Documentation
探针口径
页面分 vs 探针分，认知 / 提及 / 推荐 / 引用为何不能合成一个 AI 可见性总分
页面分数回答「模型能不能读到」；探针回答「模型会不会说你」。公开页：口径、案例（协议示例）。操作步骤见 AI 回答探针。
页面分 vs 探针分
| 输入侧（页面 GEO） | 输出侧（回答探针） | |
|---|---|---|
| 问题 | 模型有没有机会读到、抽到这篇 | 问完之后会不会提到、推荐、引用你 |
| 典型信号 | Princeton GEO 启发式、Schema、robots / llms.txt | 多模型原始回答 + 结构化判定 |
| 入口 | GEO 优化 → 概览 / AI 可见性 | GEO 优化 → 回答探针 |
两套分数不要加权。SoloKit 同时做输入优化和输出探针；NiubiGEO 侧重输出侧点名审计；Profound / Peec 更接近消费级界面份额。
四个率，四个问题
| 指标 | 协议 | 判定 |
|---|---|---|
| 认知率 | D（提示里只有域名） | 点名后能否复述这个站 / 品牌 |
| 提及率 | K（提示里只有中性词） | 回答里出现品牌名或官网 |
| 推荐率 | K | 结构化 relation=positive：明确当作首选或建议方案 |
| 引用率 | K | 回答中的 URL 是否命中官网域名 |
被点名能复述，不等于中性问题会提起你。只被点名、没有推荐，推荐率应为 0。
引用 vs 内容回写
- 引用率：回答里的链接是否落在官网域名上
- 命中已发布内容：这些 URL 是否等于你在分发渠道回填的
published_url（exact / canonical）
后者才说明「发出去的这篇稿」被模型用上了。
同条件复测
先冻结品牌别名、监测词和竞品，再比较百分点（pp），并保留上一轮原文。换词、换别名之后的数字，不能和旧轮次直接比。
不要一个 AI 可见性总分
认知 / 提及 / 推荐 / 引用的分母不同、问题不同。合成总分会掩盖「认识但不推荐」或「提到了但不引用你的稿」。
公开案例页上的 D 域名和 K 词是 协议示例，不是线上实测排行榜。产品线对齐见 GEO Insights 与 榆关。