实测5大AI平台品牌排名：复现GEO监测流程
1. 问题背景
最近复盘一组品牌GEO监测数据时，发现了一个比较反直觉的现象：
同一个关键词，目标品牌在DeepSeek中进入推荐前三位，到了豆包只在回答末尾出现，在通义千问中甚至没有被提及。
这类差异说明，AI搜索并不存在一个统一、固定的品牌排行榜。
传统SEO监测通常围绕搜索结果页展开，可以直接记录关键词排名、落地页、展现量和点击量。AI回答则会受到平台检索源、问题表达、上下文、生成时间和模型随机性的共同影响。
因此，GEO监测不能只记录“品牌排第几”，还要保存以下字段：
检测平台
原始问题
关键词类型
回答生成时间
目标品牌是否出现
目标品牌推荐位置
竞品名称及位置
回答原文
引用来源
品牌描述倾向
是否存在信息误述
本次测试选取100个关键词，分别在DeepSeek、豆包、通义千问、腾讯元宝和文心一言中执行，共得到500条回答记录。
整体实测结果如下：
目标品牌出现率：32%
平均推荐位置：5.7
进入前三位的比例：13%
竞品A出现率：61%
竞品A进入前三位的比例：42%
品牌词出现率：86%
采购决策词出现率：18%
数据表明，模型并非完全不认识目标品牌。
真正的问题是：当用户不输入品牌名称，只提出产品需求或采购场景时，AI更倾向于推荐竞品。
2. 工具与监测原理
一套可复现的AI搜索品牌监测流程，可以拆成三个阶段：
建立标准化问题集；
获取不同AI平台的完整回答；
统一提取品牌、位置和竞品指标。
本次测试没有尝试调用各平台未经确认的内部接口，也没有使用网页脚本高频抓取产品页面。
原因在于，不同AI产品的页面结构、登录状态和风控策略差异较大。直接使用浏览器自动化，容易受到验证码、页面更新和账号环境影响，难以长期复现。
更稳定的流程是：
使用固定词库执行多平台检测；
将完整结果导出为CSV；
在本地完成品牌匹配和指标统计；
保存原始回答，方便后续复核。
本次原始回答通过搜搜果统一导出，后续清洗、排名识别和指标计算均在本地脚本中完成。这里仅把它作为数据采集来源，不参与最终统计规则。
建议的数据结构如下：
task_id,platform,query,query_type,target_brand,response_text,detected_at 1,DeepSeek,适合制造企业的CRM有哪些,采购决策词,示例云,品牌A、品牌B和示例云均可用于客户管理,2026-07-01 10:00:00 2,豆包,适合制造企业的CRM有哪些,采购决策词,示例云,可重点比较品牌A和品牌C,2026-07-01 10:01:00 3,通义千问,适合制造企业的CRM有哪些,采购决策词,示例云,示例云适合中型制造企业，品牌A覆盖范围更广,2026-07-01 10:02:00关键词建议至少划分为五类：
品牌词 品类词 场景词 对比词 采购决策词分类统计很重要。
例如，一个品牌的整体出现率达到50%，看起来不算低。但拆分后可能发现，品牌词出现率为90%，采购决策词只有10%。
这说明AI能够识别品牌，却不会在用户选型时主动推荐它。
推荐位置的统一计算规则
AI回答通常不是标准化列表，因此需要先定义排名提取口径。
本次使用以下规则：
第一个被明确推荐的品牌记为第1位；
后续品牌按照文本出现顺序编号；
同一句并列出现时，按照文本顺序处理；
仅作为背景信息出现，不计入主动推荐；
未出现记为0；
已出现但无法识别顺序，记为99。
规则是否完美并不是最重要的，关键是整个检测周期必须保持一致。
如果第一次按照品牌首次出现位置统计，第二次又按照项目符号列表统计，两轮数据就无法直接比较。
3. 操作步骤
3.1 建立关键词库
创建keywords.csv：
query,query_type 示例云是什么,品牌词 客户管理系统有哪些,品类词 制造企业如何管理销售线索,场景词 示例云和品牌A有什么区别,对比词 适合中型制造企业的CRM怎么选,采购决策词100个关键词可以按照以下比例分配：
品牌词：20个 品类词：20个 场景词：25个 对比词：15个 采购决策词：20个不要把关键词全部设置成包含目标品牌的长尾问题。
例如：
适合华东地区中型制造企业使用的示例云CRM怎么样这类问题已经把品牌名称写进提示词，模型命中目标品牌的概率自然更高。
更适合监测真实品牌可见度的问题如下：
中型制造企业CRM怎么选 制造业客户管理软件有哪些 销售线索较多的企业适合什么CRM 客户管理系统采购需要比较哪些指标3.2 执行多平台检测
使用同一批关键词，依次测试：
DeepSeek 豆包 通义千问 腾讯元宝 文心一言为了减少无关变量，需要固定以下条件：
每次使用新会话；
不追加历史上下文；
不进行连续追问；
使用同一批关键词；
尽量在相近时间完成；
保留完整回答内容；
记录生成时间；
每个问题至少重复3次。
原始结果页至少应展示：
任务名称 关键词总数 检测平台 问题原文 目标品牌是否出现 目标品牌推荐位置 主要竞品 完整回答 生成时间不要只保存汇总截图。
当某个指标突然上涨或下降时，必须回到原始回答，检查是模型回答结构变化、品牌别名遗漏，还是统计规则出现问题。
3.3 配置品牌别名
同一品牌可能以中文名称、英文名称、产品简称或系列名称出现。
创建brands.yaml：
target: name: 示例云 aliases: - 示例云 - ExampleCloud - 示例云CRM - 示例客户管理系统 competitors: - name: 品牌A aliases: - 品牌A - BrandA - A公司CRM - name: 品牌B aliases: - 品牌B - BrandB - name: 品牌C aliases: - 品牌C - BrandC如果没有别名配置，回答中出现ExampleCloud时，程序可能将其识别为另一个品牌，最终低估目标品牌出现率。
