你之后能算出来的每一个指标，都是采集当下写下的那些列的函数。日志结构才是实验本身；仪表盘只是它的一个视图。
每次运行记录十个字段：prompt 编号与版本、prompt 类别、引擎、界面或模式、暴露出来的模型名、是否开启了网页搜索、时间戳、区域与国家、答案正文是否点了你的品牌名，以及被引用 URL 的完整列表（包括别人的）。什么都没发生的那些运行也要写一行，因为出现率有多可信，取决于它底下那个分母。2026 年那篇批判性综述给出的“GEO 研究最低清单”要求每次观测都记下七项配置：产品、模式、模型、日期、区域设置、账号，以及搜索状态；清单另一行要求保留分母与空结果。1
要点因为任何分析都救不回一个从未被写下来的字段，而团队漏掉的永远是同样那几个。2026 年那篇领域批判性综述公布了一份“GEO 研究最低清单”，写得罕见地具体：记录产品、模式、模型、日期、区域设置、账号与搜索状态；在多个时间窗内做密集的重复运行；保留分母与空结果；把流水线各阶段分开，而不是把一次性的分数读成稳定排名。综述给出的建议是：把检索、引用和保真度分开来测。1 这里面大部分讲的是日志，不是分析。
注意第一行由什么构成。这七项都是配置而不是结果，在采集当下没有一个像“数据”，这恰恰是它们被丢掉的原因。它们的价值要几个月后才显现：当某个比率下跌十五个百分点，而唯一重要的问题是“是引擎变了还是你变了”。一份缺少这些列的日志回答不了这个问题。
日志结构也是让“面板版本”有意义的东西。提示词研究这一阶段 把面板当作一件带版本号的测量工具；日志就是把版本号盖到每一次观测上的地方，好让版本 2 的数字永远不会被悄悄拿来和版本 3 的比较。
每次运行一行，在任何人去看答案之前就写好，带上下面这十个字段。
第三列就是少记一个字段日后要付的代价。
| 字段 | 取值示例 | 没有它会坏掉什么 |
|---|---|---|
| 1. prompt 编号与版本 | P-014 v2 | 改过措辞的 prompt 会变成“顶着同一个名字的另一个问题” |
| 2. prompt 类别 | 异议类 | 没有类别拆分，综合出现率就把自己的构成藏了起来 |
| 3. 引擎 | 引擎 A | 合并会给 Jaccard 只有 0.11–0.18 的界面取平均7 |
| 4. 界面或模式 | 带网页搜索的对话 | 两行看起来一样的记录，其实是两个不同的实验 |
| 5. 模型名（若暴露） | 界面上显示的名称 | 厂商换模型会被归因到你的内容改动上 |
| 6. 是否开启搜索 | 是 / 否 / 未知 | 基于检索的答案和来自模型先验的答案被混在一起 |
| 7. 带时区的时间戳 | 2026-08-24 09:12 UTC | 批量运行不会被发现，而批量运行的样本是相关的 |
| 8. 区域与国家 | en-GB / 英国 | 混了区域的面板无法和自己比较 |
| 9. 正文是否点名 | 是 / 否 | 根本算不出提及率 |
| 10. 全部被引用 URL | 完整列表，不只是你的 | 算不出引用率，也没有“谁拥有这个答案”的地图 |
清单里隐含却没点名的一个字段，应当摆在这十项旁边：运行状态。记录这次采集是完成了、被限流了、超时了，还是被拒绝了，因为“根本没跑成的运行”和“跑了但没点你名的运行”在表格里是同一个空单元格，事实却完全相反。没有它，你就没有分母。
另有三个衍生列由这十项推出来，应该算出来而不是手填。提及来自第 9 项。引用来自第 10 项，方法是检查被引用 URL 中有没有你的域名。保真度两者都给不了：它是人去读“关于你的那句话”，在抽样上打分为准确、不完整、有误导或错误。三列，三种失效方式，三种不同的修复。1
因为出现率是一个分数，而一个悄悄丢掉“什么都没发生”的那些运行的分数，根本不是比率。显眼的那个版本，跑 200 次只留下被点名的 60 次然后报 100%，没有人会故意这么做。
