简答:AI 的回答里没有你的品牌,通常有一个机械的原因,而不是什么玄学。按这个顺序查六件事:检索代理有没有被放行;内容在不执行 JavaScript 时还在不在;CDN 或防火墙有没有照样拦掉代理;页面上的答案能不能被引用;品牌是不是一个没有歧义的实体;你瞄准的是不是买家真正在问的问题。前三件是「是或否」的检查,今天就能做完;后三件慢、也贵,前三件通过之后再动。

在这之前,先确认「缺席」是真的。衡量上的错误既能凭空造出一次缺席,也能把真实的缺席藏起来;下面这几种错误,我们自己的产品都犯过,后来才修好。

第 0 步:先确认这个零是真的(固定问题集、不含品牌名、按引擎分别看)是或否的检查成本低,任何一项成立,后面都白说01代理被禁止robots.txt 按名字封了搜索或用户代理02依赖 JavaScript原始 HTML 里找不到答案03边缘拦截CDN 或防火墙返回 403,不管文件怎么写较慢的原因前三项通过之后再动04答案没法引用关键句子离开小标题就读不懂05实体有歧义名字有好几种,或者在别处被写错了细节06问题选错了只瞄短关键词,没有买家的真实处境
图 1 六个原因及检查顺序。第一行是「是或否」的检查,任何一项成立,后面的都可以先不管;第二行是较慢的原因,第一行全部通过之后才值得投入。来源:本文的排查流程。

开始之前:AI 回答里真的没有你的品牌吗?

有三种衡量错误,会造出一个假的缺席,或者把真的缺席藏起来:

  • 没测到被显示成零。超时的模型对正反两面都没产生证据。把它算成「未提及」会压低百分比,看上去像一次根本没发生的下滑。见词汇表「未测量」与「零」。
  • 跨引擎只看一个平均数。在我们自己的基准里,一个模型每条回答平均点名 3.5 个提供方,另一个只有 2.1 个。你完全可能在一个引擎里缺席、在另一个里出现,混在一起的数字会把这个差别藏掉。
  • 问题集里混进了带品牌名的题。这会让你看起来在场,其实不在。我们自己的一次检测里,15 道生成的问题有 13 道带品牌名,五个引擎的分数齐刷刷显示 13%,诚实的数值是零。

如果用一组不提你名字的固定问题、按引擎分别看,缺席依然成立,那它就是真的。接下来按下面的顺序查原因。

AI 回答里没有你的品牌:三项「是或否」的原因

这三项非黑即白,查起来也便宜,而且任何一项成立,清单后面的内容都可以先不管:代理抓不到、读不到页面,页面上写了什么都无关紧要。要在那些本该回答买家问题的页面上测,比如价格页、商品页、对比页,而不只是首页。

一、检索代理没被允许抓取页面

先查这一条,因为它一旦成立,后面全都白说。主流助手都把训练和搜索分给不同的代理。OpenAI 的文档里,GPTBot 负责训练,OAI-SearchBot 负责 ChatGPT 搜索功能背后的索引,ChatGPT-User 负责用户要求的抓取。Perplexity 把为回答建索引的 PerplexityBot 和 Perplexity-User 分开。封 GPTBot 是一个关于训练用途、站得住的决定;封 OAI-SearchBot 会让你从 ChatGPT 搜索结果里消失,而很多站点本想拒绝训练,误封的恰恰是它。

读一遍你的 robots.txt,看有没有一条笼统冲着某个厂商、或者冲着所有代理的规则。一手来源是各家文档:OpenAI 的爬虫文档和 Perplexity 的爬虫文档。每个代理是干什么的、封了会失去什么,我们整理在 AI 爬虫访问指南里。

二、内容要等 JavaScript 执行之后才存在

多数 AI 爬虫不执行 JavaScript。如果产品名、价格或问题的答案要等客户端渲染之后才出现,这张页面对它们就是空壳。你的分析工具永远不会告诉你这一点,因为它运行在会执行脚本的浏览器里。不用浏览器取一次关键页面,搜一搜你在意的那句话:

curl -s https://example.com/pricing/ | grep -i "per month"

返回 200、但答案不在里面,应该算失败,不算通过。解决办法是让这些页面服务端渲染或静态生成。常见框架怎么设置,见 JavaScript 渲染与 AI 爬虫。

三、CDN 或防火墙照样拦了代理

你的 robots.txt 可以写得很宽松,同时边缘规则对一切看起来像机器人的请求返回 403。只读这个文件永远发现不了。用每个代理的身份请求一次页面,同时用普通浏览器的请求做对照:

for ua in "Mozilla" "GPTBot" "OAI-SearchBot" "PerplexityBot" "ClaudeBot"; do
  printf "%-16s " "$ua"
  curl -s -o /dev/null -w "%{http_code}\n" -A "$ua" https://example.com/
done

浏览器那一行不能省。没有它,一个单纯宕机的站点和一个封锁 AI 代理的站点看起来一模一样。这个测试还有两个局限:它只是借用了代理的名字,请求其实来自你自己的 IP;而有些边缘服务是按 IP 核验代理身份的。OpenAI 为每个代理公开了 IP 列表,边缘的放行规则应该以这些列表为依据,而不是只看 User-Agent 字符串。

