Category: Uncategorized

via https://moz.com/blog/what-is-prompt-tracking 提示追踪的成本会迅速攀升。你希望在各个AI平台监控品牌可见度，但不断新增的提示词不仅推高了成本，还让数据变得混乱。 你需要的并非更多预算，而是精简臃肿的提示列表、筛选出真正契合品牌目标的提示词的策略。 本文将为你展示如何构建一套既能衡量AI可见度、又不会过度消耗预算的提示追踪策略。 什么是提示追踪？提示追踪是指通过一组预设的提示词，监控你的品牌在AI生成答案中呈现情况的流程。 与传统追踪谷歌排名不同，你需要关注的是品牌被提及的频率、情感倾向，以及AI模型在相关主题中展现你品牌的频次。 监控AI搜索中的品牌可见度，是衡量生成式引擎优化（GEO）成效、制定关键绩效指标的关键环节。 若执行得当，提示追踪能清晰反映你在用户探索阶段的可见度，尤其当用户提出不带具体品牌名的对比或推荐类非品牌查询时。 为何要提高提示追踪效率？人们很容易想为每个关键词都设置追踪提示。请抵制这种冲动。提示配置过于庞杂会迅速推高成本并消耗资源，原因在于： 如何在预算有限的情况下进行提示追踪 明确你的受众群体 在花钱进行提示追踪之前，先用你已有的数据看看你的受众偏好使用哪些大语言模型。 Wix的研究表明，不同性别、年龄和国家的用户对大语言模型的偏好存在差异。例如，千禧一代更倾向于使用AI购物，而女性使用ChatGPT的可能性远高于使用Grok。 这意味着，如果你把精力集中在受众不常使用的渠道上，提示追踪可能无法带来预期的价值。 那么，如何确定你的受众更可能使用哪些AI工具呢？ 从GA4入手，识别AI流量，然后利用数据来排定追踪哪些大语言模型的优先级： 在GA4中，可以通过以下路径操作：报告（Reports）→ 获客（Acquisition）→ 流量获客（Traffic…

via https://moz.com/blog/prompt-tracking-mistakes-whiteboard-friday 你的AI可见度衡量方式有误吗？汤姆·卡珀揭示了AI提示追踪中的4大错误，以及扩展提示列表的4种创新方法。Moz的粉丝们，周五快乐。今天我想谈谈提示追踪。这个话题在行业内一直是讨论的热点，我感觉尤其是在过去几个月，但实际上整个去年都是如此，而且这也是我们在Moz Pro和STAT中都已开发的功能，并面向我们所有客户开放。 但我认为很多人对提示追踪仍持保留意见。所以我今天不打算重点介绍我们的产品，这不是一则广告。相反，我想谈谈我在各种工具中观察到的、人们常犯的四个错误——我认为正是这些错误导致了上述那些保留意见和误解。 1. 关注引用而非提及 第一个错误，可能也是最大的一个，实际上是关于引用的。 白板上放大了提示与响应格式示例的部分。我这里有一个例子，一个很典型的提示。这类内容你在提示追踪工具里看到的截图可能就是这样的。顶部有一个问题，在这个例子里，大概是关于手机推荐，或者哪款手机最适合某些需求之类的问题。 然后下面是响应，提到了各种手机品牌和子品牌，最后还有一个引用。在这个例子里，我用了pcmag.com。 现在，假设你是苹果公司。在这个例子中你就是苹果，你想评估自己的表现。你可能会做的是，查看是否提到了 apple.com。你会说：”哦，不，引用实际上来自外部网站，是PCMag。因此，这次表现不好。” 我认为这种想法是有问题的。你其实并不真正关心这些信息的来源。实际上，如果非要说的话，这些信息来自其他网站反而更具权威性，对吧？你未必希望自己被引用。 显然，你也有可能成为被引用的来源之一。但最重要的是，你被提及了。 你在AI搜索中胜出了吗？立即查看你与竞争对手的对比情况！ 所以我认为，关键是关注提及而非引用，而且也不一定只关注你主域名的提及，甚至不限于你主品牌的提及。显然，你的其他品牌，比如在这个例子中的 iPhone，或者 iTunes 等等，这些被提及的重要性，要高于谁是被引用的来源。 我们现在知道，这类AI响应在大多数情况下，不太可能为网站带来点击或引荐流量。 这与传统搜索在你的营销漏斗中所处的位置不同——在传统搜索中，你可能一直专注于获取点击。而现在这更多地关乎品牌认知度，关乎出现在对话之中。所以我认为你不应该过分关注谁出现在引用里，除非这本身就是一个机会。…

