本文是「GEO 优化实操系列」的第 2 篇。第 1 篇我们完成了对齐需求——把公司的身份、联系方式、介绍与资产在元鉴平台上备齐。今天进入第 2 步：诊断现状，看看 AI 现在到底是怎么说你的。

先问一个扎心的问题：你知道 AI 现在是怎么描述你的公司的吗？或者说你有时常在AI应用中搜索过自己的公司吗？大致有以下两种情况。

1. 可能是知道的，只是可能没有系统性的监测而已，可能偶尔去各大AI应用去搜索一下自己公司的名称，但是手动操作比较麻烦，所以大致有个印象之后就没有持续的监测了。
2. 也可能不知道，因为很多企业只是在不断的铺内容，但从来没有人问过 AI 一句：“你觉得XXX这家公司怎么样？”——而 AI 给出的答案，恰恰是你的目标客户每天都会看到的。

这就像你的公司在 AI 世界里有一个"公众形象"，但这个形象是好是坏、是准确还是离谱，你完全不了解，或者说你不总是知道。不了解，就无法改善。所以 GEO 优化的第 2 步，是诊断现状：先搞清楚 AI 眼中的你，再谈优化。

这里暂时只研究公司的形象，即核心品牌层的可见度。后续才会拓展到产品层的可见度，场景层的可见度以及知识层的可见度。

为什么说 AI 是黑盒

我们要先接受一个现实：AI 如何决定提谁、不提谁、怎么描述，是一个黑盒。

这不是悲观，而是有出处的判断。2024 年发表在 ACM KDD 的论文《GEO: Generative Engine Optimization》里说得直白：生成式引擎（也就是 AI 搜索/回答产品）是黑盒且快速变化的，内容创作者对"自己的内容何时、以何种方式被展示"几乎没有控制力。你没法像和搜索引擎站长平台打交道那样，去"申请"一个 AI 推荐位。

而且 2026 年 7 月发表的 GEO 研究综述(Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023-2026))（覆盖 2023 年以来 45 项研究）用实测把"黑盒"升级成了"黑盒且不稳定"：同一问题反复问 AI，引用的来源每天只有三四成重叠（4 个引擎连续 45 天实测）；AI 概览两个月内的引用网页重叠度仅 18%，而传统搜索是 45%——AI 的引用不仅不可控，连预测都难。这提醒我们：某一次诊断的结果，不能当成永远不变的答案，必须持续监测。

但黑盒不等于无计可施。黑盒的策略恰恰是：先观测，再行动。KDD 2024 论文通过 1 万条真实用户查询的实验证明，用正确的方法优化内容，被 AI 引用的可见度最高能提升 40%（最新的综述提醒：40% 是特定实验条件下的上限，现实效果因领域而异，但这不影响方向）。Gartner 早在 2024 年就预测传统搜索流量 2026 年将下降 25%，Search Engine Land 的实测显示实际已下滑 29%；而 Similarweb 2026 年报告显示，全球 AI 平台月访问量已达 95 亿次、同比增长 70%——流量涌向 AI 回答，已经不是预测，是正在发生的现实。你的品牌在 AI 回答里的位置，就是你需要先摸清的底牌。

值得注意的是，个人认为这是因为AI应用还没有开发出类似于搜索引擎的排名付费业务的原因，如果后续AI应用开始开发这类业务，那么AI应用的可见度对于某些关键词和用户查询，可能会有较大的变化。因为最近有一篇新闻就是说豆包针对透过推荐入口跳转至"抖音来客"完成的订单会收取12%左右的费用。

诊断三件事

一次完整的诊断，需要回答三个问题：

第一，你有没有被提到？ 把品牌词、产品词拿去问 AI，看它的回答里有没有出现你。注意按公司名、别名、品牌、产品分别统计——第 1 篇强调过，客户叫你"元鉴GEO"，AI 就写"元鉴GEO"，你只盯全称就会漏检。有没有被提到，是 GEO 优化最基础的指标：被提到，才有"可见"可言。

第二，被谁提到？ 不同的 AI 厂商，回答风格和取材偏好完全不同。你在 DeepSeek 里被推荐，不等于在豆包里也被推荐。逐个厂商检测，你才知道火力该往哪里集中——是全面铺开，还是先攻下一个主场。

第三，说得准不准？ 这是最容易被忽略、也最致命的一项。AI 提到你了，但把你的业务描述错了、张冠李戴，等于免费帮你做了一次负面宣传——客户看完 AI 的回答，转头就划走了。第 1 篇我们说过，AI 只能用"见过"的信息写你；诊断就是检查它"见过的信息"到底对不对，顺便验证你第 1 篇的简介有没有写到位。

诊断的产出，就是你的基线。没有基线，后面所有的优化动作都无从衡量；有了基线，第 7 篇我们做效果复盘时，才能拿数据说话：从"提都没提"到"描述准确"，每一步都看得见。

在元鉴平台上完成诊断

值得注意是，你完全可以自己登录各大AI厂商的平台，自己做一次诊断。元鉴平台只是提供了一个方便的界面，让你更方便地完成诊断。

元鉴把上面三件事做成了两个诊断工具：「AI 可见度诊断」和「官网诊断」。一个看"AI 怎么说你"，一个看"你的官网 AI 能不能读懂"。

步骤 1：AI 可见度诊断——拿品牌词去问 AI

登录元鉴平台，进入「AI 可见度诊断」页面。你会看到两个输入项：问题和AI 厂商。

问题怎么填？换成你目标客户的问法。比如我们公司，会填"元构场GEO怎么样"“GEO 和 SEO 有什么区别？”——都是真实客户会问的问题，也都是第 1 篇里品牌词的应用场景。厂商默认选中 DeepSeek，未接入的厂商会保留展示但不可选，方便你了解后续接入计划。

