AI 回答里没有你：六步排查法

企业开始关注 AI 搜索之后，第一个发现通常是：在 ChatGPT 或者别的 AI 助手里问「某某行业有哪些供应商」，回答里没有自己。接下来的问题就是——为什么没有，以及该从哪里开始改。

这篇给一套六步排查法。顺序是有讲究的：前面的步骤成本低、见效快，后面的步骤投入大、周期长。按顺序排查，不要一上来就去写内容。

要点速览

• 「AI 里没有你」有六种原因，前三种改起来很便宜
• 最常见的原因不是内容不够，是品牌实体信息缺失或自相矛盾
• 第二常见的是官网不让 AI 爬虫访问，或者内容结构化程度太低
• 排查之前要先做基线记录，否则改完没法判断有没有效果
• 从改动到 AI 回答变化，通常要按月观察，不要改完第三天就去看

第零步：先做基线记录

动手改任何东西之前，先把现状记下来。挑 10–20 个有代表性的买家问题，在几个主流 AI 助手里逐条提问，记录三件事：

• 回答里提到了哪些企业
• 回答引用了哪些来源网址
• 关于你的描述是否准确（如果提到了你）

把回答原文存档。没有基线，后面所有的「有改善」都只是感觉。

选题有两个坑。一是只问带公司名的问题，这类问题多半会提到你，容易误以为一切正常；买家真正问的是不带品牌名的问题，基线里要以这类为主。二是每题只问一次：同一问题隔几分钟再问，回答可能不同，所以每题问两三次，记下出现了几次。平台、日期、是否开启联网搜索也要记下，条件记全了，下一轮才有可比的东西。

第一步：查品牌实体是不是清楚

这一步之所以排在最前面，是因为它的性价比高得不成比例。统一品牌信息通常只需要一两天，不需要预算，也不依赖技术；而它影响的是 AI 要不要提到你这个最底层的判断。实际排查时经常会发现一些让人意外的矛盾：官网页脚写的是旧的办公地址，某个三年前登记的行业目录还挂着已经停用的品牌名，领英简介里的业务描述和官网首页完全是两套说法。这些信息单独看都不算错误，放在一起就构成了「这家公司的信息不可靠」。

这是最常见、也最便宜的原因。AI 回答关于你的问题前，要先确认「你是谁」。如果官网写成立于 2018 年、某目录写 2017 年、社媒简介又是另一个说法，模型无法判断哪个对，最稳妥的处理就是不提你。

下面这张表是对照清单，用来把「感觉信息差不多」变成「逐项核对过」。

具体要统一哪些字段、怎么落地，见GEO 落地第一步：品牌事实清单。

最容易看错的是第二行。年份、地址、电话，人读着觉得「差不多」就过了，对机器来说写法不同就多了一处要判断的地方，比如「江苏苏州」和「苏州市」。更稳的做法是先定一份以营业执照为准的「标准答案」，再拿各处去对；拿官网去对社媒、再拿社媒去对目录，只会互相迁就。品牌太新、外面本来没多少信息时，这一步没有矛盾可统一，应直接去补信源。

第二步：查 AI 爬虫能不能访问你的网站

这一步最容易被忽略，因为问题在浏览器里完全看不出来。典型的情况是：网站用了前端框架渲染，人打开能正常看到产品参数，但机器拿到的只是一个空的页面骨架；或者运维出于防采集的考虑封了一批爬虫，连带把 AI 的检索爬虫也挡在外面。一个简单的自检办法是：在浏览器里禁用脚本再打开自己的核心页面，看看还剩下多少内容——剩下的那部分，基本就是机器能读到的全部。

有些站点出于安全考虑屏蔽了大量爬虫，或者用了需要执行脚本才能看到内容的前端框架。结果是人能正常浏览，机器读到的是一个空壳。

• 查 robots 规则：有没有误封主流 AI 爬虫，或者封掉了页面渲染必需的资源
• 查内容是不是服务端输出：禁用脚本后页面还能不能看到正文
• 查访问速度：响应太慢的站点，实时检索时可能直接被放弃
• 查有没有误设不收录标记：模板改动时经常误伤

这一步的误判几乎都出在一个推理上：「我用浏览器能打开，所以机器也能读」。浏览器会替你执行脚本、带上登录状态，爬虫未必。robots 出问题多半是安全插件或建站默认模板改的，所以最好直接问运维：现在拦了哪些，为什么拦。屏蔽爬虫有时是有意为之，比如不希望内容被采集，这是取舍而不是错误，只是被挡住的入口就读不到你。不同爬虫能否执行脚本，目前没有公开资料可以逐一说明，所以按最保守的假设：核心页面正文在服务端就已输出。