via https://moz.com/blog/10-fan-outs-for-prompt-research-whiteboard-friday 谷歌的AI概览是如何扩展用户查询的？汤姆·卡珀揭示了10种扇出类别，可用于改进你的提示追踪与关键词研究。 这份数字化白板列出了视频中讨论的用于提示研究的10种扇出类别。点击上方白板图像，即可打开高清版本！ Moz的粉丝们，周五快乐。在本视频中，我将毫不掩饰地借鉴我尊敬的同事皮特博士的研究成果。过去六个月甚至更长时间里，他一直在研究谷歌部分AI模式、AI概览和网页指南响应背后的实际运作方式，以及它们背后的一些基础查询是什么，并对这些进行了分类，观察它们的作用。 为什么这很重要？这之所以有用且有趣，原因有很多。在我看来，最有趣的原因之一在于提示研究，特别是用于提示追踪，或者为了获取关于人们可能如何研究——或者实际上谷歌自身可能如何研究——你的品牌和产品的不同思路。 这实际上也是我们在应用内“提示建议”功能中所使用的基础支撑。 你在AI搜索中胜出了吗？立即查看你与竞争对手的对比情况！ 我将快速过一遍你可以用来扩展相关主题类别的10个分类，并通过一个例子进行演示，这个例子同样是借鉴自皮特博士的——“最佳游戏无线鼠标”。 那么，如果你对这个主题感兴趣，你可以如何扩展它？谷歌又会如何将它扩展成这些扇出查询呢？接下来是快速过一遍这10个类别。 需考虑的10个扇出类别 希望能对你有所帮助。也希望你能将这些思路融入到你的提示研究中。非常感谢。

原文地址：https://www.analyticsinsight.net/llm/llms-are-changing-search-how-to-stay-visible-online 概述：大语言模型正在通过提供直接答案而非网站链接来改变搜索格局。AI摘要和零点击结果正在减少网站流量，并削弱传统SEO策略的有效性。品牌必须将权威性、原创数据和内容质量置于优先位置，才能在AI生成的回答中保持可见度。 二十多年来，互联网的主要入口一直是搜索框。输入查询，获得十个蓝色链接，然后用户根据自己的判断选择一个合适的来源。 过去的成功公式很简单：排名高，获点击，迎访客。然而，这扇大门正在被悄然拆除。 随着ChatGPT、Claude和Gemini等大语言模型从新鲜事物演变为数百万人获取信息的默认方式，互联网的基本契约正在改变。用户不再滚动浏览结果页，而是提出问题，然后获得一个单一的、整合而成的答案。点击，这个曾经在线发现的原子单位，正在消失。 大语言模型如何改变搜索结果这种转变颠覆了传统的搜索引擎优化实践，带来了数字领域的根本性变革。新的实践要求品牌不再依赖过去那种”为点击而优化”的方式，而是围绕”为被引用而设计”来构建体系。 AI对搜索的悄然接管这一转变并非爆炸性的，而是一种稳步的迁移。如今，当用户问”什么是最适合我小企业的会计解决方案？”时，他们并不想浏览五个不同的网站。他们想要一个答案。大语言模型恰恰提供了这一点：一个会话式的推荐，实时总结优缺点和价格。 这减少了消费者的摩擦，但为企业创造了一个”零点击”的现实。研究表明，当AI摘要出现时，点击率可能会骤降高达61%。对许多企业而言，客户旅程中的探索阶段正在悄然消失在AI界面之中。 为什么传统SEO正在失去优势在旧的技术世界里，你可以通过高效的关键词定位和漂亮的网站获胜。在AI时代，这些品牌触点正变得隐形。正如一家大型健康保险公司HSure的运营负责人Julia所解释的： “以前需要访问15到20个网站才能获取的信息，现在只需一次大语言模型回复就能获得。我们的品牌认知度从这个关系中消失了。” 