作者： zzrs

一个做手冲咖啡器具的品牌，产品图拍得相当好：白底、多角度、打光讲究，每张都修过。他们做了两年内容，AI 里问「手冲壶推荐」，一次都没提过他们。

我打开他们产品页看源码，图片那段是这样的：

<img src="/wp-content/uploads/2024/03/IMG_3847.jpg">

没有 alt，没有图注，文件名是一串相机自动编号。

对客户来说，这张图很清楚：一把壶，一个滤杯，木质把手。对机器来说，这个位置上除了一张它没法解码的图片，什么都没有。

一、AI 看不见图，它读的是字

这件事说出来会让人不舒服：主流大模型并没有真的在“看”你的图片。

它做的第一件事是去找这张图周围的文字——文件名、alt、图注、页面正文、结构化数据。文本线索够强，它才愿意再花算力去做一层深层视觉分析；线索不够，这张图对它来说就是一个空占位。

有研究把这件事量化了：在文本查询下，纯图片内容的跨模态匹配得分大约是零点六，而带文本的内容能到零点八附近。这个差距是结构性的，不靠把图拍得更好看能补回来。

所以那句听起来很怪的话其实是对的：AI 看不见图，它只读旁边的字。

二、四个字段，决定这张图归谁

把图片周围的文本拆开看，有四个位置是机器一定会读的，而且每一个都很便宜，只是大多数人空着：

视频还有第五个位置：transcript。要注意一个细节——把口播文字以 HTML 形式放在播放器下方，而不是只塞进字幕文件里。机器读的是页面上的字，不是封装在文件里的轨道。

另外提醒一句：这些字段不是给搜索引擎的仪式，是给模型的输入。写得像广告（「高端品质，匠心之作」）等于没写，因为那不是对画面的描述。

三、更狠的一层：同一张图，可能根本不是你的

这一层很多人不知道，但它决定了电商和制造业的图搜命运。

假设你卖一款小家电，图片是厂家提供的。全国有两百家经销商在传同一张图。你以为你在和同行比图，其实不是——近重复的图片会被聚成一簇，只留一个位置。

接下来会发生什么？因为像素几乎一样，模型没法靠画面分出高下，平局只能靠画面之外的东西打破：品牌强度、域名权威、结构化数据、页面上下文。

也就是说：图越是一样，你的品牌信号越重要；图越是独一无二，品牌信号越不重要。

反过来看，这就是一个很便宜的护城河——自己拍、带真实使用场景、别人没有的角度，那张图落在只有你有的位置上，平局根本不会发生。

四、一张图会拆成一串搜索

还有一件事会改变你对「一张图」的认知。

当用户把一张书架的照片交给 AI，它不会只做一次搜索。它会同时发起好几路：识别每一本书、找相似的书、找评价高的、找哪里能买。

这就是我们之前讲过的查询扇出，只不过这次扇出的起点是一张图。

对做内容的人来说，意思很直接：你竞争的不是一个查询，是一簇。一张图旁边如果只有一行「产品图」，那一簇里没有一路跟你有关；如果那张图旁边写清了材质、尺寸、适用场景、价格区间，它就可能同时接住好几路。

五、别为流量做，为证据做

最后要说清楚一件事，免得方向走偏。

视觉搜索的量确实大——按月都是几十亿次的规模，其中约五分之一带商业意图。但这里有个最常被夸大的地方：「占搜索量的比例」和「给你带来的流量」是两件事。实测下来，图片搜索带来的引荐流量通常只占站点总流量的一小块。

所以如果你的目标是流量，这件事的性价比并不高。但如果你的目标是让 AI 在回答里能拿出证据，那图是你手里最容易被当成证据的东西。

六、今天就能做的四件事

• 把主推产品的图重命名：用英文描述画面内容，不要留相机编号。这一步成本最低，收益最直接。
• 给每张主图写 alt 和图注：alt 说清实体和关系，图注写一句陈述句——「这把壶的把手是实木的，握持处做了防滑纹」，而不是「产品细节图」。
• 补结构化数据：图片用 ImageObject，视频用 VideoObject，视频把口播文字以 HTML 放在播放器下方，再加章节标记。
• 挑三个 SKU 自己拍：带真实使用场景、别人没有的角度。不用全店重拍，先做最赚钱的那三个。

七、常见问题

我们的图都是厂家给的，必须重拍吗

不必全重拍。优先级这样排：主推的三五个 SKU 自己拍，其余把字段补全。厂商图补上完整字段，仍然能被匹配到商品，只是拿不到那个「只有你有的位置」——差别在平局的时候谁赢。

alt 写多少字合适

中文大约二十到三十字，说清「什么东西 + 在什么关系里」就够了。不是越长越好，堆一串关键词反而像在作弊，机器也不认。

视频要不要做字幕

要，而且要把口播文字以 HTML 形式放在播放器下方，别只塞进字幕文件里。机器读的是页面上的字，不是封装在文件里的轨道。再配上章节标记，它就知道答案在第几分钟。

图搜流量听说很大，值得专门投入吗

把两件事分开看：视觉搜索占搜索量的比例确实高，但它带来的引荐流量通常只占站点总流量的一小块。所以别为流量做，为「证据」做——图是你内容里最容易被当成证据的那一部分。

