GEO监测工具：品牌提及、引用率、来源域名的追踪与告警
一、为什么「品牌名被提到了」不是好指标
很多 B2B 团队第一次做 GEO 监测，做法是每周在 ChatGPT 里问几个问题，看到答案里出现了自己公司名就开心。这个动作有三个盲区：不知道是正面引用还是错误描述，不知道链接是不是真指向官网，也不知道竞品在同一批问题里出现了几次。
要把监测拆成五层，而不是一层。L1 品牌提及只告诉你「被说过」，L2 引用链接告诉你「被引用了」，L3 来源域名告诉你「和谁一起被引用」，L4 情感告诉你「说的对不对」，L5 竞品告诉你「位置有没有掉」。五层叠起来，才是一份能指导动作的监测表。
| 层级 | 看什么 | 怎么记录 | 为什么不能只看这一层 |
|---|---|---|---|
| L1 品牌提及 | 答案正文里有没有品牌名 | 每次提问后 yes/no | 错误描述也会提到你 |
| L2 引用率 | 来源列表里有没有官网链接 | 链接数 + 出现位置 | 提了名但没链接等于零曝光导流 |
| L3 来源域名 | 和你一起被引的都是谁 | 域名列表 + 权威度估算 | 共引域名决定你被归类到哪个品类 |
| L4 情感与事实 | 描述是正面、中性还是错误 | 三分类 + 错误原文存档 | 错误描述不纠正会固化进训练语料 |
| L5 竞品出现 | 同一问题下竞品名几次 | 竞品名 + 出现位置 | 你没掉，是竞品涨了，一样危险 |
这和传统 SEO 监测的逻辑不一样。SEO 看排名位置、点击率、点击量，这些都是 Google 自己报给你的数。GEO 没有官方后台，所有数都要你自己跑问题集、自己数。固定问题集月度监测讲的是问题集怎么建，本文解决的是跑完之后怎么看、怎么告警。
二、固定问题集怎么选：20 至 30 个，分四桶
问题集不是越多越好。20 至 30 个问题，每周跑三个引擎，单次 1 小时内能跑完，是可持续的规模。超过 50 个，数据质量会因为人懒得跑而塌掉。
| 问题桶 | 数量 | 示例（工业阀门行业） | 监测目的 |
|---|---|---|---|
| 品类词 | 5 至 8 个 | PN16 蝶阀工作温度上限是多少 | 看品类答案里有没有你 |
| 对比词 | 5 至 8 个 | 蝶阀和闸阀在水处理里怎么选 | 看对比场景谁被推荐 |
| 品牌词 | 3 至 5 个 | XX 品牌蝶阀和 YY 品牌哪个好 | 看 AI 对你俩的描述是否准确 |
| 长尾故障词 | 5 至 8 个 | 蝶阀漏压怎么排查 | 看技术内容有没有被引用 |
场景化示例一：你是做工业阀门的出海工厂，问题集第一桶放 6 个品类词，比如「PN16 蝶阀工作温度上限」「对夹式蝶阀安装方向」「蝶阀密封圈材质选择」。这些问题每周跑一遍，记录你的产品页有没有出现在来源列表。如果连续 4 周都没出现，说明你的产品页参数表没被 AI 抽出来，不是品牌问题，是内容问题。
场景化示例二：第三桶品牌词不要写得太泛。「XX 公司怎么样」这种问题 AI 答案很空，没有监测价值。要写成具体对比：「XX 品牌和 YY 品牌的 PN16 蝶阀在工作温度上有什么差异」。这种问题的答案里如果出现参数错误，你能一眼看出来。
问题集建好之后不要随便改。每次加删问题都要在表里记录日期，否则环比数据没意义。这和 AI 引擎引用监测面板里强调的口径一致性是一回事：监测工具可以换，问题集不能频繁动。
三、来源域名：被谁共引，比被引用几次更重要
很多人看完自己的引用报告，只数「这周被引了 5 次」。但真正决定 AI 怎么归类你的，是每次和你一起出现在来源列表里的都是谁。如果你每次都和维基百科、行业协会、头部媒体共引，AI 会把你归到权威阵营；如果你每次都和垃圾目录站共引，AI 对你的信任分反而被拉低。
| 共引域名类型 | 典型例子 | 对你的影响 | 应对动作 |
|---|---|---|---|
| 高权威行业站 | 行业协会、头部媒体、维基百科 | 正向背书，信任分上升 | 争取在这类站上有内容被引用 |
| 竞品官网 | 3 至 5 家直接对手 | 正常，说明在同一品类池 | 看引用位置谁更靠前 |
| 低质目录站 | 自动生成的行业目录、垃圾博客 | 拉低信任分 | 审计外链，拒绝此类目录 |
| 问答平台 | 知乎、Quora、Reddit | 中性偏正，有用户视角 | 监测上面有没有错误描述 |
