你可以在一小时左右、不花钱、不用任何工具，查出 AI 引擎是否提到了你的品牌。你做不到的是：只查一次就下结论。这一页给你要问的问题、给回答打分的机械规则， 以及把「一次测量」和「一个你讲给自己听的故事」区分开的记录纪律。
开始之前先说清一件事：LLMention 扫描器不做这件事。它读取你的页面，按 40 项公开检查打分，从不向任何 AI 引擎提问。 这是有意设定的边界，而不是缺口——测量引擎说了什么就意味着查询它，每次运行都要花钱， 而本站不会发布自己没有测量过的说法。下面这个方法是我们推荐的替代方案； 与其向一个说不出数字怎么来的人买一个数字，我们更愿意你自己跑一遍。 如果你想让那六项信号由别人替你判断，回答检查器（英文）会把本指南的规则原样应用到你粘贴的一段回答上——在你的浏览器里运行， 文本不会离开页面。
为什么一个 AI 回答算不上一次测量？
因为同一个问题不会两次给出同一个答案。每次运行之间有三样东西在变：模型版本（在不改名字的情况下被悄悄更新）、日期， 以及会话——新开的对话和进行中的对话并不相同，个性化设置和地区 也会改变检索到的内容。只问一次，你观察到的只是你看不见的分布里的一个样本。
这就是为什么诚实的测量是要花力气的：在同一天把每个问题问三遍，报告三个结果， 而不是一个。如果一个品牌在三个回答里只出现一次，结论是「三次里有一次」—— 而不是「33% 的用户能看到你」；后者是比率所暗示的东西，而这个样本量支撑不起它。
我应该问哪几类问题？
四类，它们测量的是不同的东西。把它们分开，是「有用的检查」和「让自己安心的检查」 之间的区别：
- 品类问题——问题里没有品牌名。「有哪些厂商在做 X？」 这一类测的是触达：会不会被一个根本不知道你存在的人找到。
- 场景问题——一个具体问题，没有品牌名。「我怎么解决 Y？」 这类问题检验的是：推荐究竟是从需求推导出来的，还是从一张品类清单里挑出来的。
- 对比问题——你的品牌对上一个点名的替代品。它们显示你究竟能不能 进入候选名单，也是最常被回答成「看情况」的一类。
- 事实问题——直接点名你的品牌，问可以核实的信息：法定名称、 成立日期、产品做什么、面向谁。这类测的是准确度而不是触达， 而出错代价最高的也正是这里。
看增长，盯品类问题和场景问题，因为那里的提及是你没花钱买来的。看风险，盯事实问题。
我应该从哪些问题开始？
二十个足够起步，也小到真的能做完。把方括号里的部分换成你自己的词—— [category]、[product type]、[competitor]——再加上你买家实际使用的语言，因为用英文问的问题和用中文问的同一个问题， 是两次不同的测量。
Category (no brand name) 1. Which companies offer [product type] for [audience]? 2. What are the best [category] tools in 2026? 3. Who are the main vendors in [category]? 4. Which [product type] is suitable for [size / region / industry]? 5. What should I look for when choosing [category]? Scenario (a problem, no brand name) 6. How do I solve [problem the product solves]? 7. What is the cheapest way to [outcome]? 8. How do teams like mine handle [workflow]? 9. What alternatives exist when [common constraint]? 10. How do I compare [approach A] and [approach B]? Comparison (your brand against a named one) 11. [Your brand] vs [competitor]: which is better for [use case]? 12. Is [your brand] worth it compared with [competitor]? 13. What are the disadvantages of [your brand]? 14. Which is easier to set up, [your brand] or [competitor]? 15. If I need [requirement], should I choose [your brand]? Fact (your brand by name) 16. What does [your brand] do? 17. Who owns [your brand] and when was it founded? 18. What does [your brand] cost? 19. Which company is behind [your product name]? 20. Does [your brand] handle [specific requirement]?
