方法论
Prompt Research 不是选词，是一个闭环
在 AI 搜索里，需求的最小单位不再是关键词。平台不公布任何 query 级数据，答案本身每天变、同一分钟重跑也变。这份攻略给出一套可执行的流程：怎么找 prompt、怎么估「搜索量」与商业价值、怎么设计 prompts map 的配比、怎么用统计上成立的方式测量，以及怎么把答案回流成新的场景、痛点与垂直细分。
- 适用
- 品牌方 · 代理商 · 内容与公关团队
- 版本
- v1.0
- 复核日期
- 2026-11-06
- 监测口径
- ChatGPT · Google AI Mode · Google AI Overviews · Gemini
一段话结论
AI 搜索量查不到，所以用四类代理建一个相对的需求指数，并且只在主题簇级别排序。商业价值用乘法四因子打分，让「高量零意图」的科普问法自动出池。品牌词控制在 10–15% 并单独汇报——中位品牌在品牌词上得 95%、在非品牌词上得 7%，所以决定总分的是盘子配比而不是你的表现。测量用 10–28 天滚动窗口，不看单日。最后从答案里挖属性、对手与新检索词，决定下一个细分开不开。
95% / 7%
同一批品牌在带品牌词与不带品牌词的 prompt 上的中位提及率。品牌词混进总分，分数就是假的。
~65%
AI 答案里被引用的来源，每天更换的比例。单日快照不是测量，是抽签。
≥ 7
要让「品牌被提及率」的标准误降到 0.10 以下，单条 prompt 需要的最少有效观测次数。
要点
- 不存在 AI「搜索量」：平台不公布 query 级数据，也没有 Search Console 的等价物。市面上所有数字都是模型估计或样本外推——要用保留分项的相对需求指数，并按主题簇聚合。
- 品牌词 prompt 单独成组，占比 10–15%。带品牌词的中位提及率 95%，不带品牌词 7%，且 98% 的品牌在品牌词上更高——决定总分的是配比，不是表现。
- 价值用乘法打分，不用加法：PVS = 100 × (D/5)^0.30 × (I/5)^0.30 × (W/5)^0.20 × (E/5)^0.20。任一项为零直接出池，这正是对付「高量零意图」问法该有的行为。
- 绝不按单日下结论。同一分钟重跑的引用源重叠率只有 0.32–0.43——约 65% 的来源每天在换。单条 prompt 需要 ≥7 次有效观测，否则就用 10–28 天滚动窗口。
- 动手前先判断缺口类型：覆盖、位次、认知、证据。推荐类意图的答案引的是第三方榜单，改自己的落地页是错的。
为什么 keyword research 搬不过来
SEO 的调研对象和优化对象是同一个东西：用户输入的那个关键词。你能从 Search Console 看到它、能从工具拿到它的量、能为它做一个页面。AI 搜索把这件事拆成了三层，而且你能看见的那层不是用户说话的那层。
用户的 prompt
不可观测用户真正输入的那句话。没有任何平台公布它，也没有 Search Console 的等价物，所以这一层的需求强度只能用代理数据估。
模型自行发出的 fan-out 检索词
部分可观测模型为回答这句话而发出的子查询。其中一部分会以问句式 query 的形态出现在 Search Console 里，一部分可以直接采集。竞争格局实际上在这一层决定。
答案层：提及、引用、商品卡
完全可观测哪些品牌被点名、哪些 URL 被引用、出不出商品卡。唯一可验证的一层，也是结果唯一能被确认的地方。
LLM 的提供方目前不提供等同于 Search Console 的原生监测工具。因此，具体使用了哪些搜索 query、以及对应的 query 量这类基础指标，在 GEO 生态里不再可直接观测。
这句话是整份攻略的前提。任何声称给你「AI 搜索量」的产品，给的都是模型估计或样本外推，不是平台口径的真实计数。承认这一点，调研方法才立得住。
八个阶段，两条回流
把 prompt research 做成一次性项目，三个月后它就过期了：答案在变、对手在变、模型眼里的品类边界也在变。它应该是一条有固定交付物和固定判据的流水线。
- 01
定界
本季度要覆盖哪些品类、市场与购买场景，以及明确不覆盖哪些。
- 02
采集
一张真实问法的候选表，每条记来源、证据等级、原始出处、录入日期。
- 03
扩散
每条核心问法按八类 fan-out 变体做一遍压力测试，并打上意图标签。
- 04
估值
每个主题簇一个需求指数，每条 prompt 一个四因子商业价值分（PVS）。
- 05
组盘
一张 prompts map：明确的品牌词 / 非品牌 / 竞品配比、填满的覆盖矩阵、以及一个冻结盘。
- 06
测量
滚动窗口的品牌级指标，基线按引擎分设。日数字只是告警，不是结论。
