先说清楚「AI 推荐」在这篇里指什么：不是搜索框下面的联想词，而是用户在对话式入口里问「零下十度通勤穿什么」之后，模型直接给出的品牌与型号清单。按这个定义，淘宝今年 5 月落地、基于通义千问的 AI 购物助手已经把种草、比价、下单、售后整合进对话，有 2.5 亿用户体验过 AI 辅助购物（腾讯网）。品牌在这类回答里出现与否、被怎么描述、引用了谁的页面，正是 GEO 要监测的对象——这套判断，只能以 11 月 9 日的公开信息为限。
入口从搜索框挪到对话框
过去品牌在电商里的曝光由关键词决定：买羽绒服的人看到什么，取决于标题、销量与出价。对话式入口把这条链路改了，用户描述场景，模型先理解需求，再从商品库里挑出几个答案，被挑中的才有曝光。排名因此被拆成两层：一层是商品有没有进入模型的候选集，另一层是进入之后有没有被写进回答。
传统 SEO 主要影响第一层的词匹配，第二层取决于模型怎么描述这个品牌。同样进入候选集的两个品牌，一个被写成「适合通勤的轻量款」，另一个只出现在末尾的备选列表里，转化差距可能比价格差更大。GEO 要处理的正是第二层，而它无法靠堆关键词解决。
推荐位次不再由关键词单价决定
对话式推荐里，位次由回答的结构决定。模型通常先给结论，再补理由，最后列备选，品牌落在哪一段，取决于它的商品信息是否容易被复述：有没有清晰的适用场景、有没有可引用的参数、有没有第三方的评价支撑。信息残缺的品牌，即使出价更高，也很难被写进结论段。
可见度要拆成四个可测的数
把「品牌在 AI 里被不被看见」当成一个笼统的感受，就没法管理。实际操作中要拆成四个可以分别取数的指标，每个指标对应不同的优化动作，混在一起看只会得出模糊结论。
| 指标 | 口径 | 观察方式 |
|---|---|---|
| 品牌提及率 | 出现品牌的回答占全部回答的比例 | 固定问题库抽样提问 |
| 推荐位次 | 首次被推荐时排在几位 | 多平台逐题记录 |
| 引用来源占比 | 引用品牌自有页面的回答比例 | 抓取回答中的引用链接 |
| 竞品占位 | 同题下竞品出现频次 | 同题对比统计 |
四个指标里，引用来源最容易被忽略，却最能解释差异。模型在生成回答时会引用它认为可靠的页面，如果品牌官网的产品参数页结构混乱、缺少可引用的短句，模型只能引用电商详情页或第三方测评，品牌对自己被描述的方式就失去了控制权。
引用来源决定了品牌能不能被复述
把同一品类在多个 AI 平台上的回答并排看，会发现引用结构差别很大。有的平台偏好引用电商平台商品页，有的偏好媒体测评，有的直接引用品牌官网。品牌方无法改变平台的偏好，但可以确保自己在每一类来源里都有可被引用的内容——参数表、适用场景说明、常见问题解答，都是模型容易摘取的素材。
这也是 GEO 与投放的区别。投放买的是曝光位置，GEO 改的是被描述的方式。一个品牌在回答里被写成「价格偏高但用料扎实」，另一个被写成「性价比一般」，两者的曝光量可能相同，转化却完全不同。监测回答的描述偏差，比统计曝光次数更有决策价值。
多平台口径不一致是常态
豆包、元宝、DeepSeek、Kimi 与 Perplexity 的回答结构并不一致，同一个问题在不同平台可能给出完全不同的品牌清单。这不是数据错误，而是检索源与生成策略不同。做可见度对比时，必须按平台分别建立基线，跨平台取平均值会掩盖真实差距。
优化闭环从问题库开始
GEO 的起点不是内容生产，而是问题库。把用户真实会问的问题按场景归类，固定下来反复提问，才能得到可比较的时间序列。问题库太窄，监测结果会被少数几个词绑架；太宽，样本量不足，波动掩盖趋势。
- 建库按品类与场景各取二十到三十个问题，覆盖选购、对比、使用与售后四类意图，每月只做小幅增补。
- 监测固定时间、固定平台、固定问法重复提问，记录提及率、位次与引用来源，形成可比的时间序列。
- 归因与优化把回答里的偏差对应到具体页面，补参数、补场景、补问答，再回到监测验证是否改善。
闭环的关键在最后一步。很多团队做完监测就停在报表上，没有把偏差翻译成页面修改动作，结果下一轮监测数字照旧。真正有效的做法是每次只改一类内容，改完两周后再测同一组问题，用差异确认因果，而不是一次性重做整个站点。
常见问题
GEO 和 SEO 的区别到底在哪？
SEO 争的是搜索结果页的链接位次，GEO 争的是 AI 回答里被提及、被推荐与被引用的机会。前者靠关键词与页面权重，后者靠内容是否容易被模型理解、摘取与复述，衡量指标也不同。
AI 回答里的引用来源怎么查？
逐条记录回答中出现的链接，按域名归类，统计品牌官网、电商平台、媒体测评各占多少。多数平台会在回答末尾或行内给出引用，没有引用时以回答中提到的信息源为线索回溯。
多平台可见度怎么对比才有效？
按平台分别建基线，同一组问题在同一时间段内提问，比较提及率与位次的变化幅度，不做跨平台绝对值比较。平台之间的检索源不同，绝对值没有可比性。
优化之后多久能看到变化？
取决于平台的索引与更新频率，通常以周为单位观察，四周左右能看出方向。单次提问的波动很大，必须用同一组问题多次取样，才不至于把噪声当成效果。
