引用”，不要自行推测来源。

如果答案提到了品牌但没有链接，可以计入品牌提及率，不能计入引用覆盖率。把两项分开，才能判断问题出在品牌认知，还是页面没有成为回答依据。

为什么同一个问题今天和明天的答案不同？

联网检索结果、模型版本、索引更新和回答策略都可能发生变化。

不要把单次回答作为最终判定。保持问题和测试环境一致，连续记录多轮。趋势比某一次答案更有参考价值。

竞品可见度份额较高，是否应该立即增加大量外链？

应先查看竞品被引用的具体页面。

如果竞品主要依靠标准文档、行业媒体或信息清楚的产品事实页获得引用，应优先补充同类可信内容；如果只是受到某个短期热点影响，可以再观察两轮。

增加链接数量，并不等于提高页面被引用的可能性。

国内和海外市场能否使用同一套问题？

核心意图可以保持一致，但具体表达和测试引擎应分别设置。

海外用户可能更关注认证、最低起订量（MOQ）和交付周期；国内用户可能更关注案例、预算和平台生态。两套问题可以沿用相同的分类方式，再根据市场和语言分别改写，不能把英文题机械翻译后直接比较。

基线分数达到多少才算合格？

没有适用于所有行业的统一标准。

新品牌、细分品类、大众消费品牌和企业对企业（B2B）的长决策业务，初始情况可能相差很大。第一轮测试最重要的作用，是建立品牌自己的初始参照值。

之后要观察的，不是某一次分数是否好看，而是品牌提及率、候选进入率、引用覆盖率和事实错误率是否在持续改善。

一套基线是否有用，取决于每个数字能不能找到对应的问题、答案和引用证据。记录完整，后续的复测、比较和调整才有依据。