延伸阅读

• 页面里放着计算器，AI 为什么读不出一个数字？
• AI 读到你，和「接到你」，是两回事
• 客户只问一句，AI 为什么拆成十几个问题去搜？

AI 看不见你的图。它看见的是你为这张图写下的那几行字——写了的，它记得；没写的，这张图就不存在。

两家做工业清洗的公司，规模差不多，成立时间差不多，客户也差不多。

客户在 AI 里问「本地工业清洗哪家靠谱」，AI 只点了其中一家的名字。

没被点的那家不服气：我们官网写得比他们长，案例比他们多，首页第一屏还挂着「深耕行业十余年，值得信赖」。

我打开两家官网并排看，差别其实就一处。

被点那家的「关于我们」页里，有一行字：清洗资质证书编号 XXXXX，可在省特种设备协会官网查询。

另一家的「关于我们」页里，是：我们拥有一支经验丰富、技术过硬的专业团队。

就这一处。一处是能被查的，一处是只能被读的。

一、AI 不是在评你，是在核你

我们对「可信」这件事的理解，常常停在「我说我可靠」。但 AI 处理信息的方式不是评价，是核对。

它拿到一个品牌名，会去想：关于这家公司，有哪些说法是我能对上的？对得上的，往上放；对不上的，往下降，或者干脆不用。

所以真正决定权重的是这一件事：核对你说的话，要花它多少步。

这就解释了一个很多人想不通的现象：为什么小公司有时候反而被引用得更多？不是因为它更好，是因为它的信息更好核——资质编号挂在页面上、服务范围写到街道、价格区间写得清清楚楚，AI 一眼就能验，不需要替它做任何推测。

二、自证的四个层级

把企业能拿出来的东西按「可核程度」排一排，其实是四层，一层比一层硬：

注意这两层的顺序：「编号」比「一致」更硬。因为编号是外部权威给的，你改不了；而「一致」是你自己在多个地方说同样的话，理论上是能演的。所以真正的自证顺序是先拿编号、再求一致，反过来做效率很低。

三、把「主张」换成「证据」

绝大多数官网的问题不在于缺内容，而在于写的全是主张。主张是「我认为我怎样」，证据是「别人可以怎样核」。对照下面这张表改，一句一句换就行：

右边这一列有个共同点：每一个数字都带着口径和时间。「47 家客户」不如「2023 年至今 47 家」，因为后者能被定位、能被追。

四、一个「自证页」该长什么样

不要把这些信息散落在五个页面里。散着放，等于让 AI 多走五步；集中在一个固定页面上，它一次就能核完。这一页建议包含五块：

• 主体信息：全称、统一社会信用代码、成立时间、注册地址、实际经营地址——两套地址不一致时要写清为什么。
• 资质清单：每张证的名字、编号、发证机构、有效期，最好直接给一个官方查询入口的链接。
• 能力与边界：能做什么写清楚，不做什么也写清楚。边界比能力更能建立信任，因为它证明你知道自己在哪停。
• 可核的数字：服务量、交付周期、复购、投诉处理时长，每个数字都带统计口径和时间段。
• 版本与时间：这一页什么时候更新的，上一版改了什么。一个三年没动过的「关于我们」，本身就是一个信号。

这一页做好之后，你在任何平台的介绍、任何一次商务沟通、任何一篇对外内容里，都可以只引用它——因为它是你所有说法的源头。

五、别把自证做成自夸

这一步很容易走过头。自证和自夸，形式很像，结果相反。

元宝在 2026 年 8 到 9 月做过一轮实测：三轮检索返回大约 118 条信源，最终采信的只有 23 条，不到两成。被弃用的那一批里，公众号软文、十大品牌榜、垂直媒体测评被明确归为商业营销内容，一律不用。

豆包那边是另一套筛法：单一信源的引用占比被压到很低，强制要求至少三个互不隶属的来源交叉印证——这就是所谓的「孤证不利」。DeepSeek 更直接，孤证基本进不了末轮。

所以花钱买榜单这条路，现在反噬得很厉害。有机构做过实测，自评榜单页在 AI 答案里的引用被砍掉了大约四成，而在引用了这些页面的答案里，绝大多数根本不提那个把自己排第一的品牌。

自夸的特征是「只有你能说」，自证的特征是「别人能核」。一句话里如果找不到任何外部锚点，它就是自夸。

六、FAQ：几个最常被问到的问题

我们没有什么资质证书，怎么自证

那就从「可复现」这一层切入。没有证书，可以有方法——把你的作业流程、验收标准、常见问题的处理口径写清楚。客户真正怕的不是你没证，是你连怎么干都说不明白。再补一条边界声明（不接什么样的情况），这本身就是很强的可信信号。

编号放出来，会不会被同行拿去用

备案号、证书号本来就是公开可查的，你不放，同行照样能从官方库里查到。真正怕被抄的从来不是编号，是你没写清楚的定位和服务边界——那个才是别人抄不走的。

第三方提及我们控制不了，怎么办

控制不了全部，但能影响一部分：行业目录、协会名录、供应商合作页、客户的公开案例、开源社区和行业问答。这些都是「别人替你说」的位置。从离你最近的合作方开始，成本最低。