当AI直接提供答案时，你的”政策说明”页面就得不到访问；它只是成了AI训练数据的一部分。为了生存，SEO必须进化为生成引擎优化。 AI推荐如何影响消费者决策 信任正在转移。尽管消费者长期以来容忍了付费广告，但他们越来越倾向于算法引导的”无偏见”指引。 像Nordpay这样的公司已经在调整方向，将其11%的广告支出重新分配给AI原生渠道。他们不再通过横幅广告向消费者大声叫卖，而是确保自己的数据成为AI使用的”事实来源”。 目标不再仅仅是”被找到”，而是”被推荐”。 从关键词到权威：可见度的新规则 为了在AI的”大脑”中保持可见，品牌必须改变它们发布的内容。如果你的内容只是重复网络上已有的信息，大语言模型就没有理由引用你。 为机器与人类共同设计内容 营销当前的主要受众是算法。为了具备”机器可读性”，你的数字存在感需要进行技术升级：

via https://visively.com/kb/management/seo-middleware 探讨如何构建一个集中的、API驱动的服务，用以管理规范标记、元数据和重定向，同时消除前端发布周期中的SEO瓶颈。 大多数网站的SEO逻辑都是随时间累积而成的：模板中的硬编码规则、叠加在平台上的插件、拼凑起来的第三方工具。随着复杂性增加，这种拼凑起来的体系变得脆弱且维护成本高昂。本文探讨如何构建一个集中的中间层服务，用一个统一、可控的系统取代分散的依赖项。 为什么SEO逻辑不应存在于前端代码中 硬编码且分散在前端模板中的SEO逻辑会引发一系列问题：页面类型间的规则不一致、迭代周期缓慢、重复性任务中的人为错误。当规范标签、元描述或重定向规则存在于应用代码中时，每一次SEO变更都需要工程资源、代码审查和部署周期。 这造成了一种令人不适的依赖关系。SEO团队发现了问题或机会，却无法在没有工程支持的情况下采取行动。工程团队则需频繁切换上下文来处理那些感觉与产品工作关系不大的SEO任务。双方都感受到了摩擦。 替代方案是SEO中间层：一个将SEO规则集中到专用系统中的服务层，通过API将这些规则暴露给前端使用。这将SEO配置从前端发布中解耦出来，实现更快的迭代，通过自动化减少人为错误，并创建清晰的职责边界。 SEO中间层能提供什么 SEO中间层是一种API服务，它接收一个URL（或请求上下文），并返回适用于该页面的SEO元数据和指令。前端无需了解具体规则，只需查询该服务并应用返回的响应即可。 核心能力 这些基础能力解决了最常见的痛点：重复内容、重定向管理开销以及元数据不一致。大多数实施都从这里开始。 进阶能力 基础能力（规范标记、重定向、元数据）解决了燃眉之急。架构搭建好后，相同的模式可以扩展到： 这些进阶功能有一个共同要求：它们需要不应被硬编码的、基于URL的决策能力。如果中间层API已经在处理规范标记和重定向，那么扩展它以返回质量门禁或链接建议只需要增量工作，而无需改变架构。 架构模式 一个典型的SEO中间层架构包括以下部分： SEO中间层架构图：前端/边缘层连接至SEO中间层API，SEO中间层API连接至SEO规则数据库以及用于规则管理的管理后台UI。SEO中间层架构：包含集中式规则数据库和API层。 量化分散式SEO逻辑的成本 在投资于中间层之前，先要了解当前方法的成本。这些指标有助于证明项目的合理性并衡量其成功与否。

via https://salt.agency/blog/ai-content-amplification-strategy/ 人工智能现已深深嵌入客户研究、评估和比较品牌的方式之中，首席营销官们正围绕这一现实重组团队、工作流程和衡量模型。营销人员最切身感受到的影响发生在内容营销和SEO领域。如果说有一件事几乎所有人都认同，那就是： 原创、高质量的内容至关重要。 伟大的内容向来重要，自从内容营销成为一门学科以来，我们中的一些人就一直鼓吹要重质胜于量。即便如此，最终得到验证仍然令人欣慰。如今，在AI时代，质量不再仅仅是一个差异点，它已成为获得曝光度的最低要求。 但即使发布优质内容也还不够。