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 60 年代麦迪逊大道广告高管的传奇形象：
- 没有任何直接转化数据能与某个被跟踪的提示词挂钩。
- 提示词不存在面向公众的搜索量数据。
- 提示词回答只能提供方向性指导。回答会根据每位用户自身的习惯和过往聊天记录进行定制。
- SEO 人员过去 15 到 20 年熟记于心的衡量方法已经不再适用。
幸运的是，你可以分析方向性的 AI 可见性数据，并将其转化为行动计划。与大多数数字营销项目不同，这里没有简单、快速的修复方法。品牌营销？没错，它确实又回到了菜单上。购买非品牌链接来操纵搜索结果？嗯，基本行不通，除非你喜欢烧钱快进快出的项目。
目标不是用样本数据编造出整齐的归因故事。目标是把你客户提出的问题、他们收到的回答、这些推荐中出现的品牌，以及影响这些回答的来源连接起来。
这种连接不会产生一个整齐的转化率。它会告诉你该去哪里调查，以及下一步该改进什么。
第 1 步：确定你在 AI 搜索中跟踪品牌可见性的主要目的
如果没有明确目标就跟踪品牌可见性，就像在不知道哪些转化行为对业务影响最大的情况下搭建分析仪表盘。
定义你要解决的问题，并把分析与业务结果关联起来，这样你才能以推动战略决策的方式解读数据。
例如：
- 产品营销团队可能想知道，当潜在买家让 LLM 比较某个特定用例的最佳产品时，其品牌是否会作为推荐出现。
- 内容营销团队可能想了解哪些内容类型会影响 LLM 推荐，以及某个优先主题会衍生出哪些相关的扇出查询。扇出查询是 AI 系统为探索更广泛请求而可能使用的相关搜索或子问题。
- 数字公关团队可能想识别第三方来源，这些来源能为品牌报道、收录或外联创造可信机会。
- SEO 与 GEO 团队可能想向高管展示其品牌在 AI 中的表现，并与传统搜索表现并列呈现。
- 高管可能想要一个聚焦的仪表盘，用来跟踪品牌在一组明确的高价值提示词中如何被讨论。
一旦你知道搭建仪表盘的主要目的，选择跟踪什么就会容易得多。
定义：
- 你的目标受众或理想客户画像（ICP）。
- 能够可信地满足该需求的产品或服务。
- 你的优先主题。
- 目标市场和语言。客户处于购买周期的哪个阶段。你的团队在审阅数据后预期要做的潜在工作（例如联系作者、创建新内容等）。
现在，你营销组织中的每个团队都有可用的东西，而不是从零开始。内容写作者可以据此规划；产品营销可以强化定位；媒介购买人员可以围绕特定功能和痛点创建广告；公关可以识别更强大的第三方报道可能在哪些方面重要；SEO/GEO 则可以构建与真实目标挂钩的报告视图。
这也能避免一个常见错误：把每一次品牌未被提及都当成问题。如果某个提示词不符合你的受众或产品供给，那么出现在回答中可能几乎没有商业价值。
第 2 步：分析顶层指标
从顶层指标开始，但不要止步于此。
可见性衡量覆盖范围。有多少被跟踪的回答包含了你的品牌？
平均排名衡量品牌出现时的位置。未出现的情况不计入，因此要把排名与可见性放在一起看。
声量份额衡量品牌在既定竞争集合中的存在感。它不代表整个市场，也不代表回答文本中提到的每一个品牌。
Moz 中的 AI 可见性仪表盘以易于理解的格式概述这些数据点，突出品牌被提及的频率、品牌在回答中被提及的早晚，以及每个品牌“赢得”最先展示位置的频率。
Moz Pro 中 AI 可见性仪表盘的截图。
这些指标回答的是不同问题。
高平均排名伴随低可见性，意味着品牌在被选中时表现良好，但出现得并不频繁。
高可见性伴随较弱排名，意味着品牌经常出现，但可能并不占据领先位置。
