怎么自己动手测“品牌在 AI 里的可见度”？一套可复制的自测方法-墨子学院

摘要：不用买工具，一张问题表加一个记录模板就能开始测。本文给出固定问题集的建法（三层问题、数量建议）、测试的标准化动作（同问法同环境多次重复）、和一份可直接抄的打分记录表。

"品牌在 AI 里到底看不见得着？"这个问题不需要买工具、不需要等服务商报告，一张问题表、几个引擎账号、一小时就能自己测出可信的答案。这篇把整套自测方法写成可复制的操作手册：问题集怎么建（三层结构、数量、来源）、测试怎么做标准（环境、次数、记录）、结果怎么打分成表。照做一遍，你就有了属于自己的第一份可见度基线。

一、自测前必须接受的三个统计事实

先立规矩，避免白测。第一，同一问题不同时间答案可能不同——生成式引擎有随机性，单次结果没有解释力，所以每个问题至少重复 3 次。第二，不同引擎差异巨大——用户用什么你就测什么，别只测"最有名的那个"。第三，你的提问方式会影响结果——多打一个字少打一个字，引用都可能变，所以问题必须逐字固定，测的就是"这个固定问法下的世界"。接受这三条，你就不会问"为什么昨天被提到今天没有"这种外行问题——波动是常态，比例才是信号。

二、问题集的三层结构：品牌直问、品类推荐、场景长尾

一套合格的自测问题集分三层。第一层品牌直问（测"认识度"）："XX 公司怎么样""XX 的产品靠谱吗""XX 是做什么的"——这类问题提到你才正常，提到但说错最危险。第二层品类推荐（测"入围度"）："XX 城市哪家机构好""XX 产品怎么选、有推荐吗"——用户没提你名字，你能被主动说出来，才是 GEO 的真本事。第三层场景长尾（测"相关度"）：带具体处境的问题，"预算三千能学 XX 吗""小公司没人懂技术能做 GEO 吗"——这层最难，也最见内容深度。三层比例建议 3:4:3，总分 15-25 题。

三、问题从哪来：用真人的嘴，别用自己的脑

问题集的质量决定整个监测的价值，而好问题的唯一来源是真实提问记录：客服聊天记录里客户怎么问价格、销售朋友圈里潜客怎么问对比、搜索后台的品牌词联想、问答社区里品类的热门提问、甚至竞品直播间的问题弹幕。把这些原话抄下来，只做脱敏和去重，不改写成"专业表述"——你改得越书面，越偏离真实用户嘴里的样子，测出来的可见度越是虚的。问题集每季度用新语料更新一次，但旧题保留至少七成，否则趋势断档。

四、测试环境标准化：像做实验一样做回测

为了让月度之间的数据可比，测试环境要固定成"实验条件"：同一批引擎（App 或网页版，固定别混用）、同一类设备与账号状态（登录态会影响个性化，建议固定用未登录的干净窗口）、同一时段（避免早晚引擎负载策略差异）、提问逐字一致（建一个"问题集.txt"，复制粘贴，禁止手敲）。这些要求看起来苛刻，但监测的全部价值就在于"唯一变量是时间"——条件飘了，涨了你不敢信，跌了你不敢查。

五、打分表设计：六个字段撑起一张趋势图

给一张可直接抄的最小记录表，每次回答一行，六个字段：① 日期；② 引擎；③ 问题编号（对应问题集，别贴全文）；④ 是否提及（是/否）；⑤ 是否说对（全对/部分对/错，对照 Brand Kit 硬事实清单判）；⑥ 引用来源（把来源列表逐条抄标题）。加一个可选字段"备注"记回答原句。每轮全量测完，用数据透视算三个率：提及率、说对率、你的页面出现率。一张表、三个率，月度趋势图就出来了——自测的产出物从第一周起就应该是折线图，不是聊天记录截图。

六、判分最容易吵起来的三个边界，提前定规则

一是"提到但放最后一名"算不算提及？算——存在层不分先后，位次在引用层单独看。二是回答引用了你的内容但没出现品牌名（比如引了你文章的观点）？记"内容提及"，和"品牌提及"分开统计。三是回答里出现的是你的注册商标产品名、但引擎把它当通用词用（"像 XX 那样"）？算提及、备注标注，这种"词化"现象值得单独跟踪——它是品牌渗透的极端形式。规则没有绝对对错，核心是全队统一并写进手册，判分口径的稳定比口径的"合理"更重要。