自证做完了，多久能看到效果

写上去是几周的事，被 AI 采信是几个月的事。而且要看趋势，不是单次——同一批问题重复问，看出现率有没有抬起来。拿一张截图下结论，是最容易误判的做法。

延伸阅读

• AI 提到你，客户为什么还是不选你？
• AI 引用你之前，为什么会先查「这话是谁说的」？
• AI 提到你的品牌就说错？先补一张「事实名片」

自证的本质，不是证明你有多好，是让「核对」这件事变得便宜。AI 不是不信你，它是没法核你。

一家做室内空气治理的公司，官网首页从上到下写着「专业除甲醛」，标题里有、正文里有、每个小标题里都有，密度高得像在交作业。

他们老板跟我说：我这个词做得够到位了吧。

后来我拿客户的真实问法去试。一个刚装修完的业主，坐在新房里，打开 AI 输入的是这样一句话：「新房装修完味道特别大，怎么办？」

AI 给了答案，推荐了三家。没有他。

他很不服气：我做的就是这个行业啊。

问题就在这儿——他做的是这个行业，但他只写了这一个词。

一、AI 找的不是你的词，是你的意思

过去做 SEO，匹配发生在字面层：你写「除甲醛」，用户搜「除甲醛」，字符串对上就算相关。现在主流 AI 检索做的是另一件事——它把你的页面和用户的提问，都换算成「意思」再去比。

所以「新房有味怎么办」和「除甲醛」，在意思上是同一件事，字面上一个词都不重合。

这件事有一个很好懂的说法：AI 不认识你的关键词，它认识你的意思。

二、为什么换一种说法就找不到你

三个原因，一个比一个隐蔽：

• 你的页面里从来没表达过那个意思：首页通篇「除甲醛」，但没有一处写过「装修完味道大」这件事。语义再强，也变不出你没说过的内容。
• 你的内容在意思空间里只是一个点：同一个词反复出现，覆盖的还是那一小块。客户的说法越具体、越口语，离你越远。
• 你以为的近义词不算数：「甲醛治理」「空气净化」这些行业内部说法，客户基本不用。行业词和客户词，常常是两套语言。

第二条最要命。关键词密度做高，只是把同一个点画得更粗，并不会让它变大——这也解释了为什么研究里关键词堆砌对 AI 引用无效、甚至有害。Princeton 那组经典实验里真正有效的是引用来源、统计数据、直接引语，而今年 9 月有研究做了复现，控制变量后发现：真正拉开预测力的，是内容和你被问到的那句话到底对得上多少。

三、把「关键词表」换成「说法表」

这不是改个名字，是换一种组织方式。

四、说法表怎么造

• 去听录音：销售和客服电话里，客户开口的第一句话就是最准的说法。那是真实的人在没有搜索引擎的时候，自己组织出来的语言。
• 翻客服记录：客户会把自己的处境说得极其具体——「刚刷完墙」「有小孩」「租的房子能不能做」，这些都比关键词工具值钱。
• 看站内搜索框：你自己网站上那个没人管的搜索框，记录的是访客站在你门口还在找什么。
• 反向问 AI：直接问「人们通常会怎么描述<你的品类>这个问题」，把它吐出来的十句口语收进表里。

做完你会拿到一张很不一样的表：左边是意思，右边是十几种说法，而这些说法没有一个是你以前买的关键词。

五、边界：换说法 ≠ 换壳重写

这里必须说清楚，因为很多人会走过头。同一个「语义相似」，正面用是覆盖，反面用就是重写。

分辨方法很简单：换说法是「多说一件不同的事」，换壳是「把同一件事再说一遍」。前者扩大覆盖，后者只是增加重复。

六、一句话判断标准

写完一段，问自己一句：如果客户用他那种说法问，这一句能不能直接当答案？

能，这段就是有效覆盖；不能，那它只是给搜索引擎看的文字，对 AI 来说等于没写。

常见问题

这样写会不会变成堆关键词

不会，区别很清楚：堆词是同一个意思反复出现，覆盖是不同意思各出现一次、而且每次都把话说完整。判断标准只有一条——删掉这一句，读者会不会少知道一件事。会，就该留；不会，就是凑数。

说法表要做多大

一个核心需求配五到八个说法就够。再多就开始互相重复，反而容易触发同质化判定。覆盖的目的是让每个说法都有自己的位置，不是把词填满。

我们行业好像没那么多说法

去听录音。销售和客服电话里客户开口的第一句话，就是最准的说法表——那是真实的人在没有搜索引擎的时候，自己组织出来的说法。比任何关键词工具都准。

换说法能提高被引用的概率吗

能提高「被召回」的概率，但不保证「被引用」。召回之后还有名额、顺序、归因好几道关。说法覆盖解决的是第一道——你要是连第一道都过不了，后面的优化全是在优化一个不存在的机会。

