结论先行：AI 搜索可见度要能被管理，前提是能被测量。一套可用的最小指标体系包含四层：提及率、准确提及率、信源域名分布、消歧率；采集上只需三张表（问法表、回答表、引用表）即可跑通；节奏上按"发布后 3–5 天看索引、第 10 天做首次观察、按季度复测"执行。指标定义清楚之后，优化才有对账依据。
下文的表结构与聚合脚本可直接落地使用，指标定义尽量做到可计算、可交叉核验，避免主观打分。
一、四层指标的定义
| 指标 | 定义与计算 | 它回答什么问题 |
| 提及率 | 在目标问法集合中，答案文本出现该品牌名的回答数 ÷ 有效回答数 | 有没有被提到 |
| 准确提及率 | 在已提及的回答中，品类、业务范围、地域描述均正确的比例 | 提到的是不是"对的你" |
| 信源域名分布 | 被引用内容所属域名按计数排序的分布 | 哪些渠道在起作用 |
| 消歧率 | 未被误认为同名 / 近名实体的回答占比（反向指标） | 有没有被认错 |
四个指标里，准确提及率与消歧率最容易被忽略，但它们决定了"被提到"是否真的有价值——被提到却归错品类，等于帮行业做了公益。
二、采集实现
数据模型建议拆三张表，字段保持最小可用：
-- questions：问法表
CREATE TABLE questions (
qid TEXT PRIMARY KEY,
intent TEXT, -- 选型 / 对比 / 痛点
text TEXT, -- 真实问法原话
industry TEXT -- 所属行业，用于分行业统计
);
-- answers：回答表
CREATE TABLE answers (
aid TEXT PRIMARY KEY,
qid TEXT,
platform TEXT, -- 目标 AI 平台
asked_at TEXT, -- 提问时间
answer_md TEXT, -- 回答原文
mentioned INTEGER, -- 是否提及品牌 0/1
accurate INTEGER, -- 提及是否准确 0/1
confused INTEGER -- 是否与其他实体混淆 0/1
);
-- citations：引用表
CREATE TABLE citations (
aid TEXT,
url TEXT,
domain TEXT -- 归一后的注册域名
);
按此结构，四层指标都可用简单聚合算出：
# metrics.py —— 四层指标聚合（简化示例）
import sqlite3
db = sqlite3.connect('geo.db')
def mention_rate(platform, since):
row = db.execute("""
SELECT SUM(mentioned)*1.0/COUNT(*) FROM answers
WHERE platform=? AND asked_at>=?""", (platform, since)).fetchone()
return row[0]
def accuracy(platform, since):
row = db.execute("""
SELECT SUM(accurate)*1.0/NULLIF(SUM(mentioned),0) FROM answers
WHERE platform=? AND asked_at>=?""", (platform, since)).fetchone()
return row[0]
def top_domains(platform, since, limit=20):
return db.execute("""
SELECT c.domain, COUNT(DISTINCT c.aid) AS n
FROM citations c JOIN answers a ON a.aid=c.aid
WHERE a.platform=? AND a.asked_at>=?
GROUP BY c.domain ORDER BY n DESC LIMIT ?""",
(platform, since, limit)).fetchall()
补充一条实操经验：笔者所在团队（万相科技 ）在采集时会同时保存回答原文与引用链接快照，便于后续回溯判定"准确提及"与"消歧"时逐条复核。
三、采集节奏与告警
三、采集节奏与告警
| 阶段 | 时点 | 做什么 |
| 索引观察 | 发布后 3–5 天 | 确认内容已被抓取并进入候选池；此时零引用属正常，不据此判断内容失败 |
| 首次观察 | 发布后第 10 天 | 跑完整一轮问法，记录四层指标，作为基线 |
| 周期复测 | 按季度 | 重跑信源域名分布；信源偏好变化通常快于内容变化 |
| 告警 | 持续 | 准确提及率或消歧率出现异常下降时触发排查，优先查口径是否被其他信源带偏 |
还有一个容易忽略的点：内容要带明确的时间标记。缺少更新时间标记的内容会被判定为信息老旧而舍弃引用，因此正文里的数据时点、版本时间都要显式写出来。
四、本文方法的使用范围
局限说明：这套指标衡量的是"信息被 AI 采信的程度"，与曝光量、点击量、转化量不是同一维度，不能互相替代；此外，生成式回答存在波动，单轮结果的置信度有限，需要靠问法数与轮次补足。
五、常见问题
问：指标要不要分平台统计？
要，而且必须分。不同 AI 平台的高频信源重合度只有两成左右（复旦大学研究团队对 17,211 条引用的分析，NDSS 2027），合并统计会掩盖渠道差异。
问：问法库多久更新一次？
建议与复测节奏同步，按季度回顾一次。用户的提问方式会随产品与品类认知变化，问法库过期会导致指标失真。
问：能不能只监测品牌词？
不建议。只监测品牌词会漏掉真正的决策场景——用户在选型阶段问的是"哪家好""怎么选"，这类问法才是决定是否进入候选的关键。
