# 品牌 AI 可见度基线怎么测：一套可复测的方法

> 测量品牌的 AI 可见度基线，不能只问几次“是否推荐某品牌”。正确做法是固定问题、测试引擎、测试条件和记录口径，持续统计品牌是否被提及、是否进入候选、排在什么位置、哪些页面被引用，以及竞品获得了多少提及。

来源：https://www.starbox.work/insights/geo-guide/geo082/（星盒AI 知识中心，更新于 2026-09-18）

## 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。

![品牌 AI 可见度基线怎么测：一套可复测的方法](/static/img/insights/geo-guide/geo082-2.jpg)

## 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。

![品牌 AI 可见度基线怎么测：一套可复测的方法](/static/img/insights/geo-guide/geo082-3.jpg)

## 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。