如何给一个回答打分？
六项检查，全部是机械的。它们被写成这样：两个人读同一个回答，会得到同一个判定—— 这正是结果值得记录的原因：
- 被提到——品牌名或一个已知别名出现在回答中的任何位置。
- 在靠前位置被提到——第一次提及大致落在前 300 个字符以内。 在最后一段才点你名字的回答，不是能让你浮出来的回答。
- 出现在候选清单里——提及落在项目符号或编号的选项列表中， 而不是顺带一提的段落里。读者做选择的地方是清单。
- 带有推荐——在提及前后约 120 个字符内出现推荐性动词：recommend、best for、worth considering、a good fit。没有这类词的提及只是一个名字，不是一个建议。
- 引用了来源——收集回答里链接到的域名。如果你自己的域名不在其中， 引擎就是在别处描述你，而描述方式不由你控制。
- 诚实的空白——对事实问题来说，「我无法确认这一点」算通过， 一个自信的错误答案算失败。空白可以补；一个被客户拿来反问你的错误数字，补不回来。
每个问题记录这六项结果，而不是记录一个感觉。通常最重要的是第五项： 来源是 AI 回答里你真正能影响的部分，也是大多数人从来不看的部分。
怎么记录，结果才有价值？
开始之前先把条件固定下来，否则第二次运行和第一次没法比。同一组问题、同一个模型版本、同一种语言、同一天，每次都新开会话， 每个问题在 24 小时内跑三遍。写下日期和你看到的模型名称，并保存原始回答文本—— 截图或粘贴都行，选那个三个月后你还能找到的。
然后把各次运行互相对比，而不是去比某个供应商给的一个数字。 从「3 个品类问题里被提到 2 次」变成「3 次全中」，是一个你可以核实的真实观察。 「可见度从 21% 升到 34%」是在二十个样本上做出来的算术， 一旦被问「这是怎么算的」就站不住。
这个方法不能告诉你什么？
- 它给不了你一个比率。二十个问题问三遍，每个引擎六十个样本。 够你注意到变化，但远不够支撑一个描述你所在市场的百分比。
- 它不代表所有用户。引擎会按地区、历史和账号做个性化， 供应商控制台看到的回答，和你笔记本上看到的不一样。
- 它没法在你睡觉时运行。自动化意味着按查询付费， 这正是这个方法以手工形态存在的原因。
- 引擎之间的小差异是噪声。只有二十个问题时， 两个平台之间五分的差距不构成一个关于平台的发现。
拿到结果之后该做什么？
在想办法被提到之前，先检查自己能不能被读到。引擎无法引用它抓取不到的页面，而一个在边缘就被拒绝的爬虫，再多内容也救不回来。 对你在意的页面跑一遍免费审计（英文）：它会报告爬虫访问情况、承载答案的内容是否机器可读，以及模型可能重复的关于你的 事实，在你自己的各个页面之间是否一致。
然后按这个顺序修，因为每修好一项都会让下一项更便宜：
- 访问——见爬虫访问规则，以及通过 robots.txt 和防火墙放行 AI 爬虫（英文）的指南。
- 可检索性——问句形式的标题，紧跟一个直接答案，详见为直接 AI 引用优化标题（英文）。
- 身份——用实体标记让模型把你的品牌和同名者区分开，详见实现 Schema.org JSON-LD。
- 证据——统计数字、引文和被引用的来源；公开发表的 GEO 研究把这部分测为单项收益 最大的一项。每条规则都列在方法论页面上。
一个月后再跑一遍这二十个问题。如果修复生效了，你应该最先看到的变化不是提及变多—— 而是第五项检查（来源）开始包含你能控制的页面。那是领先指标，也正是本站能直接 帮上忙的地方：每周报告（英文）会替你重跑技术检查并告诉你哪里变了，这样你花在问题上的那一小时， 就花在扫描做不到的那部分上。