- 07
行动
每条动作绑定一簇 prompt、一种缺口类型，和一个不少于四周的观察窗口。
- 08
回流
从答案本身挖出新问法、新对手、新细分。
每月回流：08 → 02
答案里新出现的问法与新冒出来的对手灌回采集，让候选表靠证据生长，而不是靠头脑风暴。
每季回流：08 → 01
一个细分如果三条判据全过（独立子查询主题、独立竞争集、独立被引来源），就作为正式细分灌回定界。
八类来源：先要真实问法，再谈量
最常见的失败是闭门造句：团队坐在会议室里想「用户应该会这么问」，结果整个 prompt 池都是营销语，模型根本不会被这么问。来源按证据等级分三档，三档都要用，但绝不能把 C 档的产出当作需求证据——它只负责补覆盖面。
A 一手实证
用户或平台真实留下的。
B 派生推断
从相邻信号推出来的。
C 模型生成
另一个模型猜的。只用来补覆盖面，绝不当需求证据。
| 来源 | 等级 | 它能告诉你什么 | 已知偏差 |
|---|---|---|---|
| Search Console 问句式 query | A | 长问句、带约束的整句提问；相当多是 AI 回答时发出的 grounding query，是 L2 的真实留痕。 | 只覆盖 Google 系；已触发展示才有数。 |
| 真实 fan-out 检索词 | A | 模型为回答某个问题实际发出的子查询及其频次、同时出现的品牌。 | 需要采集能力；非全量抽样。 |
| 客服工单 / 售前对话 | A | 真实痛点原话、决策阻碍、比价对象。 | 偏已成交人群，缺认知期提问。 |
| 站内搜索 / 退货原因 | A | 属性级需求（尺码、材质、适配场景），最接近商品卡的匹配条件。 | 仅限已到站用户。 |
| 社区原帖（Reddit / 小红书 / 垂类论坛） | A | 口碑类问法与被推荐的真实理由；这些页面本身常被模型引用。 | 人群偏科技 / 年轻；噪声大。 |
| PAA / 下拉 / 关键词量 | B | 主题热度排序、问句骨架。 | 偏短关键词，系统性低估对话式长 prompt。 |
| 竞品答案挖掘 | B | 对手在哪些问法上被点名、被引了谁——直接给出可攻击面。 | 只反映当下，不含未被覆盖的需求。 |
| LLM 生成候选 | C | 快速补齐长尾与多语言变体，拉平覆盖矩阵的空格。 | 生成的是「像用户的句子」，不是用户说过的句子。 |
采集阶段的唯一交付物是一张带来源标记的候选表：每条 prompt 记来源、证据等级、原始出处、录入日期。没有这四个字段，后面所有的分数都无法复核。
「这条 prompt 的搜索量是多少」——诚实的答案
没有人知道。平台不公布，也没有第三方能拿到全量。市面上所有「AI 搜索量 / prompt volume」都落在四类代理里，各有各的系统性偏差：
| 代理类型 | 怎么来的 | 已知偏差 | 可核实性 | 适合回答 |
|---|---|---|---|---|
| 搜索派生 | 用 Google 关键词量 + PAA 建模，折算成「AI 调整量」。 | 短关键词、信息型；低估长对话。 | 高（可复算） | 主题之间的相对排序 |
| 面板派生 | 向用户样本购买脱敏后的真实 AI 对话。 | 样本人群与地区偏差；不可独立验证。 | 低 | 问法长相与意图分布 |
| 机器侧留痕 | 模型自己发出的检索词频次、GSC 里的问句式 query。 | 只覆盖已触发的部分。 | 高（平台吐出） | 竞争面有多宽（L2） |
| 第一方需求 | 工单、站内搜索、销售通话、退货原因。 | 偏已到站 / 已成交人群。 | 最高 | 痛点与约束条件 |
做法：别追求一个「量」，建一个需求指数
把四类代理各自归一到 0–100，再按可核实性加权求和，得出一个相对的需求指数。关键是三条纪律：
不叫「搜索量」
叫需求指数（Demand Index）。名字一改，团队就不会拿它去做收入预测。
保留分项
一条 prompt 的指数是 72，要能看出是「搜索派生高、第一方为零」（可能是行业热词但你的客户不这么问），还是「第一方高、搜索派生为零」（真实痛点但还没形成公开搜索行为——这类往往是最值得抢的）。
按主题聚合后再用
单条 prompt 的量级估计噪声极大，主题簇级别（5–10 条一簇）才稳定到可以排序。
Query Fan-out：一问变多查
用户问一句，模型不会只拿这句话去检索。它会改写、泛化、细化、追问，发出一批子查询，再把回来的材料合成一个答案。这意味着：你不是在跟这一句话竞争，而是在跟它扩散出的一整簇检索词竞争。
