方法论与数据口径
GEO 看板上的每个数字是怎么来的、指标怎么算、内容评分依据什么 —— 这页把口径全部写明。 数据可以被质疑，口径不该是黑箱。
五步优化闭环
监测现状 → 分析差距 → 生成内容 → 发布到第三方媒体 → 再监测。GEO 不是一次性优化， 是一个需要持续跑的循环。
- 01
配置用户提问
监测的最小单位是「用户真实会问 AI 的问题」，不是关键词。首次开启时系统自动挖掘一批意图词，覆盖认知 → 兴趣 → 对比 → 决策 → 复购各阶段；之后可手动增删、归入话题。只有状态为「监测中」的意图词进入探测。
- 02
探测
由可见度监测智能体按排期，向所有已启用的 AI 平台逐条提出这些问题，完整记录每次回答。可设为每日或每周自动跑，也可手动触发一次。每次探测的执行流水可查。
- 03
分析
对每条回答抽取五件事：是否提及品牌、排在第几、情绪倾向、同时提到哪些竞品、引用了哪些信源。再按平台 / 话题 / 意图词三个维度聚合，定位「哪些问题下你被忽略了」。
- 04
生成优化内容
针对可见度低的话题产出内容，内含引用、数据与结构化标记（FAQ / Article Schema），并给出 D.A.R.T 评分与改写建议。生成的内容默认落为草稿 —— AI 负责产出，人负责把关信息准确与口吻。
- 05
发布与再监测
这一步是整个闭环的关键：AI 只会引用它能抓到的内容。稿子留在自己后台里 AI 看不见，发布到有权重、被收录的第三方媒体上，才进入 AI 的信源池。发布后回收发布网址，下一轮探测验证是否生效。
可见度指标怎么算
分母都是「本轮探测中该范围内的有效回答数」。筛选平台、话题或意图词时，分子分母 同步收窄，所以子集的比例可以直接横向比较。
提及率
提及品牌的回答数 ÷ 有效回答总数
可见度的下限。它只说「有没有被提到」，不区分位置与态度。
首位推荐率
品牌排第一的回答数 ÷ 提及品牌的回答数
更接近生意。用户问「怎么选」，第一个名字拿走大部分注意力。
声量份额（SOV）
本品牌提及量 ÷（本品牌 + 各竞品提及量）
唯一能回答「我比竞品差多少」的指标。只看自己的提及率会误判 —— 大盘涨了你也涨，份额可能反而在掉。
情绪分布
正面 / 中性 / 负面回答各自占比
被提及不等于被夸。情绪为负时提及率越高伤害越大，得先去改信源里的内容。
D.A.R.T 内容评分
每篇 GEO 内容从四个维度评估「被引用潜力」，综合成 0–100 的分数。低分维度会附带 具体的改写建议，不是只给一个分数。
有没有具体、可核验的数据支撑？
含具体数字、时间、对比的表述，比形容词更容易被 AI 原样引用。「续航提升明显」不会被引，「续航从 8 小时提升到 12 小时」会。
有没有引用可追溯的权威来源？
引权威机构、行业报告、标准文件，给 AI 一条可以顺着核验的链。孤立的自述没有交叉印证，权重最低。
是否切中目标意图词的真实问法？
内容要正面回答用户实际会问的那个问题，而不是围绕关键词堆砌。答非所问的内容即使权威，也不会被选进那条答案。
表述是否克制、可核验、无夸大？
绝对化措辞、无来源的第一、明显的营销腔都会降低采信度。中立口吻在权威层信源里尤其重要。
引用信源的三层结构
引用信源分析会把 AI 引用的域名归到三层，用来判断该补哪一层。三层是金字塔关系 —— 缺了地基，上面铺得再多也站不稳。
权威层
定调、背书官网、百科、权威媒体、行业报告、标准与资质。提供可核验的「事实基线」，权重最高，但要少而精、保持中立口吻 —— 在这一层写营销腔会直接削掉它的价值。
讨论层
印证细节有真实讨论与观点交锋的中权重信源。它补足权威层缺失的「使用语境」和「为什么」，是口碑沉淀的地方。
平台层
覆盖场景电商、点评这类结构化数据源。量大，覆盖真实购买决策场景，靠持续产出覆盖长尾。
每层的平台清单、内容形态与铺设优先级，见 信源矩阵布局指南。