填好后点击开始诊断。系统会带着你的问题去真实调用对应厂商的 AI，并携带联网搜索能力，拿到 AI 的原始回答和引用来源列表。

值得注意的是，我们监测的总是AI启用联网搜索的回答。因为AI不联网的话，大模型的训练语料是静态的，不能实时更新。所以我们监测的总是AI启用联网搜索的回答。

这里似乎也只是一次监测呀？ 是的，这里只是手动监测，系统性的监测，我们需要打开定时监测，设置频率和时间。

因为我们还没有讲到主题研究，关键词研究，所以这里只是简单地监测了一次性的AI的回答。后续我们会讲到如何系统监测一系列的主题(或者说提示词)。

步骤 2：看结果——原始回答、引用来源、提及标志

诊断完成后，你会看到三样东西，正好对应前面说的三件事：

• AI 的原始回答：AI 原封不动的回答内容，一字不改。看看它说了什么，有没有提到你、说得准不准。
• 引用来源列表：AI 的回答引用了哪些网页。这是最有价值的信息——AI 引用了谁，谁就在这个问题的回答里"赢了"。如果引用的全是竞品，你就知道该往哪个方向补内容了。
• 提及标志：系统自动按公司名、别名、品牌、产品四类标志，标记本次回答里你被提到了哪几类，并自动记录到数据中心，供后续统计趋势。

由于布局的主题和关键词会涉及公司机密，所以这里只是展示一下我们这篇文章单独测试的提示词。仅供参考。

拿到结果后怎么解读？举个真实例子。我们拿"GEO 优化平台哪家好"去问 DeepSeek，回答里推荐了五家，没有我们；再看引用来源，清一色是竞品官网和行业媒体文章。这个结果说明三件事：我们在 AI 生态里还没立足（没被提）、被引用的内容集中在竞品那边（内容战场失守）、行业媒体的权威内容被 AI 高度信任（后续内容创作要往这个方向靠）。一次诊断，三条优化线索，这就是基线的价值。反过来说，如果诊断显示"被提到但业务描述错误"，那优化的优先级就变了——先回第 1 篇把简介改准，再谈铺内容。

虽然不想承认，但是由于我们公司比较新，所以在产品层还在不断的布局和优化，也就是说现在几乎搜索不到我们公司

步骤 3：官网诊断——检查 AI 能不能读懂你的官网

回答了"AI 怎么说你"之后，再看一个源头问题：AI 回答的基础，是公开可抓取的内容——Google 官方在《针对生成式 AI 功能优化网站》指南中明确说明，生成式 AI 的回答基于公开、可抓取的网页内容生成。而你的官网，是你最可控、最权威的第一素材源。如果 AI 读不懂你的官网，它就只能从别处（包括竞品的宣传）认识你。

进入「官网诊断」页面，系统会自动从第 1 篇填好的公司信息里带出官网 URL，你确认无误后点击运行。元鉴会基于Google的官方指南作检测，从 AI 的视角审视你的官网：内容能不能被抓取、结构清不清楚、品牌信息是否明确，最终生成一份 Markdown 格式的诊断报告。

如果你仔细看的话，发现我们自己的网站居然还有这么多的问题，哈哈，因为一部分是刻意的，一部分是因为还没全力优化这个部分，所以才会有这么多的问题。后续我们可能会基于这个报告在写一篇基于这份报告怎么优化的文章。

到这里，你的基线已经到手：AI 怎么说你、引用谁的内容、官网有没有拖后腿——三个问题，一份答卷。

---

小结

诊断现状，本质上是在动任何优化动作之前，先摸清 AI 眼中的你。GEO 是黑盒，但我们能用观测对抗黑盒：有没有被提到（可见性）、被谁提到（渠道分布）、说得准不准（准确度），再加上官网可读性检查，这就是你的 GEO 基线。

基线在手，下一步就是找弹药——选题拓词。AI 回答的是"问题"，你只能优化被问到的问题；下一期，我们讲怎么找到用户真正会问的问题，并且批量把它们变成内容选题。

参考链接

• 豆包对标携程向酒店抽佣？https://news.qq.com/rain/a/20260811A07JYS00
• Similarweb《2026 Generative AI Landscape Report》（2026-07，全球 AI 平台月访问 95 亿次、同比 +70%）：https://www.similarweb.com/corp/reports/2026-generative-ai-landscape/
• Martinez《Optimizing Visibility in Generative Engines: A Critical Survey of GEO (2023–2026)》（2026-07，arXiv:2607.14035）：https://arxiv.org/abs/2607.14035
• Gartner 官方新闻稿《Gartner Predicts Search Engine Volume Will Drop 25% by 2026》（2024-02）：https://www.gartner.com/en/newsroom/press-releases/2024-02-19-gartner-predicts-search-engine-volume-will-drop-25-percent-by-2026-due-to-ai-chatbots-and-other-virtual-agents
• Search Engine Land《What 1 million keywords reveal about AI’s impact on search》（2026-07，Fractl 实测）：https://searchengineland.com/what-1-million-keywords-reveal-about-ais-impact-on-search-481474
• Aggarwal 等《GEO: Generative Engine Optimization》（ACM KDD 2024 论文，arXiv:2311.09735）：https://arxiv.org/abs/2311.09735
• Google 搜索中心《针对 Google 搜索中的生成式 AI 功能优化网站》官方指南（2026-05）：https://developers.google.cn/search/docs/fundamentals/ai-optimization-guide?hl=zh-cn