AI推荐里没有你的名字，问题多半不在你的网站上，而在你没出现的那几个页面

摘要：你在AI答案里出不出现，多半不是你官网写得够不够好决定的，而是别人的页面上有没有你的名字。最快的一条路不是再写十篇长文，是先把用户真会问的那些问题跑一遍，看清模型此刻正在引用哪几个页面，然后想办法进到那几个页面里去。这件事有个名字叫引用外联，它跟做外链是两码事：外链求的是一条链接，引用外联求的是别人正文里的一行提及。这篇把这条路拆成三层准入，从最快见效的那层写起，也把中文市场里完全不同的引用池、付费榜单怎么甄别、进去之后怎么防止被悄悄删掉，一并写清楚。

AI到底是从哪儿知道你这家公司的？

先说一个很多人没意识到的事实。你打开ChatGPT问一句“有哪些靠谱的智能猫砂盆品牌”，它回你三五个名字。这三五个名字，绝大多数情况下不是从这些品牌的官网上读来的。

模型在回答这类问题时，会先去检索一圈，抓回来的往往是评测站的横评、论坛里的一长串讨论、某个媒体做的年度榜单、几篇看起来中立的对比文章。你的官网当然可能在里面，但它只是几十个来源中的一个，而且是可信度权重最低的那一类——因为所有人都知道，品牌讲自己的时候不会说自己不好。

这就带出一个挺反直觉的结论：你的AI可见度，主要不是在你的服务器上决定的。它是在别人的服务器上决定的。你能控制的那部分内容，恰恰是模型最不愿意单独采信的那部分。

第三方说你好，和你自己说你好，在模型眼里差多少？

差得比大多数人想象的多。检索增强这套机制在设计上就带着一层朴素的怀疑：当一个问题涉及“哪个更好”“该选谁”，模型倾向于去找看起来没有利益关系的来源。厂商自己的页面在这类问题下，通常只有一个用途——确认事实，比如你家产品到底支持不支持自动铲砂、售价多少、发不发欧洲。

至于“值不值得买”这类判断，模型几乎不会引用你自己的说法。第三方内容在被引用池里占的比重之高，我在免费的AI引用不会一直有里引过一组样本量很大的统计，那篇讲的是这个窗口还能开多久。我在自己写内容夸自家产品，AI搜索到底买不买账那篇里拆过一组实测数据，结论是自夸型内容在推荐类问题下不但不加分，还可能反向拉低出现概率。

所以真正的杠杆不在于你把官网文案改得多有说服力，而在于——有多少个跟你没关系的页面，在讨论这个品类时顺手提到了你。

为什么“多发内容”这条路对AI可见度的边际收益越来越低？

发内容当然还得发，这事没得商量。但它的作用边界要看清楚：站内内容解决的是“模型能不能读懂你是谁、你卖什么、你的事实是什么”，它撑的是可核验性那一层。这一层做不好，后面全白搭，我在实体主页怎么搭里讲过这个地基。

可地基是地基，房子是房子。你把自我介绍写得再完整，也不能替代别人对你的评价。现实里我见过太多团队，把内容日历排得满满当当，一个季度发四十篇，AI可见度纹丝不动。原因很简单：他们四十篇全发在自己家里，而模型正在读的那些页面，一个都没碰。

这就像你把自家客厅装修得富丽堂皇，然后困惑为什么街坊聊天时从来没提到你。问题不在客厅。

把外联目标从拿一条链接改成拿一个位置，差别在哪？

做过外链的人对外联这个动作都不陌生：找到相关页面，找到能拍板的人，发一封邮件，希望对方给一条链接。引用外联的动作长得几乎一样，但要的东西不同——要的是对方正文里出现你的品牌名，最好还带一句说明你适合什么场景。

链接当然也想要，有更好。但在AI引用这条链路上，一个纯文本的品牌提及，往往比一条藏在页脚的链接更管用。因为模型抽取的是文本语义，它读到的是“在预算有限的多猫家庭里，某某牌子的性价比更合适”，而不是一个href属性。