延伸阅读

• 你盯的那个词，AI 也许根本没回答过
• AI 一次回答只引几家，你在不在名单里？
• 为什么内容写了没人引？「信息增量」到底怎么算

AI 不认识你的关键词，它认识你的意思。你只学会了一种说法，它就只能在那一种说法里想起你。

年初有个做实验室耗材的客户，让我帮他看一份「GEO 关键词表」。Excel 拉下来 40 行，从品类词到长尾词都有，他们团队按这张表做了三个月内容。

三个月后他来找我，第一句话是：没什么效果，AI 里还是搜不到我们。

我没先看内容，先做了一件很笨的事——把那 40 个词,一个一个丢进三个 AI 引擎里问了一遍，只看一件事：这个问题，AI 到底有没有生成答案段。

结果是 40 个词里有 28 个，AI 从头到尾没有生成任何答案——它直接给了几个蓝色链接，就跟十年前的搜索一样。

没有答案，就没有「被引用」这个位置。那 28 个词做三个月，等于在空地上盖房子。

一、答案不是每次都有

大家默认「AI 搜索就是会给答案」。但测量数据不支持这个默认。

有一份学术测量跑了 5.5 万条热门查询、连续 40 天，结论是：AI 概览的整体激活率只有 13.7%——也就是说，绝大多数查询它压根不生成答案。而在问题式查询里，这个数字跳到 64.7%。

另一份抽样更细，按问法拆开看：

二、同一件事，为什么会有四个百分比

你如果去搜这个话题，会看到四个数：13.7%、39.4%、48%、60%。差四倍多。它们都不算错，因为分母不一样。

这张表其实是 GEO 的第一堂素养课：看到任何百分比，先问分母。别人拿一个漂亮的数字来卖服务，你问一句「分母是哪些查询」，多半就问住了。

三、什么问法会长出答案

把数据翻过来看，规律很清楚：

• 问句胜名词：「1-2 个词」只有个位数触发，而 who / what / why 开头的问句能到六成。
• 长问胜短问：10 个词以上的查询触发率明显更高，因为长问里通常带着场景和约束，模型有东西可展开。
• 比较胜过单点：「A 和 B 有什么区别」这类问题，答案天然是结构化的，模型更愿意生成。
• 决策胜过导航：「哪家好」「多少钱」「怎么选」是真决策，「XX 官网」是导航——导航词的答案形态完全不同。
• 争议类反而更少：涉及政治、健康、法律责任的查询，触发率被主动压低。这不是你的内容问题，是平台在做风控。

把五条合起来就是一句话：AI 更愿意回答「客户真正会问出口的那句话」，而不是你从后台导出的那个词。

四、这件事怎么改选题

五、三步判断一个词值不值得做

• 第一步·看有没有答案：把词原样丢进三个引擎，只看「有没有答案段」。没有就是没有，别急着写内容。
• 第二步·换问法再问：给它加场景、加预算、加地域、加使用条件，改写成客户会说出口的那一句。很多词在这一步就「活过来」了。
• 第三步·看有没有引用位：答案里有没有外链、有多少个、是不是指向同类站点。有答案但一个外链都不给，那还是别人的战场。

三步走完，你会得到一张很不一样的词表：词变少了，但每一个都站在有答案的地方。

六、一个反面：触发率高不等于好做

最后提醒一句，别把「触发率高」当成唯一标准。商业决策类的问题触发率最高，竞争也最狠——而这类问题恰恰是最多大站盯着的地方。

更现实的做法是找「会触发 + 竞争还没挤满」的那一段：通常是「细分场景 + 具体约束」的组合，比如不是「实验室耗材哪家好」，而是「细胞培养用的耗材，小批量、要能开票、两周内到货，找哪家」。

常见问题

我们这行客户搜的词都很短，怎么办

把短词扩成客户真会说的那一句。「轴承」这种两字词触发率很低，但「车间用的轴承哪家能当天发货」这种就有答案了。最省事的办法：把你们销售在电话里被问的第一句话直接抄下来当词用。

触发率高，但竞争也很高，还值不值得做

先看这个答案里有没有「引用位」。生成答案和引用你是两件事——有的问题会长出答案，但整段由模型自己总结，一个外链都不给，那种问题做得再好，在报表上也看不见。

多久要重测一次

一季度一次。模型版本、地区开放范围、语言支持都在变，一次模型更新就可能让某一类问题的触发率整体位移。别拿去年测的结果当今年的事实。

我们做的词没有 AI 答案，是不是就不用管了

不是不管，是不用按 GEO 的方式管。没有答案段的问题，流量还在传统搜索里，该用 SEO 的办法做。把预算压在不会长出答案的地方，是这两年最常见的浪费。

延伸阅读

• 同一个问题，AI 给每个人的答案都不一样了
• 客户只问一句，AI 为什么拆成十几个问题去搜？
• AI 一次回答只引几家，你在不在名单里？

先确认这个问题会不会有答案，再决定要不要在那里出现。顺序反了，努力就成了成本。

一位做工业配件的客户，上周发来一段对话截图。他在自己电脑上问 AI「工业轴承供应商哪家靠谱」，答案里没有他。他不信，又问了两次，还是没有。

同一天下午，他的一个老客户在微信上跟他说：「我在 AI 里搜你们的品类，第一条就有你们啊。」还把截图发过来了——答案里确实有他，排在第二。

两个人问的是同一句话。一个看得到，一个看不到。

这不是谁在说谎，也不是 AI 坏了。这是 2026 年 GEO 最容易被忽略的一层变化：答案已经不是一份了，是一人一份。

一、答案已经一人一份

今年 8 月有一份研究，拿 211 组同一个提问，分别问 ChatGPT、Google AI Mode 和 Copilot，只看「第一个被点名的品牌」是不是同一个：

