"客户问 AI 的时候，会不会提到我们？"
这个问题我们被问过很多次，自己也好奇。但"感觉 AI 挺了解我们"和"AI 确实在推荐我们"之间差得很远。于是我们在自己的平台里做了一套采样工具，把这件事变成可以量化、可以复查的数字。
这篇分享我们的做法和目前的结果。
第一步：定下"要问什么"
我们整理了 45 个问题，分成四类，对应客户找供应商的不同阶段：
- 品牌类：客户已经知道我们，想了解我们是谁、做什么、服务过谁
- 地域 + 品类类：客户知道自己要什么，在找附近的供应商，比如"杭州有哪些做 AI 数字员工的公司"
- 场景类：客户有具体问题，比如 AI 客服、知识库问答怎么落地
- 决策类：客户在比较方案，关心价格、选型指标、部署周期、合规要求
这四类问题里，真正带来新客户的是后三类——客户还不知道你的时候，AI 会不会把你放进答案里。
第二步：在几家 AI 上同时问
同一批问题，分别在豆包、DeepSeek、通义千问的网页版上提问。必须用网页版：它们会联网搜索，和客户实际看到的一致；而 API 版只靠训练时的记忆，结果差别很大。
每条回答，我们记录三个指标：
- 提及：有没有提到我们
- 位置：排在第几个
- 引用：回答附带了哪些参考链接，其中有没有我们的网站
第三步：看引用来源，而不只是看结果
真正有价值的，是第三个指标。把所有回答的参考链接汇总起来，就能看出每家 AI 习惯去哪里查资料：
- 豆包最常引用抖音图文和今日头条
- DeepSeek 最常引用知乎
- 通义千问更看重百度百科和企业信息平台
我们的官网被豆包引用了 9 次，被另外两家引用了 0 次。这个结果直接决定了下一步做什么：只优化官网，只能影响三家中的一家。
第四步：补内容，然后复测
知道了缺口在哪里，就在对应的平台上补充准确、有用的内容：技术实践发在技术社区，行业观察发在知乎，通俗解读发在头条和抖音，同时把百科和企业信息平台上的基础资料补完整。
补完之后，用同一批问题再测一遍。我们在豆包上做过一次前后对比：同样 11 个问题，能带出九宸的从 2 个变成了 5 个，新增的都是"地域 + 品类"类问题。
需要说明的是，大模型每次的回答都有波动，单次采样只能看趋势。所以我们把它做成了例行工作：定期复测，看长期变化。
我们目前的结果
| 豆包 | DeepSeek | 通义千问 | |
|---|---|---|---|
| 45 题中提到九宸 | 9 题 | 4 题 | 3 题 |
| 其中排在第一位 | 5 题 | 4 题 | 3 题 |
| 引用我们官网 | 9 次 | 0 次 | 0 次 |
豆包的情况在变好，DeepSeek 和千问还有很长的路要走。在后两家那里，我们在场景类和决策类问题里几乎还没有出现。这正是我们接下来要补的内容。
几点体会
AI 不认识你，比 AI 认错你更好办。 不联网测试时，有一家 AI 把我们介绍成了另一座城市的一家工业机器人公司。在 AI 会去查资料的地方放上准确信息，是纠正这类错误的唯一办法。
内容要写给人看，不是写给 AI 看。 我们发出去的每一篇，都先问自己：一个真的在找方案的人读完，会不会觉得有用？堆关键词的内容，平台会拦，AI 也不会引用。
这是一件需要持续做的事。 AI 的回答会随着网上的内容变化，今天的结果不代表明天。定期复测，比一次性做完更重要。
九宸智能是杭州的国家高新技术企业，专注 AI 数字员工与企业大模型私有化落地。如果你对 AI 搜索里的品牌能见度也有想法，欢迎在后台留言交流。