第一部分：AI 读不读得到你
这一部分是技术问题，每项都有明确的「通过」标准。先做完这部分，后面的结果才有意义。
| 检查项 | 怎么查 | 什么算通过 |
|---|---|---|
| robots.txt | 用 AI 爬虫检查 输入网址 | OAI-SearchBot、ChatGPT-User、Claude-SearchBot、Claude-User、PerplexityBot、Googlebot、Bingbot 都放行 |
| 防火墙和 CDN | 换成爬虫的 User-Agent 请求首页，看状态码curl -s -o /dev/null -w "%{http_code}" -A "OAI-SearchBot/1.3" https://your-site.com/ | 返回 200，和用浏览器打开一样 |
| 正文直出 | 看原始 HTML 里有没有正文curl -s https://your-site.com/ | grep -c "a sentence from your homepage" | 输出大于 0，首页、价格页、功能页都能看到正文和价格 |
| sitemap | 打开 /sitemap.xml，robots.txt 里有没有 Sitemap 一行 | 列出所有想被收录的页面，网址都返回 200 |
| 结构化数据 | 在首页源码里找 application/ld+json | 有 Organization（带 sameAs 指向你的社交账号）或 SoftwareApplication |
| 信任页 | 关于、联系、价格、条款、隐私政策 | 五类都有，页脚能点到 |
| llms.txt | 打开 /llms.txt，没有就用 llms.txt 生成器 写一份 | 能直接打开的纯文本；优先级最低，不是各家 AI 都承诺读取 |
请求测试只换了 User-Agent，不能模拟爬虫真实的 IP。有的 CDN 按 IP 认爬虫，结果可能和真爬虫不一样。
第二部分：AI 回答里有没有你
1. 列 10–20 个买家问题
不带品牌名，按买家的说法写：「最好的 X 工具」「X 的替代品」「怎么做 Y」。每个市场用当地语言写。
2. 每个问题在 ChatGPT、Perplexity、Claude 各问 3 次
每次新开对话，开联网搜索。只问一次没有意义：SparkToro 2026-01 的研究里，同一个问题在 ChatGPT 或 Google 的 AI 搜索里反复问，给出同一份推荐名单的概率不到 1%。
3. 记成一张表
每一行：问题、哪家 AI、第几次、有没有提到你、推荐了谁、引用了哪些网址。最后算两个数：提到你的次数 / 总次数，以及最常被推荐的对手。
4. 把引用网址分类
按类型分：列表文章、对比页、论坛帖、目录站、对手官网、你自己的页面。列出了同类产品却没有你的，就是要去投稿或写信的目标。
5. 按顺序排出要做的事
先修第一部分没通过的项；再处理「被引用的网页里没有你」；最后改页面写法。每改一批，用同一组问题再测一轮，比次数。
两个真实评测的数字
下面是 kagentx 评测的两个网站，在评测当天的样子（不是改完以后）。可以照着这几列给你的网站填一份：
| 网站 | 评测日期 | 提到它 / 问的次数 | 读了几个被引用的网页 | 其中列出同类产品的 | 其中提到它的 | 首页原始 / 渲染后字数 |
|---|---|---|---|---|---|---|
| GammaSlide | 2026-10-26 | 0/21 | 28 | 19 | 0 | 314 / 18,630 |
| MochiStamp | 2026-10-22 | 0/3 | 10 | 10 | 0 | 8,790 / 9,625 |
两个网站的爬虫都能进来（第一部分大多通过），AI 回答里却一次都没提到它们：问题出在被引用的网页里没有它们，GammaSlide 还多一项正文要等脚本。这两轮问的是 Claude Sonnet 5.5。
常见问题
为什么不给一个 AI 可见度分数？
AI 每次回答都不一样，一个分数掩盖了这种波动。更有用的是「问了几次、提到你几次」，以及推荐了谁、引用了哪些网页，这些能直接变成要做的事。
多久做一次？
网站改了一批之后做一次，看改动有没有用；平时每月一次就够。每次用同一组问题、同样的次数，结果才能比。
第一部分全部通过，AI 还是不提我？
这很常见。能读到只是前提，AI 推荐谁主要看它引用的网页里有没有你。第二部分第 4 步找出的那些网页，就是接下来要做的事。
自己做太费时间，有现成的吗？
kagentx 的评测把这两部分都做了：检查爬虫、渲染、sitemap、结构化数据等，并把买家问题拿去问 ChatGPT、Perplexity、Claude，列出引用的网页。基础版一般 2–3 分钟出结果。
出处
- OpenAI · Overview of OpenAI Crawlers （查看于 2026-11-03）
- Perplexity · Perplexity Crawlers （查看于 2026-11-03）
- SparkToro × Gumshoe · AIs are highly inconsistent when recommending brands or products （2026-01，12 个提示词每个平台各问 60–100 次）
- llmstxt.org · The /llms.txt file （2024 年提出）
- kagentx 评测：案例页的数据，日期写在每个例子里。