Google 的相关专利把这些合成 query 分成八类（原文名称如下）。需要说清楚的是：Google 从未确认任何一份专利就是线上实现，官方只说会「发出大量查询」，也从不公布每条 prompt 对应多少条子查询；所有第三方「fan-out 工具」都是用另一个模型做模拟。因此这八类的用处是压力测试清单，不是算法还原。
Equivalent
同一个问题换种说法。某个改写下你消失了，说明你的页面匹配的是措辞而不是语义。
Follow-up
对话的下一轮。答得上第一轮、答不上第二轮，第二个答案就给了别人。
Generalization
这句话所属的更宽问题。测的是你在品类层面存不存在。
Specification
同一个问题加上约束——预算、人群、用途。约束会改变被点名的品牌集合。
Canonicalization
把口语化或拼错的说法归一到标准形态。需要你有一段规范的定义文本。
Language Translation
同一个问题换成另一种语言。引的来源完全不同，翻译过来的结论不能复用。
Entailment
问题隐含但没说出口的部分。「敏感肌能用吗」藏在「推荐一款防晒」里面。
Clarification
问题有歧义时模型发出的澄清查询。实体混乱最先在这里暴露。
图 3. 八类变体来自 Google 的 Thematic Search（US12158907B1）与 Search with Stateful Chat（US20240289407A1）等公开专利文本，经 iPullRank 整理。实操重点：用这八类改写你的核心问法，看哪些改写下你消失了——消失的那一类，就是你的内容缺口类型。
两条硬规则
一簇一页，不是一词一页
为每条 fan-out 变体单独建页，命中的是 Google 对「为搜索的每种变体批量造页、主要目的是操纵排名或 AI 回答」的规模化内容滥用判定。正确做法是让一个权威页面在同义改写、泛化、细化三个方向上都能被取材：标准定义段 + 可比参数表 + 具体约束条件（价位带、人群、场景）写在同一页上。
追问就是下一个战场
Follow-up 与 Entailment 两类决定了对话的第二轮。用户问完「推荐哪个牌子」，下一句常是「有什么致敏成分」「孕妇能用吗」。第二轮答不上来，模型就会换一个品牌来答——这类问法必须作为独立 prompt 进池，而不是当作第一条的附属。
意图阶梯：按「答案长什么样」分类，而不是按 SEO 那套
把 informational / navigational / transactional 搬过来没用，因为它不告诉你该准备什么。在 AI 搜索里，意图决定答案的形态，答案的形态决定谁被引用，谁被引用决定你该去哪里出现。按这条链路分，六类意图各有完全不同的赢法。
| 意图 | 典型问法 | 答案形态 | 模型主要引谁 | 你的赢法 |
|---|---|---|---|---|
| ① 定义 | X 是什么 / 和 Y 有什么区别 | 解释段，常不联网 | 百科、权威词条、行业媒体 | 可整段摘取的定义段 + 实体页；争「被当作术语解释来源」。 |
| ② 操作 | 怎么做 X / 怎么设置 | 编号步骤 | 文档站、教程、官方帮助中心 | 步骤化文档，每步独立成段，带前置条件。 |
| ③ 推荐 | 最好的 X / 推荐哪个牌子 | 品牌清单（3–7 个） | 第三方榜单与评测，而不是你的官网 | 进入对方引的那些榜单；官网改不动这一类。 |
| ④ 对比 | A vs B / A 的替代品 | 对比表或要点对照 | 对比类文章、替代品清单、社区帖 | 自建对比页（含对你不利的维度）+ 第三方评测覆盖。 |
| ⑤ 验证 | X 靠谱吗 / 评价怎么样 / 有什么坑 | 口碑综述 + 正反面 | 评论站、Reddit / 小红书、投诉与退款讨论 | 真实口碑治理；这一类是公关题，不是 SEO 题。 |
| ⑥ 交易 | 多少钱 / 哪里买 / 有货吗 | 商品卡 + 价格 | 结构化商品数据、商品 feed、零售站 | 商品字段完整度、价格与库存可读、类目正确。 |
第 ③ 类是最常被误判的一类。团队发现「最好的 X」里没有自己，第一反应是去改官网的那个落地页——而模型在这类问法下引的几乎全是第三方榜单。这条链路搞错，投入会整季度打空。
Prompts Map 设计规则
到这一步候选池可能有几百上千条。组盘要决定三件事：放什么、放多少、什么时候能改。这是整个流程里最容易自欺的一环——因为盘子怎么配，分数就怎么出。
7.1 品牌词：必须单独报，绝不混入总分
这是全行业最大的一个坑，而且有相当硬的数据。在一份覆盖 3,989 个品牌、约 2,300 万条答案的跟踪样本里（截至 2026-10-15 的 30 天，Searchable 自有数据），品牌被提及率的中位数是：
样本：3,989 个品牌，每个至少 30 条带品牌词答案与 30 条不带品牌词答案。