这个目标的转换会连带改变很多东西：你挑页面的标准变了，写邮件的话术变了，谈判筹码变了，甚至判断成不成功的指标也变了。下面这张表把两者的差别摊开看。

AI引用池的三层准入是什么意思？

原始的分法通常是并列几种公关打法，数据型的、反应式的、专家背书的、社区的，一字排开让你挑。我自己带团队做的时候发现这么排不太好用，因为它没告诉你先做哪个。

更实用的排法是按“你离那个已经被引用的页面有多远”来分三层。

• 第一层，已经在被引的页面。它们此刻就在模型的答案里，你要做的只是想办法挤进去。最快，几周就能见到答案变化。
• 第二层，即将生成的页面。它们还没写出来，你去当那篇文章的原始素材来源——原创数据、第一时间的评论、可引用的观点。周期以月计。
• 第三层，身份底座。评价平台、社区讨论、长期的公开表达。它决定的不是某一次能不能被引，而是“当有人要写这个品类的文章时，你会不会被想起来”。周期以季度甚至年计。

为什么第一层该最先做？

因为它是唯一一个不需要你先创造需求的。第二层要你产出别人愿意引用的东西，第三层要你熬时间，只有第一层是现成的——那些页面已经写好了，已经在被引用了，编辑还在时不时更新它们。你要做的是在一份已经存在的名单上加一行。

而且它的反馈最快。改动发生在别人页面上，模型下一轮抓取就可能读到，快的话两三周答案就变了。相比之下你自己发一篇新文章，光等收录都不止这个时间。

还有个隐性好处：第一层做完你会得到一份极其有用的情报——你的品类里，模型到底在读哪些页面。这份清单会反过来指导第二层和第三层该往哪儿使劲。

三层的投入产出周期分别是多久？

给个我这边比较接近实际的估算，别当成保证，只当成排期时的参考基准。

看这张表容易得出“那我全力做第一层”的结论，但这是个陷阱。第一层的天花板很低——一个品类里真正被高频引用的页面就那么几十个，你能进的可能不到一半，进完就没了。它是启动器，不是发动机。

引用外联到底是什么？和传统外链外联有什么不同？

把定义收紧一点：引用外联，是先确定模型在特定问题下正在引用哪些具体页面，再针对这些页面逐个争取品牌提及位的过程。

它和传统外链外联最大的差别在起点。传统外联的起点是“这个站权重高、跟我相关”，是一套关于页面本身属性的判断；引用外联的起点是“这个页面已经被引用了”，是一套关于模型行为的观测。前者你在评估资产，后者你在追踪现场。

这个差别会导致挑出来的名单完全不同。有些域名权重一般的小评测站，因为内容结构清晰、更新勤快、观点明确，被引频率高得离谱；反过来一些权重很高的大站，正文写得空泛，反而很少被拿去当答案的依据。我在哪些网站最常被AI引用里拆过被引源的分布，跟传统的权重榜差得挺远。

用户到底会怎么问？提示词清单从哪儿来？

整套动作的第一步，也是最容易被草草带过的一步：你得先有一份提示词清单，而且要贴近真人说话的样子。

这里有个绕不开的现实——AI厂商到目前为止都没开放过提示词数据。你拿不到类似关键词工具那样的真实查询量，只能靠推断。所以这一步的质量，直接取决于你手上有多少真实的用户语料。

好消息是这类语料多数公司其实有，只是散在各处没人整理。销售的通话记录、客服工单、社群里的提问、GSC里那些长得不像关键词的查询，都是。把它们捞出来做一遍归类，比你坐在会议室里凭空想三十个问题靠谱得多。

销售通话里的原话为什么比关键词工具更准？

因为AI对话里的问法，和搜索框里的问法，本来就是两种语言。

在搜索框里人会压缩，打“智能猫砂盆 推荐”。在对话框里人会展开，打“家里养了三只猫，其中一只十二岁了腿脚不好，有没有开口低一点又能自动清理的猫砂盆”。后面这种句子，任何关键词工具都不会给你，但它恰恰是模型真正在处理的输入形态。

销售通话记录里全是这种句子。客户描述自己处境时用的原话，几乎可以直接当提示词用，连改都不用怎么改。我一般会让销售同事把最近三个月的通话按“客户第一句怎么描述自己的问题”摘出来，摘个三五十条，这份东西的价值远超一份关键词导出表。

GSC里的超长查询能不能当提示词用？

能，而且是免费的富矿。具体做法是打开效果报告，把查询按字符长度倒序看，专挑那些超过十五个字、读起来像完整句子的。这类查询通常展示量很低，在传统SEO视角里没什么优化价值，会被自动忽略掉。

