一句话：问题集是一份固定、带版本号、不含品牌名的买家问题清单，规模要匹配你真正复跑得起的额度，并且按主题分组，好让某一组的变动能和另一组的噪声区分开。
AI 可见度衡量的一切都压在这份清单上。建立在坏问题集上的看板不是「稍微有点偏」，而是朝一个一致的方向偏——因为混进来的误差恰好都是奉承你的那些。
从决策出发，不从关键词出发
单位是买家真的会向助手提出的问题。它们和关键词毫不相像：是句子，往往很长，常常带约束条件（「1500 元以内」「五个人的团队用」「要能配合 Shopify」）。2026 年 9 月我们自己的 Search Console 里，475 个产生曝光的查询有 181 个是完整问句或七词以上的长句。
按意图分组，因为各组的行为不同：
| 意图 | 形态举例 | 它告诉你什么 |
|---|---|---|
| 品类认知 | 「X 是什么，谁需要它」 | 你是否存在于模型对这个品类的图景里 |
| 比较 | 「Y 场景下最好的 X」「A 对比 B」 | 商业缺口——你在哪儿输给了被点名的竞品 |
| 约束条件 | 「能做到 Y 的最便宜的 X」 | 你的定位能不能被读成一组属性 |
| 问题导向 | 「Z 这个问题怎么解决」 | 不知道品类名的人能不能找到你 |
排除自指问题，在生成环节就排除
如果问题里有你的品牌名，答案里当然也会有。那除了证明引擎读得懂题目之外什么都没测到。让 LLM 生成问题集，它会自己往这个方向漂——我们的生成器曾经产出 15 道题，其中 13 道带品牌名，五个引擎跑出来齐刷刷 13%，而诚实的数字是零。
在生成环节过滤，不能只在打分环节过滤。打分时才过滤，额度已经烧在你马上要丢掉的问题上了——而额度正是整件事的硬约束。
修复需要三层：生成提示词要明确要求不许写这种题；确定性过滤要兜住它仍然写出来的；兜底模板集本身要干净。任何一层单独用都会漏。
规模要匹配你复跑得起的额度
一组只跑得起一次的问题集不是衡量，是轶事。答案本来就会在不同轮次之间波动，所以一百道题跑一次，信息量不如二十五道题跑四次。先定复跑节奏，再按那个节奏下的额度决定规模。
给它版本号，并把改动当作断点
增加、删除或改写一道题，都会改变这个数字的含义。给问题集编版本号，记录每一轮用的是哪一版；改动之后重新开始曲线，而不是假装连续。中途悄悄换上「更好的问题」的诱惑很强，而它会毁掉趋势唯一的用处。
一组能用的初始集合
- 20～40 道题，不含品牌名，覆盖上面四种意图。
- 用目标市场的语言写，不要从英文翻译——买家的说法不一样，而翻译恰好会把最要紧的措辞磨平。
- 存下来时带上责任人和复核日期；没人负责的问题集会烂成没人信的问题集。