3.4 编写统计脚本
安装依赖：
pip install pandas pyyaml创建analyze_geo.py：
from __future__ import annotations import re from pathlib import Path from typing import Any import pandas as pd import yaml DATA_FILE = Path("geo_results.csv") CONFIG_FILE = Path("brands.yaml") OUTPUT_FILE = Path("geo_summary.csv") def load_config(path: Path) -> dict[str, Any]: if not path.exists(): raise FileNotFoundError(f"配置文件不存在: {path}") with path.open("r", encoding="utf-8") as file: config = yaml.safe_load(file) if "target" not in config: raise ValueError("配置文件缺少target节点") return config def normalize_text(value: object) -> str: if pd.isna(value): return "" text = str(value) text = re.sub(r"\s+", " ", text) return text.strip().lower() def find_first_position( text: str, aliases: list[str], ) -> int | None: positions: list[int] = [] for alias in aliases: normalized_alias = normalize_text(alias) position = text.find(normalized_alias) if position >= 0: positions.append(position) return min(positions) if positions else None def extract_brand_order( text: str, brands: list[dict[str, Any]], ) -> list[str]: matched: list[tuple[str, int]] = [] for brand in brands: position = find_first_position( text, brand["aliases"], ) if position is not None: matched.append((brand["name"], position)) matched.sort(key=lambda item: item[1]) return [name for name, _ in matched] def main() -> None: if not DATA_FILE.exists(): raise FileNotFoundError(f"数据文件不存在: {DATA_FILE}") config = load_config(CONFIG_FILE) dataframe = pd.read_csv(DATA_FILE) required_columns = { "platform", "query", "query_type", "response_text", } missing_columns = required_columns - set(dataframe.columns) if missing_columns: raise ValueError( f"CSV缺少必要字段: {sorted(missing_columns)}" ) target_name = config["target"]["name"] all_brands = [ config["target"], *config.get("competitors", []), ] dataframe["normalized_text"] = ( dataframe["response_text"].apply(normalize_text) ) dataframe["brand_order"] = ( dataframe["normalized_text"].apply( lambda text: extract_brand_order( text, all_brands, ) ) ) def get_target_rank(order: list[str]) -> int: if target_name not in order: return 0 return order.index(target_name) + 1 dataframe["target_rank"] = ( dataframe["brand_order"].apply(get_target_rank) ) dataframe["target_mentioned"] = ( dataframe["target_rank"] > 0 ) dataframe["top3"] = ( dataframe["target_rank"].between(1, 