via https://ipullrank.com/ai-search-user-behavior 对比同一组用户在一个月内使用AI搜索和Google搜索的情况，以考察他们在不同平台上的行为差异。 摘要： 我在两个Datos面板中匹配了16,310名用户，以比较每个用户如何使用Google和LLM进行搜索，并理解为什么我们需要以不同于关键词的方式来跟踪提示词。在Google上，87%的搜索是查找型，只有8%的搜索是问题型。在AI上，问题占提示词的27%，是Google比例的3.3倍。对于同样的需求，AI提示词平均几乎是Google搜索的两倍长。向AI提问时，用户添加的个人细节多出6倍以上。虽然AI搜索仅占用户查询量的2.7%，但提示词通常独立存在，前后没有匹配的Google搜索。结果显示，这两个搜索界面上的用户行为存在巨大差异，以至于传统的Google搜索行为很难预测AI搜索行为。 —– 跟踪AI可见性的效果，取决于提示词集本身的质量。你的团队如何选择要跟踪的内容？有些团队将关键词列表扩展为问题，有些团队根据用户画像生成提示词，还有些团队直接让LLM来完成这项工作。最强的起点是有关你的受众实际会问什么的数据：销售电话、潜在客户咨询、客户问题和FAQ都可以告诉你人们关心什么以及他们使用的语言。 但这些方法本身都无法告诉你，你所跟踪的提示词是否看起来像用户实际给LLM的提示词。 Mike King最近提出，AI搜索跟踪没有准确性，只有精确性，而提示词集是塑造数字的方法论选择之一。在他引用的研究中，当提示词的措辞偏离原始版本足够远时，品牌可见性下降了约一半。如果措辞的微小变化就能让测量结果变动如此之大，那么问题就不仅仅是你的提示词集是否覆盖了正确的主题，而是它是否类似于人们实际使用AI的方式。 我没有争论哪种方法正确，而是直接观察了行为本身。我选取了同样的16,310名用户，跟踪他们在传统Google搜索和AI搜索中输入的内容，为期一个月，并逐一进行比较。结果显示，两者之间的差距远比关键词列表所暗示的要大得多。 我想测试什么…

via https://moz.com/blog/analyze-log-files-ai-search 大多数团队在过去两三年里，把大量时间和预算投入到 AI 搜索中。但许多团队并没有确认：AI 机器人能否访问到他们的重点页面，或者是否在页面加载完成前就放弃了。 我从事 SEO 已超过 15 年，但我仍然看不到足够多的人关注服务器日志文件——而这些答案就藏在日志里。 本文将向你展示如何获取服务器日志、识别经过验证的机器人，并找出阻止…

via https://moz.com/blog/practical-ai-visibility-workflow 这套工作流会深入分析你跟踪的提示词，发现竞争差距，考察大语言模型在给出推荐时所依赖的引用来源，并揭示你的品牌在 Moz Pro 中的真实可见性。 营销专业人士早已习惯被数据淹没。我们习惯了从彼此割裂的系统中筛选数据点，再构建一套叙事来证明自己为客户做得不错。 然而，提示词跟踪对营销人员和 SEO 人员的考验，更像 20 世纪…