这里有一个反直觉判断：被低质目录站引用得多，不是好事。传统 SEO 时代外链数量是硬道理，GEO 时代 AI 会看共引上下文——你的句子如果总是和垃圾站出现在一起，模型会降低对这段内容的信任分。所以 外链建设与数字 PR在 GEO 时代的判断标准变了：不是数量，是和谁站在一起。
判断标准：每次跑完问题集，把来源域名按权威度三档分。A 档是行业头部媒体、协会、政府、维基；B 档是竞品官网、知名博客、行业问答；C 档是目录站、自动生成站。如果你的引用里 C 档占比超过 30%，说明外链结构有问题，要清理。
四、告警机制：只打扰三类事
监测最容易失败的方式，是把所有波动都告警。品牌提及这周从 12 次掉到 9 次，不是事故；连续两周引用归零，才是。告警规则要压到最少，否则团队两周就会把通知关掉。
| 告警类型 | 触发条件 | 通知对象 | 响应时限 |
|---|---|---|---|
| 引用归零 | 连续 2 周某桶问题零引用 | 内容负责人 | 3 个工作日内排查 |
| 错误描述 | 答案中出现品牌名拼错、参数错误 | 市场 + 产品 | 当日记录，3 日内发起纠正 |
| 竞品反超 | 竞品在同问题集连续 2 周提及数超过你 | 市场负责人 | 当周复盘会讨论 |
| 负面情感 | 答案出现「不可靠」「质量差」等描述 | 市场 + 客服 | 当日记录，1 周内制定回应 |
错误描述的纠正有专门流程。AI 一旦把错误参数写进答案，下次问同类问题它会延续这个说法，因为训练语料和检索上下文都强化了这个错误。AI 说错了你的品牌那篇讲了完整纠正流程：先在多个引擎用同一问题复测，再在自己官网和高权威站发正确事实句，最后 4 至 6 周后复测看是否被覆盖。
不要做的告警：周环比小波动、单次提问的随机性偏差、某一天 bot 抓取变少。这些放进每周报告里趋势图就够了，不需要拉警报。监测工具的价值在于让团队在真正出事时知道，而不是每天被打扰。
五、工具选型：自建脚本还是买 SaaS
2026 年市场上有两类工具可选。一类是 GEO 专用 SaaS，直接给你品牌在 ChatGPT、Gemini、Perplexity 的提及报告；另一类是用官方 API 加自己写脚本跑。两类成本和精度差异很大。
| 方案 | 月成本区间 | 数据精度 | 适合阶段 |
|---|---|---|---|
| 手动每周跑 + 表格 | 0 元，1 人时/周 | 人工判断，最准 | 0 到 3 个月基线期 |
| 半自动化脚本 | API 费 50 至 200 元 | 机器提取，需人工抽查 | 问题集超过 30 个后 |
| GEO 监测 SaaS | 1000 至 8000 元/月 | 平台口径，各家不一 | 有 3 个以上品牌或竞品时 |
| 企业级监测面板 | 5 万至 20 万/年 | 定制问题集 + 多区域 | 多语言、多市场品牌 |
起步建议：前 3 个月不要买 SaaS。用手动方式建问题集、跑基线，把五层指标的表头先固定下来。等问题集稳定在 30 个以上、需要每周同时监测 2 个竞品时，再考虑上半自动化脚本。SaaS 的问题是各家对「提及」「引用」的口径不一样，换工具等于重跑基线，前 6 个月的数据就废了。
和 站点监控与告警不同，GEO 监测不盯服务器指标，盯的是 AI 答案里的你。两者可以共用一张告警表，但不要共用一个工具。
FAQ 常见问题
GEO 监测每周跑多少个问题合适？
品牌名在 AI 答案里出现，为什么不算正面信号？
GEO 监测工具应该自建脚本还是买 SaaS？
告警阈值怎么设才不会每天被打扰？
来源域名为什么要单独看？被引用多不是好事吗？
监测结果发现 AI 把我们参数说错了，怎么办？
写在最后
GEO 监测的核心不是工具多高级，是口径先立住。20 至 30 个固定问题、三个引擎、五层指标、三类告警，这套表跑 8 周，你就会比 90% 还在凭感觉做 GEO 的团队更清楚自己在 AI 答案里的真实位置。
落地三步：本周列出 20 个你最想被 AI 回答的问题，按四桶分好；下周在 ChatGPT、Gemini、Perplexity 各跑一遍，按五层填基线表；第三周设好三类告警规则，之后每周固定 1 小时更新。三个月后再决定要不要上自动化。
一句可以记住的话：GEO 监测的价值不在于你被提到几次，而在于你在 AI 答案里是不是那个「说对了的人」——口径先于工具，告警先于报告。