真正会发生的版本，问题出在失败的采集上，而不是缺席的品牌上。假设那 200 次运行里有 25 次报错，而流水线把它们丢掉了，因为一条失败记录没有可解析的答案正文。出现率于是变成 60/175，即 34.3%，而不是 60/200 的 30.0%。这 4.3 个百分点的落差是一个数据处理决定，而且超过了一个 200 次观测的面板所携带的置信区间宽度的一半。更糟的是，失败很少是随机的：长答案更容易超时，某些区域限流更狠，某个引擎会拒绝另一个引擎会回答的问题，于是偏差带上了一个不是你选的方向。
三条规则可以一劳永逸地修好它。每一次尝试过的运行都写一行，包括失败的那些，并带上上一节说的状态字段。分母规则只定一次，并写进报告：“按完成的运行计算出现率，200 次尝试中完成 175 次”是一次完整披露，只花九个字。还有，把完成率本身当作一个质量指标来盯，因为一条从 95% 悄悄退化到 80% 完成率的流水线，会在现实世界什么都没发生的情况下推动你的头条数字。这是清单里团队最常违反的一条，也是唯一一条会同时污染下游所有指标的。1
因为两者差距很大，在不同引擎上差距的方向还相反，而且各自指向不同团队的不同工作。提及是你的品牌名出现在正文里；引用是你的某个 URL 被挂上，无论正文有没有点名。把它们并成一个“我们出现了”的标记，会毁掉那个告诉你“接下来该干什么”的区分。
关于这个落差有多大，目前记录最清楚的是厂商研究，应当当作方向性证据来读。2026 年 6 月发布的一项研究，用 115 条 prompt 在四个平台、十四个国家产生了 3,981 次域名出现，报告称其中 62% 是“挂了链接但正文从未点名”的出现，且这个模式在引擎之间是反过来的：一个助手约 84% 提及对 21% 引用，另一个约 21% 提及对 87% 引用。11 样本很小，且是厂商发布；请把百分比当作未经核实的数据，把“方向反转”当作真正的发现。
这两种失效的修法不同。有链接没点名，意味着检索起作用了而识别失败了，通常是那段被引用的文字很有用，却从没说清是谁在说；内容团队把主语写出来就能修好。有点名没链接，意味着模型靠的是它已经知道的东西，而不是它刚检索到的东西，站内工作短期内推不动它；诊断方法是关掉搜索再跑一遍这条 prompt。而这两列都不说明描述是不是真的。Tow 中心对八个生成式搜索工具、一千六百条查询的审计发现超过 60% 的答案是错的；3 更早一次 Tow 对两百条引文的测试中，有 153 次得到部分或完全错误的回答，而只有七次表达了不确定；2 独立研究发现生成式答案中 51.5% 的句子被所挂引用完全支撑；4 另一项 2026 年的研究把 98,020 条原子性主张中的 11.0% 判定为“未被所引页面支撑”。5 保真度那一列就是为此存在的。
要，因为它决定了你的历史数据还能不能被重新分析。提及靠的是把品牌名去匹配正文，而这个匹配器在第一天一定会在边缘处出错：漏掉所有格和拼写变体，在某个和你共用一个词的竞品上误触发，也分不清推荐和警告。存了答案原文，你就能把修好的匹配器重跑一遍整段历史。没存，修正后的序列就只能从今天开始，那不叫序列。
保真度那一列依赖同一件事：没有人会在采集当下实时打分，所以正是存下来的原文，让审读者可以这个月去读上个月的运行。被引用的原始载荷也要照原样留着，因为一份在写入时就被压成裸域名的清单，之后再也说不出到底是哪一页被引用了。
有一条边界要守住：没人回头去读的答案存档，只有成本没有收益。要主动设定保留期，并把它写进报告，因为它才是“重算出来的序列最多能回溯多远”的上限。
这十项里有三项经常拿不到，正确的做法是把“缺失”记录下来，而不是去猜。最糟的是模型名：多数面向消费者的界面暴露的是营销标签而不是构建标识，而在一次会推动你数字的变更中，它可以纹丝不动。其次是搜索状态：有些界面会按每条查询决定要不要检索，并且从不告知，所以诚实的填法是一个代理指标，即答案里有没有任何引用，并标注它是代理。第三是区域设置：你请求的和引擎推断出来的可能不同，所以两者都存。