这就是为什么我绝不会把其中一个数字单独放在幻灯片上，并称其为完整故事。
示例：覆盖范围和排名可能指向不同方向。
在本文中，我将引用我搭建的一个提示词跟踪仪表盘，用来将我最喜欢的耳机品牌与其最激烈的竞争对手进行比较。作为一名重金属爱好者，过去十年我测试过各种耳机和耳塞，而 Bose 始终名列前茅。附言：这绝不是赞助内容，但我对 Bose 创造出的耳机感激不尽，它们把重金属嘈杂的声音变成甜美、由低音带来的声音享受。好了，说得够多了；让我们回到数据和示例：
在提供的 72 条耳机提示词集合中，Bose 出现在 61.1% 的 ChatGPT 回答和 44.4% 的 Perplexity 回答中。然而，当出现在提示词回答中时，ChatGPT 中的平均排名为 1.95，Perplexity 中为 1.84。
Bose 在 Perplexity 中出现得更少，但当被包含在提示词回答中时，往往占据略强的位置。这是调查缺失出现情况的理由，而不是宣布某个模型普遍更强或更弱。
确保你在重要的时候和重要的地方被提及。
AI 可见性中的引用可以帮助你发现数字公关的外联机会，确保 AI 在最关键的时候推荐你的品牌。
总体可见性分数只是起点。导出数据，然后拆解它，直到你能看出模式实际来自哪里。
首先将提示词分成几个有用的类别：
- 主题： 品牌在产品类别、用例、功能、定价和支持方面最强或最弱的地方在哪里？
- 意图： 品牌是否出现在信息型、商业型、交易型或导航型提示词中？
- 提示词格式： 差距是否集中在推荐、比较、操作指南问题或功能限制中？
- 模型： 同一个问题在 ChatGPT、Gemini、Google AI Mode 和 Perplexity 中是否产生不同的品牌集合或推荐模式？
- 竞争对手存在感： 当你的品牌没有出现时，哪些被跟踪的竞争对手出现了？
关于意图：
然后你可以根据传统搜索意图在内部给提示词打标签。
| 搜索意图 | 用户想要什么 |
|---|---|
| 信息型 | 理解一个主题或解决问题。 |
| 商业型 | 评估产品、服务或方法。 |
| 交易型 | 采取与购买或转化相关的行动。 |
| 导航型 | 到达特定品牌、产品或目的地。 |
专业提示！把提示词数量放在百分比旁边。如果一个主题只包含六条提示词，一个回答就可能实质性改变结果，因此你不希望异常值描绘出一个可能把你带进兔子洞的故事。
不要因为能做就把所有东西都细分。寻找三类发现：
- 一个反复出现的、值得捍卫的优势。
- 一个值得调查的特定模型差异。
- 一个在重要提示词或模型之间反复出现的差距。
你在这个阶段的目标是把大量导出数据转化为少数值得调查的模式。细分应该揭示总体分数所隐藏的内容，而不是再给你六张需要解释的图表。考虑哪些模式影响关键客户细分、具有最大的潜在业务影响，以及哪些是你能用现有资源切实解决的。这种方法帮助你的团队聚焦于最重要的模式，而不是迷失在有趣但影响较小的发现中。
如果你当前的提示词集合太单薄，无法揭示任何主题或可操作数据，Moz 的提示词建议可以基于主题集呈现更多提示词。先审查基线，然后添加相关建议并单独标记它们。
第 4 步：用情感分析理解你的品牌是如何被讨论的
可见性告诉你品牌是否出现。情感分析帮助你理解品牌被讨论时的有利程度。
让我们看看如何在 Moz 工具中分析品牌情感。
Moz 中 AI 可见性情感视图的截图。
在 AI 可见性中，打开你想分析的模型和提示词列表对应的“情感”标签页。先从总体分数及其置信度标签开始，但把它当作起点，而不是最终结论。它反映的是被跟踪提示词范围内的讨论，而不是普遍的品牌认知。