互联网上充斥着无人问津的精彩内容（这让各地渴望证明投资回报率的营销人员永远感到沮丧）。 相反，一个成功的内容营销策略建立在三大支柱之上： 在AI时代，这些支柱变得更加关键，因为消费者越来越多地使用ChatGPT和Perplexity等生成式AI平台来研究品牌和产品。 虽然传统内容营销侧重于发布和分发，但在AI时代，放大扮演了一个新角色：确保内容在AI生成的发现环境中保持可见，而在这个环境中，流量和归因正变得越来越碎片化。 AI采纳正在进行，但并不均衡 暂且看看AI的采纳情况。尽管喧嚣不断，AI的采纳尚未普及。英国政府2026年AI采纳研究发现，目前只有16%的英国企业正在使用AI，另有5%计划采纳。近80%的企业尚未在运营中积极使用AI。 在采纳者中，大多数人将AI用于文本生成和自然语言处理，而只有一小部分使用更高级或代理型系统。关键在于，84%使用AI的企业仍然对输出结果进行人工监督。 在全球范围内，采纳率正在上升，但远未饱和。《微软AI扩散报告2025 H2》估计，全球约有16%的人使用生成式AI工具，各地区采纳率稳步增长但不均衡。 这对CMO的影响是明确的：AI正在影响买家行为，但组织的成熟度仍然参差不齐。治理、放大和战略整合并不一致，这既带来了风险，也创造了机遇。 AI搜索正在重塑发现方式 消费者越来越多地使用ChatGPT和Perplexity等生成式AI工具来研究品牌和产品。同时，Google的AI概览和生成式搜索功能正在重塑信息的呈现方式。 贝恩公司的研究表明，如今大约60%的搜索在没有点击网站的情况下结束。零点击搜索和AI生成的答案意味着更多买家在未访问你网站的情况下收集信息。传统的归因模型难以解释这种转变。 但这并不意味着你的内容正在失去价值。如果AI概览或ChatGPT的回复引用了你的内容，你仍然影响了认知。你可能已经塑造了偏好。你可能加速了销售周期。你可能通过建立早期信任降低了未来的客户获取成本。你只是无法再仅使用传统的流量指标来衡量这种影响力。 对于CMO而言，挑战不仅在于使分发和放大策略适应AI搜索，更在于发展衡量模型，以反映影响力现在如何运作。…

via https://digiday.com/media/geo-hype-busted-experts-call-it-more-seo-than-new-discipline/ “GEO”这个缩写正大量涌入许多媒体高层的收件箱，供应商们争先恐后地想要搭上这波关注热潮。GEO是”生成引擎优化”（generative engine optimization）的简称，越来越多的供应商正在推销他们的GEO服务，旨在为聊天机器人和AI搜索引擎优化内容，声称可以帮助品牌和媒体公司在AI生成的答案中提高曝光度。 然而，SEO老手表示，围绕这些AI曝光度服务所兴起的新产业，可能并不像表面上看来那么具有革命性。他们指出，许多GEO策略与传统的搜索优化并没有太大不同，尽管自然存在一些关键差异。 以下是关于GEO的一些误解： 迷思：GEO并非另起炉灶，重新发明SEO多数GEO策略依赖的基础与SEO相同。大语言模型（LLM）通常会从搜索结果中排名高、具权威性的网络内容摄取信息。GEO应被视为SEO的延伸，而非一套完全独立的策略。 SEO机构uSERP的联合创始人兼首席执行官Jeremy Moser表示，GEO有80%是良好、基础的SEO。他最近告诉Digiday：”如果一个GEO服务没有坦诚告知你，在AI搜索曝光度的成功中有80%来自良好的基础SEO，那他们就是在卖蛇油。” SEO专家们正在警告出版商和品牌，要当心围绕GEO的炒作循环。他们表示，许多AI曝光度策略的运作方式，与过去的趋势相似。一个恰当的例子是：先前围绕Google的”加速移动页面”（AMP）和”精选摘要”的优化策略，曾被当作需要特定投资和专业知识的截然不同的新领域来推销。当时出现了专门的供应商、新的职位头衔，也划分了预算。实际上，这两者都是同一套底层搜索优化逻辑的演进——以让Google算法偏好的方式来组织你的内容。 