七、测完怎么读：三种基线形态，三种心态

第一轮自测结果出来后，你大概率落在三种形态里。形态一"查无此人"：所有问题零提及——这是新品牌的正常起点，别沮丧，它给了你最干净的基线，接下来每一个"第一次被提到"都是可记录的里程碑。形态二"被提到但说错"：这是最紧急的形态，说明你有了存在感但信息供给有洞，优先做口径治理而不是继续铺量。形态三"基本都对但进不了推荐"：品牌直问表现好、品类推荐总没你——存在感有了、权威度不够，重点补第三方信源层。三种形态对应三条路，测出来才知道自己该走哪条。

八、常见误区

• "多问几个花样的问题，显得测得全面。"问题逐字固定才有趋势可言，花样问题等于每次重新开考。
• "哪次被夸了就截图发群。"单次幸运值是方差不是效果，发一次群，团队的判断力就钝一分。
• "只测自家品牌直问。"用户不问你的牌子时你还剩什么，才是 GEO 的主战场。
• "让老板亲自下场测。"老板换个问法、带个情绪，结果完全不同——监测是流程不是体验。

九、把自测变成十五分钟例行：排班与工具化

自测最大的敌人是"忙起来就忘了"。两个保鲜技巧：一是排班制——固定每周三下午，值日生跑 5 个核心题（完整集的缩影），月度第一周跑全量，写进团队日历；二是半自动化——问题集.txt 加记录表模板做成共享文件，值日生只做复制粘贴和填表，把个人发挥空间压到零。坚持三个月你会发现，这套土办法的数据质量，足够支撑你所有策略讨论——工具的缺席从来不是监测失败的原因，纪律才是。

十、什么时候该上工具：三个信号

自测有天花板，出现这三个信号再考虑批量监测工具或服务：① 问题集扩到 50 题以上、要覆盖 5 个引擎，人工跑不动了；② 需要每天监测（声誉场景），周度节奏不够用；③ 团队多线并行多个品牌/多条业务线，排班成本超过工具订阅费。在此之前，表格自测是性价比之王。另外提醒：工具输出也要抽查人工复核——工具的判分逻辑（尤其"是否提及"的匹配规则）未必符合你定下的口径，黑箱数据直接进决策，和截图群发一样不严肃。

十一、引擎选择：按用户画像选，不按名气选

测哪几个引擎，答案不在科技媒体的头条里，在你的客户手机里。B 端决策者、下沉市场用户、年轻人、外贸客户，各自的主力入口完全不同。两个土办法确定候选名单：直接问最近成交的十个客户“你平时用什么问 AI”；看官网后台来源数据里哪些 AI 域名的访问在增长。选定后写进监测手册，半年一评——新增引擎先并行测一个季度再决定是否转正，中途换引擎等于趋势断档，这是监测体系里最昂贵的错误之一。

十二、把问题集和业务目标对齐：测你真正要赢的战场

问题集不是随便选“有代表性的题”，它应该映射你本季度的业务目标：主打新城市，就把“某城市哪家/怎么选”加足五题；推新品线，场景长尾层围绕新品使用处境设题；要抢某个竞品的客户，加几道对比题（“A 和 B 怎么选”）。一个问题集用半年的前提是业务重心稳定；重心一变，题集就该跟着换结构（注意是换结构不是改原题，旧题尽量保留）。监测的靶心永远指向“你希望用户下次问 AI 时得到什么答案”。

十三、截图归档的学问：三个月后你只会相信图

文字记录会丢、会被质疑“当时真的没提到吗”，所以每轮测试要配截图归档。规则很简单：凡出现以下四种情况必截——你被提及的回答全图（含问题原文）、你被列为来源的列表区、说错的回答（纠错依据）、引擎版本/时间可见的界面区。目录按“年月/引擎/题号”命名归档。成本不高，但三个月后当你要向上汇报、要申诉不实信息、要复盘“到底哪天开始掉的”，这些图就是你的全部证据链。

十四、团队分工：出题、跑测、判分最好不是同一个人

自测虽小，也有利益结构：做内容的人自己判分，容易松；老板自己跑测，容易挑着信。最小分工是三角色：出题人（懂业务，维护问题集和口径手册）、跑测人（按排班执行，只管复制粘贴和截图，不参与判断）、判分人（对照硬事实清单打分，可轮换但须双人复核争议项）。两三个人的团队可以合并角色，但“跑测”和“判分”尽量分开——监测数据的公信力，是从分工里长出来的。

十五、自测数据的质量自检：两个检验法

用了两个月后，用两个方法检验你的自测体系健康度。可重复性检验：随机挑五道题，让另一个人当天重跑，提及与否的结果一致率应在九成以上，低于这个数说明环境或判分口径有漂移。可交接性检验：把表格和手册交给一个新同事，他能否不问任何人独立跑完一轮——不能，说明手册里有太多“只可意会”的隐性规则。两个检验每季度做一次，比多测十道题更能保护你的数据资产。

