FAQ

诊断包交付样例节选:AI 搜索可见度诊断报告长什么样

花 ¥19,800 买一份诊断,到底拿到什么?这一页把 Negency AI 搜索可见度诊断包的交付物拆开给你看:评分卡、逐项问题清单、90 天路线图的格式与颗粒度。样例数据取自我们已公开的 30 家出海企业基准研究的中位画像,不对应任何一家真实客户——真实交付针对你自己的域名和三家竞品逐项实测。

Figure 01 · 样例评分卡:30 家基准的中位画像

  1. 00

    总分

    30 家中位数;均值 80.1;区间 55–98;90 分以上 7 家,70 分以下 6 家

    80/100 样例 · 不是客户报告
  2. 01

    抓取可达

    AI 爬虫能不能进来、能不能走通;21 家满分,五维最强

    91.1/100
  3. 02

    性能

    页面打开与渲染是否拖爬虫和访客的后腿

    87.3/100
  4. 03

    信任信号

    实体口径、联系方式、第三方档案是否一致可查

    82.1/100
  5. 04

    实体结构

    公司是谁、卖什么、适合谁,机器能不能无歧义地读出来

    71.1/100
  6. 05

    机器可读

    结构化数据、llms 文件、语义标记是否齐备;五维最弱,仅 2 家满分

    69.2/100 最弱一维 · 中位数 68.5 · 仅 2 家满分
这是样例,不是客户报告:全部数字取自 Negency 旗舰报告 2026 年第一期 30 家公开实测;你的报告里,每一分都来自你自己域名的逐页实测。样例口径:30 家中国出海企业全球官网主域名,2026 年 10 月 30 日单日采样;报告只测官网技术可见度,不测 AI 回答中的品牌提及率。

先把话说清:这是样例,不是客户报告

诊断报告涉及客户的真实家底,我们不会拿任何一家客户的报告做展示。本页样例的全部数字,取自 Negency 已公开发布的《中国企业出海 AI 搜索可见度报告(2026 年第一期)》:样本为 30 家中国出海企业全球官网主域名;检测用 Negency AI 可见度体检引擎(约 30 个信号、五类),2026 年 10 月 30 日单日采样;报告只测官网技术可见度(AI 能否抓到、读懂),不测 AI 回答中的品牌提及率。30 家总分中位数 80 分。下面这张「中位画像」评分卡,就是一份真实诊断报告第一部分的格式——换成你的公司时,每一分都来自你自己域名的逐页实测,并附原始证据。

样例节选一:评分卡(30 家基准的中位画像)

总分:80 / 100(30 家中位数;均值 80.1;区间 55–98;90 分以上 7 家,70 分以下 6 家)

抓取可达:91.1(30 家平均)——AI 爬虫能不能进来、能不能走通;21 家这一维满分,是五维里最强的一项

性能:87.3——页面打开与渲染是否拖爬虫和访客的后腿

信任信号:82.1——实体口径、联系方式、第三方档案是否一致可查

实体结构:71.1——公司是谁、卖什么、适合谁,机器能不能无歧义地读出来

机器可读:69.2(均分;中位数 68.5)——结构化数据、llms 文件、语义标记是否齐备,五维里最弱的一项;只有 2 家这一维满分

评分卡的用法不是看总分自嗨或自卑,而是看短板在哪一维:30 家的中位画像告诉我们,多数企业的钱花错了地方——内容不少,但机器可读与实体结构两维系统性拖后腿。读卡时注意两个统计量:中位数 80 与均值 80.1 非常接近,说明总分分布大致对称,没有被少数极端值拉偏;机器可读均分 69.2 与中位数 68.5 也是两个统计量——均值是 30 家的平均,中位数是中间两家得分的平均,两者接近说明这一维普遍偏弱,不是几家差生拉低了平均。

样例节选二:逐项问题清单长什么样

真实交付的问题清单逐条带四样东西:问题、证据、影响、修法。下面三条是 30 家里出现率最高的问题,格式与真实清单一致:

问题:全站没有任何 JSON-LD 结构化数据(17/30 家中招)。证据:首页与核心产品页源码逐页核查,无 Organization / FAQPage / Product 标记。影响:引擎只能从正文猜你的公司实体与产品参数,猜测就意味着口径漂移和引用缺席。修法:先补 Organization 与核心页面四类标记,且与页面可见文字逐字一致。标记的规范定义见 Schema.org 的 Organization 词条与 Google 结构化数据简介。

问题:H1 不唯一或缺失(13/30 家中招)。证据:抓取清单逐页列出每页的 H1 文本。影响:一页多个主题,引擎摘录时不知道该引哪一段,问答式内容尤其吃亏。修法:一页一个 H1,与页面要回答的问题对齐。

问题:sitemap 有问题(15/30 家中招)。证据:sitemap 可达性与内容逐项核查——有的提交了不存在的地址,有的漏掉了核心页面,有的与 robots 规则冲突。影响:爬虫按图索骥时走错路或漏掉关键页面,新内容迟迟进不了索引。修法:重建 sitemap,与实际页面清单逐条对齐,并确认 robots 没有挡住 sitemap 本身。

