花 10 分钟，自己测一测：你的品牌在 AI 回答里是什么样子

你不用等我们，也不用任何工具。打开 DeepSeek，问几个问题，十分钟就能看到——当用户向 AI 打听你这个行业、甚至直接打听你公司时，AI 到底怎么说你。这篇就教你怎么问、看什么、怎么读结果。

为什么这件事值得花十分钟

越来越多人不再用搜索引擎查东西，而是直接问 AI："这家公司靠谱吗""国内做这个的有哪些"。AI 的那段回答，往往就是用户对你的第一印象。问题是：你大概率从没看过，AI 在背着你怎么描述你。先看到，才谈得上改。

传统搜索结果通常把多个页面并排给用户，用户还要自己点开、比较和判断。AI 回答更像一次整理后的口头建议：它会先归纳信息，再给出有限的候选和理由。品牌即使有官网、有公众号、有平台页面，也不代表模型已经把这些信息拼成了一个清楚的认知。

所以，自测的价值不只是确认“有没有被提到”。它还能暴露三个更具体的问题：模型认错了你是谁、模型知道你但说得不完整、模型在品类选择时想不到你。三种问题看起来都像“效果不好”，后续动作却完全不同。

还要注意，一次回答只是一个时间点的快照。模型版本、联网状态、问题措辞和可访问的公开信息都可能影响答案。自测不是为了找到一个永远不变的分数，而是建立一套以后还能重复使用的观察方法。

01开始前，先把测试条件写清楚

如果同一轮测试里不断换模型、换问题、换联网状态，最后很难判断差异来自哪里。开始前先建一张简单记录表，把测试条件固定下来。至少写清楚模型名称、是否联网、提问原文、提问时间和完整回答。

品牌信息也要先准备一份“事实底稿”。不用写成宣传稿，只列出官网可以核实的内容：品牌全称、主营业务、服务对象、覆盖区域、核心产品或服务，以及已经公开的联系方式。后面判断 AI 说得准不准，就以这份底稿为准，而不是凭印象争论。

02怎么测：问这 3 类问题

打开 DeepSeek（豆包、Kimi、文心一言都行，方法一样）。把"你的品牌""你的行业"替换成自己的，依次问下面三类。

第一类，直接点名问你。

• 「XX 这家公司是做什么的？」
• 「XX 怎么样，值得选吗？」

看 AI 描述得准不准——业务说对了吗，有没有把你和别家搞混，有没有引用过时的信息。

直接点名题主要检查“实体识别”。除了业务介绍，还可以继续追问服务对象、主要产品、所在地区和适用场景。重点不是回答写得漂不漂亮，而是每一个关键事实能不能在公开页面里找到依据。

如果模型把同名公司、旧品牌或无关业务混进来，先记录错误原句和引用来源。不要急着连续纠正模型，因为这一轮的目标是观察它原本掌握了什么，而不是现场把它教会。

第二类，只问品类，不提你。

• 「国内做 XX 的，有哪些比较靠谱？」
• 「想找 XX，推荐几个。」

这一类最关键：用户其实大多是这么问的。看 AI 会不会主动提到你。不提，说明在 AI 眼里你还不算这个品类里的答案。

品类题要尽量接近真实购买场景。除了宽泛的“有哪些品牌”，还可以加入地区、使用对象、预算关注点或服务要求。例如，本地服务可以带城市，企业服务可以说明团队规模或业务阶段。这样能看出模型究竟在什么语境下会想到你。

没有被提到并不自动等于品牌差，也不能只凭一次回答下结论。更稳妥的做法是保留同一意图，换一种自然说法再问，并观察候选名单和推荐理由是否反复出现相似模式。

第三类，问对比和选择。

• 「XX 和 YY 比，怎么选？」

看 AI 站在什么信息上替用户做判断，那些信息是不是对你有利、是不是最新的。

对比题最容易暴露信息结构问题。模型可能知道两家公司，却只能复述其中一家的产品、价格或适用场景；也可能引用第三方旧文章，把已经变化的业务当成现状。记录的不只是“它推荐谁”，还要记录“它为什么这样推荐”。

03同一个问题，怎样问得更接近真实用户

测试问题最好覆盖从了解、筛选到决策的完整路径。了解阶段的用户会问“这是做什么的”；筛选阶段会问“有哪些选择”；决策阶段会问“怎么选、适合谁、差别在哪里”。只测其中一个阶段，看到的只是品牌认知的一部分。

可以为每个核心问题准备几种自然变体，但不要为了凑数量机械换词。有效的变体应该保持同一意图，同时改变用户表达方式，例如从正式描述换成口语、从宽泛品类换成具体场景、从品牌视角换成购买者视角。