同一份数据里，98% 的品牌在带品牌词的 prompt 上得分更高。换句话说：往盘子里多放一条品牌词 prompt，总分几乎一定上升，而真实处境一点没变。
配比的后果可以直接算。设某品牌在品牌词问法上被提及 95%、在品类问法上被提及 10%，同一周、同一个品牌，三种盘子给出三个结论：
算例来自 Carlos Barraza 的公开推演（示意数值）。结论不依赖具体数字：可见度分数的大头由盘子配比决定，而不是由你的实际表现决定。
7.2 三类配比：行业区间与建议值
| 类别 | HubSpot 建议 | Conductor 建议 | 本攻略建议 | 它回答的问题 |
|---|---|---|---|---|
| 非品牌（品类 / 场景 / 问题） | 50–60% | ≈ 75% | 55–65% | 陌生用户问起这件事时，你在不在答案里 |
| 竞品向（A vs B、X 的替代品） | 20–30% | （计入非品牌） | 20–30% | 被拿来比较时你是否被当成可信选项 |
| 带品牌词 | 10–20% | ≤ 25%（上限） | 10–15% | 模型对你的描述是否准确、是否负面 |
两家的口径差异主要在竞品类归属：Conductor 把竞品向并入非品牌，所以得到 75/25。换算到同一口径后，两者对「品牌词不超过四分之一」是一致的。电商品牌可以把竞品向压到 20%、把交易类意图补到非品牌那一侧，因为商品卡的竞争发生在品类与场景问法上。
7.3 覆盖矩阵：六个维度都要填满
配比对了，仍可能全盘集中在一个意图或一个人群上。组盘的第二个判据是覆盖矩阵不能有空行：
主题簇
起步 3–5 个优先主题，每簇 5–10 条；企业级 10–30 个主题。同一主题内把同义改写合并成 1–2 条代表句，不要 20 条同义句刷量。
意图
上面六类意图每类至少 1 条；推荐类与对比类应占非品牌部分的多数——认知类（定义）给小份额，它几乎不带来结果。
人群与约束
同一问法按预算、规模、地区、用途各出一条。约束条件会直接改变被点名的品牌集合，这是 AI 搜索独有的、必须覆盖的变量。
市场与语言
主力市场全覆盖，次级市场只留一个缩小的子集。同一句话在不同语言下引的来源完全不同，不能靠翻译复用结论。
引擎
同一盘子跑全部监测引擎，但基线按引擎分别设（见测量一节）。跨引擎用同一个阈值判好坏是无效比较。
绑定资产
每个意图簇指定一个「应该被引用的页面」。指不出来，这就是内容缺口，而不是监测项。
7.4 规模阶梯与冻结纪律
| 阶段 | prompt 总量 | 主题数 | 冻结盘 / 探索盘 | 改动规则 |
|---|---|---|---|---|
| 起步（0–1 个月） | 25–50 | 3–5 | 100% 冻结 | 第一个月只收数据，不改盘。 |
| 成长（2–6 个月） | 150–300 | 5–12 | 70 / 30 | 季度改动 ≤ 20%，分批带日期加入。 |
| 企业 / 多市场 | 500+ | 10–30 | 70 / 30 分市场 | 各市场独立冻结盘，禁止跨市场合并报表。 |
冻结盘是比较基准
它在一个季度内一个字都不改——包括标点。改写过的 prompt 在数据上是一条新 prompt，历史不接续，图表上要断点标注。
探索盘负责试错
新问法、新细分、新市场先进探索盘，连续两个月证明有量有意图，再升进冻结盘。
退役规则
一条 prompt 连续三个月没有触发任何决策或动作，就该退役。它不是在监测，是在产生噪声。
7.5 写法规则
- 写完整的问句，不写关键词
- AI 搜索的提问平均 70–80 词，而 Google 搜索是 3–4 词（SimilarWeb 数据，经 iPullRank 引述）。盘子里全是「最好的防晒霜」这种三词短语，测的就不是真实场景。
- 把约束条件写进句子
- 预算、规模、地区、用途、人群——这些是模型筛选品牌的实际依据。「预算 300 元以内、敏感肌、脸部用」和「防晒霜推荐」是两条不同的 prompt，答案里的品牌集合也不同。
- 不要裸跟进句
- 「哪个更便宜？」单独放进盘子是无效的，因为它脱离上下文。要写成带完整背景的独立问句。
- 同义改写合并
- 一个意图留 1–2 条代表句。20 条同义句不会提升覆盖，只会让某一个意图在总分里被重复计权。
- 一句一意图
- 「你们的价格和 X 比怎么样，另外支持哪些集成？」要拆成两条。合在一起时答案形态混杂，归因不了。
商业价值打分：四因子，乘法结构
「量大」不等于「该做」。AI 搜索里有大量高量零意图的问法（「什么是 GEO」），也有低量高价值的问法（「预算 5 万以内、支持跨境结算的 ERP」）。用加法打分，高量会把零意图抬上来；用乘法结构，任何一项为零，整条 prompt 就出池——这正是你想要的行为。
