AI 可见性审计

AI 可见性审计是对品牌在 AI 回答中的现状做一次系统盘点：测出当前指标，并定位问题出在实体、内容还是抓取这三层的哪一层。

它的产出是两样东西——一份可复测的基线复测数据，和一份按层归类的问题清单。没有分层，“AI 里搜不到我们”这句话无法转成可执行的动作。

三层检查

• 实体层：模型说的”某某公司”是不是你。检查品牌实体信息是否唯一可辨、同名混淆率有多高、知识图谱与百科类记录是否存在且一致、sameAs 是否把各平台主页绑到了同一主体。
• 内容层：关于常见问题有没有一个能被直接摘走的答案页。检查是否符合 Answer-First、Schema 结构化数据 是否有效、事实是否带出处、第三方来源与自述是否相符（见第三方证据）。
• 技术层：抓取器能不能拿到正文。检查 robots.txt 有没有误屏蔽、正文是否依赖 JavaScript（见服务端渲染与客户端渲染）、站点地图与规范链接是否正确。

输出的口径

审计结论要标明测量所用的问题集、平台清单与日期，否则后续复测无从对齐。

局限

审计描述的是现状与可能的成因，不能证明改完就会好。三层里的技术与内容问题可以确认与修复，实体层的认知则要等模型重新抓取与更新，周期不可控。

相关条目

• 基线复测 —— 基线复测是指优化前先用固定问题集测一轮作为基线，之后按完全相同的口径重复测量，用前后差值来判断变化。
• 问题集 —— 问题集是用来测量 AI 回答的一组固定问题，它决定了各项 GEO 指标的分母——换一批问题就等于换了一把尺子。
• 品牌实体 —— 品牌实体是指在机器的知识表示中，一个品牌被当作唯一可识别对象所对应的那条记录，而不只是一串出现在文本里的字符。