We don't guess what AI wants.We observe what AI already trusts, identify what your brand is missing, build the missing evidence, and measure whether the answer changes.
我们不是猜 AI 喜欢什么。我们先看 AI 现在相信什么，再找到品牌缺少什么，补齐这些信息，最后用真实 AI 答案验证结果。
AI 为什么会推荐一个品牌？
当用户向 AI 提出这个问题，AI 并不是在互联网上搜一下品牌名字，然后随机挑一家推荐。
它需要先回答自己几个问题：
- 这个品牌和这个问题有没有关系？
- 网上有没有足够的信息证明它真的提供这种产品？
- 产品参数、应用场景和案例是否完整？
- 这些信息是否一致？
- 除了品牌自己说之外，有没有其他可信来源也提到它？
- 现有网页是否容易被搜索系统找到和理解？
- 与其他候选品牌相比，谁提供的信息更完整、更具体、更可信？
因此，AI Search Optimization 的本质，不是「让 AI 看见更多文章」。而是让 AI 更容易找到品牌、理解品牌、验证品牌，最终有足够的信息把品牌放进答案里。
AI 推荐优化的六个步骤
每一步都从真实的 AI 答案出发，而不是从「我们想写什么」出发。
第一步不是写内容，而是先搞清楚客户到底会问 AI 什么
传统 SEO 通常从关键词开始。但 AI Search 更接近真实对话。
买家可能不会搜索「工业传感器厂家」，而是直接问下面这些问题。
问题会按以下维度组织：
第二步，不是猜问题，而是直接看 AI 现在相信谁
我们把这些真实问题，在客户的目标国家和目标语言环境下，发送到多个主流 AI 搜索与生成式 AI 引擎，然后记录：
- 客户品牌有没有出现
- 出现在哪个位置
- 推荐了哪些竞争品牌
- AI 引用了哪些网页
- 哪些第三方网站反复被引用
- 哪些产品信息被 AI 使用
- 哪些关键信息完全没有进入答案
最终得到的不是一句「你的 AI 可见度是 23%」，而是「为什么另外 77% 的问题没有推荐你」。
- Automotive application evidence
- OEM case study
- Temperature range information
- Third-party industry references
- Localized Japanese content
我们真正寻找的，不是「哪里没有出现」。而是「AI 为什么选择了别人，而没有选择你」。
AI 已经告诉了我们答案：它正在引用什么、相信什么
当 AI 推荐竞争品牌时，通常同时暴露了一个非常重要的信息：它为什么相信这些品牌。
通过引用来源和答案内容，我们可以反向分析：
- AI 经常引用哪类网站
- 哪些页面反复进入答案
- 哪些产品参数经常出现
- 哪些案例能够支撑推荐
- 哪些比较维度最重要
- 哪些第三方来源具有较高影响力
- 哪些市场更依赖本地语言内容
Citadex 不是凭经验拍脑袋决定写什么。而是先观察 AI 当前使用的答案和信息源，再决定应该补什么。
- 行业里常见的产品类别
- 主要竞争品牌的名字
- 通用的选型标准
- 汽车产线应用案例
- 完整的温度 / 防护参数
- 被行业媒体反复引用
- 对应场景的应用说明
- 可核对的产品参数页
- 第三方来源的提及
不是「写文章」，而是补齐品牌的 AI 证据层
发现问题之后，下一步不是机械批量生成文章。系统会根据每一个目标问题，建立对应的内容与证据缺口。可能缺少的是：
因此，不同问题的优化方式可能完全不同。
- IP Rating
- Cleaning Resistance
- Food Industry Case
- Operating Temperature
- Product Specification
- Industry Solution Page
- Case Study
- Technical FAQ
这些内容不是凭空生成。内容生成必须基于客户自己的 Brand Knowledge Base：
系统帮助把这些真实信息，重新组织成更适合 AI 搜索理解和引用的答案资产。
只有官网说自己好，通常是不够的
品牌官网当然非常重要。但在很多 AI 答案中，AI 同时会参考：