接下来，查看“提及细分”。总提及次数以及正面、中性、负面提及的构成，在比较品牌时提供了关键背景。两个品牌可能得到相近的分数，但提及量差异很大，因此不要在没有检查背后提及量的情况下把这些分数视为等同。
然后从汇总分数转向“热门主题”和“情感驱动因素”：
- 使用“热门主题”识别被感知到的优势和劣势。
- 在“情感驱动因素”下选择你的品牌或竞争对手，然后展开各个主题，查看摘要和相关回答片段。
- 在提出修复方案之前，先调查混合或较弱的主题。确定哪些提示词、说法和来源促成了这种模式。
示例：总体分数只是第一层
在 ChatGPT 仪表盘中，Bose 的总体分数为 73，置信度高，共 169 次提及：79 次正面、90 次中性、没有负面。在其热门主题中，降噪得分为 88，佩戴舒适度得分为 95。
这并不意味着互联网普遍喜爱 Bose。它意味着这些优势在被跟踪的这组提示词中持续出现。90 次中性提及也是继续深入挖掘、而不是停留在头条分数上的理由。
并非每一次提及都会被归入某个主题，因此主题计数可能无法与头条指标完全匹配。使用应用内视图发现模式，然后阅读回答文本，理解是什么在驱动它。
AI 是如何了解你的品牌的？
借助 AI 可见性中的“引用”，你可以更好地理解 LLM 在谈论你的行业、品牌和市场时信任哪些内容。
第 5 步：打开差距背后的回答
一旦发现某种模式，就从指标转向实际回答。
比较以下所有内容：
- 推荐的产品或服务。
- 用于做出推荐的标准。
- 包含的竞争对手。
- 关于每个选项的说法。
- 引用的来源。
- 你的品牌是否可信地符合该需求。
示例：相似的指标可能隐藏不同的问题
对于“适合戴眼镜者的最佳头戴式耳机”，Bose 在三个模型中的平均排名为 1，但在 Google AI Mode 中缺席。对于“最佳视频通话耳机”，Bose 只出现在 Perplexity 中，导出排名为 2。
第一个差距把你引向舒适度标准及支持这些标准的来源。第二个差距把你引向麦克风和通话质量证据。两者都不能证明你需要专门投入资源新建一个页面。
不要被基本本能驱使，为某一条提示词没有出现就写一篇 2,000 词的博客文章。一次缺失出现可能指向过时信息、薄弱的第三方报道、不清晰的产品定位、真实的产品限制，或提示词匹配度差。
缺失出现不是诊断结论。它是线索，告诉你下一步该调查哪里：提示词、回答、产品匹配度，以及引导推荐产生的来源。
第 6 步：把引用作为单独的证据层来分析
引用展示了 LLM 在回答特定提示词时参考的来源。营销团队可以查看给定仪表盘中的被引用页面列表，以识别公关活动和 SEO 工作的潜在机会。我在分析被引用页面时使用一份简单清单：
Moz Pro 中 AI 可见性“引用”标签页的截图。
Moz 中 AI 可见性“引用”标签页的截图。
首先，对每个相关来源进行分类：它是编辑评测、比较页面、零售商、社区、视频、社交媒体帖子、研究报告、自有资源，还是竞争对手拥有的页面？
然后分析该引用是如何被使用的，以及它与你的品牌有何关系：
- 你的品牌是否出现在被引用的来源页面上？
- 你的品牌是否出现在引用该来源的 LLM 回答中？
这些组合会导向不同行动：
| 被引用页面与你的品牌之间的关系 | 建议的下一步行动 |
|---|---|
| 来源和回答都未提及该品牌。 | 在准备收录推介之前，先确认受众和产品匹配度。 |
| 来源包含该品牌，但回答没有。 | 审查提示词、回答和被引用段落，寻找具体差距。如果回答中提到了竞争对手，分析包含他们的上下文。 |