样例节选三:90 天路线图的骨架

第 1 个月 · 技术与实体层:清抓取障碍、补结构化数据、统一公司口径与第三方档案,先让机器读对。验收标准:复测体检分数上升,服务器日志里 AI 爬虫来访与成功率上升。

第 2 个月 · 内容与问答层:按客户真实问题生产问答式内容,品类定义页与对比页上线,先占住「是什么、怎么选」两类问法。验收标准:问答内容被收录并出现在相关回答的引用源里。

第 3 个月 · 提及生态与复测:经营第三方提及与目录档案,同口径复测提及与引用,给出下一季度的投入建议。验收标准:固定问题集、同一口径的采样数据显示趋势,下一季度投入有数据依据。

真实诊断包比样例多什么

  • 你自己的域名逐页实测的原始数据与证据截图,而不是基准画像;
  • 三家你指定的竞品、同口径同维度的对比表;
  • 带优先级的逐项修复清单(先修什么、为什么、预计影响);
  • 一次讲解通话,把报告逐项过一遍并答疑。

价格固定 ¥19,800,不按页数和问题数加价。下单前可以先跑一次免费 AI 可见度体检看个大概;觉得值得深挖,再看诊断包说明页的完整交付清单。

怎么用这份样例

这份样例还有一个用途:拿着它去问任何一家 GEO 服务商——你的交付物长这样吗?评分卡有没有逐项证据?问题清单带不带修法?路线图有没有验收标准?答不上来的,交付物大概率只有月度「工作总结」。选服务商的完整脚本见12 个尽调问题。

相关问题:AI 可见度体检到底查什么?一份完整的自检清单;做 GEO 要多少钱?价格通常怎么算;什么是 GEO(生成式引擎优化)?

相关问题

GEO 和 SEO 有什么区别?

SEO 优化的是网页在搜索结果列表里的排名,目标是点击;GEO(生成式引擎优化)优化的是企业在 AI 生成答案里被发现、理解、信任和引用的程度,目标是进入答案本身。两者共用一部分技术基础(可抓取性、结构化数据、内容质量),但 GEO 额外要求实体事实治理、机器可读面(llms.txt、Markdown 镜像)和第三方提及生态。做 SEO 的网站不等于对 AI 可见:AI 引擎引用谁,取决于它能否抓到、读懂并核实这个企业的事实。 具体差异集中在四个层面:目标、对象、内容结构与评估方式,正文有逐项对照。

中国企业出海,怎么做 AI 搜索可见度?

出海企业的 AI 可见度短板通常不在内容量,而在机器可读面:我们对 30 家中国出海企业的实测显示,类目均分最弱的是机器可读面(69.2/100)——17 家首页没有 JSON-LD、15 家 sitemap 缺失或收录不足、13 家 H1 缺失或重复。路径是四步:先体检摸清机器人可达性与机器可读面,再治理实体事实(双语口径一致),然后按海外客户的真实问题生产问答式内容,最后经营第三方提及(媒体、社区、合作伙伴),并用固定问题集定期复测提及与引用验证效果。

AI 搜索时代,企业官网要做哪些改造?

五件套:一是机器人可达——robots 对 AI 爬虫显式放行且实测不被防火墙/验证页拦截;二是机器可读面——llms.txt 事实文件(可选辅助)、sitemap 完整、核心页提供 Markdown 版(可选);三是实体结构——JSON-LD 写明 Organization 等实体类型、标题与 H1 规范、双语站 hreflang 对应;四是问答式内容——按客户问题组织页面、短答先行并配 FAQ schema;五是可度量——后台能分开看到真人与机器人流量、AI 引荐带来的线索单独归因。Negency 官网自身就是按这五条改造的,体检工具用的也是同一套标准。

llms.txt 是什么?企业网站有必要加吗?

llms.txt 是放在网站根目录的一份纯文本说明书,专门写给 AI 看:公司是谁、做什么、核心页面在哪、关键事实与定义是什么。它不能直接提升被引用的概率(Ahrefs 2026 年 5 月研究:137,210 个域名中,已发布 llms.txt 的文件 97% 当月零次被取用,对引用率的直接影响接近零),但它是成本最低的事实治理动作——一份文件把全网口径统一锚点立住,AI 抓取时有据可依。结论:值得加,但别指望只加它就有效;它要和实体事实治理、结构化数据、问答式内容一起做。Negency 的 llms.txt 是事实圣经版:含公司定义、方案边界、案例出处与引用规则。

企业部署 AI Agent 之前,要做哪些准备?

四件准备,缺一件都不建议开工:一是场景选型——从高频、规则相对清晰、结果可验证的工作流里选试点,而不是从最炫的场景选;二是知识与数据基础——Agent 要用的知识库先治理(去重、版本、权限),脏知识库只会放大错误;三是治理设计——权限边界、人工审批点、审计日志在上线前定好;四是度量基线——试点前先记录人工流程的耗时与错误率,否则上线后无法证明价值。Negency 的方法论是先小范围受控试点、验证有效再扩围,治理是设计输入而不是事后补丁。