因此我们不仅看「官网要写什么」，还会根据实际引用数据判断：「这个市场的 AI 到底从哪里获取信息？」
如果一个行业里的 AI 答案大量引用某几类第三方来源，这意味着品牌的信息建设不能只停留在官网。
系统通过 Citation Analysis 帮助合作伙伴和品牌判断：
- 哪些来源值得建设
- 哪些来源影响较低
- 哪些地区需要本地来源
- 哪些信息只需要官网完善
- 哪些信息需要第三方验证
不是「到处发内容」。而是把正确的信息，放到 AI 实际会使用的信息环境里。
最后一步，不是看发了多少文章，而是重新问 AI
优化完成之后，系统会再次运行相同的问题集合，比较优化前后的真实 AI 答案：
真正重要的问题不是「我们做了多少内容」，而是「AI 的答案有没有发生变化」。
没有效果，就继续找原因
AI Search Optimization 并不是一次性工作。
如果某一组问题优化后仍然没有变化，我们不会简单继续生产更多内容，而是重新判断问题出在哪里：
没有变化，本身也是数据。因为它帮助我们判断：下一步应该继续增加内容，还是解决抓取、相关性、可信度或信息源问题。
一个简单的技术公式
Citadex 用于组织 AI Search Optimization 项目的方法框架，不是 AI 厂商的官方算法。
一个品牌优化前后，真正改变的是什么？
- AI 不认识品牌
- 只有零散官网信息
- 产品参数不完整
- 缺乏行业场景
- 缺乏第三方验证
- 竞争品牌占据答案
- 品牌信息结构完整
- 产品与场景关联明确
- 关键事实可以验证
- 官网与第三方信息更一致
- AI 更容易检索和理解
- 获得更多进入候选答案的机会
Increase the Probability of Being Selected提高品牌进入 AI 候选答案和推荐结果的机会。
最终交付的，不是几篇文章
客户得到的是一个持续运行的 AI Search Optimization System：
数据与方法
我们怎么拿到 AI 的回答、怎么判断它有没有推荐你、每个数字有多可靠，以及这些方法目前做不到的地方。
数据来源
每个问题都在你选择的市场里，按市场的国家和语言去问各个 AI。下表是当前每个平台的采集方式和最近 30 天扫描实际用到的模型。
| AI 平台 | 采集方式 | 模型（近 30 天） | 地区 |
|---|---|---|---|
| ChatGPT | 真实产品界面 | 由产品自己决定 | 从市场国家发起搜索 |
| Claude | 官方接口 + 联网搜索 | claude-sonnet-4-6 | 从市场国家发起搜索 |
| Gemini | 真实产品界面 | 由产品自己决定 | 从市场国家发起搜索 |
| Perplexity | 官方接口 + 联网搜索 | sonar-pro | 从市场国家发起搜索 |
| Copilot | 真实产品界面 | 由产品自己决定 | 从市场国家发起搜索 |
| Grok | 官方接口 + 联网搜索 | grok-4.3 | 在请求里说明市场国家 |
| DeepSeek | 我们按市场搜索后交给模型 | deepseek-v4-flash | 从市场国家发起搜索 |
| Mistral | 我们按市场搜索后交给模型 | mistral-large-latest | 从市场国家发起搜索 |
| Qwen | 官方接口 + 联网搜索 | qwen-plus | 在请求里说明市场国家 |
| Doubao | 我们按市场搜索后交给模型 | seed-2-0-lite-260428 | 从市场国家发起搜索 |
| Kimi | 官方接口 + 联网搜索 | kimi-k2.6 | 在请求里说明市场国家 |
| Google AI Overviews | Google 结果页 | 由产品自己决定 | 从市场国家发起搜索 |
| Google AI Mode | Google 结果页 | 由产品自己决定 | 从市场国家发起搜索 |
- 真实产品界面
- 在该平台面向用户的产品里提问，拿到的就是用户看到的回答和来源。
- 官方接口 + 联网搜索
- 调用厂商的模型接口并开启它自己的联网搜索。可以作为基准，但不一定和用户在 App 里看到的完全一样。
- 我们按市场搜索后交给模型
- 该平台的接口没有联网搜索：我们从市场所在国家搜索 Google（中文市场用百度），模型只根据这些结果回答。
