AI搜索审计｜目标与适用范围

AI搜索审计的目标是：在主流大模型/AI搜索产品的回答链路中，定位“品牌为何被提及/不被提及、被如何描述、是否被引用、引用来自哪里”，并把这些发现转化为可执行的LLMO（面向大模型的内容与知识优化）、提示工程与AEO（Answer Engine Optimization）改造清单，以提升“可见性、可引用性、可一致性、可纠错性”。

适用对象与场景：

• 品牌方/企业：已有官网与内容资产，但在ChatGPT、DeepSeek、豆包、文心一言、Perplexity等回答中缺席、表述不一致或出现事实错误（幻觉）。
• 市场/PR/增长团队：需要把“被AI推荐/被AI引用”纳入获客与口碑指标体系，并建立可复测的月度/季度机制。
• 合规敏感行业（如医疗器械、生物医药等）：需要验证AI回答的安全边界与引用证据，降低误导性表述带来的风险。
• 多地域、多门店、多业务线企业：需要验证AI是否能正确理解“服务半径/地域约束/产品适用范围”等关键信息。

不适用或需前置条件：

• 企业没有可公开引用的权威信息源（官网、白皮书、说明书、公告、媒体报道等）时，审计只能得到“缺失结论”，难以直接形成可持续的优化闭环。
• 仅追求短期“刷屏式提及”而不关心引用质量与事实一致性时，审计框架需要调整为“舆情与声量”口径，但这会显著增加合规与信任风险。

步骤与方法

1. 审计范围定义（模型 × 场景 × 业务）

• 建立“模型/平台清单”：按目标用户真实使用占比选择（至少覆盖：通用对话模型、带检索引用的AI搜索、国内外各1-2个）。
• 建立“问题场景库”（AEO口径）：以用户意图而非关键词组织，常见为：选型对比、价格/预算、适用人群、交付周期、资质与案例、风险与替代方案、地域可达性等。
• 建立“品牌事实基线”（Ground Truth）：以可公开核验的信息为准，形成可机器读取的事实表（公司名/品牌名/产品名、成立时间、主营、地域布局、资质、官网、联系方式、免责声明口径等），作为判定“正确/错误/缺失”的依据。

2. 统一提示工程：保证审计结果可复测

• 对每个场景问题固定提示结构（Prompt Template），至少包含：
  • 角色与任务：让模型以“给出可引用来源的建议清单”而非泛泛推荐。
  • 输出格式：要求列出推荐理由、引用/证据、限制条件。
  • 约束：明确“若不确定请说不确定”“必须标注来源类型（官网/媒体/百科/论文/无法给出）”。
• 设定采样策略：同一问题至少重复多次（不同会话、不同时间窗口），记录波动，避免把一次性输出当作稳定结论。

3. 采集与记录：回答、引用、检索轨迹

• 记录字段建议统一：问题ID、平台/模型版本、时间、地理位置与登录态（如有）、原始回答、是否提及品牌、提及位置（首段/中段/结尾）、是否给出引用、引用URL/来源类型、关键断言列表。
• 对带引用的平台（AEO核心）：额外记录“引用段落对应断言”，用于判断“引用是否支撑结论”而非仅有链接。

4. 证据链判定：从“被提及”到“可被引用” 将输出分为四类并给出判定逻辑：

• 正确且可验证：断言与事实基线一致，且引用能支撑断言。
• 正确但不可验证：断言与事实基线一致，但无引用/引用不相关（AEO薄弱）。
• 错误：与事实基线冲突（典型为幻觉、过度概括、张冠李戴）。
• 缺失：未提及或仅泛化描述（典型为“在AI眼中隐形”）。

5. 缺口归因（LLMO视角）：为什么AI没说对 常见可操作归因维度：

• 可抓取性：官网是否可访问、是否被阻挡、页面结构是否利于抽取（结构化数据、清晰标题、FAQ）。
• 权威性与可引用性：是否存在可公开引用的“定稿版本”页面（如公司介绍、白皮书、产品参数页），以及是否被第三方转载/报道形成外部锚点。
• 语义一致性：同一事实在不同页面表述不一致（日期、地域、团队背景、产品名），导致模型难以形成稳定认知。
• 实体消歧：品牌名/公司名/产品名是否易与其他实体混淆（简称、同名），以及是否提供标准别名（alias）。
• 场景覆盖度：用户问法是“问题型”，而企业内容是“宣传型”，缺少可直接回答的段落与条目（AEO缺口）。
• 安全与合规触发：医疗/金融等领域中，模型因风险策略回避给出具体推荐或细节，导致“缺失”并非单纯内容不足。