三项较慢的原因:可引用性、实体与问题

引擎能抓到、也能读懂你的页面之后,剩下的原因都是程度问题。它们没有一个测试能直接给出是或否,每一项都要几周的工作,而不是改一个配置,所以排在后面。

四、页面上的答案没法被引用

答案引擎检索的是段落,不是整页,再用挑中的段落写回复。如果回答问题的那句话离开上方的小标题就读不懂,或者前面垫了三段铺垫,它可能根本进不了被选中的段落。写「价格视使用场景而定」的页面没法被引用,写出价格的那张可以。每个小标题下的头一两句直接给答案,产品名写全、别用「它」,事实带单位、带日期。改写前后的对照,见为可摘取而写作。

五、品牌有歧义,或者在别处被写错了

助手得先知道你是哪一个实体,才可能点你的名。歧义来自名字有好几种写法、和不相关的东西重名,或者在不同网站上描述各不相同。另一种失败不是沉默,而是一个说得很自信的错误细节,比如过时的价格、早已退出的市场,它往往能追溯到某一个过时的外部来源。模型要在相互独立的地方看到同一个事实,才会有把握地说出来,所以只存在于你自有域名上的说法,是你能拿出的最弱的证据。写一段平实的介绍,在你能控制的地方统一使用;加上带 sameAs 的 Organization 标记;再去改正那些和你说法不一致的外部来源。标记怎么写,见实体与 sameAs。

六、你瞄准的问题,没人那样问

这是最让人不舒服的一条。买家问助手时用的是完整的句子,里面带着处境:预算、限制条件、使用场景。这样的问题点名的品牌,和光秃秃的品类词完全不同。即使在传统搜索里也看得到这种变化:我们官网 2026 年 7 月到 9 月的 Search Console 数据里,475 个产生曝光的查询有 181 个是完整问句或七个词以上的长句,约占曝光的 22%。如果你的内容是围绕短关键词组织的,就可能在不那么重要的词上有排名,却在更重要的问题里缺席。

检验第六条:买家问问题的方式,和你页面的组织方式一致吗?1列出你的页面围绕的那些短关键词2把每个改写成带预算、限制条件或使用场景的完整问题3两个版本都拿去问助手,各问两次每轮回答都会有波动4比较两个版本里分别点名了谁关键词「薪资软件」买家真正会问的「有兼职员工的咖啡馆用什么薪资软件」关键词下有你,完整问题里没有:就是第六条。围绕买家真正会问的问题重新组织内容。两边都没有:先查第一到第五条
图 2 检验第六条原因:同一个需求,用短关键词问和用买家的完整问题问,点名的品牌可能不同。示例仅作说明。来源:本文的排查顺序。

还要看清对手是谁。在我们 2026 Q3 的基准里,项目管理软件的头名品牌出现在 38% 的回答里,而我们测过的每一个本地服务品类,头名都不到 13%。在已经集中的品类里,现实的目标是某个具体的子问题,最好是既有品牌答得不好的那种。问题怎么写,见搭建提示词集。

挑要争的问题之前,先读一读现在的回答空地谁也没被点名拿下最便宜:做第一个把它答好的页面。先从这里找可争点名好几个品牌,没有谁独大靠有印证的事实和清楚的答案,可以拿下。尚未集中:我们测过的每一个本地服务品类已集中某个品牌出现在四分之一以上的回答里去争一个既有品牌答得不好的子问题。我们的基准:项目管理软件、护肤、电动自行车拿下更便宜挤掉对手更贵
图 3 从现有回答点名的情况,读出一道问题属于哪种局面;从左到右,拿下的成本越来越高。来源:本文的方法;品类归属来自 InsightWonder 2026 Q3 基准,12 个品类、五个模型。

由此还能推出一条实用的结论:助手目前谁也不点名的问题是空地,拿下它们,比去挤掉一个已经出现在四分之一以上回答里的品牌便宜得多。

一张表看清顺序

原因类型怎么确认
一、代理被禁止是或否逐个代理名读 robots.txt
二、内容依赖 JavaScript是或否不用浏览器取页面,搜答案在不在
三、边缘拦截是或否各代理的状态码,对照浏览器请求
四、答案没法引用渐进脱离上下文读每个小标题下的头两句
五、实体模糊或被写错渐进问每个助手「你们是做什么的」,找错误细节
六、问题选错了渐进拿你的目标词表对照买家的完整问句

顺序搞反,等于花钱做了一批依然读不到的内容。想让前三项自动检查,InsightWonder 的可抓取性体检会带着浏览器对照组跑这几项;上面的命令手动也能完成同样的工作。

修完之后:怎么判断起作用了

复测必须用和当初诊断同一把尺子,否则什么也证明不了。问题集保持固定,不放带品牌名的题,每个引擎分别报告。如果两轮之间换了问题集,任何变化都可能是题目变了,而不是品牌变了:加进几道更容易的题,平均值就会上去,实际上什么都没变好。

要预期噪声。即使什么都没变,AI 的回答在轮次之间也会波动,所以单独一轮变好不算证据。连续两轮都出现的变化才当真。超时要记为缺数据而不是零,否则一个没响应的引擎,看起来就像一次新的缺席。

最后,复测方式要和原因对得上。robots.txt 或边缘规则的修复,会立刻反映在探测结果里,比反映在回答里早得多,所以先确认探测通过。实体描述或外部列表的修复则根本没有探测可做,只能靠接下来几周反复跑回答去观察,而且永远证明不了是哪一项改动带来的变化。

资料来源