但在这件事上它们价值很高，因为它们说明确实有人这么问过。搜索框里都有人愿意打这么长，对话框里只会更长更口语。

顺带提一句筛选技巧：优先看那些点击为零但有展示的长查询。零点击往往意味着当时的搜索结果没能回答好这个问题，而这类没被满足的问题，正是模型会去认真检索一圈的类型。至于零点击本身该怎么衡量，我在零点击搜索拿走了流量品牌影响力还怎么衡量里单独写过。

People Also Ask和问句关键词还有多少参考价值？

还有，但要降级使用。它们的好处是量大、免费、能快速铺开一张话题地图；坏处是这些问题已经被搜索引擎的结果页回答过一轮了，属于“公开答案已经存在”的那一类。

模型碰到这类问题时，检索的动力反而没那么强，因为它自己就能答个八九不离十。真正会触发大量检索、进而产生引用的，是那些带具体约束条件的问题。

所以我的用法是：把PAA当骨架，把销售原话当血肉。先用PAA把品类下的问题分成七八类，再往每一类里塞真实用户的说法，最后手动加上约束条件——预算、规模、场景、地域、人群。加完之后的清单，才是能用的那份。

怎么把提示词跑成一张被引页面清单？

方法本身笨得让人有点意外：把清单里的每一条，挨个丢进你想覆盖的每一个模型里，把答案下方引用的链接全部记下来。

记的时候至少要留四个字段：

• 提示词原文
• 模型和跑的日期
• 被引用的页面完整地址
• 答案里有没有出现你的品牌，以及出现在第几位

四十条提示词乘以三个模型，就是一百二十次查询。手动跑一遍大概要小半天，第一次建议就手动跑，因为你会在跑的过程中看到很多工具报表给不了的东西——比如某个问题下模型明显在犹豫，同一个问题问两次给的品牌名不一样。

跑完之后按页面地址做个频次统计，被引次数最高的那二三十个页面，就是你的目标名单。另外提醒一句：换个品类词再跑一遍，名单可能变一大半，这个开关效应在品类框定才是AI推荐的开关里有实测。

同一个问题，ChatGPT和AI Mode引的为什么不是同一批页面？

这是跑完之后第一个会让人愣一下的发现：两个模型给出的品牌名单可能高度相似，但它们下面挂的引用来源几乎不重合。

原因不复杂。各家的检索管线不一样，索引来源不一样，对来源类型的偏好也不一样。有的偏爱论坛讨论，有的更信任传统媒体，有的对结构清晰的对比页有明显偏好。

这件事的直接后果是：你不能做一份通用名单打天下。要么按模型分别列名单分别攻，要么先挑一个对你生意最重要的模型集中打透。我建议后者，尤其是资源有限的时候——一个模型上做出效果，比三个模型上都做半截强。

一个提示词要跑几次才算数？

至少三次，最好分不同的天跑。

这里有个很多人踩过的坑：同一个问题连着问两遍，答案里的品牌名单可能就不一样。这不是模型出故障，是采样机制本来就带随机性。如果你只跑一次就把结果当定论，很容易得出“我们上周还在名单里，这周掉了”这种其实不成立的判断。

关于这一点的实测数据我在AI可见度排名为什么每次查都不一样里写过，结论是单次查询里的名次基本是噪声，能看的只有多次查询之后的出现率。

所以记录表里要有一栏是“出现次数除以查询次数”。三次里出现两次，和三次里出现一次，是完全不同的两个状态。

哪些被引页面是够得着的，哪些是白费劲？

名单拉出来之后要做一轮筛，不然会把时间浪费在根本进不去的地方。我的筛法是分三档。

判断“还在不在更新”有个偷懒的办法：看页面标题或正文里有没有年份，以及最近一次改动的痕迹。带着当年年份、正文里提到最近几个月新品的横评，编辑八成还在盯着它，加一行的意愿高得多。

反过来，一篇标题写着三年前年份、内容还在讨论早就停产的型号的文章，就算它现在还在被引用，也别抱希望——那个作者可能早就离职了。

联系人该找谁？为什么不能发给通用邮箱？

找有编辑权的人。具体来说，优先级是这样的：

1. 这篇文章的署名作者，尤其是署名后面挂着“编辑”“主编”头衔的
2. 这个栏目的内容负责人
3. 网站上公开的编辑部邮箱
4. 页面底部那个万能的联系邮箱

顺序很重要。前两类人能直接改那篇文章，第三类要转一手，第四类通常进的是市场部的收件箱，而市场部收到这类邮件的第一反应是“这是不是想白嫖广告位”。

我这边的经验是，发给署名作者的回复率能到百分之十几，发给通用邮箱的接近零。不是零，是接近零——低到你会怀疑那个邮箱是不是根本没人看。

中文语境里怎么找到能改那篇文章的人？

这是英文那套方法搬过来最先失灵的一环。找联系人的常用工具是按域名反查企业邮箱的，而中文内容大量分布在公众号、知乎专栏、小红书笔记、B站专栏这些平台上——它们根本没有独立域名，也就没有可反查的邮箱。