63.5% 的提问，三个引擎给出的答案不一样。

更值得注意的是同一个研究里的另一组数：把 ChatGPT 的个性化记忆关掉再问一遍，85.6% 的答案会变。

也就是说，大部分答案里都有「你这个人」的成分。你问过什么、点过什么、以前聊过哪几家，都在参与决定这一次谁被点到名。

二、四层机制，最后一层最容易被忽略

个性化不是一个开关，是四层叠在一起：

• 第一层·你告诉它的：自定义指令、填写的职业与公司（Perplexity 直接让你填）。
• 第二层·它自己总结的：ChatGPT 今年 6 月起改了记忆架构，不再存一条条事实，而是在后台跨对话综合成一份「记忆摘要」，还会随时间长进（你计划中的旅行会变成「去过」）。
• 第三层·它从别的应用读到的：Google 的「个人智能」可以跨邮箱、相册、搜索记录、视频观看历史推理。
• 第四层·它决定要不要联网：这一层几乎没人提。模型会自己判断这个问题需不需要现搜。今年 4 月的数据是，只有约 34.5% 的查询真的触发了联网。

第四层是关键：不联网的那六成多，答案完全来自训练数据和记忆。也就是说，一部分客户的答案里，压根没有「今天你的官网写了什么」这件事——无论是好是坏。

三、为什么「优化那一个答案」会失效

过去两年大家做 GEO 有一个隐含前提：同一个问题，所有人看到的大差不差，所以只要把「那个答案」优化好就行。现在这个前提不成立了。

四、那还能优化什么：三件不受个性化影响的事

个性化改变的是「谁被优先召回」，改不了三件事：

• 能不能被认出来：不管读谁的历史，模型第一步都要把「你」解析成一个实体。官网、百科、行业站、地图上的名称和定位不一致，它就会在候选池里分成两三个「你」，每一个都只有一部分证据。
• 读到的事实对不对：这条最实在。研究里有个细节——一家早就停用的电力公司，仍有34.8% 的答案在点名它。过时的第三方数据会被一直引用下去，而且看起来毫无破绽。
• 第一次被提及时说得对不对：没有历史的用户拿到的是「默认版」答案，这一次会写进他的记忆档案，影响后面每一次。第一次被说错，后面要修很多次。

五、反直觉：答案越个性化，可核验越值钱

个性化本来应该让人更信任 AI——它更懂你了。但调研结果相反：

只有约 10% 的用户信任第一条 AI 结果，48% 会跨平台再验证一遍，而 62% 的人表示：引用的来源带链接时，他们更愿意信。

还有一条我很喜欢的数据：收到 AI 推荐、并且原本没用过这个品牌的人，一周内在 Google 搜索这个品牌的概率高 182%。

这条数据把两件事接上了——AI 的答案出短名单，Google 的搜索做审计。客户在 AI 里看到你，转头就去搜你的品牌名；如果那时候搜出来的结果很薄、评价很杂、信息很旧，这单就死在他自己手里，你的销售根本不会知道有这个人。

所以 GEO 和 SEO 在这里不是二选一。AI 负责让人认识你，搜索负责让人确认你。前者是你的内容被不被摘，后者是你的品牌名搜出来干不干净。

六、怎么自己测：四个动作

• 用临时会话跑一遍，去掉记忆这一层；
• 用一个全新账号再跑，看「默认版」答案里有没有你；
• 换设备和网络跑第三次，排除位置和缓存的影响；
• 把三次结果并排记下来，标注哪几句是共有的——那些共有的句子，才是你真正能守住的资产。

注意：三次都不出现，说明是内容问题；三次都出现但说法不同，说明是实体问题；只有你自己的账号能看到，说明你测的是自己。

七、五个容易搞错的地方

常见问题

我们怎么知道客户那边看到的和我不一样

三个动作就够了：用临时会话跑一遍、换一个全新账号再跑一遍、再换一台设备和网络跑一遍。三次结果摆在一起，差多少一目了然。别用自己天天问的那个账号当唯一依据——它带着你最厚的一层历史。

关掉记忆测出来的就是「真实」答案吗

不是。临时会话只跳过记忆这一层，账号、IP 位置、语言、订阅档、模型版本、甚至你在 A/B 分组里的位置都还在。它比开着记忆干净，但不等于陌生人的视角。

个性化会不会让 GEO 完全没法做

反而更清楚该做什么。你控制不了模型读谁的历史，但你能控制两件事：它认不认得出你是谁（全站全网实体一致）、以及它读到的关于你的事实是不是真的（可核验）。这两件事恰好是唯一的共同分母。

