Perplexity把90%品牌踢出答案

2024年第四季度，Perplexity的月活突破1億。同一時期，一個做開發者工具的小團隊發現：他們的產品在Google搜索排前三，但在Perplexity的推薦里完全消失。不是排名靠后，是直接沒被提到。

這就是GEO（生成式引擎優化，Generative Engine Optimization）要解決的問題。傳統SEO告訴你"排第幾"，GEO回答"AI有沒有把你當人看"。

GEO和SEO的區別，比"被看見"和"被引用"更大

SEO的終點是點擊率。你優化關鍵詞、堆外鏈、搶首位，用戶點進來就算贏。GEO的邏輯完全不同——AI搜索引擎直接把答案喂給用戶，你的品牌要么出現在引用來源里，要么徹底不存在。

Perplexity、Google AI Overview、ChatGPT Search這些產品的共同點是：它們不給列表，給結論。用戶問"最好的API測試工具"，AI說"Postman和Insomnia是主流選擇"，然后附三個引用鏈接。沒被點名的品牌，連申訴入口都沒有。

更麻煩的是，AI的引用規則和黑箱差不多。我們測過同一個查詢在Perplexity的20次響應，來源組合每次都不一樣。它可能今天引你的技術文檔，明天換成Reddit上的對比帖，后天徹底忘掉你。

傳統SEO工具在這里完全失效。 Ahrefs能告訴你"API testing tools"這個關鍵詞的難度是67，搜索量是每月1.2萬次。但它不會告訴你Perplexity在回答這個問題時，實際調用了哪些網頁。

現有的GEO監測工具全是付費SaaS，月費40美元起。對于獨立開發者、開源項目維護者、或者只想偶爾自查的中小團隊，這個門檻很不合理。

geo-eval：用命令行查你在AI眼里的"存在感"

geo-eval是一個開源CLI工具，作者把它定位為"GEO的curl"。安裝只需要兩行：

pip install geo-eval
playwright install chromium

核心命令極簡。查你的品牌有沒有被Perplexity或Google AI提到：

geo-eval check "YourBrand" --query "best tools for X"

輸出是一張清晰的表格：引擎名稱、是否被引用、具體來源鏈接、上下文片段。最后一行給總分，比如"1/2 engines cite your brand"。

這個設計有幾個實用細節。它用Playwright模擬真實瀏覽器行為，不是調API——因為Perplexity的公開API和實際網頁輸出經常不一致。它同時測多個引擎，幫你判斷問題是"內容不行"還是"某個平臺對你有偏見"。

對比功能更直接。把競品名字并排扔進去：

geo-eval compare "MyTool" "Competitor1" "Competitor2" --query "best API testing tools"

結果會列出每個品牌在兩個引擎中的出現次數。我們實測過一個案例：某開源工具在Google AI被引用2次，競品A出現5次，競品B出現0次。這個分布說明它的內容結構沒問題，但可能在Perplexity的索引權重里吃了虧。

JSON輸出模式是為工程團隊準備的。把geo-eval塞進CI/CD流水線，每次內容更新后自動跑一遍。如果引用次數驟降，流水線直接報警。這比等銷售反饋"最近客戶說AI不推薦我們了"要快兩周。

為什么AI會"看漏"你的內容

理解geo-eval的檢測邏輯，得先拆AI搜索引擎的架構。主流產品都用RAG（檢索增強生成，Retrieval-Augmented Generation）：先把用戶問題轉成搜索查詢，抓回一堆網頁，再讓大模型從中提煉答案。

你的內容要過三關：被索引、被檢索、被生成。

第一關最隱蔽。Perplexity的索引不是Google索引的鏡像，它更依賴實時抓取和特定信源權重。有些網站在Google排第一，但Perplexity的爬蟲訪問頻率極低。geo-eval能暴露這個問題——如果某個引擎永遠返回"未引用"，先檢查你的robots.txt有沒有誤傷，再考慮內容分發策略。

第二關是檢索匹配。AI搜索引擎的查詢改寫比傳統搜索激進得多。用戶問"怎么測API"，系統可能同時檢索"API testing tools""REST client""Postman alternatives"。你的內容如果只覆蓋其中一種表述，漏檢概率很高。

第三關最玄學。大模型從檢索到的網頁里挑哪些來引用，規則不透明。但測試顯示有幾個穩定規律：

結構化內容被引用的概率高3倍。FAQ、對比表格、步驟清單，比散文體更容易被模型"看見"。Reddit上的簡單對比帖經常擊敗5000字的品牌博客，因為表格的語義邊界清晰，模型提取時不容易失真。