- Google 结果页
- 按市场国家抓取 Google 搜索结果页里的 AI 概览 / AI 模式。
- 采样次数：每次扫描，每个问题在每个平台问 1 次。商务版和代理版可以给最多 20 个问题开启「重复采样」，每次扫描每个平台问 3 次，结果显示为 x/3 并给出 95% 区间。
- 失败不算 0：平台报错、额度用完或超时的回答单独记为失败并自动重试，不会算作「没提到你」。
- 原始回答存档：每条回答保存原文、引用来源、采集方式、模型和平台在回答前搜索的词（平台公开时），证据面板里可以查看。
- 地区与语言：问题用市场的语言提问；能指定地区的平台从市场所在国家发起搜索，不能指定的在请求里说明国家。
推荐判定
「提到」不等于「推荐」。每条提到品牌的回答会被判定为以下五档之一，没提到就不打标签。
- 首选明确说是最好的、第一选择，且没有附加条件。
- 推荐主动推荐给提问的人，没有限制条件。和其他品牌一起被推荐也算这一档。
- 有条件推荐只在某种条件下推荐，比如「预算充足的话」「如果你需要 X」。单独统计，不计入「推荐你」。
- 候选出现在选项列表里，只有中性描述，没有推荐。
- 仅提及顺带提到、作为比较对象、被批评或被建议不要选。
- 在列表里排第一不等于首选，必须有「最好」「首选」之类的明确说法。
- 批评或否定（「贵而且慢」「不建议选」）只算仅提及，即使排在第一位。
- 由 AI 模型判定，并保存判定依据的原文；判定结果会再用代码核对原文确实出现在回答里。
- 每种语言要先在人工标注集上达到准确率 ≥ 90%、每一档 F1 ≥ 0.85 才切换到 AI 判定；之前继续用关键词规则，两种结果都标注版本。切换当天在趋势图上打标记，此前的数据不重算。
- 用户觉得判错了可以在证据面板里提交纠正，纠正保存在这条回答旁边，原始回答不会被修改。
当前（rec-judge-1）所有语言都还在使用关键词规则，标注集评测通过后逐语言切换。
证据等级
收入归因、AI 流量、需求、增量实验和成果报告里的每个数字都标注证据等级，说明它从哪来、有多可靠。
- 确定来自你自己的数据或可逐笔核对的订单。
- 平台报告来自其他平台后台的数字（如 Cloudflare、Search Console、GA4、Shopify、CRM），我们照实转述。
- 自报客户自己说的，例如「从哪里知道我们」的回答。
- 估算按方法计算出来的数字，不是逐笔记录。
- 未知来源没有记录。
一个合计混了几种来源时，显示其中最弱的一档并标「混合」，同时给出各档占比。导出的 CSV 和 MCP 接口返回同样的等级。
「估算」会写明方法： 访客与联系人概率匹配；同公司其他联系人代入；按 AI 会话占比建模；多触点分配；对照组前后差；仅凭 User-Agent 识别；搜索量模型；多次采样占比
ChatGPT 数据来源 7 天对比
为了确认采集方式本身不会改变结论，我们用同一批问题、同一天，分别通过当前的采集方式和另一家供应商（Oxylabs）各问一次 ChatGPT，连续 7 天，比较结果。
对比结果正在整理，完整 7 天的结果发布后会显示在这里。
已知局限
- AI 的回答每次都可能不同。单次采样的结果有随机性，看趋势比看单次更可靠；重要问题建议开启重复采样。
- 我们不登录账号、没有个人历史和记忆。真实用户登录后看到的回答可能因个性化而不同。
- 「官方接口」采集的平台是基准测量，和用户在 App 里看到的可能有差别；表格里已标出每个平台的采集方式。
- 部分平台不支持指定地区，只能在请求里说明国家，地区效果弱于真正从当地发起的搜索。
- 追踪的问题是你选定的一组代表性问题，不等于全部真实提问；需求量是估算。
- AI 推荐判定在标注集上的准确率约 90% 以上，但仍会有误判；规则判定在复杂句子上更容易出错。
- 平台只公开它愿意公开的引用和搜索词；有的平台不提供搜索词，显示为「未知」。
- AI 流量里仅凭 User-Agent 识别的爬虫可能是伪造的，所以标为「估算」；很多 AI App 打开链接时不带来源，AI 带来的访问会被低估。
本节数据更新于 2026年10月17日
AI 搜索优化，最终应该回到真实答案本身。
我们不以发布了多少内容作为最终结果。
我们持续观察：品牌是否开始被提及，是否进入推荐，是否被引用，竞争关系是否发生变化，哪些内容和来源真正产生了效果。
只有真实 AI 答案发生变化，优化才真正有意义。