第三步：查内容结构化程度

AI 在组织回答时，更容易取用结构清晰的内容：有明确定义句的段落、参数表、对照表、问答块。整篇都是大段叙述的文章，即使信息很全，也更难被精确引用。

写法规范见可引用内容写作规范。

表里「被引用的难易」不是平台公开的评分，而是基于「结构清楚、便于摘取」的经验判断，各平台对表格、问答块的具体偏好，目前没有公开资料说明。只能读成「结构清楚的版本更不容易被误读」，不能读成「做成表格就会被引用」。也别把一切拆碎：案例的来龙去脉、工艺为什么这样选，靠的是因果，硬拆会丢上下文，保留叙述、开头给一句结论即可。

第四步：查内容有没有覆盖买家真问的问题

很多企业写了大量内容，但写的都是自己想说的，不是买家在问的。排查办法是把买家问题库和现有内容做一次对照，列出「有人问但我们没写」的部分。

问题库怎么建见买家问题库怎么建。对照之后常见的发现是：认知阶段的科普内容过剩，而比较和验证阶段的内容几乎空白——偏偏后者才是 AI 回答采购类问题时最需要的。

常见的误判是用文章数量衡量覆盖：写了五十篇，可能全落在同一阶段，围绕三五个问题打转。假设一家紧固件工厂写了不少「什么是不锈钢」，却没有「海边环境选哪种牌号」「起订量多少」这类临近决定才会问的内容。所以对照时按买家所处的阶段归类，比按主题归类更容易看出空白。如果问题库本身来自猜测，对照出的空白也是猜的，应先用询盘和销售邮件里的真实问法补充。

第五步：查第三方信源

这一步是多数 B2B 企业真正的瓶颈，也是最反直觉的一点：官网做得再好，在「推荐几家供应商」这类问题上也很难靠自己胜出，因为 AI 在回答这类问题时倾向于引用看起来更中立的第三方内容。这并不意味着官网白做——官网决定的是「被提到时，关于你的描述准不准」；而第三方信源决定的是「会不会被提到」。两件事都要做，但要清楚各自解决的是哪个问题。

AI 回答「有哪些供应商」这类问题时，引用的常常不是企业官网，而是第三方的盘点、目录、媒体报道和问答内容。如果关于你的第三方信息很少，即使官网做得很好，也容易在这类问题里缺席。

表中的价值和难度是经验判断，不是平台公开的权重，各平台如何看待不同信源，目前没有公开资料说明。动手新增之前，先清点已有的第三方信息有没有过期或互相矛盾，这比新增更便宜，也常被漏掉。

第六步：查竞争格局

最后才查这一步，因为它最难改。有些问题的回答长期被几个来源占据——可能是行业媒体的盘点文章，也可能是某个做了很多年内容的同行。

这时要判断的是：这个问题值不值得争。如果某个问题背后的买家意图和你的业务高度相关，值得投入；如果只是看起来热闹，不如把资源放到竞争没那么激烈、但意图更强的问题上。

「值不值得争」可以问三件事：买家离下单有多近；现在占位的来源里你有没有可能出现；你手上有没有同行写不出来的信息，比如自己的测试数据。三件里有两件答不上来，就先放下。误区是按热度选题，真正的买家问题往往更具体，带着型号、场景或目的国，意图也更明确。

六步的投入产出对照

最后两列要小心读。「见效周期」是从改动完成到可能在回答里看到变化的经验区间，不是承诺，各平台的更新节奏也没有公开资料可以说明。「建议顺序」不等于做完一步再做下一步：前两步通常归不同的人管，可以同时开工。

常见问题 FAQ

Q：改完多久能看到 AI 回答变化？
A：不同平台差别很大。实时检索型的平台更新快一些，依赖模型内部知识的变化会慢很多。建议按月复测，不要用几天的结果下结论。

Q：AI 提到了我们，但信息是错的怎么办？
A：先找到错误信息的来源——通常是某个过期的第三方页面。把源头改掉或更新，同时在官网强化正确的表述。各平台也有反馈入口可以提交更正。

Q：要不要做 llms.txt 这类文件？
A：目前没有证据表明它会影响搜索排名或 AI 引用。与其在这上面花时间，不如先把前三步做扎实。

Q：怎么持续监测效果？
A：固定一组问题、固定复测频率、固定记录格式。指标与报告结构见GEO 监测报告模板。

结语

「AI 里没有我们」听起来像一个需要大投入才能解决的问题，但多数企业的卡点其实在前两步——实体信息不统一、机器读不到内容。这两件事花不了几天，却决定了后面所有内容投入能不能生效。