先建基线：你的 AI 可见度现在是多少

季度复盘会上，增长负责人放出一张图：来自 ChatGPT 的会话三个月涨了几倍。运营总监反问，那为什么订单没动。技术负责人补了一句：后台里这些会话，一半落在了 Direct。会开了四十分钟，没人能回答一个更基础的问题——三个月前，买家在 AI 里问“便携储能买哪个”时，答案里到底有没有我们，说的是什么。

没有基线的 GEO 都是感觉；基线不是某天截的一张图，而是同一组问题、同一套字段、每个月重复一次的测量，用来判断这个月的动作到底改动了哪一层。

四层指标不能合成一个分数

先说判断：提及、引用、推荐、成交必须分开记，采集方式和误判来源完全不同；真正有用的是层间落差，不是一个“AI 可见度 72 分”。

层级	定义	观察信号	常见误判
提及	答案里出现品牌名或商品名	有名字，但不一定有描述	把“被提到”当成“被推荐”
引用	答案给出可点开的来源 URL	出现你的域名或资料	只看到域名，没看引的是哪一页
推荐	进入候选、对比或“值得买”的位置	有位次，有理由	出现一次就当成稳定表现
成交	从 AI 入口走到下单的可归因路径	会话、加购、订单	把 AI 引荐算进 Direct

落差本身就是诊断结论。提及高、引用低，说明模型知道你，但你的页面没有一段能被直接摘走的话；引用高、推荐低，说明它读了你的证据，还是没找到敢推荐的理由，通常缺的是第三方印证而不是官网自述；推荐高、成交低，问题往往不在内容，而在价格、库存、时效与退货条款接不住。

这条线属于度量与增长：产出是决策，不是仪表盘；看板若回答不了“先改哪一层”，就不该占用团队时间。

30 个 prompt：要问题的分布，不要关键词的排名

prompt 不是关键词的翻译。买家不会问“best portable power station”，他会问“公寓能不能用”“能不能带上飞机”“德国的保修怎么算”。所以 prompt set 要覆盖一条链，从“有没有这种东西”一直到“我这个情况该买哪个”。

按四类分配是个可用起点：品类发现 6 条、对比 8 条、约束与场景 10 条、品牌直接问 6 条，合计 30 条。比例按成交结构调——如果大多数订单来自品牌词，第四类要加；如果还在抢新客，第二、三类要加。问题原料不在关键词工具里，而在客服记录、站内搜索词和退货理由里，那才是买家真说出口的话，展开方法见从关键词到问题链。

两条纪律。第一，prompt 一旦定下就冻结。换掉一条，等于换了一把尺子，上个月的数字立刻失去可比性；要加，就新增编号，旧的不动。第二，不要选自己已经排第一的问题。基线要测的是差距，不是给自己发奖状。

七个字段，决定这份基线三个月后还有没有用

只记“有没有被提到”的表，第二个月就作废，因为它回答不了“它把我说成什么”。每次采样至少落七个字段。

字段	记什么	为什么必须记
prompt	原文加固定编号	复测时逐字对照，不改写
引擎与模式	哪个产品、哪种模式、是否登录	不同入口的答案逻辑不同
地区与语言	采样地区、界面语言	同一问题在不同市场答案不同
日期	精确到日	模型与索引会整体移动
提及与描述	是否出现，以及被描述成什么	“中国卖家”和“德国有售后的品牌”不是一回事
引用	URL 与来源类型	分清官网、平台、媒体、社区、评测
推荐	是否进候选、位次、给出的理由	位次比出现次数更能说明问题

采样纪律比字段更重要。同一个 prompt 至少问三次，间隔一天以上，不同账号、不同地区分开记，不要混进同一张表算比例。30 条 prompt 报出小数点后一位是假精度；样本这么小，只报“有还是无”和方向，更诚实。

再补一条判断：先确认页面能被读到，再测它能不能被引用。 核心页在无 JS 时只剩空壳，低引用率就不是内容问题，而是抓取问题，先看你的独立站，AI 能渲染吗；否则三个月都在优化模型读不到的文字。

一页式基线报告：五个数字加一句话

一个月四周，四步就够，不要加第五步。

周次	做什么	谁来做	怎么算过
第 1 周	定 30 条 prompt，编号后冻结	增长	每条都有出处，写下来源场景
第 2 周	三个引擎各问三次，逐条存原文	运营或实习生	每格有答案原文与引用 URL
第 3 周	算五个数字，写那一句话	增长	一页讲得完，经得起追问
第 4 周	只定下个月的动作，且只改一层	负责人	落到页面与字段，不写“加强内容”

报告超过一页，通常说明你在做研究，不是在做决策。五个数字：提及率、引用率、推荐率、自有域名在引用来源中的占比、来源类型分布。前三个是分子除以 30，后两个是结构，比涨跌更能解释原因。

然后写一句话，把数字翻译成处境：

在〔市场〕、〔语言〕、〔品类〕下，AI 现在把我们描述成一家〔　〕的公司，主要依据是〔　〕。

这句话是给老板和跨部门看的。数字会被质疑采样方法，这句话不会——它要么对，要么明显不对，两种结果都能推动决策。填不出这句，说明基线只测了“有没有”，没测“是什么”。

示例：一份虚构品牌的第一次基线

示例：某虚构的便携储能品牌，只做美国站，英文，选 30 条 prompt、三个引擎、各问三次。第一次结果：提及 11 条，引用 3 条，且都指向两年前的博客，进入推荐或对比的 2 条；引用来源里社区与评测站占了大半，官网几乎不出现；答案里对品牌的描述多为“一家中国卖家”，品类被写成“充电宝”。

这份基线最值钱的地方不是数字，而是它否掉了原计划。团队本想加写二十篇长文，可引用全落在旧博客、官网零引用，问题在实体与品类描述不一致（对照品牌实体是否存在），以及页面缺少可摘的结论句。于是第一个月的动作变成统一品类表述、给五个核心页各写一句结论、补三条可被引用的政策事实，而不是增产。

边界：这份基线什么时候不成立

第一，品类提问量本来就小：30 条 prompt 里一半没人真问过，测出来的只是噪声；先验证需求，别急着建基线。

第二，平台内 AI 无法稳定复现：购物助手随账号、地区、会话变化，同一问题两次结果不同。这类入口只能记“是否出现、以什么理由出现”，不能做趋势。

第三，模型更新会整体抬升或压低结果。某个月集体下跌，可能只是换了模型或索引，不是你的动作失效；趋势要和引擎版本一起读，否则会把系统性变化算成自己的成败。

第四，没有人手复测。一次性做得再漂亮也只是快照；与其建 30 条跑不完，不如缩到 10 条，能每月跑完才有意义。

第五，基线不解释因果。它只告诉你哪一层没动，不告诉你为什么。原因要去答案原文和引用页面里找，不能从百分比里推。入口层面为什么值得先分层，见AI 搜索把海外电商流量切成了四段。

如果只做一件事：从客服记录和站内搜索词里抄 30 个问题，冻结成一张带编号的表，选一个市场、一种语言、一个引擎，每条问三次，把答案原文和引用 URL 存进同一张表，然后写出那句“AI 现在把我们描述成一家〔　〕的公司”。写不出来，就先补这一句，再谈增长。