理解系统
学习可见度、影响和收入指标各自能回答什么。
建立模型
阶段 02 · 诊断
基线测量：确认当前真实可见度
在修改内容之前建立可审计起点，分开模型答案、分析数据、自报运营与业务推断。
结果
设计追踪问题、引用、答案份额、合格访问与 Pipeline 的可信基线。
- 先决条件
- 完成或复习上一阶段：GEO 基础
- 投入
- 60–90 分钟学习 + 一次工作时段
- 成果
- 版本化问题集、证据日志、指标字典与未知项清单。
学习 → 实施 → 证明
完成工作
建立可重复的问题样本并记录模型、市场、日期、答案和来源。
制作成果
验证结果
让另一位同事能够复现采集方法并解释其限制。
检查证据
Concept boundaries
核心定义
先写清买方问题、收集条件和期望结果，再按来源、处理、答案与行动逐层检查 基线测量。每一步都保存可核对的原始证据，避免把推断写成事实。
基线测量 不是一个孤立指标，而是一条需要记录、检查和复盘的工作链路。 把执行人、版本、日期、市场、语言和已知限制写进记录。重复运行时沿用同一规则；如果结果变化，保留差异并说明它会怎样影响下一步。
执行方法
把执行人、版本、日期、市场、语言和已知限制写进记录。重复运行时沿用同一规则；如果结果变化，保留差异并说明它会怎样影响下一步。
基线测量 不是一个孤立指标，而是一条需要记录、检查和复盘的工作链路。 把执行人、版本、日期、市场、语言和已知限制写进记录。重复运行时沿用同一规则；如果结果变化，保留差异并说明它会怎样影响下一步。
证据边界
把执行人、版本、日期、市场、语言和已知限制写进记录。重复运行时沿用同一规则；如果结果变化，保留差异并说明它会怎样影响下一步。
基线测量 不是一个孤立指标，而是一条需要记录、检查和复盘的工作链路。 把执行人、版本、日期、市场、语言和已知限制写进记录。重复运行时沿用同一规则；如果结果变化，保留差异并说明它会怎样影响下一步。
Core lesson
01
理解 基线测量 的工作链路
基线测量 不是一个孤立指标，而是一条需要记录、检查和复盘的工作链路。
先写清买方问题、收集条件和期望结果，再按来源、处理、答案与行动逐层检查 基线测量。每一步都保存可核对的原始证据，避免把推断写成事实。
把执行人、版本、日期、市场、语言和已知限制写进记录。重复运行时沿用同一规则；如果结果变化，保留差异并说明它会怎样影响下一步。
- 为 基线测量 写出一个可检查的问题。
- 记录来源、方法和所有未知项。
- 让另一位同事按同一规则复核。
02
把 基线测量 变成可复跑的实践
基线测量 不是一个孤立指标，而是一条需要记录、检查和复盘的工作链路。
先写清买方问题、收集条件和期望结果，再按来源、处理、答案与行动逐层检查 基线测量。每一步都保存可核对的原始证据，避免把推断写成事实。
把执行人、版本、日期、市场、语言和已知限制写进记录。重复运行时沿用同一规则；如果结果变化，保留差异并说明它会怎样影响下一步。
- 为 基线测量 写出一个可检查的问题。
- 记录来源、方法和所有未知项。
- 让另一位同事按同一规则复核。
Decision framework
基线测量 的观察 → 判断 → 行动框架
当前证据支持我们做出哪一种下一步决定？
- 01
输入
我们是否拿到了足够且合适的输入？
如果没有，先补齐来源、样本或技术条件。
- 02
观察
记录能否直接证明当前现象？
如果不能，降低表述强度并保留未知状态。
- 03
验证
第二次运行或第二位审查者能否复核？
如果不能，先修正规则和收集方法。
- 04
行动
哪项最小行动能改变下一轮证据？
选择可回滚、可衡量并有负责人的行动。
Worked non-client example
团队在 基线测量 上看到一个值得处理的缺口，希望用一次工作会议决定优先级。
- 原始记录已保存，并写明日期、市场和方法。
- 不同审查者对一个结果的分类不一致。
- 当前资料不足以证明它带来了流量、引用或收入。
先冻结当前基线，统一分类规则并补做一次受控复核，再决定是否扩大 基线测量 的投入。
已观察到的问题足以支持诊断，但还不足以支持因果或市场范围的结论。
这组记录只支持下一轮检查与排序，不代表 基线测量 已经改善，也不能把相关变化归因于单一改动。
Reusable work template
基线测量 工作记录模板
每个优先问题填写一行，先保存原始证据，再写摘要。
- 01
问题与目标
写明谁在做什么决定，以及 基线测量 应帮助解决什么。
- 02
范围与版本
记录市场、语言、平台、页面和查询版本。
- 03
原始观察
粘贴答案、响应、来源或截图，不只保留分数。
- 04
判断规则
写下分类标准、分母、排除条件和审查人。
- 05
下一步行动
指定负责人、最小改动、重跑日期和停止条件。
- 06
未知与限制
保留缺失、失败、个性化和无法归因的部分。
Failure modes and corrections