能用的路子换成了这几条：

• 公众号：后台留言基本没人看，但文末通常挂着编辑或商务的微信二维码，加上之后直接说来意比留言有效得多
• 知乎：私信，作者主页的“简介”里常有邮箱或者其他联系方式
• 垂直媒体：这类站多数还有独立域名，编辑部邮箱一般在“关于我们”页面，投稿邮箱也算一条路
• 行业社群：很多内容作者本人就在同行群里，这是命中率最高但最不可复制的一条

坦白讲，这一环在中文市场的效率就是比英文低。英文那边一个人一天能整理出五十个联系人，中文这边二十个都算顺利。这是要提前跟老板打好预防针的地方，不然排期一定崩。

pitch该怎么写才不被当群发？

核心就一条：让对方在前两行就看出来你读过他那篇文章。

不是说“我很喜欢您的文章”这种谁都能写的话，是具体到他文章里的某个判断。比如“您那篇横评里提到开口高度对老年猫是个被忽略的指标，这个点我特别认同，我们这边的售后数据也印证了这一点”。

写具体了之后，后面的请求才立得住。整封信的骨架大概是四段：

• 第一段，指出你读到他文章里的哪个具体观点，两句话
• 第二段，说明你是谁、为什么跟这个话题有关，一句话
• 第三段，直接说请求——希望被加进哪个部分，以及为什么加了对读者有用
• 第四段，给回报

全文控制在一百五十个词以内。写长了没人看，这条铁律在外链冷邮件工程化那套流程里同样成立，引用外联只是把请求那一段的内容换了。

为什么要准备一段可以直接复制粘贴的话？

因为你在替对方省事，而省事这件事的杠杆大得超乎想象。

换位想一下：编辑收到你的邮件，觉得这个品牌加进去也不是不行，但接下来他得自己去了解你家产品、自己组织语言、自己判断该放在哪一段。这是二十分钟的活儿。二十分钟的活儿，很容易就被推到“下次一起改”，然后就没有下次了。

如果你在邮件里附上一段现成的、语气跟他那篇文章一致的、六十字左右的描述，他的成本就变成了复制、粘贴、微调，三分钟。

这段话有几个写法上的要求：不能带任何营销腔，要包含一个具体的适用场景，要有一个可核验的事实，不要吹排名第一之类的形容词。写得越像他自己写的，被采用的概率越高。

你能拿出什么交换？

大多数人到这一步就卡住了，因为习惯性地觉得自己没什么可给的。其实筹码比想象的多，按对方在意程度排下来大致是三类。

要注意一条底线：给钱买位置就是另一回事了，那叫软文，不叫引用外联。这条界限在中文市场特别容易模糊，后面单独展开讲。

发多少封能换一个位置？

给一份我这边真实的漏斗，样本是给一个出海宠物智能用品品牌做的三个月，品类是自动猫砂盆和智能喂食器，市场在北美和西欧。

四处听起来少得可怜，但这四处里有两处是被引频次排前五的页面。三个月后重跑那批提示词，品牌在其中十一条问题下开始出现，而三个月前是零。

这个转化率不算漂亮，但对比一下就知道值不值：同样的人力投在写站内文章上，三个月能出六到八篇深度稿，而那六到八篇稿子在同一批提示词下带来的可见度变化，接近于零。

被拒绝之后还有没有第二次机会？

有，而且第二次的成功率往往比第一次高。前提是你别在第一次被拒之后立刻再发一封。

比较有效的复联时机有三个：对方那篇文章更新的时候、你手上有了新东西的时候、行业出现相关新闻的时候。第三个尤其好用——编辑在被动更新内容的时候，对新素材的接受度最高。

