这是就绪度审计，不是提及监测
LLMention
登录扫描网站
LLMention 知识库

生成式引擎优化指南

帮助工程团队与 SEO 团队优化品牌在 ChatGPT、Perplexity 和 Claude 中呈现的分步技术蓝图。

方法6 分钟阅读

如何检查 AI 引擎是否提到你的品牌

你自己向引擎提问的二十个问题、给回答打分的六项机械检查，以及为什么一次运行只是轶事，而不是一次测量。

Category  — no brand name in the question ("which vendors do X?")
Scenario  — a problem, no brand name ("how do I solve Y?")
Comparison — your brand against a named one
Fact      — your brand by name, against verifiable details

Ask each question three times. Report "2 of 3", never a percentage.
阅读指南 →
部署3 分钟阅读

如何生成并部署 /llms.txt 文件

了解如何格式化、组织一份标准化的 /llms.txt 文件，并把它托管在域名根目录，让 AI 爬虫能够干净地消化你的内容。

# your-domain.com
> One factual sentence on what the company does.

## Core business
A short description an AI system can quote directly.
阅读指南 →
内容4 分钟阅读

为 AI 直接引用优化标题（问答式）

把泛泛的 H2/H3 标题改写成自然的疑问句，与真实世界中 AI 搜索引擎用户的查询相匹配。

<!-- Poor -->
<h2>Features</h2>

<!-- Optimized for GEO -->
<h2>How Does Your Company Measure Brand AI Visibility?</h2>
阅读指南 →
Schema5 分钟阅读

用 Schema.org JSON-LD 消除 AI 实体歧义

如何声明 Organization、WebSite 与 sameAs 标记，让模型有足够信息把你的品牌解析为同一个实体，以及如何验证它。

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "Organization",
  "name": "Your Brand Name",
  "url": "https://your-domain.com"
}
</script>
阅读指南 →
技术4 分钟阅读

为 GPTBot 与 PerplexityBot 配置 robots.txt 与 WAF

如何检查 robots.txt 中把 AI 爬虫拒之门外的规则，以及答案的另一半藏在 WAF 或 CDN 的哪个位置。

# robots.txt
User-agent: GPTBot
Allow: /
User-agent: PerplexityBot
Allow: /
阅读指南 →

这些指南

共 5 篇指南。技术类文章讲的是：在整体建得不错的站点上，扫描器最常判失败的检查有哪些；方法类文章讲的是如何亲手核对结果，而不是直接相信分数。

指南主题阅读时间
如何检查 AI 引擎是否提到你的品牌方法6 分钟阅读
如何生成并部署 /llms.txt 文件部署3 分钟阅读
为 AI 直接引用优化标题（问答式）内容4 分钟阅读
用 Schema.org JSON-LD 消除 AI 实体歧义Schema5 分钟阅读
为 GPTBot 与 PerplexityBot 配置 robots.txt 与 WAF技术4 分钟阅读

关于这些指南的问题

我应该从哪里开始？

如果你还没有发布上下文文件，就先看 llms.txt 部署指南；如果 AI 爬虫可能在防火墙那一层、还没读到 robots.txt 就被挡住，就先看 robots.txt 指南。

这些指南只针对某一家 AI 引擎吗？

不是。它们覆盖主要引擎共有的爬虫 user-agent 和标记约定，并明确说明哪些地方的支持并不一致。

这些指南能替代扫描吗？

不能，它们互为补充。指南解释一条规则想要什么；扫描告诉你页面是否满足这条规则，而扫描器执行的正是这些指南所描述的同一套规则。

证据与来源

GEO can boost visibility by up to 40% overall in generative engine responses, and in the paper's Table 1 the best of the tested methods improve on the no-optimization baseline by 41% and 28%. — Generative Engine Optimization, KDD 2024

本站的权重遵循那项测量结果，而不是凭偏好决定；单 URL 扫描看不到的那部分图景会被如实说明，而不是略过。

Primary sources