什么是 AI 引用测试
AI 引用测试是一种内容验证方法：你预先设计一组用户问题，在固定时间和平台上提交，记录回答中是否出现你的品牌、产品或页面链接， 再与页面改造前的基线进行比较。
它不是为了得到一个永远稳定的“GEO 分数”。生成式答案可能受到查询措辞、地区、登录状态、模型版本、索引更新和上下文的影响。 实验的价值在于发现趋势、错误和可复用的改进方向。
本站已冻结 12 个中文非品牌问题、DeepSeek、Kimi、豆包、通义千问和智谱清言 5 个平台，以及 3 个观察窗口，共 180 个计划组合。首个窗口仍在补齐平台环境和完整来源存档，暂不计算引用率；可以查看公开实验记录了解已完成与缺失部分。
先区分四种结果
| 结果 | 含义 | 是否等于被引用 |
|---|---|---|
| 品牌被提及 | 答案文字中出现品牌、产品或作者名称。 | 不一定。可能没有链接或来源。 |
| 页面被链接 | 答案直接提供了你的页面作为来源。 | 通常可以算作一次显式引用。 |
| 内容被采用 | 答案正确复述了页面中的定义、步骤或数据。 | 可能是隐性采用，需要与页面对照。 |
| 答案准确 | 品牌、产品和适用场景没有被混淆。 | 不是引用指标，但决定引用是否有价值。 |
建立一轮实验
- 选择一个明确主题，例如“中文 GEO 教程”，不要一开始测试整个行业所有问题。
- 准备 10-20 个问题，覆盖定义、比较、推荐、操作、限制和案例六类意图。
- 固定测试平台、语言、地区、设备、登录状态和测试日期，并把这些条件写进记录。
- 先测试当前页面，建立基线。保存问题、回答摘要、来源链接、品牌位置和错误。
- 只改一到两个主要变量，例如补定义段和 FAQ，避免一次改太多而无法判断原因。
- 等待合理的抓取和索引时间后复测，并与基线逐项比较。
问题集怎么设计
好的问题集应该接近真实用户，而不是为了让自己的品牌出现而写成品牌名查询。可以按用户决策阶段设计： 认知阶段问“GEO 是什么”，比较阶段问“GEO 和 SEO 有什么区别”，执行阶段问“如何写 AI 友好页面”，选择阶段问“有哪些中文 GEO 教程或工具”。
| 意图类型 | 问题示例 | 观察重点 |
|---|---|---|
| 定义 | GEO 是什么？ | 定义是否准确，来源是否有专业教程。 |
| 比较 | GEO 和 SEO 有什么区别？ | 是否能区分概念，并给出可靠对比。 |
| 操作 | 怎么写 AI 友好页面？ | 是否引用步骤教程、模板或清单。 |
| 推荐 | 有哪些适合新手的 GEO 学习资料？ | 品牌是否进入推荐范围，理由是否准确。 |
| 限制 | llms.txt 能保证被 AI 引用吗？ | 答案是否承认边界，而不是过度承诺。 |
实验记录模板
实验名称: GEO 教程站基础可见性测试
页面版本: v1.2
测试日期: 2026-09-13
平台: [平台名称]
语言与地区: 中文 / [地区]
产品与模式: [消费端 / API / Agent / 搜索模式]
联网状态与登录状态: [按实际填写]
问题: GEO 和 SEO 有什么区别？
完整回答或截图存档: [文件或记录地址]
来源访问时间: [ISO 8601]
来源 URL: [完整 URL，每行一条]
品牌是否被提及: 是 / 否
页面是否被链接: 是 / 否
是否正确复述核心观点: 是 / 部分 / 否
内容是否被采用: 是 / 否 / 未知
答案与来源是否准确: 是 / 否 / 未知
错误或遗漏: [记录]
缺失原因: [未执行 / 登录墙 / 报错 / 来源不完整 / 不适用]
下一步动作: [只改一个主要变量]答案存档的最低要求
截图适合保存界面状态，但截图本身不一定能定位来源、模型模式或完整回答。正式记录应优先保存可复制的回答原文和完整来源 URL，再把截图作为界面补充；如果只能保存截图，要同时记录截图时间、页面地址和缺失字段。
| 字段 | 最低要求 | 缺失时如何处理 |
|---|---|---|
| 问题 | 保存完整原文，不用测试者回忆改写 | 缺少原文时不能进入可比样本 |
| 回答 | 保存完整正文；截图只作辅助 | 只能看到摘要时标记部分存档 |
| 来源 | 保存每个显示的完整 URL 和访问时间 | 只有标题或域名时，引用支持关系保持未知 |
| 环境 | 平台、产品或模式、模型、联网、地区、登录状态 | 无法确认时写未知，不要猜测 |
| 判定 | 提及、链接、采用、准确分别判断并附理由 | 证据不足时用未知，不改成否 |
零、未知、未执行不是同一种结果
“没有出现 ZenLeak”只有在问题已经正常提交、回答可读取且判定规则适用时，才能记为 0。登录墙、产品报错、来源列表缺失和没有执行应分别保留原因，否则平台可用性问题会被错误计算成内容表现。
| 状态 | 含义 | 是否进入引用率分母 |
|---|---|---|
| 0 | 已执行且可判断，目标事件没有发生 | 通常进入 |
| 未知 | 执行过，但来源、模式或回答不足以判断 | 按协议单列 |
| 未执行 | 本轮尚未提交问题 | 不进入 |
| 无效 | 报错、超时或登录墙导致无法获得可比回答 | 不进入，但保留计划样本 |
如何判断改动是否有效
最好同时看四类变化：覆盖范围是否增加、引用是否更明确、答案是否更准确、不同问题之间是否更稳定。 如果品牌只在一个问题里出现一次，不足以证明整体效果；如果引用增加但答案把产品类别说错了，也不能算成功。
可以用简单的记录表计算趋势，例如“显式链接引用率 = 有页面链接的问题数 ÷ 总问题数”， “准确回答率 = 被判定为准确的问题数 ÷ 总问题数”。这些指标不是行业标准分数，但能帮助团队讨论同一件事。
实验的常见偏差
- 只测试品牌名问题，无法判断非品牌搜索中的可见性。
- 只测试一次，把随机波动误判成稳定趋势。
- 同时改标题、正文、内链、Schema 和外部推广，无法归因。
- 只看品牌是否出现，不检查答案是否准确。
- 把模型回答当成搜索排名，忽略两者的机制和指标差异。
常见问题
多久测试一次比较合适？
新站或刚改版的页面可以每两到四周测试一次；已经稳定的主题可以按月或按季度复测。
应该测试多少个问题？
早期用 10-20 个高质量问题就够了。问题要覆盖不同意图，而不是用大量相似问法制造虚假的样本量。
没有被链接是不是就没有价值？
不一定。页面可能被系统吸收了观点但没有显式链接，也可能影响答案准确度。需要把提及、采用、链接和准确度分开记录。
能不能用一次实验预测排名？
不能。实验适合观察特定问题和页面的变化，不适合承诺固定排名、固定引用或跨平台必然结果。
实验检查清单
- 是否先定义主题和目标，而不是直接随意提问。
- 问题是否覆盖定义、比较、操作、推荐和限制。
- 是否记录平台、日期、语言、地区和页面版本。
- 是否区分提及、链接、内容采用和答案准确度。
- 每轮是否只改变少数关键变量。
- 是否至少进行一次复测，再得出方法结论。