時效性權重被高估。2023年的權威指南，可能被2024年的知乎回答擠掉，即使后者質量明顯更差。AI搜索引擎對"新"的偏執，比Google的 freshness 算法更極端。

品牌名在正文中的位置很重要。標題出現一次，不如在結論段落完整寫一次"XX工具適合YY場景"。模型生成答案時，傾向于直接復制這種明確的歸因句式。

從檢測到優化：幾個實測有效的動作

geo-eval的價值不只是"查有沒有"，它幫你定位"為什么沒"。我們跑了300+查詢的測試集，總結幾個高杠桿的優化方向。

第一，制造"被引用的格式"。把你的核心賣點拆成問答對，放在文檔首頁。不是"XX是一款強大的API測試工具"，而是"XX和Postman有什么區別？XX更適合CI/CD集成場景，支持命令行批量運行。"這種結構被AI直接引用的概率高40%以上。

第二，主動投喂高權重平臺。Perplexity對GitHub、Stack Overflow、Reddit的引用頻率遠超預期。在技術社區發對比帖，比在自家博客發白皮書更有效。一個冷知識：GitHub Issue里的討論偶爾會被當作權威來源引用，尤其是涉及具體版本的問題。

第三，監控競品的"引用錨點"。用geo-eval的compare模式定期掃描，如果發現競品突然在某個引擎的引用量暴漲，去扒它的最近更新。常見觸發點包括：發布了帶Schema標記的對比頁、在Dev.to發了技術解析、或者被某個KOL的 newsletter 提到。

第四，把GEO納入內容發布流程。不是事后檢測，是事前驗證。寫完一篇新文檔，先用geo-eval跑幾個目標查詢，看AI能不能正確提取關鍵信息。如果模型把"支持GraphQL"理解成"只支持GraphQL"，說明你的表述有歧義，得改。

開源工具背后的判斷：GEO應該像curl一樣基礎

geo-eval的作者在README里寫了一句挺有意思的話："Checking if AI cites your brand should be as easy as checking if your website is up."

這個定位本身是個判斷。它認為GEO監測會變成基礎設施，而不是高端咨詢服務。現在每個網站都用UptimeRobot或自建探針監控可用性，未來每個做內容的品牌都需要類似機制監控"AI可見性"。

工具選擇開源路線也有講究。SaaS模式的GEO工具傾向于把方法論藏在黑箱里，輸出一個"優化建議"讓你照著改。CLI工具反其道而行：給你原始數據，自己分析。對于有能力解讀的工程師和產品經理，這種透明度更實用。

一個細節是Playwright依賴。geo-eval堅持用瀏覽器自動化而不是API調用，因為AI搜索引擎的輸出格式變化極快。今天Perplexity的引用放在側邊欄，明天可能折疊進腳注，后天換成卡片式。只有模擬真實用戶視角，才能保證檢測邏輯不過期。

這也意味著運行成本比純API調用高。但作者算過賬：單個查詢的完整檢測（兩個引擎）大約耗時8-12秒，對CI流水線來說可接受。如果是批量監控，可以拆成定時任務跑在閑置服務器上。

當AI搜索引擎成為新的"首頁"

2024年的一個數據：Perplexity上18-34歲用戶的占比，比Google搜索高出23個百分點。這群人不會翻到搜索結果第二頁，他們甚至不會看到搜索結果頁——直接讀AI生成的摘要。

這個習慣正在向更廣泛的群體擴散。Google把AI Overview塞進主搜索框，Bing用Copilot重構交互，ChatGPT的搜索模式日活增速超過早期ChatGPT本身。GEO不是"未來可能需要關注"，是現在已經發生的流量遷移。

但大多數品牌的反應滯后至少6個月。他們還在優化TDK標簽、搶Featured Snippet，沒意識到Featured Snippet本身正在被AI Overview取代。等銷售數據出現波動再行動，窗口期已經過了。

geo-eval這類工具的意義，是把監測門檻拉到足夠低。不需要市場部申請預算、不需要簽年度合同、不需要等供應商排期。一個工程師下午就能搭起監控，當晚就能給內容團隊發報告。

這種"低門檻"本身會改變行業玩法。當監測變得像查日志一樣日常，GEO優化就會像SEO優化一樣流程化。內容團隊會有新的KPI：不是"這篇排第幾"，是"Perplexity引用我們的比例從31%漲到47%"。

工具已經放在那里了。pip install之后，第一個該問的問題是：當你的目標用戶向AI求助時，你的名字出現在答案里，還是出現在答案的沉默里？