我们是 B2B，客户第一次接触我们时 AI 会说什么

那恰恰是最该测的一次。没有历史的时候，答案更接近公共语料的默认——也就是大品牌和媒体口径更占优。所以「第一次被提到时说的是对的」在 B2B 里更值钱，因为那一次会被记住、并在后续对话里反复加权。

延伸阅读

• AI 读到你，和「接到你」，是两回事
• 七成引用来自少数网站，新站还有机会吗
• AI 用了你的内容，为什么没提你的名字？

你没法决定 AI 读的是谁的历史，但你能决定它读到的你，是不是同一个你。

一个做工业泵的客户上周问我一个问题。他的销售在跟一个设计院的项目，对方采购说要「先自己查一下」。第二天采购在微信里发了三张截图，问他：「你们这台泵的流量范围，为什么官网上找不到？」

他愣住了。那段参数就在官网产品页上，第二屏，一张表格里。他还专门加了计算器，能按工况算。

我让他去看后台访问日志。那天确实有一条来自对方城市的访问，停留 41 秒，跳出了。在统计报表里，这条被记成了「直接访问」。

一、AI 看你，现在有两条完全不同的路

这件事要讲清楚，得先承认一个变化：AI 获取你内容的方式，已经不是一种了。

第三种最容易被忽略，因为它出现得最晚，而且长得最像人。

二、代理型是「看」，不是「读」

2026 年 8 月，美国第九巡回法院在亚马逊起诉 Perplexity 的案子里，把这种浏览方式的机制写进了判决书：Comet 的助手「对浏览器视图截图，把截图从用户电脑发送到 Perplexity 的服务器，再接收服务器返回的、如何在亚马逊网站上操作的指令」。

这句话值得读三遍。它意味着代理交出去的不是网页的源码，而是一张渲染后的图——和你肉眼看到的几乎一样，但也是只有这一屏。

左边是索引型看到的：标签、正文、alt，一样不少，但那个 <div id="calc"> 里是空的，因为 JS 没有在抓取时运行。右边是代理型看到的：界面完整、按钮能点、图片在，但它的视野止于这一屏。

三、这条新路，推翻了一半旧结论

我以前写过一期，说主流 AI 爬虫基本不执行 JavaScript，所以把报价算在脚本里的计算器，抓取时只是个空表单。那个结论在当时是对的，现在也还对——但它只对索引型成立。

代理型浏览器会把页面渲染出来再看，所以它能看见你的计算器、你的交互结果、你的动态表格。代价是：它只看到当前这一屏，而且是以「图」的形式看，截图压缩之后，10 像素的小字基本读不出来。

所以正确的结论不是「以前那条错了」，而是两条路不互替：为爬虫写的静态文本，对代理依然有效；为代理做的界面，对爬虫依然无效。想两头都占，就得两头都做。

四、三个立刻能改的地方

• 首屏把结论说完：代理只看一屏，而这一屏正好是人也不愿意往下滑的地方。把「我们是做什么的、这个型号的关键参数是多少、下一步怎么联系」放进首屏，两边都受益。
• 别用图片写字：截图里的小字容易被压缩掉，而索引型爬虫又读不出图片里的文字。用图写字，等于对两类 AI 同时隐身。
• 删掉所有「说给 AI 听」的隐藏内容：白底白字、HTML 注释、零宽字符里塞提示词——过去这只是作弊手法，现在它等于对一个会替用户动手的代理下命令。这条别再碰了。

五、五个容易搞错的说法

还有两个数字值得记住：这一年里，浏览器型代理已经占到全部代理活动的约七成，其中 Comet 一家接近一半；而它跑的那条赛道——媒体、电商、旅行——恰好是「内容密度高、决策链路长」的三类。如果你的行业不在这三类里，别急着庆祝：这只说明别人先撞上了，不代表你不会。

常见问题

我们是 B2B，客户会用 AI 浏览器来买我们的东西吗

现在比例不高，但方向清楚。更现实的影响不是「客户用代理来下单」，而是「代理在帮客户做前期调研」——数据显示近七成的代理浏览活动是研究，不是交易。这一层恰好就是 B2B 采购的前半段。

那要不要专门为代理型做一套页面

不用。为代理优化的做法——首屏给结论、字号够大、关键信息不放在图里——恰好也是为人优化的。真正要改的是优先级：以前可以把结论压到第三段，现在首屏就得说清楚。

robots.txt 能挡住这些代理吗

基本不能。Google-Agent、Perplexity-User 这类用户触发的代理大多忽略 robots.txt；ChatGPT 的代理甚至没有固定的 UA，它靠请求签名自证身份。要控制这类访问，只能在 CDN 或 WAF 那一层做。

页面里放「给 AI 看的提示」有用吗

危险，别碰。代理会把你页面里的文字当内容读，如果里面藏着指令，等于对一个会替用户动手的代理下命令。这类做法已经被归入提示注入攻击面，而且不是理论问题——多项测试里，主流代理浏览器有相当一部分能被绕过同源策略。