还有一整类东西，是答案侧日志根本看不见的。一个引擎“查阅”了某个来源却没有引用它，就不会在你的日志里留下任何痕迹，而这个区分并不学究：发表于 Findings of ACL 2026 的那项 4,706 条查询审计测的是 AI Overviews 查阅过的域名，基于 2025 年 9 月采集的数据报告其中 53% 不在自然结果前十；而 2026 年 3 月 13 日至 4 月 21 日采集的 55,393 条查询研究测的是被引述的域名，报告其中 29.8% 不出现在对应首页上。85 动词不同、分母不同、日期不同，落差之大足以让“把任一个当点值引用”成为错误。而你的日志永远只看得到“被引用”的那一半。
与之互补的是你的服务器日志：它记录的是抓取而不是答案，因而能抓到你的面板看不见的检索失败。那属于衡量 AI 可见度这一阶段，连同“这些指标哪些站得住”；面板规模见姊妹篇。
这套结构是从一篇综述的清单加上运营经验拼出来的约定，不是标准。没有人验证过这十个字段是充分的，也没有人验证过其中任何一个是必要的；也不存在一种共享格式，能让两个团队直接比较各自的日志。最弱的是保真度那一列：目前没有任何公开研究报告过“两个读者给同一条答案打分有多一致”，所以请把保真度当作内部的警戒线，而不是拿去公布的数字。
一张带上这些列的表格就是一套完整的实现，哪怕你日后会买工具，也值得先自己搭一张：思考都在这套结构里，采集只是体力活。工具真正改变的是：在一周一千次运行的规模下，那些无聊的列到底有没有被填上。状态、时间戳、区域和完整的被引用 URL 列表，正是一个赶时间的人会停止记录的字段，也正是让分母站得住脚的那些。Bavior 按计划把一组固定的 prompt 打到五个引擎上，并记录每条答案引用了哪些来源，把空结果留在记录里。它无法暴露一个引擎本身不公布的模型标识，无法告诉你关于你产品的那句话是不是真的，也不会替你决定分母规则。免费 AI 可见性检测和免费 GEO 体检不需要付费方案；付费方案为按月支付每月 99 美元起，或按年支付每月 79.17 美元（截至 2026 年 8 月 29 日）。
要，而且它们是日志里更重要的那一半。出现率是一个分数，其分母是你尝试过的每一次运行，所以“没出现”本身就是数据，删掉它就是把指标弄坏。真正会咬到团队的失误比“删掉没出现的记录”更隐蔽：是把报错的那些运行丢掉。如果 200 次采集里有 25 次超时而流水线把它们扔了，30.0% 的出现率会变成 34.3%，而现实世界什么都没发生，这个偏移比该面板置信区间的一半还大。
提及是你的品牌名出现在答案正文里；引用是你的某个 URL 被挂在旁边，无论正文有没有点名。两者差距很大，含义也不同。有链接但没点名，说明检索起作用了而识别失败了，通常是因为被引用的段落有用却没说清楚“这是谁在说”，这是一个内容层面的修复。有点名但没链接，说明模型靠的是它本来就知道的东西，而不是它刚检索到的东西，站内工作很难在短期内推动它。请按引擎分别汇报两者。
把答案里每一个被引用的 URL 都记下来，不只是你自己的，因为这份清单是面板产出的最有行动价值的东西。你自己的出现情况只告诉你“你在不在答案里”；完整清单告诉你“谁在里面”，这把一个可见性数字变成了一张地图，标出真正拥有你所在品类那些问题的页面。在商业类问题上，这份清单里很大一部分会是第三方文章和社区帖子，而不是任何厂商自己的页面，而这正是决定“修复动作归内容团队还是归站外工作”的那个发现。
记下界面上显示的内容，并标明它是一个标签而不是构建标识；把它的任何变化当作一个假设，而不是一个事实。多数面向消费者的界面暴露的是一个营销名称，而底层变化时这个名称可以保持不变，所以这个字段在两个方向上都是弱证据：标签没变不能证明没变，标签变了也不能证明变化导致了你观察到的结果。仍然记录它的价值在于：当某个比率的跳变超过你的置信区间时，你有一个可以先去核对的对象。
负责调研与维护 Bavior 关于 Reddit 营销和 AI 搜索可见度的全部内容。文中每一个数字都注明了来源出处与核查日期，所有外链均非联盟推广链接。
发现数字有误？告诉我们，我们会重新核查：support@bavior.com