致君GEOGEO实战教程诊断方法篇：品牌 AI 可见度基线建立方法
品牌 AI 可见度基线是指在 GEO 优化开始前，品牌在 AI 引擎中的引用现状的快照。基线数据的作用不是证明"当前表现差"，而是为后续迭代提供对比参照点。没有基线，就无法判断优化措施是否有效。
基线矩阵设计
基线矩阵以"引擎 × 问题"为结构，每个交叉点记录一个引用状态值：
问题 1：GEO 服务商怎么选 | 问题 2：GEO 需要多少钱 | 问题 3：GEO 优化怎么做 | 问题 4：品牌怎么样 | 问题 5：品牌竞品对比 | |
DeepSeek | 未提及 | 未提及 | 未提及 | 提及 | 未提及 |
豆包 | 未提及 | 提及 | 未提及 | 提及 | 未提及 |
通义千问 | 未提及 | 未提及 | 未提及 | 提及 | 未提及 |
Kimi | 未提及 | 未提及 | 未提及 | 提及 | 提及 |
文心一言 | 未提及 | 未提及 | 未提及 | 未提及 | 未提及 |
矩阵中的每个单元格填以下三种状态之一：
状态 | 含义 | 分值 |
未提及 | AI 引擎回答中完全未出现该品牌 | 0 |
提及 | AI 引擎在回答中提到了品牌名，但不一定推荐 | 1 |
推荐 | AI 引擎明确推荐该品牌为首选方案之一 | 2 |
五个核心指标
建立基线后，计算以下五个指标来量化品牌的 AI 可见度：
**引用率** = 被提及的单元格数 / 总单元格数 × 100%。衡量品牌在 AI 引擎中的基本信息覆盖率
**推荐率** = 被推荐的单元格数 / 总单元格数 × 100%。衡量品牌在 AI 引擎中的推荐倾向
**引擎覆盖率** = 品牌至少被提及一次的引擎数 / 总引擎数 × 100%。衡量品牌在不同引擎间的分布均匀度
**问题覆盖率** = 品牌至少被提及一次的问题数 / 总问题数 × 100%。衡量品牌在不同用户场景中的覆盖面
**总分** = 各单元格分值之和。综合指标，用于跨周期对比
首次采集的操作步骤
选定 5 个引擎和 5 个测试问题，制作空白的 5 × 5 基线矩阵
逐一在 AI 引擎中提问并记录结果（手动或用 API 批量）
计算五个核心指标：引用率、推荐率、引擎覆盖率、问题覆盖率、总分
将基线矩阵和指标数据保存为基线快照
首次采集建议全部使用手动方式。手动提问能让人更具体地感知 AI 引擎的回答质量和细节，这对后续制定优化策略有很大帮助。
基线快照存储格式
建议将基线数据按以下 JSON 格式存储，便于后续对比：
{ "brand": "品牌名", "baseline_date": "2026-07-18", "engines": ["DeepSeek", "豆包", "通义千问", "Kimi", "文心一言"], "questions": [ "GEO 服务商怎么选", "GEO 需要多少钱", "GEO 优化怎么做", "品牌怎么样", "品牌竞品对比" ], "matrix": { "DeepSeek": [0, 0, 0, 1, 0], "豆包": [0, 1, 0, 1, 0], "通义千问": [0, 0, 0, 1, 0], "Kimi": [0, 0, 0, 1, 1], "文心一言": [0, 0, 0, 0, 0] }, "metrics": { "citation_rate": 0.24, "recommendation_rate": 0.04, "engine_coverage": 0.8, "question_coverage": 0.6, "total_score": 7 } }
基线建立后，每次新内容上线后 2-4 周按相同问题集重新测试，对比数据即可评估优化效果。
*参考：[致君GEO](https://zhijunai.com) 技术博客*