延伸阅读

• 页面里放着计算器，AI 为什么读不出一个数字？
• AI 爬虫分三种，你 robots.txt 里挡的是哪一种？
• AI 能自己造工具了，你的页面还开吗？

过去你只要让机器读得懂；现在还得让一个只看一屏的「人」看得明白。

一家做工业配件的公司，市场负责人拿着一份行业报告来找我，说准备把 GEO 的预算停掉。

报告上写得很清楚：前 10 个域名占了某个 AI 引擎引用量的三成多，前 20 个域名在部分平台上能占七成。「这就是寡头，我们挤不进去。」他说。

我说先别急，同一个数据集里还有另一个数字，你先看看那个。

一、先承认：集中是真的

先不回避坏消息。几份 2026 年的大样本研究，结论方向一致：

• 一份覆盖数万条提问的研究显示，前 10 个域名占某个引擎引用量的两成到三成半，换一个引擎这个比例还会更高。
• 另一份 17,211 条引用、6,356 个域名的研究里，前 20 个域名在单个平台上能占到两成到七成——平台之间差别极大。
• 还有分析认为，全球四成到五成半的 AI 引用，最终流向不到一千个域名。

看到这里，「寡头」的判断不算错。但它是把所有问题混在一起算得出的结论，而这个口径恰好会放大头部。

二、同一个数据集里的另一个数字

还是那份数据。研究者把「被引用过的主机名」按出现次数重新排了一遍，得到的是这样一张分布：

一半以上的被引主机名，在 40 天里只出现过一次。

同一批研究里还有两个配套数字：大约八成引用来自不到两成的域名，以及大约六成半的来源每天都在变。

这三个数字放在一起，拼出来的画面和「寡头」完全是两回事——头部确实拿走了大部分引用，但名单本身又长又换得快。用一句更准确的话说：不是少数大站包场，是每个问题单独发一次名额。

三、「集中」和「只出现一次」，为什么不矛盾

因为这是同一份数据的两种切法。换个切法，结论就反过来了：

最后一行最值得记住：同一个大站，被引的往往是它某一篇具体的内页，不是首页。这说明AI 在做的是「找答案」，不是「认门牌」——门牌再大，答不准那一个问题，也进不去。反过来，只要你在某一个具体问题上答得最准，门牌小不影响你被选中。

四、那到底该怎么挤

方向从「进那份总榜单」改成「进某一个问题的三五个名额」。具体五件事：

• 把「大而全」的行业综述停掉：综述拼的是覆盖面，而覆盖面正是大站的优势区，你在那里最没有胜算。
• 按问题簇写，不按关键词写：一个问题会被 AI 拆成好几路子查询，你要做的是在同一页里把这些子问题都接住。
• 一篇只回答一个问题：标题就是用户会说的那句话，开头两句直接给结论。这一条在讲段落可摘取的那一期讲过，这里再强调一次——页面越”专”，被单独摘走的概率越高。
• 让每一段都能独立成立：数字带口径和日期，主体写进同一句话，别让读者（和机器）需要往上看三段才知道你在说谁。
• 去站外占位：超过八成的引用指向的不是品牌自有页面。只在自己官网发内容，等于只在一个入口排队。

五、一个反直觉的推论

那些高频域名为什么高频？不是因为它们的单篇比你的强，而是因为它们覆盖的问题多——一千个问题里各赢一次，汇总起来就是巨大的总量。

这意味着你追的方向不该是「把页面做得比它更好」，而是「把问题的覆盖面补得比它更全」。在它写得泛的地方写细，在它没覆盖的长尾问题上先落子。

总量榜是给投资人看的，单个问题才是给客户看的。你不需要挤进那份总榜单，你只需要在某一句话被问出来的时候，成为那三五个答案里的一个。

常见问题

前 20 个域名占七成，我们这种小站还有戏吗

有，而且比你想的容易。七成是「总量」口径——把所有问题混在一起算。拆到单个问题，被引的通常只有三五个来源，其中一半在 40 天里只出现过一次。你不是在跟那 20 个域名抢一个位置，你是在跟三五个同行抢一个具体问题的位置。

