从提示词到优先级：一套可落地的 AI 可见度分析流程

Moz 作者用一套 72 条耳机提示词的实测数据，演示如何把 AI 搜索里的品牌可见度从一堆零散数字变成可执行的行动清单。核心思路是先定目标、再看顶层指标、然后拆维度找模式，最后用情感和引用来源判断该改什么。

先想清楚为什么要追踪

• 没有目标的提示词追踪等于建了个不知道看什么的仪表盘。先明确要解决的业务问题：产品营销想知道买家让 LLM 比较产品时品牌是否被推荐；内容团队想知道哪类内容影响 LLM 推荐、会衍生出哪些 fan-out 查询；数字公关想找可 outreach 的第三方来源；SEO/GEO 想向高管展示 AI 与传统搜索的对比。
• 目标确定后再定义追踪范围：目标受众或 ICP、能真正满足需求的产品、优先话题、目标市场与语言、客户所处的购买阶段，以及团队看完数据后打算做什么（联系作者、写新内容等）。
• 一个常见误区是把所有品牌未被提及的提示词都当成问题。如果提示词跟你的受众和产品不匹配，出现在答案里也未必有商业价值。

顶层指标要合起来读

• 三个基础指标各回答不同问题：Visibility 衡量覆盖度，即多少条追踪回答里出现了你的品牌；Average rank 衡量出现时的位置，缺席不计入；Share of voice 衡量在设定竞品集合中的存在感，不代表整个市场。
• 作者用 72 条耳机提示词做了实测：Bose 出现在 61.1% 的 ChatGPT 回答和 44.4% 的 Perplexity 回答中，但出现时的平均排名分别是 1.95 和 1.84。也就是说 Perplexity 上出现得更少，可一旦出现位置略好。
• 高排名低可见度说明被选中时表现好但出场少；高可见度低排名说明经常出现但站不到前面。所以不要单独拿一个数字上 PPT 讲故事，要成对解读。

拆维度，把大数字变成几个模式

• 导出数据后按几个维度切分：话题（品类、用例、功能、价格、支持）、意图（信息型、商业型、交易型、导航型）、提示词格式（推荐、对比、how-to、功能限制）、模型（ChatGPT、Gemini、Google AI Mode、Perplexity）、竞品出现情况。
• 切分时百分比旁边要保留提示词条数。一个话题只有 6 条提示词时，一条回答的变化就能明显改变结果，别让离群值带偏结论。
• 只找三类发现：值得守住的反复出现的优势、值得深挖的模型间差异、在重要提示词或模型上反复出现的缺口。目标是收敛出几个值得调查的模式，而不是多画六张图。
• 如果现有提示词太少看不出主题，可以用 Moz 的 Prompt Suggestions 按话题补充，但先看基线，新增的单独打标签。

用情感和引用来源判断改什么

• 可见度只说明品牌有没有出现，情感说明它被如何评价。两者要一起看，才能判断是该补内容、改定位，还是做第三方覆盖。
• 原文强调这套流程不会给出干净的转化率归因，它的价值是指出该往哪里查、下一步改什么。品牌营销重新变得重要，靠买非品牌外链去操纵结果的做法在 AI 搜索里基本行不通。
• 把问题与答案、答案里出现的品牌、影响答案的来源三者连起来，才是这套工作流的落点。