PVS = 100 × (D/5)0.30 × (I/5)0.30 × (W/5)0.20 × (E/5)0.20
- D 需求强度（1–5）
- 上一节的需求指数，按主题簇取值，不按单条取值。
- I 意图纯度（1–5）
- 问法离「决定买谁」有多近；定义类 1，推荐与对比类 4，交易类 5。
- W 可赢度（1–5）
- 当前是否已被提及、该问法的引用集中度（越集中越难攻）、对手护城有多深、你是否已有可被引用的资产。
- E 单位经济价值（1–5）
- 该问法命中的 AOV × 毛利 × 复购；B2B 看成单规模与销售周期。
任一项评 0 → 直接出池，不计分
举例
「预算 300 元以内、敏感肌防晒推荐」
D=4 I=4 W=3 E=4
PVS ≈ 76
需求更低，但意图与价值高得多。
「什么是生成式引擎优化」
D=5 I=1 W=4 E=1
PVS ≈ 43
量更大的那条排在后面，这是对的。
给一条 prompt 打分
调四个因子，直接读分。乘法结构，所以任一项为零这条 prompt 就出池。
PVS
76
高优先
打完分，用两个轴分流动作
PVS 只排序，不告诉你该做什么。把它和「当前可见度」交叉，四个象限对应四种完全不同的投入方式：
高价值 · 已可见
守
进冻结盘做日常监测，关注排序下滑与引用源被替换。这里的风险是慢慢被挤出去而没人发现。
高价值 · 不可见
攻
本季度的主战场。先查对手在这些问法上被引了谁——攻击面通常在第三方来源，不在你的官网。
低价值 · 已可见
省
维持现状，不追加投入。别被它的高可见度数字迷惑，它贡献不了结果。
低价值 · 不可见
搁
留在探索盘低频观测。某些会随品类演化升值（新兴场景往往先在这里出现）。
测量有效性：为什么不能看今天的数字
这是 prompt research 里唯一有严谨公开研究支撑的部分，也是最常被跳过的部分。圣加仑大学 2026 年 4 月的一份研究做了两件事：连续 45–46 天每天跑同一批 prompt，以及同一天内对同一条 prompt 重跑最多 10 次——后者把「模型本身的随机性」从「外部排名变化」里剥离了出来。
结论很不客气：同一分钟重跑，答案的引用源重叠率和隔一天比几乎一样低。
| 测量 | 引用源重叠（Jaccard） | 品牌集重叠（Jaccard） | 含义 |
|---|---|---|---|
| 连续两日之间 | 0.34 – 0.42 | 0.45 – 0.59 | 约 65% 的引用源每天更换 |
| 同一天内重跑（≤10 次） | 0.32 – 0.43 | 0.33 – 0.48 | 波动主要来自模型随机性，不是排名变化 |
数据来源：arXiv:2604.07585，4 个行业 × 8 条 prompt × 4 个引擎（该研究测的是 ChatGPT、Gemini、Google AI Mode 与 Perplexity），瑞士德语市场，2026-01-24 至 2026-03-25。品牌口径仅含品牌识别率 ≥70% 的行业。
由此得出的四条操作规则
- 01
单条 prompt 的有效观测次数 ≥ 7
自助法收敛分析显示：品牌被提及率的标准误在 n=7 次时降到 0.10 以下（95% CI ±0.158），n=8 时降到 0.08 以下；若关心引用源覆盖，需要 n≥8。实践里如果每条 prompt 每个引擎每天只跑一次，就必须用滚动窗口把多天的观测累起来，而不是比较单日数字。
- 02
滚动窗口 10–28 天，不看单日
同一份研究的滚动窗口分析：单品牌被提及率估计的标准误在 d=10 天降到 0.10 以下，d=24 天降到 0.05 以下。日报表只用于发现异常，不用于判断趋势。一周的窗口在品牌级别上仍然太噪。
- 03
品牌级做 KPI，URL 级做诊断
品牌集的日间稳定性（0.45–0.59）明显高于引用源（0.34–0.42）。所以对外汇报的指标应该是品牌被提及与排序，而把「哪个 URL 被引」降级为归因工具——盯单个 URL 的涨跌基本是在读噪声。
- 04
基线按引擎分别设
引用集中度（Gini）平均 0.715，但各引擎差别明显：该研究中 Google AI Mode 最集中（0.782），Perplexity 最分散（0.671）。集中度高的引擎里，少数域名吃掉大部分引用——同一个「可见度 20%」在两个引擎上的难度完全不同。另外该研究记录到 ChatGPT 有 57.8% 的运行完全不带引用（定义类问题不触发联网），所以缺引用不等于没被提及。
从缺口到动作：先判断缺口类型
「我们在这条 prompt 上不可见」是四种完全不同的病，对应四种完全不同的药。判错类型，投入就会打空。