• 事实型问法：这家公司做什么、服务谁、覆盖哪些场景。
• 发现型问法：某个品类有哪些选择、某个地区有哪些服务商。
• 评估型问法：选择这类服务要看什么、常见差异是什么。
• 对比型问法：两个候选分别适合什么情况、各自信息是否完整。

不要把品牌名称写错，也不要用只有内部团队才懂的业务简称。用户不会这样问，模型也可能因此匹配到错误实体。测试题越贴近真实语言，结果越能帮助你判断公开内容是否有效。

04每次都记下这四件事

测的时候别只看个热闹，把这四项记下来，记录本身就是你的第一份诊断：

1. 有没有提到你——尤其是第二类不点名的问题里。
2. 描述对不对——业务、定位、卖点有没有说错或说旧。
3. 引用了谁——AI 经常会带出处，记下它引的是哪个网站的域名。
4. 稳不稳——同一个问题换种说法再问一遍，答案是不是一致。

建议保留完整回答，而不是只在表格里写“好”或“不好”。一段原始回答能帮助你以后复盘：当时模型用了哪些词、错误从哪里来、后续变化发生在哪一句。截图可以辅助留档，但最好同时保存可搜索的文字。

05怎么读结果

几种常见情况，背后的含义不一样：

• 完全没提到你：不是 AI 针对你，是它手里没有"可引用的你方信息"。它只会从已有的公开内容里挑答案，你不在里面，自然不会被选。
• 提到了，但说得过时或不准：AI 引的是旧页面，或者第三方对你的描述，而不是你自己说清楚的版本。
• 只在某一个模型里出现：说明你的信息在不同模型的信源覆盖不均，有的模型"看得到"你，有的看不到。
• 每次答得都不一样：AI 对你的认知还不稳定，没有形成一个确定的说法。

读结果时，可以把问题分成四层。第一层是“身份层”：模型有没有认准品牌是谁；第二层是“事实层”：主营业务、产品和服务范围是否正确；第三层是“品类层”：用户不点名时，模型会不会把品牌放进相关候选；第四层是“证据层”：回答依据是否来自清楚、可信且仍然有效的公开页面。

身份层和事实层有问题，通常要先统一官网与各公开页面的基础信息。身份正确但品类题里不出现，往往说明内容只会介绍“我们是谁”，却没有回答用户在具体场景里“为什么需要你、怎么选择你”。引用来源混乱，则要进一步检查旧页面、第三方资料和不同渠道之间是否互相矛盾。

不要把所有问题都归结成“发得不够多”。内容数量不是唯一变量。重复的宣传稿、缺少事实依据的自夸、互相矛盾的产品描述，可能让公开信息变得更多，却没有让模型理解得更清楚。

06自测时最常见的几个误区

• 只问一次就下结论：单次回答可以发现线索，不能代表所有用户、所有模型和所有时间点。
• 只盯着有没有品牌名：被提到但品类错误、事实过时或推荐理由不成立，同样需要处理。
• 用诱导问题测试：问题里先写入“领先”“最好”等结论，会放大确认偏差。
• 只保存截图，不保存问题：没有提问原文和测试条件，后续无法可靠复测。
• 看到错误就立刻和模型争辩：连续对话中的纠正只影响当前上下文，不能证明公开认知已经改变。
• 把不同模型混成一个结果：不同产品的联网、检索和答案组织方式不同，应该分别记录。

07测完之后

这十分钟测出来的，就是一份最朴素的诊断：AI 现在怎么看你、信息卡在了哪一层。看清楚了，后面"怎么让 AI 正确理解、主动提及、愿意引用你"才有的放矢。我们做的全部工作，都是从这一步开始的——而且你随时可以再打开 AI，自己验证有没有变化。

下一步不要急着同时改所有渠道。先按影响顺序整理问题：明显错误优先纠正，关键事实缺失优先补齐，品类与场景表达不清再单独建设。每一项修改都要能对应到某条测试记录，而不是因为“大家都在做”就跟着增加页面。

修改公开内容后，用原问题复测，同时保留新的回答。对比时先看核心事实和引用来源，再看是否进入品类候选。措辞变得更好听不一定代表认知变清楚；能够持续说对、在相关场景里想得到、并给出可追溯依据，才是更有价值的变化。

最后把自测变成持续记录，而不是一次性的检查。品牌信息、产品和模型都会变化，旧结论自然可能失效。固定问题、保留原始回答、记录内容调整，才能逐步看清哪些建设真的影响了答案。

如果你还在判断哪些结果可以承诺、变化需要多久，以及服务方应该交付什么，可以继续阅读GEO 的效果边界与常见问题。