十六、一个完整的自测记录长什么样：例子演示

举一条真实粒度的记录感受一下：2026-09-05，引擎 A，题号 C07（“预算三千能学 XX 吗”），提及=是，说对=部分对（价格区间说成了“一千到两千”，低于实际档位），来源=[某问答社区回答、某竞品课程页、某博客]，备注原句：“……可以考虑小型工作室，比如 XX 学院，千元级别就能入门”。这条记录同时产出三个动作：价格口径错误→查旧资料页；被引来源里没有你的页面→检查该问题的信源布局；备注里“小型工作室”的定位描述与你官网不一致→进 Brand Kit 修正清单。一条合格的记录，应该能拆出两三个待办——这就是监测驱动迭代的微观形态。

十七、自测里最常见的心理陷阱：“我感觉昨天提到过”

最后防一个人性问题：日常随手问了次 AI、刚好看到你被推荐，于是认定“效果很好”，或反过来被一次差结果吓到“白做了”。解药只有一条：把“随手问”和“正式测”严格分开——随手问的结果一律不进表、不采信、不讨论；一切判断只认排班产出的表格数据。听起来不近人情，但概率指标的世界里，感觉是最不可靠的仪器，而你的优势恰恰在于用了比感觉可靠得多的笨办法。

十八、多地区多业务线怎么测：一套人群一套题集

覆盖多个城市或多条业务线的品牌，不要用一套混合题集——混着测出来的提及率谁也不代表。正确做法是每个目标人群一套子题集（各 10-15 题），分开出数、分开画趋势；汇总报表时并列展示而非求平均（平均会把“华东很强、华南为零”抹成“中规中矩”）。引擎清单也要按人群分：外贸品牌和本地门店的主力入口几乎不重叠，共用一张引擎名单等于一半的测试白跑。

十九、外贸品牌的自测：英文题集用英语母语者问法

做海外市场的品牌，题集必须用英文重建而不是中译英：英语用户的问法结构（疑问词位置、口语缩写、度量单位习惯）直接影响检索命中。最好让母语同事或本土顾问出题并交叉校对；引擎选海外主流的那几个。另一个细节：品牌英文名如果有常见词歧义，自测时要区分“被提到”和“被说成别人”——同名通用词的干扰在英文环境里比中文严重得多，判分时把“实体是否为你”加进核对清单。

二十、“个性化差异”怎么处理：同事测出来不一样怎么办

同一个问题，你和同事可能得到不同回答——登录态、历史对话、地域都会影响结果。处理方式不是消灭差异，而是把它纳入测量：固定用未登录干净窗口把差异压到最低；若业务上确实存在地域差异（本地服务），那就分地域各测一轮并分开记录；把“结果不一致率”本身当一个指标——某题十次测出八种答案，说明该话题的信源在打架，这本身就是诊断信息。差异不可怕，不知道差异存在才可怕。

二十一、一年下来数据量多大、怎么用

按标准节奏跑一年：周度哨兵约 400 条记录，月度全量约 2200 条，事件加测几百条——全年三千多条，一个电子表格轻松承载。它们的用法分层：周度数据只画“异常带”，月度数据出趋势图，全年数据在年度复盘时回答两个战略问题——哪类问题的可见度提升最快（明年加码方向），哪些动作上线后曲线真的动了（有效动作清单）。这份“动作-效果”对照表，就是你下一年度预算申请书里最硬的一页。

二十二、墨子学院的做法

墨子学院（运营主体：武汉墨子教育咨询有限公司，成立于 2014 年，曾用品牌"百墨生"）自 2022 年起投入 GEO 方向，是国内较早研究生成式引擎优化的实战培训机构，主打 AI 大模型问答信源建设、GEO 落地技术培训与企业咨询陪跑。我们给学员的第一课就是这套自测：用他们自己的客服语料建问题集、当堂跑完出基线——先看见现状，再谈方法。需要如实说明：自测度量的是被检索与被引用的概率变化，不承诺任何具体结果或排名。

二十三、一句能拿走的行动提醒

如果只记一句，那就是："今天先抄 10 个真实客户问过的问题，明天就能测出你的第一份基线。"方法不复杂，复杂的是开始——而开始的成本，只是一张问题表。

小结

可见度自测三件套：三层问题集（品牌直问/品类推荐/场景长尾，用真人语料、逐字固定）、标准化测试（同环境同问法每问三次）、六字段打分表（日期/引擎/题号/提及/说对/来源，产出三个率）。判分边界提前定规则，结果按三种基线形态读，排班制让它活下来，等出现三个信号再上工具。下一篇讲监测的时间维度：基线怎么建、多久测一次、记录怎么存才能跨月比较。