GEO 检测工具选型要问的八个问题
这八个问题都能在试用阶段验证，不需要看宣传页。凡是回答含糊的，基本可以判定它没有认真处理这件事。
八个问题与合格答法
| 问题 | 合格答法 | 不合格的表现 |
|---|---|---|
| 数据是真实调用来的吗 | 能指出用的是哪个接口、哪条调用记录 | 只说「实时监测」，拿不出调用证据 |
| 原始回答能回看吗 | 每条指标可下钻到具体回答原文 | 只有汇总图表 |
| 分母是什么 | 明确写出每个指标的分子分母 | 只给百分比 |
| 判不出来的怎么处理 | 单列「无法判定」，不进分母 | 把判不出来算成不推荐 |
| 引用是采集的还是补的 | 只记录平台返回的来源 | 用搜索引擎结果补齐「引用」 |
| 失败算不算 | 失败不计入分母，也不计费 | 失败悄悄从统计里消失 |
| 能不能导出 | 回答、引用、竞品可导出原始数据 | 只能截图 |
| 覆盖哪些平台与入口 | 列出平台与网页/手机两条入口 | 只写「覆盖主流 AI」 |
试用时怎么验证这八条
- 跑一小批（例如 3 个问题 × 2 个平台），要求拿到完整导出。
- 打开导出文件，确认里面有回答原文、时间、平台、入口、来源字段。
- 随便挑一条「未提及」的回答，自己读一遍，看判定是否成立。
- 故意制造一次失败（例如关掉一个平台的凭证），看它在报表里怎么呈现。
两个容易被忽略的加分项
- 能否自建问题集：固定问题集是复测的前提，工具如果只给预设题目，你就无法验证自己关心的问题。
- 口径是否公开：指标定义写在公开页面上、任何人可查，比藏在帮助文档里更可信。
依据与出处
选型时有一条最容易被忽略：报告里的推荐率/情感分，通常是模型判模型。这不是谁家不专业，而是行业普遍实现方式——Profound 在术语表里自己就把这件事写了出来（境外厂商，仅作参考）：
Using one model to evaluate another model's output at scale. Most AI visibility and sentiment scoring is built this way, which is worth knowing when you read a vendor's sentiment number.
出处：Profound《AI Search Glossary》（境外厂商，仅作参考）
边界
- 这八个问题是通用判断标准，对任何工具都适用，包括本站。
- 本站的指标口径公开在 `/method`，原始回答与引用来源可导出（取决于套餐开关），失败不计费。这些陈述可以被逐条核对，不需要采信。
常见追问
- 免费工具能用来做正式检测吗？
- 可以用于了解现状，但要看清它的限制：常见的是固定题目、只覆盖一两个平台、不提供原始回答、或者用搜索结果代替真实 AI 调用。判断标准与付费工具相同：能不能回看原文、分母写没写清。
- 覆盖平台越多越好吗？
- 不是。平台越多，成本越高、读起来越吃力。起步阶段两到三个平台足够看清结构，扩平台应当发生在你已经能读懂现有数据之后。
- 工具能保证数据准确吗？
- 不能。检测记录的是平台当时返回了什么，平台本身有随机性，判定是规则化的、会有误判。工具能做的是把原始回答和判定规则都交出来，让你可以复核——这比承诺「准确」有用。
这一页说明的是方法与口径，不构成效果承诺。需要看你自己的品牌在 AI 回答里的实际记录，可以注册后跑一次检测。