GLOSSARY · 9 个词

每个词都写清怎么测

GEO 行业最容易被糊弄的地方,是「数据」——同一个词,不同服务商算法不同。这里把 9 个常用词的测法与合格线写出来,你可以拿去问任何一家。

01

提及率(Mention Rate)

定义:在一组固定问法里,AI 答案中出现你品牌名的比例。

怎么测:固定 20 个问法 × N 个平台,逐条记录「出现 / 未出现」,提及率 = 出现数 ÷ 总数。

合格线:新做 3 个月,核心意图上 30%–50% 算正常;60% 以上通常是品类词本身没竞争。

注意:提及 ≠ 推荐。被提到「XX 也有类似产品,但……」也算提及。

02

首提率(First-Mention Rate)

定义:在出现品牌的答案里,品牌排在第一位(最先被提到)的比例。

怎么测:记录答案里品牌出现的序位,第 1 位计 1,否则计 0,再除以「出现的答案数」。

合格线:10%–25%;首提率比提及率更能反映「被推荐」。

03

引用率(Citation Rate)

定义:AI 答案中把我们页面作为来源链接给出的比例。

怎么测:在带联网检索的平台上(如 Kimi、Perplexity、元宝联网模式)看「参考来源」里有没有我们的域名。

合格线:早期 5%–15%;这个指标受平台是否展示来源影响,不能跨平台直接比。

04

答案块(Answer Block)

定义:页面里结论前置、单段自洽、可被整段引用的段落。

怎么测:随机取 5 页,看首段是否在 40 字内给出结论、是否含数字、是否独立成立(不依赖上下文)。

合格线:5 页里 4 页合格。

05

实体一致性(Entity Consistency)

定义:公司名、产品名、价格、客户、成立年份,在页面正文、结构化数据、外部资料中一致。

怎么测:抽 10 页,逐项对照结构化数据里的 Organization/Product 字段与正文;不一致的计数。

合格线:0 处不一致。这是「AI 说错」最常见的原因。

06

llms.txt

定义:放在站点根目录、给 AI 代理看的站点摘要(Markdown 纯文本)。

怎么测:访问 /llms.txt,看是否 200、是否可解析、是否列出关键页面。

合格线:存在且可解析。注意:这是提案,不是官方标准,不能承诺效果。

07

AI 爬虫(AI Crawlers)

定义:GPTBot(OpenAI)、ClaudeBot(Anthropic)、PerplexityBot、Bytespider(字节)等,抓页面用于生成答案。

怎么测:读 robots.txt,看这些 UA 是否被 Disallow;再查服务器日志确认是否真的来过。

合格线:关键 UA 全部允许;日志里近 30 天有访问记录(没有记录说明没被抓,或屏蔽了)。

08

幻觉(Hallucination)

定义:AI 生成与事实不符的内容。

在商业场景里的样子:说错价格、编造客户、把别人的资质安在你头上、用三年前的业务描述。

怎么测:把你的事实清单(价格/客户/资质/年限)逐条与 AI 答案比对,错的计数。

合格线:核心事实 0 错。这类错误比「没被提到」更伤——客户信了才发现不对。

09

判据校验(Criteria Check)

定义:用可执行规则逐条检查输出是否符合事实与预期,给出 PASS/FAIL 与原因。

我们的做法:273 条判据,来自 67 次真实上线事故;其中 10 条公开可跑(CheckLab)。

怎么测:拿一份真实产物(页面/参数/答案)跑一遍,看 FAIL 项是否指向真问题。

合格线:判据自身也要能被反证——我们曾用真实数据发现「判据把墙和地面判反了」。

USE IT

怎么用这份表去问服务商

你可以这样问靠谱的回答
你们的「提及率」怎么算?给出问法数量、平台、算分母的方式
报不报「描述是否准确」?报,并说明怎么核
能承诺首提率吗?不能(承诺的是骗子)
案例能给我看后台截图吗?能(脱敏后)

拿这 9 个词先测一遍自己

免费诊断会把其中 5 项直接算给你:提及率、首提率、描述准确率、实体一致性、答案块合格率。

生成自查清单 →