缺口 A
覆盖缺口 — 压根没被提及
信号: 该问法下你的提及率长期接近 0，答案里是另外 5 个品牌。
药: 先确认模型对你的实体认知是否存在（品牌词 prompt 能不能答对）。实体都不成立时，做内容是无效的，要先补实体与结构化事实。
缺口 B
位次缺口 — 被提及但排在后面
信号: 提及率不低，但平均位次靠后，或只在长答案的末尾出现。
药: 补「可比参数」——价位带、适用人群、具体规格。模型排序时用的是能对齐的属性，模糊的品牌故事排不上前面。
缺口 C
认知缺口 — 被提及但说错 / 负面
信号: 品牌词 prompt 上描述失真、品类归错、带负面评价。
药: 公关与口碑题。模型综述口碑时引的是评论站与社区，不是你的官网声明。这一类不要交给 SEO 团队。
缺口 D
证据缺口 — 对手被引你没被引
信号: 你偶尔被提及，但答案引的全是对手所在的榜单与评测。
药: 去那些来源里出现。先把该问法下被引用最多的域名列出来，按「能不能进」排序——这是推荐类意图唯一有效的打法。
每条动作必须绑定一簇 prompt 和一个观察窗口（≥ 4 周）。没有绑定的动作无法验证，下个季度就会变成「大概有用吧」。
节奏表：谁在什么周期看什么
| 周期 | 看什么 | 允许改什么 | 禁止 |
|---|---|---|---|
| 每日 | 异常告警：某引擎整体掉线、某条高价值 prompt 连续 3 天归零。 | 什么都不改 | 按单日数字下结论、调整 prompt |
| 每周 | 滚动 7 日窗口的方向；对手是否在特定意图簇上成片上升。 | 探索盘加减；动作排期 | 改冻结盘；改报表口径 |
| 每月 | 滚动 28 日窗口的品牌级指标；答案挖掘产出的新问法与新对手。 | 探索盘升降级；新增 prompt（带日期批次） | 删除有历史的 prompt |
| 每季 | 重算全盘 PVS；四象限重分；细分是否成立。 | 冻结盘改动 ≤20%；新增市场 / 细分；退役三个月无用的 prompt | 一次性重做整盘（历史会全部不可比） |
90 天落地
第 1–30 天
建池并冻结
定界 → 八类来源采集 → 25–50 条起步盘 → 全量冻结只收数据。本月不下任何结论，目的是攒够窗口长度。交付物：带来源标记的 prompt 表 + 每条绑定的目标页面。
第 31–60 天
第一次判断
28 日窗口出来了：做首次四象限分流，按缺口类型排 3–5 条动作，每条绑一簇 prompt 和 4 周观察窗。同时启动探索盘，补意图与人群矩阵的空行。
第 61–90 天
验证并扩盘
验证第一批动作（比较动作前后两个 28 日窗口，不比单日）。扩到 150–300 条，启动答案挖掘回流，确定下一季要不要开新细分。
让答案告诉你：新场景、新痛点、新细分
这是闭环真正的价值所在，也是大多数团队没做的一步。你每天采集的几千条答案不只是「我被提到了没」，它还是一份模型眼里的市场结构。四种挖法：
属性挖掘 → 模型如何给你归类
统计答案文本里紧贴你品牌出现的限定词。如果模型一直说你「适合预算有限的小店」，那就是模型给你的定位——它会直接决定你在哪些问法下被推荐、在哪些下被跳过。想改定位，先看这批词。这些词同时就是新的场景与痛点候选，把它们写成 prompt 放进探索盘。
共现挖掘 → 真实的品类边界
和你同时出现在答案里的品牌，才是模型认定的竞争集，往往跟你自己写在竞品分析里的那份名单不一样。出现了意料之外的品牌，说明模型把你归进了另一个品类——要么顺势把那个品类的问法纳入盘子，要么去修实体认知。
新检索词频次 → 新兴场景的早期信号
模型发出的子查询里，上个月不存在、这个月开始反复出现的那些，是需求侧正在形成的新问法。它们通常还没有公开搜索量（所以关键词工具里查不到），这正是最便宜的进入时机。
细分成立的三条判据
不是每个高分主题簇都值得独立成一个细分。三条都满足再开：① 它有独立的子查询主题（不是现有簇的改写）；② 它有独立的竞争集（共现品牌与主盘明显不同）；③ 它有独立的被引来源（答案引的榜单与评测跟主盘不是一批）。三条缺一，它只是现有簇的一个变体，继续留在探索盘里。
十条反模式
每条都见过真实案例。打印出来贴在会议室里。
| 反模式 | 为什么错 | 正确做法 |
|---|---|---|
| 1 品牌词混入总分 | 中位 95% vs 7%，总分几乎只由配比决定 | 品牌词单独一组，只看准确性与情感 |
| 2 边改盘边比可见度 | 口径漂移，涨跌全是配比变化 | 冻结盘季度不动；改写算新 prompt，图表断点 |
| 3 看单日数字下结论 | 同分钟重跑的重叠率只有 0.32–0.43 | 滚动 10–28 天窗口；日报只用于告警 |