GEO正遵循着相同的模式。效果营销机构Amsive的SEO策略与研究副总裁Lily Ray表示：”我们都经历过这种事无数次了，这就是为什么这对我们来说很令人沮丧。” 当然，也存在一些差异。例如，”查询扇出”（query fan-out）是一种在查询时，LLM检索和处理信息所使用的特定技术方法。这与SEO所基于的”爬行-索引-排名”模型是完全不同的检索架构。 最终目标大致相同：SEO旨在帮助网页在搜索结果中获得更高排名，而GEO则专注于让内容在AI生成的答案中被引用或摘要，后者更重视可提取的信息而非可点击的链接。 然而，价值交换有所不同：内容营销与SEO机构iPullRank的创始人兼首席执行官Michael King表示，传统搜索主要是一个导流（推荐流量）渠道，而AI搜索则扮演着品牌曝光渠道的角色，因为它能导向其他网站的流量非常有限。 迷思：如果你精通SEO，就等于精通GEO 尽管有些被当作GEO优化的东西，确实是重新包装的SEO（例如内容清晰度、权威性、信号、引用建立），但GEO中更具技术性的部分——特别是任何涉及LLM查询的”检索增强生成”（RAG）架构——确实是全新的领域，需要SEO团队具备专业知识和额外资源。…

via https://moz.com/blog/how-to-write-with-ai 在文案写作方面，AI 既被利用不足，又被过度使用。忽视 AI 会让你落后，但过度依赖则会加剧网络内容的低质化泛滥。 如果运用得当，AI 可以帮助你更快地研究、更高效地写作、并提升输出质量，同时不会稀释你内容中的人性化特质。 在本文中，我将通过自己经过实战检验的 AI 内容写作流程，向你展示如何取得这种平衡。 但首先，有一点需要注意使用 AI 写作时，关键在于让它服务于边缘环节，而保护中间的核心步骤——即实际的写作过程——确保写作环节完全由人完成，并保持其原本自然、有棱角的形态。 AI辅助写作流程图整个流程概览如下： 进行研究，在需要时借助 AI 加速学习使用 AI 创建大纲和内容简报在无辅助的情况下自由书写利用…

你的SEO策略准备好应对LLM接地了吗？探索训练数据与实时网络检索之间的区别，并了解如何优化你的品牌在AI搜索结果中的可见度。 解释模型响应内外之分的白板数字化版本。点击上方白板图像，即可打开高分辨率版本！ 周五愉快，Moz粉丝们。今天我想讨论一个我认为对SEO从业者未来至关重要的概念。这个概念就是模型响应（in-model responses）与非模型响应（out-of-model responses）之间的区别。 这关乎大语言模型的回复，但同样也适用于我们目前在谷歌搜索中看到的各类混合体验，例如AI模式、AI概览、网络指南。如果你不了解什么是网络指南，我将在下方附上相关资源链接。我认为这个概念未来也会非常重要。 继续我们的话题，来深入探讨模型响应与非模型响应。 简单来说（虽然有些过度简化），当你向大语言模型发出提示时，基本上可能发生两种情况。模型要做的首要决定之一，就是判断是否需要进行任何接地搜索。 这意味着，它需要判断是否需要执行外部查询（目前通常指谷歌搜索，即使是ChatGPT也经常如此），以获取最新信息，或核实其不确定的内容。 什么是模型响应？白板上突出显示”模型响应”部分的放大图 如果模型认为不需要进行外部搜索，那么，举个例子，我们可能会提出一个请求，比如”给我写一首诗”。这个请求不涉及任何特别的事实、最新信息或时事。因此，你很可能会直接从LLM得到一个回复，而无需它进行任何这些外部接地搜索，然后你就得到了答案。 所以，如果你想影响这种响应，唯一能做的就是影响模型的底层训练数据。 给你一些背景信息：GPT-4.0大概在2022年底完成训练，而GPT-4.5大约在2024年8月完成训练。模型更新之间的时间跨度相当长，许多人仍在使用的模型，其训练数据如今可能已有近四年甚至更久的历史。 因此，你几乎无法在短期内迅速影响它。从长远来看，你基本上是在试图影响那些最终被纳入这些模型训练数据的所有内容。