3) ) platform_summary = ( dataframe.groupby("platform", as_index=False) .agg( sample_count=("query", "count"), mention_rate=("target_mentioned", "mean"), top3_rate=("top3", "mean"), ) ) valid_rank = dataframe[ dataframe["target_rank"] > 0 ] rank_summary = ( valid_rank.groupby("platform", as_index=False) .agg( avg_rank=("target_rank", "mean") ) ) platform_summary = platform_summary.merge( rank_summary, on="platform", how="left", ) platform_summary["mention_rate"] = ( platform_summary["mention_rate"] * 100 ).round(2) platform_summary["top3_rate"] = ( platform_summary["top3_rate"] * 100 ).round(2) platform_summary["avg_rank"] = ( platform_summary["avg_rank"].round(2) ) platform_summary.to_csv( OUTPUT_FILE, index=False, encoding="utf-8-sig", ) print(platform_summary.to_string(index=False)) if __name__ == "__main__": main()运行：
python analyze_geo.py示例输出：
platform sample_count mention_rate top3_rate avg_rank DeepSeek 100 41.00 18.00 4.63 豆包 100 39.00 16.00 4.92 通义千问 100 21.00 8.00 6.71 腾讯元宝 100 34.00 14.00 5.38 文心一言 100 25.00 9.00 6.204. 结果解读
本次500条回答的汇总结果如下：
| 指标 | 目标品牌 | 竞品A |
|---|---|---|
| 回答出现率 | 32% | 61% |
| 前三位占比 | 13% | 42% |
| 平均推荐位置 | 5.7 | 2.8 |
| 品牌词出现率 | 86% | 62% |
| 采购决策词出现率 | 18% | 71% |
第一，品牌认知不等于品牌推荐。
目标品牌在品牌词中的出现率达到86%，说明模型能够识别品牌名称和基础资料。
但采购决策词出现率只有18%，意味着用户只描述需求、不输入品牌名时，AI很少主动推荐该品牌。
第二，不同平台之间存在明显差异。
目标品牌在DeepSeek中的出现率为41%，在通义千问中只有21%，相差20个百分点。
如果报告只展示表现最好的平台，就会明显高估品牌整体可见度。
第三，平均排名不能脱离竞品数据单独判断。
品牌平均位置从第6位提升到第5位，看起来有所改善。但如果竞品同期从第4位提升到第2位，双方实际差距反而扩大。
因此，GEO监测至少需要组合观察：
品牌出现率 前三位占比 平均推荐位置 竞品出现率 关键词类型覆盖率 平台差异 周期变化趋势第四，品牌介绍类内容不一定能改善采购词表现。
如果品牌词数据正常，场景词和采购决策词持续偏低，继续增加公司介绍、发展历史和荣誉内容，通常难以直接改变推荐结果。
更需要补充的是：
产品适用客户；
具体应用场景；
选型标准；
产品能力边界；
客户案例；
参数对比；
实施和售后流程；
第三方验证信息。
5. 避坑清单
5.1 不要用一次回答代表长期排名
同一个问题连续测试多次，品牌顺序可能发生变化。
建议每个关键词至少执行3次，分别统计出现次数、中位排名和前三位占比。
5.2 不要只测试品牌词
品牌词已经包含目标品牌名称，结果通常偏高。
词库必须包含不带品牌名称的品类词、场景词和采购决策词。
5.3 不要频繁修改统计规则
首次测试按品牌出现顺序计算，复测时又按项目列表顺序计算，会造成趋势数据失真。
排名规则确定后，应写入项目说明并固定使用。
5.4 不要遗漏品牌别名
品牌中文名、英文名、简称和产品系列名称，都需要加入别名配置。
否则程序容易把同一品牌拆成多个对象。
5.5 不要把提及等同于推荐
下面这句话虽然出现了目标品牌，但并不属于主动推荐：
与示例云相比，品牌A更适合大型制造企业。目标品牌在这里是对比对象。
更完整的分类应该包括：
主动推荐 中性提及 负面对比 不建议选择 信息误述5.6 不要把监测结果当成优化结果
监测解决的是“发生了什么”，例如品牌在哪个平台缺席、被哪些竞品反超、平均推荐位置是多少。
内容建设、信源扩展和公开信息治理，才属于后续执行环节。
5.7 不要使用过小的样本
只测试5个或10个关键词，结果很容易受到单次回答波动影响。
企业级监测建议满足以下最低条件：
关键词数量：50个以上 关键词类型：4类以上 平台数量：3个平台以上 单个问题重复次数：3次以上 观察周期：不少于7天用于月度GEO验收时，可以扩展到100个固定关键词、5个平台，并保留每次回答原文。
最终需要判断的不是品牌是否偶尔出现，而是在统一词库、统一平台和统一统计规则下，品牌出现率、推荐位置与竞品差距是否持续改善。