| 4 对日比率做简单平均 | 各日记录数不同，权重错 | 读合计行，或按记录数重新加权 |
| 5 把缺失日当 0 | 没采集 ≠ 没被提及，窗口均值被压低 | 缺失日排除在分母外 |
| 6 为每条 fan-out 变体建页 | 命中规模化内容滥用判定 | 一个权威实体页覆盖一整簇 |
| 7 跨引擎用同一阈值 | 引用集中度差异明显（0.671–0.782） | 每个引擎独立基线 |
| 8 盯单个 URL 的涨跌 | URL 级最不稳定，65% 的源每天在换 | 品牌级做 KPI，URL 级只做归因 |
| 9 推荐类意图去改官网 | 这类答案引的是第三方榜单 | 先列被引域名，按「能不能进」排序 |
| 10 只看自己不看行业 | 没有分母，不知道 20% 是好是坏 | 同一盘子、同一窗口对比竞争集 |
来源与口径
本页所有数值均标注原始来源与数据期。出自厂商自有数据的部分已单独标明——那类数值不可独立复核，引用时请保留原始措辞与样本说明。
测量稳定性 · 全部统计学结论
Schulte, Bleeker & Kaufmann, Don’t Measure Once: Measuring Visibility in AI Search (GEO), arXiv:2604.07585, 2026-04-10。4 行业 × 8 prompt × 4 引擎（该研究测的是 ChatGPT、Gemini、Google AI Mode 与 Perplexity），瑞士德语市场，2026-01-24 至 03-25。品牌口径仅含品牌识别率 ≥70% 的行业。
arxiv.org/abs/2604.07585品牌词 vs 非品牌提及率厂商数据
Searchable 自有跟踪数据：3,989 个品牌、约 2,300 万条答案，截至 2026-10-15 的 30 天。中位 95% / 7%，98% 的品牌在品牌词上更高。厂商数据。
searchable.com配比建议 50–60 / 20–30 / 10–20
HubSpot, Which AI prompts should you track? 另含起步 25–50 条、每主题 5–10 条、季度改动 ≤20% 等建议。
blog.hubspot.com配比建议 75 / 25 与规模阶梯
Conductor Academy, AI Prompt Tracking。品牌词 ≤25%；10–30 个主题；企业每主题约 100 条。
conductor.com配比算例 52.5% / 19% / 10%
Carlos Barraza, Your AI Visibility Score Is Only as Good as Your Prompt List。示意数值推演。
barrazacarlos.comFan-out 八类变体与专利
iPullRank, Expanding Queries with Fan-out。整理自 US12158907B1（Thematic Search）、US20240289407A1（Search with Stateful Chat）、WO2024064249A1。Google 未确认任何专利为线上实现。同篇引述 SimilarWeb 的 70–80 词 vs 3–4 词对比。
ipullrank.com商品卡返回比例 87% / 91%厂商数据
cloro.dev 对 3,312 条购物意图 prompt 的研究。厂商数据，方向性参考。
cloro.devAI 引荐流量的商业价值
Adobe Analytics：2025 假日季生成式 AI 引荐流量同比 +693.4%，AI 引荐访问转化率高 31%。
news.adobe.com反面证据（务必一并读）
Amsive 对 54 个站点的分析：LLM 引荐与自然搜索的转化率无一致显著差异（4.87% vs 4.60%），且 LLM 仅占会话的 0.24%。把 AI 流量的转化溢价当成既定事实是危险的。
点击行为
Pew Research Center：出现 AI 摘要时点击传统结果的访问占比 8%，未出现时 15%；点击摘要内链接仅 1%。900 名美国成年人，2025-03。
pewresearch.org
在 GEOly 里对应哪些能力
这套方法论不依赖任何单一工具，但各阶段在 GEOly 里有直接对应：
阶段 02 采集
AI Research 输入域名与种子词，生成按主题成簇、带意图标签的 prompt，可直接导入监测；免费的 AI Prompt Generator 是它的轻量版。
阶段 03 扩散
Query Fan-out 分析采集模型真实发出的检索词，聚成 Demand Themes，并用 Query Breadth 对比各品牌覆盖了多宽的检索面。
