企业官网建设流程全解析

更正（2026-09-30）：① 原文写「我们给苏州一家电子元器件制造商……做过一轮」；现更正为：这一轮监测是这家制造商自己跑的，我们只提供工具。② 原文（含摘要）写 2026-06-21 至 07-10、344 条监测问题、525 次有效实测；现更正为 2026-06-30 至 07-10（11 天窗口）、43 条监测问题、524 次有效实测。③ 原文写综合提及率 50%（下文「50% 这个均值」同此）；现更正为 49.2%（258/524，只算这家厂商的国内品牌；524 次里有 22 次回答不完整，正文不足 100 字，其中豆包 13 次，一律按未提及计入）。④ 原文分引擎表与下文写通义千问 85%、Claude 74%、文心一言 67%、豆包 41%、ChatGPT 17%、DeepSeek 12%、Gemini 4%；现更正为 87%、70%、68%、39%、15%、11%、2%（同一口径，其余 3 格不变）。⑤ 原文写「厂家推荐」类命中 54%–75%；现更正为 52.7%（238/452）。⑥ 原文写「选型知识」类 19 问只命中 1 次（5%）；现更正为：实测最多的一道选型题跑了 19 次，只被提到 1 次。⑦ 原文写新榜「对 47.4 万篇次豆包引用的实证」、「唯一显著的变量是标题与提问意图的匹配度（0.23）」；现更正为：47.4 万篇次是新榜累计采集的信源（其中豆包引用 17.6 万篇次），0.23 是已被豆包引用的今日头条文章里相关性相对最高的一项，新榜原文称这只是弱相关。

用户在豆包里问「网络变压器厂家推荐」，AI 的回答就是你的新首页——但多数品牌从没实测过 AI 到底怎么答。规模摆在那里：CNNIC 第 57 次报告（2026-02）显示，国内生成式 AI 用户已达 6.02 亿，普及率 42.8%，年增 141.7%；知乎研究院白皮书（经中新网报道）的数字更直接——81% 的消费者会部分采纳 AI 建议完成购买。

所谓提及率基线测试，就是在固定时间窗内、用固定问题集对多个 AI 引擎实测品牌被提及情况，得到一组可对比、可复测的基准数据。这篇给一套可复现的流程：问题集设计、记录表结构、执行规范、指标计算。全程可手工执行，文末算一笔自动化的账。

一、确定测试矩阵：12 个引擎

国内 8 个：豆包、DeepSeek、Kimi、通义千问、文心一言、腾讯混元、智谱清言、阶跃星辰。海外 4 个：ChatGPT、Claude、Gemini、Perplexity。

优先级按真实流量排。QuestMobile 2026Q1：AI 原生 App 月活合计 4.46 亿，豆包 3.45 亿、通义千问 1.66 亿、DeepSeek 1.27 亿。资源有限就按月活从高到低保覆盖：豆包、通义千问、DeepSeek——用户在哪，测试就在哪。

二、设计问题集：三类问题，别只测一类

• A 类·品牌直查：「XX 公司怎么样」「XX 的产品质量如何」。测的是 AI 对品牌的基础认知。
• B 类·厂家推荐：「国内网络变压器厂家推荐」「RJ45 连接器供应商哪家靠谱」。测竞争位次，是转化最近的一类。
• C 类·选型知识：「网络变压器怎么选」「千兆网口该用什么规格」。测内容渗透——用户决策前一定会问，答案里引没引你的内容，差别巨大。

问题来源：客服与销售的问题日志、搜索词报告、竞品官网 FAQ。每类不少于 15 问，总量 40 问起步。

措辞按真实用户口吻写，别堆关键词。新榜 2026 年 5 月发布的一项抽样研究（165 个提问词，累计采集信源 47.4 万篇次，其中豆包引用 17.6 万篇次）发现：在已被豆包引用的今日头条文章里，引用次数与账号粉丝数的相关性近乎为零；相关性相对最高的是标题与提问关键词、意图是否对得上（系数 0.23），但新榜原文也说这只是弱相关——AI 匹配的是意图，不是名气。测试问题越贴近真实提问，测出的基线才越接近真实场景。

三、记录表：一行一个观测点

建一张 CSV，字段如下：

test_date,engine,question_id,category,mentioned,cited,position,competitors,notes 2026-07-01,doubao,B-03,厂家推荐,1,0,2,"品牌X;品牌Y",列表第2位 2026-07-01,deepseek,B-03,厂家推荐,0,0,-,"品牌X;品牌Z",推荐竞品、本品牌缺席

判定规则要提前写死，否则多人执行口径会漂：

• mentioned：回答正文出现品牌全称、常用简称或产品线名记 1；仅出现在引用链接里不算。
• cited：引用来源指向品牌自有域名记 1。提及和引用是两件事，必须分开记。
• position：出现在推荐列表第几位。
• 无效样本：拒答、超时、明显答非所问——剔出分母，单独标注，不许静默丢弃。
• 每次回答全文存档（截图或文本）。后续做内容优化，靠的是回读原文，不是看分数。

四、执行规范：控制变量

1. 每个问题新开会话，避免上下文污染。
2. 保持日常登录态、记录是否开启联网检索——这才是真实用户看到的版本。
3. 同一问题至少跑 3 轮（建议连续 3 天各一次）。大模型输出非确定性，联网检索结果也每天在变，单次抽测没有统计意义。
4. 固定时段执行，记全日期与引擎版本。

五、指标计算

• 综合提及率 = Σmentioned ÷ 有效实测次数
• 分引擎提及率、分类别提及率，以及最有信息量的引擎 × 类别交叉表
• 竞品声量：聚合competitors字段，看谁在替你回答

六、一份真实基线长什么样

苏州一家电子元器件制造商（网络变压器 / RJ45 连接器）自己用监测工具跑过一轮：2026-06-30 至 07-10（11 天窗口），43 条监测问题、524 次有效实测，综合提及率 49.2%（258/524，只算这家厂商的国内品牌；单一厂商读数，非行业代表性抽样）。分引擎：

49.2% 这个均值没什么用，交叉之后才见真相：「厂家推荐」类命中 52.7%（238/452），「选型知识」类实测最多的一道题跑了 19 次，只被提到 1 次——AI 正在用别人的内容教育它的客户。DeepSeek 在同类问题里点名推荐了其他品牌，该品牌缺席；而豆包（提及率 39%）恰是月活最大的 AI 原生 App（3.45 亿），DeepSeek（11%）月活也有 1.27 亿（QuestMobile 2026Q1）——短板正好砸在用户最多的入口上。这就是基线测试的价值：告诉你短板具体在哪个引擎、哪类问题。

七、手工与自动化的成本账

12 引擎 × 40 问 × 3 轮 = 1440 次对话，按每次含记录 2 分钟算，约 48 小时。基线测一次，手工可行；按日追踪就不现实了。我们后来把这套流程做成了桌面应用：自定义问题集、按日自动实测、Visibility Score 打分、竞品声量对比、引用来源追溯，逻辑与本文一致，只是把 1440 次对话交给机器。

利益相关：上面这款桌面应用为作者所在团队的产品。方法本身是开放的，手工执行同样成立。

本文数据来自作者所属公司自建 GEO 监测工具的生产环境实测，文字由 AI 辅助创作、作者审校发布。