而目前，这基本上意味着任何被计算机读取的文字内容。 这个范围极其广泛。显然，这不仅包括你自己的网站，也可能包括外部网站。而且，到了现在，它甚至可能包括书籍等材料。随着底层训练数据的不断扩展，其范围已经变得极其、极其广泛。 什么是非模型响应？白板上突出显示”非模型响应”部分的放大图。 我认为对SEO从业者来说，更有趣的是非模型响应。这是指大语言模型或你使用的工具决定进行一些外部搜索的情况。 举个例子，一个查询可以是：”2025年12月的核心更新发生了什么？” 我在几个不同的工具里试过这个查询。下面我会分享一个相关链接，但值得一提的是，目前在ChatGPT中，你实际上可以通过浏览器的开发者工具看到它进行了哪些接地搜索。 什么是非模型响应？（续）…

via https://peec.ai/blog/the-real-risk-of-ai-generated-content?utm_campaign=202603-moztop10&utm_medium=email&_hsenc=p2ANqtz–6NYj-cKLf80E37wnziR79fh5xFEFH0TeUBarI_9S5qE5aHZjXvzXQG8IGQvDl5vN683qaURVY9wBad5E-IvIfM2smiw&_hsmi=406731043&utm_source=202603-moztop10 我观察到一些公司因急于发布AI生成的内容而对企业造成了负面影响。它们追逐在ChatGPT和其他AI搜索引擎中获得提及，但实际上却在以未曾意识到的方式伤害自己。 我们分析了几家提供AI内容生成服务的公司组合，不出所料，它们在Google的可见度普遍大幅下滑。 证据表明，低质量的AI内容会严重损害你的在线可见度。谷歌和必应拥有先进的检测算法，能够手动调整排名，甚至将网站完全从搜索结果中移除。由于大型语言模型（LLM）在研究过程中会使用这些搜索引擎（这也被称为“接地”过程），这最终会对你在LLM中的可见度产生负面影响。 将AI作为写作辅助工具通常没问题。但如果大规模发布未经加工的原始AI输出内容，作为公司博客文章，且未增添任何实际价值，则可能适得其反。我分享这一点，是因为我不断看到有工具在推广AI内容生成，却对相关风险毫无警示。 这篇文章将探讨数据实际揭示的情况——以及如何让你的内容对用户、搜索引擎优化（SEO）以及大型语言模型（LLM）都真正有用。 AI内容网站是如何失去可见度的质量低劣的AI内容网站通常遵循一个可预见的轨迹：它们会短暂获得排名，然后便会下降——有时降幅巨大。 以Grokipedia为例，这是一个由Grok驱动的、AI生成的维基百科版本。它起初获得了一些关注，但随后在2025年1月底至2月初期间，其在谷歌的可见度开始下滑。包括Lily Ray和Glenn Gabe在内的多位SEO专家都记录了这一下降趋势。 此外，Peec AI的首席营销官Malte Landwehr在LinkedIn上指出了一个关键现象：几乎就在Grokipedia在谷歌上失去可见度的同一时间，各种答案引擎也开始减少对Grokipedia的推荐。 他在ChatGPT、AI模式（AI Mode）和AI概览（AI Overviews）中追踪到了这一关联。在下方的截图中，你可以看到，这三款答案引擎在1月底至2月初都减少了引用Grokipedia，而这恰好是其在谷歌排名下降的同一时刻。 另一个凸显低质量AI内容风险的例子是：2024年，谷歌发布了新的反垃圾邮件政策，导致多家网站被完全从搜索引擎中移除。Originality.AI在分析后续影响时发现，受影响的页面100%都包含AI生成的帖子，其中一半的网站，其80%至90%的内容均由AI生成。 一个接一个的案例，都在讲述着同样的故事。 使用AI内容生成工具的风险我们深入分析了一款流行的AI内容生成工具，该工具承诺能帮助品牌在ChatGPT、Perplexity和Claude等AI驱动的搜索引擎中“获胜”。…