阶段 05–06 组盘与测量
Prompts & Query Analytics、主题簇分析、跨引擎矩阵。每条 prompt 每天在 ChatGPT / Google AI Mode / Google AI Overviews / Gemini 上各跑一次，按 30 天窗口加权聚合 —— 这正是上面滚动窗口规则的实现方式。
阶段 07 行动
引用来源分析（哪些域名在该问法下被引最多）、竞争共现、品类空白、GEO Audit，给你的团队提供动工的证据。指标定义见 AI 可见度指标，公开信源榜单见 Cited。
GEOly 监测 ChatGPT、Google AI Mode、Google AI Overviews 与 Gemini。Perplexity 已于 2026-10-22 下线、Microsoft Copilot 已于 2026-11-03 下线；Claude 与 Grok 从未追踪。
把这个闭环跑在你自己的品牌上
先查你的品牌今天在 AI 回答里的位置，再看是哪些 prompt、哪些被引来源决定了它。
常见问题
- 怎么查一条 AI prompt 的搜索量？
- 查不到——至少不是关键词量意义上的那种。没有任何 AI 平台公布 query 级数据，也没有 Search Console 的等价物，所以市面上所有「AI 搜索量」都是模型估计或样本外推。可行的替代是一个相对的需求指数：由四类代理（搜索派生、面板派生、机器侧留痕、第一方需求）各自归一到 0–100 后按可核实性加权。要保留分项、按主题簇聚合后再排序，并且绝不要把结果叫作「量」。
- prompts 里带品牌词的应该占多少比例？
- 10–15%，而且必须单独成组汇报。带品牌词的 prompt 天然得分高得多：在 3,989 个品牌、约 2,300 万条答案的样本里，带品牌词的中位提及率是 95%，不带品牌词是 7%，且 98% 的品牌在品牌词上得分更高（Searchable 自有数据，截至 2026-10-15 的 30 天）。也就是说多放一条品牌词 prompt，总分几乎一定上升，而真实处境一点没变。品牌词的看点是准确性与情感倾向（模型有没有把你说错、说负面），不是可见度。
- 什么是 query fan-out，怎么做调研？
- Fan-out 是模型把一句话改写成一批子查询——泛化、细化、追问——再把检索回来的材料合成答案。所以你不是在跟这一句话竞争，而是在跟它扩散出的一整簇检索词竞争。Google 的相关专利把变体分为八类（Equivalent / Follow-up / Generalization / Specification / Canonicalization / Language Translation / Entailment / Clarification），但 Google 从未确认任何专利是线上实现。这八类的用处是压力测试清单：用它们改写你的核心问法，看哪些改写下你消失了——消失的那一类就是你的内容缺口类型。
- 应该追踪多少条 prompt，多久可以改一次？
- 起步 25–50 条、3–5 个主题，第一个月全量冻结；运行起来后 150–300 条、5–12 个主题，按 70% 冻结盘 + 30% 探索盘拆分；企业级 500+ 条、10–30 个主题，各市场独立冻结盘。冻结盘在一个季度内不改——包括标点——因为它是你的比较基准。季度改动控制在 20% 以内，分批带日期加入。改写过的 prompt 在数据上是新 prompt，图表上要断点标注。
- 为什么不能拿今天的 AI 可见度跟昨天比？
- 因为日间波动的大头是模型随机性，不是排名变化。圣加仑大学的研究（arXiv:2604.07585）在同一天内对同一条 prompt 重跑最多 10 次，引用源重叠率是 0.32–0.43——跟连续两日之间的 0.34–0.42 基本一样。可用的读数是滚动窗口：单品牌被提及率的标准误在 10 天降到 0.10 以下、24 天降到 0.05 以下。日数字只用于告警。该研究测的是 ChatGPT、Gemini、Google AI Mode 与 Perplexity。
- 我们在「最好的 X」里没被提到，是不是该改那个落地页？
- 通常不是——这是最常被误判的一类。推荐类意图下模型引的几乎全是第三方榜单与评测，不是你的官网。动页面之前先判断缺口类型：压根没被提及（先补实体与结构化事实）、被提及但排在后面（补可比参数）、被提及但说错（公关题）、还是对手被引你没被引（去那些来源里出现）。把该问法下被引最多的域名列出来，按「能不能进」排序。
相关阅读
GEOly · Prompt Research Loop v1.0。本文为方法论文档，所引第三方数值归原发布方所有。