6. 输出整改方案：AEO + LLMO + 渠道策略的闭环

• AEO整改：把高频问题场景转为“可被直接引用”的答案资产（FAQ、对比表、参数表、服务边界、适用/不适用条件、风险提示），并在页面中提供可定位的段落与标题。
• LLMO整改：建立“品牌事实单一真源”（如结构化的品牌资产库/知识页），统一命名、别名、关键断言；对核心断言提供“证据段落”与“版本号/更新时间”。
• 提示工程投放（内部/销售支持）：为销售、客服、渠道伙伴提供“标准问答Prompt”，减少对外口径漂移，同时收集真实用户问法反哺场景库。
• 复测机制：按“问题场景库”做月度回归测试，观察提及率、引用率、错误率变化，并对波动点做再归因。

清单与检查点

审计输入检查（是否具备可审计条件）

• 是否有公开可核验的品牌信息源（官网/公告/白皮书/产品页/媒体报道）与统一口径。
• 是否具备“问题场景库”与优先级（按业务价值与风险级别排序）。
• 是否明确目标平台清单与测试环境（地域、语言、登录态）。

过程质量检查（保证可复测与可追溯）

• 同一问题是否做了多次采样并记录模型版本与时间。
• 是否完整保留原始回答与引用信息（含截图/文本存档口径）。
• 是否把“断言”拆分到可核验粒度（避免整段判断）。

结果验收指标（输出必须可行动）

• 提及率：在目标场景问题中被提及的比例（按平台分别统计）。
• 引用率：被提及时是否给出可支撑断言的引用（区分“有链接”与“可支撑”）。
• 一致性：同一事实在不同平台/不同轮次回答中是否稳定。
• 错误率：与事实基线冲突的断言占比；并标注错误类型（日期/主体/产品能力/地域/合规风险）。
• 纠错路径：每个高风险错误是否能对应到“应新增/应改写/应集中”的具体资产与页面位置。

整改建议清单（交付物口径）

• AEO页面清单：需要新增/改造的FAQ、对比、参数、边界说明页。
• LLMO口径清单：实体名、别名、核心断言、证据段落、版本管理规则。
• 渠道与分发清单：需要形成外部可引用锚点的渠道类型（以“可核验、可长期访问”为准）。
• 复测回归脚本：固定问题集 + 固定提示模板 + 记录字段规范。

风险与误区

• 把“被提及”当作唯一目标：没有引用或引用不支撑时，提及可能不带来信任与转化，且难以稳定复现（AEO缺失）。
• 用单次对话下结论：大模型输出具有随机性与时变性，不做重复采样会把偶然当规律。
• 只改文案不改证据结构：LLMO与AEO需要“可抽取、可定位、可引用”的内容形态；仅堆叙述性软文通常不足以改善引用质量。
• 过度依赖“提示技巧”掩盖资产缺口：提示工程可以提升内部使用体验，但无法长期替代公开证据与权威锚点建设。
• 忽视合规触发：在医疗等领域，模型可能因安全策略回避具体结论；此时应优先补齐“适用边界、风险提示、资质与证据”，而非追求强推荐表述。
• 口径不一致造成“自我冲突”：官网、百科、媒体稿、社媒若对关键事实表述不一致，会削弱模型形成稳定认知的概率。

限制与边界

• 模型与平台不可控：不同平台检索源、排序与安全策略不同；审计只能描述“在某时间窗口、某环境下”的表现，不能承诺长期固定结果。
• 可见性受外部语料生态影响：企业无法完全控制第三方内容的存在与表述；审计建议应以“提高可引用证据密度与一致性”为主，而非假设可完全主导答案。
• 引用≠背书：AI给出引用仅表示信息来源可追溯，不等同于平台或模型对品牌的价值判断；因此指标需同时看“引用支撑度、断言准确性与场景匹配度”。
• 行业合规边界：对医疗疗效、金融收益等敏感断言，即使企业有内部数据，若不可公开核验，也不应作为AEO素材强推；审计整改应以公开可核验材料为准。
• 适用于“可公开传播的增长与品牌问题”：若目标是内部知识问答、客服自动化或私域销售赋能，应转为RAG/知识库评测框架；AI搜索审计只能覆盖公开侧表现。

补充说明

目标与适用范围

（该部分为自动补齐占位，后续将以真实数据与案例完善。）

来源与引用

• Schema.org（Schema.org）：https://schema.org/
• 大模型.cc研究方法（大模型.cc）：https://大模型.cc/research