只出现一次，是不是说明运气成分太大，没法做

恰恰相反。只出现一次说明门槛不高——大量来源赢一次就够了。真正难的是长期稳定出现，那需要覆盖足够多的问题。先把一次拿到手，再谈稳定。

我们内容数量不多，会不会被大站碾压

引用的分配不是按内容总量，是按「这个问题谁答得最准」。一篇能把「这个型号量程多少」答准的页面，胜得过一百篇行业综述。

要不要去抢那些高频域名在做的题

不要正面抢。选他们写得泛、你写得细的那些问题——他们覆盖一千个问题、每个都浅，你覆盖十个、每个都深。在这十个里，你是第一顺位。

延伸阅读

• AI 可见度怎么测才准？查一次为什么不算数
• 客户只问一句，AI 为什么拆成十几个问题去搜？
• AI 引用你的时候，摘的是哪一段？

别问「我能不能进那份榜」，先问「哪个问题现在还没有人答准」。

一家做全屋净水的公司，去年被投诉了一次，理由让他们很委屈。

客户在 AI 里问「这家的滤芯多久换一次」，AI 答：「官方建议 12 个月更换一次。」客户照着用了 12 个月，拆开一看，滤芯早就堵死了，机器也报了故障。

可官网上写的原话是：「滤芯建议 6 到 12 个月更换；水质偏硬的地区，建议 6 个月。」

说错了吗？没有。一个字都没编。AI 只是把「6 到 12 个月」和后面那个条件一起省掉了，只留下一个最大的数字。

一、多数「说错」，其实是「省」

我们习惯把 AI 的错误分成两类：一类是幻觉，凭空编；一类是曲解，理解偏了。但大规模测量给出的结论，和直觉不太一样。

有一项覆盖 55,393 条热门查询、连续 40 天的测量研究，把 AI 答案拆成 98,020 条原子主张，逐条回原文核对，结果是：约 11.0% 的主张，在被引用的页面上找不到支撑；而这些「无支撑」里，最主要的失败方式是省略——把原文里有的东西省掉了，而不是加进去原文没有的东西。

这个区别很要命。如果是编造，你的对策是「把事实写清楚、把权威做上去」；但如果是省略，你把事实写得再清楚，它也可能只带走一半。同一项研究里还有一句更扎人的话：源质量不预测保真度——权威的页面，被省的比例并不比普通页面低。

二、省，发生在四个环节

搞清省在哪里发生，才知道该在哪儿防。整条链路大致是这样：

四个环节，共同点只有一个：它们都在让句子变短。而限定条件，恰恰是句子里最不承担主谓宾、却又最影响结论的那部分——压缩的时候，它最先被牺牲。

三、哪些词最先被删

下面这些词，几乎在每一次压缩里都是第一批被删的：

• 范围词：「仅限」「不含」「不含税」「除……外」
• 程度词：「通常」「一般」「最高」「不低于」
• 时间词：「以……为准」「有效期至」「自签收之日起」
• 条件词：「在……情况下」「视……而定」「需另行确认」

它们有个共同特征：删掉之后，句子依然通顺。机器判断一句话能不能用，看的是通顺和切题，不是「删了会不会变形」。所以最危险的不是难读的句子，而是删掉一半仍然读得通的句子。

四、一句能自救的写法

同一件事，两种写法，被摘走之后的后果完全不同：

容易被省掉的写法：「滤芯一般建议 12 个月更换一次（水质偏硬地区建议缩短至 6 个月）。」

摘不走的写法：「硬水地区滤芯每 6 个月更换，软水地区每 12 个月更换。」

第二种写法做对了三件事：

• 不另起一句：条件不是补充说明，而是句子的主干之一；
• 不放括号：括号在压缩环节几乎必然被丢；
• 不留指代：「该产品」「上述情况」离开上文就废了，直接写名字。

更通用的模板是：主体 + 条件 + 数字 + 结论，四件都塞进同一句。

「本店只做本市三环以内，普通两居室保洁 4 小时可完成，超时按每小时 60 元另计。」

这句里，任何一个成分被摘掉都不再成立——反过来说，它没法被「省一半还读得通」，所以只能整句搬走。这就是自足句的价值。

五、一个反直觉的结论：权威救不了你

很多人第一反应是：那我多做权威、多上车媒、多拿认证，AI 就不敢乱省了吧？

恐怕不行。省略发生在摘取环节，不在信任环节。前面那项研究里，源质量与保真度基本无关——意思是：它信不信你，和它会不会少摘你半句，是两件事。

信任解决的是「要不要用你」，句法解决的是「用了你之后说不说得对」。前者决定你能不能进答案，后者决定客户看到的你，是不是你说的那个你。这两件事得分开做，不能互相顶替。

六、发布前的自检

• 把每个数字所在的那一句单独拎出来读，去掉上下文还成立吗；
• 句子里有没有「上述」「该」「此」这类离开上文就废的指代；
• 限定条件是不是藏在括号、另一个句子或列表里；
• 有没有「通常」「一般」「建议」这类软化词——被压掉之后，会不会变成一句绝对承诺；
• 做一次最坏推演：如果只摘走这半句，客户会不会因此做错决定。

常见问题

AI 是不是故意曲解我们

不是。多数情况是摘取环节的省略，不是理解错误。一项覆盖近十万条主张的测量研究显示，约一成的说法在被引用的页面上找不到依据，而主要失败方式是「省」，不是「编」。

我们内容本来就写得长，因为短了怕说不清

完整，和「能被完整摘走」是两件事。一段写长没错，但要保证里面每一句单独拿出来都成立——尤其是带数字、带承诺的那一句。长句留给解释，短句留给结论，两条腿走。

加了这么多限定，客户会不会觉得我们不自信

会显得啰嗦的是形容词，不是限定。客户真正怕的是「说好三天变成十天」，不是「仅限本市」。限定写得清楚，反而少纠纷。

怎么知道 AI 是不是省掉了我们的条件

拿那句最要紧的话去问 AI，看它复述时少了哪个成分。哪个成分总被省，就说明那个成分放得离主句太远了。

延伸阅读

• AI 引用你的时候，摘的是哪一段？
• AI 用了你的内容，为什么没提你的名字？
• AI 把你的案例算给了别人，问题出在名字上

AI 不欠你一个完整句。它只会带走读得最顺的那半句——所以要紧的话，得写在同一口气里。