方法
先量，再改，再量
AI 的回答每次都可能不一样。只看一两次截图，既可能高估，也可能低估。我们的方法围绕一件事：用同一把尺子，在改动前后各量一次。
- 1
建问题集
从你的销售、客服和搜索数据里整理客户真正会问的问题，覆盖几类意图：
- 品类推荐：“××有哪些靠谱的服务商？”
- 选型对比：“A 和 B 怎么选？”“××需要注意什么？”
- 品牌本身：“××公司怎么样？”“××的产品有哪些？”
- 具体问题：客户在用之前、用之中会碰到的问题
问题集确认后固定下来，之后每次测量都用它。
- 2
多平台、多次采样，得出基线
在你选定的平台上，每个问题重复提问多次，保存完整回答和引用来源。统计：
- 提及率、引用率、在推荐列表中的位置
- AI 关于你的每一条事实陈述是否准确
- 被引用最多的外部信源是哪些
平台、时间、提问方式都会记录下来，保证之后可以复测。
- 3
找原因
同样的问题，为什么 AI 选了别人？常见原因：
- 页面根本读不到（被 robots 挡住、正文靠脚本渲染）
- 页面读得到，但没有直接回答这个问题的段落
- 说法空泛，没有数据和出处，不如别人的页面“好引用”
- 第三方信源里没有你，或者信息过时、错误
- 4
按优先级改造
把改造项按“影响多少个问题”和“改起来多难”排序，先做影响大、成本低的。每项改动都写明它针对哪些问题、为什么这样改。
- 5
复测与持续跟踪
改动生效需要时间：页面要被重新抓取、索引才会更新。我们在约定的时间点用同一问题集复测，对比前后数据；持续合作的客户按月出趋势报告。
关于“效果”的实话
能做到的
让 AI 读得到、读得懂你的网站；让你的官网成为关于你准确、可核实的信息源；纠正 AI 关于你的错误描述；在联网检索类回答中提高被引用的机会；用数据说明变化。
做不到的
没有人能控制 AI 的回答。我们不承诺固定排名或“每次都推荐你”；模型训练知识的更新周期由各平台决定；平台规则变化也会影响结果。所以我们只承诺方法透明、过程可复测。
从一次诊断开始
诊断报告本身就有用：你会看到 AI 现在是怎么介绍你和你的同行的。