GEO 诊断
先看清 AI 现在怎么说你
生成式引擎优化（GEO）的第一步不是改内容，是测量。把你放进真实客户会问的问题里，跑一遍 AI 助手，把每一条原始回答留档——看清 AI 认不认得你、把你归到哪个品类、同一道题里它提的是谁。
先看我们自己那份诊断
这是大衍智联拿自己做的一次真实诊断。数据不好看，我们照原样放出来—— 一份不敢公开自己数据的诊断，也就不值得你信。
这份诊断回答五个问题
不是给你一个分数，是回答你按分数没法回答的问题。
01
AI 现在怎么答你？
把你的品牌名直接问进去，看它认不认得、说的是不是你。同名歧义在这一步就会暴露——很多公司在这里才发现，AI 一直在描述另一家同名企业。
02
你被归到哪个品类？
品牌词是身份词，不是品类词。AI 知道你是谁，不等于它会把你归进客户正在找的那个品类。这两件事之间经常差着十万八千里。
03
同一道题里，它提的是谁？
跑品类问题，从 AI 的回答里数出出现次数最多的几家——那是它真实的候选名单。这份名单常常和你以为的竞争对手不一样。
04
客户会怎么问？
把问题按四档设计：品牌词、品类词、采购意向、你想进入的新赛道。问题用客户的话，不用我们的行业术语。
05
为什么分不上去？
不看总分，逐条归因：是 AI 压根没有关于你的资料，还是有人占着你的名字，还是它抓不到你的官网。归因才知道该动哪里。
怎么做
问题不是我们拍脑袋想的，来源写在这里：品牌词取自你的对外口径，品类词取自 AI 实际回答里数出来的竞争者，采购意向词取自你们销售最常被问到的问题。
- 读你的对外材料先把 AI 目前对你的错误认知列出来——哪些是事实偏差，哪些是名字被占了。
- 定品牌词列出你的身份词，删掉通用词，被别家占用的名字单独标注、人工复核。
- 数出你的实际竞争者跑品类问题，从 AI 的回答里数出出现最多的几家，而不是凭印象写竞品名单。
- 设计问题集四档漏斗问题集固定下来并入库，下次复测用同一套，结果才能比。
- 逐条留档原始回答正文 + 时间戳 + 平台，一并存下来。不是截图——截图没法复算。
- 归因，不给总分逐条看为什么分不上去，写成一份可以照着改的清单。
做完给你什么
- 一份诊断报告：四档问题集 + 每条的 AI 原始回答留档（正文 + 时间戳 + 平台）
- AI 目前对你的认知偏差清单
- 从 AI 回答里数出来的实际竞争品牌名单
- 为什么分不上去的技术性原因清单 —— 第一条就是给能动手改的人看的
- 这套固定问题集本身（AI 模型自己也在更新，同一套问题才看得出「变化来自我们改的，还是来自模型升级」）
这份诊断不做什么
- 诊断之后谁来做改进？报告是给能动手的人看的。你的市场或内容团队、你们已经在合作的服务商，拿着报告就能照着改——第一条就是「分不上去的技术性原因」清单。我们目前只做诊断，不做优化。与其把还没跑通的环节写进承诺，不如把边界说在这里。
- 不做优化效果的承诺。这份诊断是测量，不是评分，也不承诺任何排名或曝光结果。看清楚现在什么样，是它的全部目的。
- 覆盖范围有边界，且只会窄报不会宽报。目前覆盖通义千问与 Kimi（月之暗面）两家、共 3 个模型。没接通的模型不会写在这里；每一轮报告里都会写明实际跑了哪几家、哪一天跑的。
- 测的是模型接口，不等于你手机里那个 App。各家 App 有自己的检索增强与推荐逻辑，同一个问题在 App 里可能得到不同的回答。本诊断聚焦模型本身的认知，报告里会明确标注这一点，不含糊。