| 来源包含该品牌，但没有指向你网站的链接。 | 如果反向链接有用且在编辑上合适，考虑联系网站所有者或作者。以有用的页面更新理由开场，而不是泛泛的链接请求。 |
| 被引用的是自有页面。 | 验证信息是否准确，且对 LLM 仍然有用。此外，确保该页面上所有相关内容都能被所有爬虫轻松访问。 |
| 页面或回答无法验证。 | 把它放入审查队列，而不是编造一个机会。 |
示例：聚合引用字段不是最终答案
来自 Perplexity 的被引用页面显示，TechRadar 的一篇头戴式耳机指南在 20 条提示词中被作为来源引用，其中一半提到了 Bose。该在线页面已经包含一个内容充实的 Bose 部分，这很可能影响了 Perplexity 的回答。
错误的做法是向 TechRadar 发送一封泛泛的推介，要求添加更多关于 Bose 的信息。站得住脚的做法是识别相关提示词和回答，确认哪些属性被突出强调，并找到一个具体、有证据支持、你能用新内容证明的改进点。
重要澄清：引用不等于反向链接，更不是外联许可通行证。一个页面可以提到你的品牌而不链接到你。这可能创造外联机会，但只有当链接确实能改善页面时才是机会。大型出版物和热门作者正被模板化推介淹没；“你提到了我们，请链接”不是可持续策略。
第 7 步：把洞察转化为可执行的下一步行动
研究数据只是工作的一半。大多数报告最终进入“炼狱”，因为它们从未告诉团队下一步该做什么。典型报告勉强解释发生了什么，加上多张花哨图表，然后在高管 30 秒审阅后被悄悄遗忘在共享文件夹里。你的 AI 可见性报告应该以一份团队实际可以开始的工作清单收尾。
把每一项经验证的发现转化为以下四类工作之一：
- 修正事实： 更正自有页面和引用报告中第三方来源上的任何过时信息。
- 争取考虑： 针对竞争对手被 featured、而你未被 featured 的被引用页面，为你的品牌撰写推介。
- 保护优势： 保持支持性说法和页面准确、最新。
- 继续挖掘： 当产品匹配度、提示词价值或来源证据仍然模糊时继续调查。
并非每一项发现都值得单独成为一个项目。有些模式可以转化为真正推动收入的工作；其他任务可能很有趣，但不值得追求。为了有效排优先级，使用这份清单：
- 评估业务影响。
- 考虑该模式出现的频率。
- 评估你对支持证据的信心。
- 估算所需投入。
根据这些标准选出三到五个优先事项。不要把所有潜在任务都标为高优先级，除非你想让同事压力山大，并在项目管理系统中熬夜加班。
为每个项目分配负责人、具体交付物、支持性提示词或 URL、审查日期和状态。对大多数团队来说，共享电子表格就足够了；更大的团队可以把工作移入现有项目管理系统。
最后一条规则：不要不断移动球门。保留现有提示词、导出数据、主题、被引用页面和收集设置。下次比较相同范围，并单独报告任何新提示词。否则，你只要改变跟踪内容，就能人为制造出品牌可见性的戏剧性增长。
例如，假设你想把品牌可见性仪表盘转向只跟踪针对竞争对手的比较型提示词，并且只使用品牌词。你下一次收集可能显示品牌可见性显著提升，但这是因为你引导系统在每一条提示词中都提到你的品牌名。基于你最初的业务目标，你可能想跟踪非品牌提示词，以更好地衡量 LLM 是否会在没有品牌名提示的情况下推荐你的产品。另一方面，大量品牌提示词可以给你更多证据，收集品牌在网络中如何被感知的情报。
可选第 8 步：用 AI 可见性分析技能扩展分析规模