只看一个总分
团队用单一数字代表全部 基线测量 结果。
总分隐藏了真正需要修复的环节。
先展示原始角色、来源与条件，再决定是否计算摘要。
修改规则后再比较
看到结果后才调整分类或分母。
基线会看起来更好，却失去可审计性。
先冻结规则；发生变化时升级版本并保留旧数据。
把推断写成成果
一次观察被写成稳定提升或商业回报。
时间先后不能证明影响或因果。
明确观察、输入、推断和仍需验证的结果。
Practice exercise
完成一次 基线测量 复核
选择一个真实买方问题或页面，在限定市场和语言下检查 基线测量。
- 01写出问题、范围、版本和预期角色。
- 02保存至少两条带上下文的原始观察。
- 03让第二位审查者独立分类并记录差异。
- 04提出一个有负责人和停止条件的最小行动。
Proof artifact
一份包含原始记录、判断规则、未知项与下一步决定的 基线测量 复核单。
Completion rubric
- 每个结论都能回到原始证据。
- 分类、分母和版本规则清楚。
- 下一步行动直接回应观察到的限制。
- 没有超出证据范围的可见度、流量或收入承诺。
GEO 学院知识库
完整知识库
先选阶段，再用主题与阅读意图选择深度。
considerationhubsearchable
AI 可见度工具选型指南（总览）：从业务需求到引用来源的完整地图
多数团队的选型顺序都反了。这是一份从需求定义到工具导入的完整地图。
阅读文章awarenessdatashareable
2026 台湾 AI 搜索引用现状报告：从 ChatGPT 引用来源看内容可见度
ChatGPT 判断内容是否值得引用时，并不会只看网站流量。我们追踪了一组来自台湾的真实问题，分析 AI 正在引用哪些来源，以及品牌应该从哪里着手提升可见度。
阅读文章considerationdataboth
AI 可量化品牌曝光前后的变化：如何衡量 GEO 成效？
别凭感觉判断品牌有没有被 AI 看见。通过固定问题集、多引擎重复测试和四项核心指标，可以把 AI 可见度转化为可比较、可追踪的趋势曲线。
阅读文章considerationdatashareable
AI 引用稳定性追踪：同一组问题，三个月后答案变了多少？
同一个问题，三个月后 AI 给出的品牌名单可能已有近一半发生变化。这项追踪调研揭示了 AI 引用的波动程度，也解释了为什么持续稳定性比单次排名更值得关注。
阅读文章awarenessdatashareable
B2B 行业 AI 引用基准：SaaS、制造业与专业服务，谁更容易被提及？
品牌被 AI 引用的初始水平，很大程度上由所在行业决定。SaaS、专业服务和制造业的内容基础差异明显，用全行业平均值衡量自己，几乎一定会得出错误结论。
阅读文章considerationdataboth
GEO 多久见效？真实项目的时间线与关键里程碑
GEO 通常分三个阶段见效：约第 4 至 8 周首次被引用，第 8 至 12 周可以量化品牌曝光，第 12 至 24 周开始带来业务机会。大多数失败项目，都是在跨过见效门槛前就停了。
阅读文章延伸资料库
继续主题学习
白皮书、指南与方法论开放阅读。2026 GEO 趋势报告需要留下 Email。
白皮书6 章 · 2026.06
用引用、推荐与合格商机衡量 GEO
分别定义引用、未附链接的品牌提及、采购问题中的推荐占比与合格商机。报表需列明样本和分母，区分 Pipeline、营收与有证据支持的归因结论。
用引用、推荐与合格商机衡量 GEO报告6 章 · 2026.06
Share of Model：用清楚定义比较 AI 能见度
先定义提及、来源链接与推荐，再比较品牌。用一致的问题、分母和取样条件建立有用的比较表。
Share of Model：用清楚定义比较 AI 能见度指南6 章 · 2026.06
AI 流量归因：分清已知来源与数据缺口
读懂 GA4 渠道定义，将来源证据保留到 CRM，并单独比较用户自述的发现渠道。仅凭引荐数据缺失，不能识别 AI 流量。
AI 流量归因：分清已知来源与数据缺口报告6 章 · 2026.06
AI 引荐转化：如何解读研究、衡量成效
按转化事件、样本与时期比较 AI 引荐研究，分别衡量事件率、合格商机与营收，并说明来源识别和归因局限。
AI 引荐转化：如何解读研究、衡量成效用工具完成本阶段
Query Evidence Lab
建立可重复的问题样本并记录模型、市场、日期、答案和来源。
证据边界
Use the output for the decision it describes; do not treat a technical scan, self-assessment, or planning model as proof of live AI citations.
应用学习
进入下一个可检查的决策
只在证据基础符合决策时使用工具、诊断或服务。