第 1 步到第 7 步展示了如何在 Moz Pro 及相应导出数据中分析你的 AI 可见性。如果你管理多个仪表盘，真正的问题是规模化。一旦你要跨多个模型、主题、回答和被引用页面审查数百条提示词，手动工作很快就会变得非常繁琐。
这就是我构建 AI 可见性分析技能的原因。它以批量方式应用相同的工作流逻辑：比较模型和主题，发现反复出现的优势和差距，总结回答主题，构建引用审查队列，并把最有力的经验证发现转化为按优先级排序的行动。
Claude 中技能文件的样子。
Claude 中技能文件的样子。
然后它把分析打包为：
- 一份高管概览，为领导者提供记分卡、最重要的差距和一份简短的优先事项清单。
- 一份详细报告，解释跨模型、主题、竞争对手、提示词、回答主题和引用的发现。
- 一份可编辑的行动工作簿，把提示词和来源映射到行动、负责人、投入、置信度、状态和下一步，同时保留支持性证据。
- 支持性 CSV 和 JSON 文件，保留提示词附录、被引用页面清单、引用审查队列和计算指标，以便深入分析。
Claude 的记分卡输出。
Claude 的高管摘要和记分卡输出。
示例：分析本身比文件数量更重要
在 Bose 示例中，该技能处理了本文通篇使用的同一批提示词和引用导出数据，按模型和主题细分表现，呈现反复出现的差距，构建引用审查队列，并把最有力的发现转化为按优先级排序的行动。然后它把这些工作打包成一份三页高管摘要、一份八页详细报告、一份 13 个工作表的工作簿和支持性证据文件。
你可以调整技能文件，使其只生成最适合你的任意格式文件：电子表格、文档、PDF 或 Markdown 文件。
该技能与平台无关，可以在 Claude Code、Codex 或 Cursor/Grok 等工具中运行。由于该技能使用推理密集型工作流，更强的模型通常会产生更深入的分析。虽然新模型不断推出，但无论使用哪个模型，最好都坚持使用高或超高推理设置，以确保获得最佳质量输出。
注意：你可以在我创建的一个更广泛的 Marketing Skills 公共仓库中下载 AI 可见性分析技能。除了 AI 可见性分析技能，你还可以下载 Backlink Gap Analysis & SEO Workbook Builder，两者都使用 Moz 数据来帮助你的日常 SEO 工作。
将 Moz 数据连接到你最喜欢的 AI 工具
借助 Moz Data MCP Server，你可以把可信的 Moz 数据直接带入你的 AI 工作流，并构建自定义仪表盘。
本周该如何处理你的 AI 可见性数据
从记分卡开始，或使用该技能扩展分析规模，但不要运行一次就宣告完成。沉浸到数据中，挖掘任何潜在模式，并尝试为你的品牌找出未来 90 天内的 3 到 5 个重大机会。
这些数据的最终目标是回答三个问题：
- 你的品牌在哪里持续取胜（捍卫你的位置）
- 竞争对手在哪里被推荐，而不是你（建立你的可见性）
- 哪些证据似乎在影响这一决定（理解市场）
这就是 AI 可见性数据不再只是另一个分数，而开始变得有用的地方。
你可能会发现定位问题、第三方报道缺口、过时信息、薄弱的产品证据，或者只是发现某些提示词中你的品牌从一开始就不太适合。重要的是知道其中的区别。
AI 可见性不会给你营销人员过去 20 年一直追逐的那种干净归因。然而，这些报告可以向你展示传统排名报告永远无法展示的东西：AI 系统如何理解你的品牌、它们把你与谁比较，以及哪些来源正在塑造这些推荐。
从这些数据中获得最大价值的品牌，不会是那些执着于自己的可见性分数本月是否上升了三个点的品牌。它们会利用数据弄清楚自己为什么是或不是答案的一部分，以及自己能对此做些什么。