还有一种情况值得单独说：对方回了但拒绝了，理由是“我们只收录用过的产品”。这不是拒绝，这是报价。接下来该做的是寄样机，而不是再解释一遍你家产品多好。

进去之后就稳了吗？

不稳。这是整套打法里最容易被忽略的风险。

那些榜单和横评是活的，编辑会改。新品上市了要加，老品停产了要删，有时候整篇重写，有时候只是悄悄把某一段拿掉。你被加进去的那一行，随时可能在某次改版里消失，而没有任何人会通知你。

我见过最憋屈的一次是：客户花了两个月进了一份行业横评，四个月后发现被引用的答案里又没自己了，回头一看，那篇文章年初改过版，把原来的十二个品牌砍到八个，他们正好在被砍的四个里。

所以这件事没有“做完”的状态，只有“在维护”的状态。

怎么监控自己在别人页面上的那一行还在不在？

分两层监控，成本差很多，建议都做。

页面层：把你拿到位置的那些页面地址存成一张表，定期抓一次页面正文，检索你的品牌名在不在、上下文有没有变。这件事写个几十行的脚本就能跑，每周一次足够。变化的时候给自己发个提醒。

答案层：把当初那批提示词按月重跑一遍，看自己的出现率有没有掉。这一层更接近生意结果，但噪声也更大，所以一定要看多次查询的出现率，别看单次名次。

两层的关系是：页面层告诉你“发生了什么”，答案层告诉你“影响有多大”。只做答案层你会看到数字掉了却不知道为什么，只做页面层你会知道被删了却不知道要不要紧。

中文AI搜索的引用池和英文差在哪？

差得几乎是两套世界。英文那边被高频引用的来源类型，搬到中文语境里有一多半直接失效。

最关键的差异在第二行。英文市场有一整套成熟的第三方评价基础设施，一个B2B软件品牌在G2上有没有档案，几乎是个开关。中文市场没有等价物，这块的信任信号只能靠社区讨论和垂直媒体来补，而这两者都更难运营。

知乎、小红书、公众号，哪一类更容易被中文模型引用？

按我这两年跑下来的粗略印象排序：知乎的长回答被引概率最高，其次是有独立域名的垂直媒体，再次是公众号，小红书最低。

原因跟内容形态有关。知乎的长回答有明确的问题、有结构化的答案、有点赞数这种可以当质量代理的信号，对模型来说是很好抽取的一块文本。小红书的笔记大量信息在图片里，纯文本层往往只剩几句感想加一串标签，可引用的实体和事实密度太低。

公众号的问题在别处：内容质量常常不差，但站外可达性弱，很多文章在搜索里都找不到，模型自然也读不到。这个坑跟英文那边评论正文被平台锁住是同一类问题，我在Google和Yelp不让AI读你的评论里写过完整的应对思路——核心是把内容搬到机器进得去的地方去。

找联系人的那套工具在中文为什么基本失灵？

前面提过一次，这里说清楚原理。那类工具的运作方式是：拿到一个域名，去公开的邮件格式库、企业注册信息、历史泄露数据里匹配，猜出这家公司的邮箱格式，再套上人名。

这套逻辑依赖三个前提：内容挂在独立域名上、公司用企业邮箱、人名可以拼成邮箱前缀。中文内容生态里这三个前提经常同时不成立。

所以中文这边找人的实际路径是社交化的，而不是数据化的。加微信、进社群、找共同好友引荐，这些在英文语境里显得不够专业的做法，在中文市场反而是主路。效率更低，但关系一旦建立起来，复用率比一封冷邮件高得多。

中文那些最佳品牌榜单里，哪些是付费坑位？

这是中文市场特有的一道题，也是最容易把预算烧掉的地方。

判断一份榜单是不是纯广告位，看这几个信号基本够用：

• 入选品牌之间没有可比较的维度，每家都只有一段夸奖
• 排序理由说不清楚，或者干脆写“排名不分先后”
• 同一个站在短时间内发了十几篇结构一模一样的榜单，只是品类不同
• 找不到作者署名，或者署名是个明显的通用账号
• 正文里没有任何具体参数、价格、实测数据

符合三条以上，基本可以确定是坑位。这类页面就算你花钱进去了，被模型引用的概率也很低——因为它整篇没有任何可抽取的事实，模型拿它没法组织答案。

怎么用一条提示词反推某个榜单值不值得进？

这是我觉得最实用的一个小动作，成本只有几分钟。

做法是：拿这个榜单标题里的核心问法，或者跟它最贴近的用户问题，去模型里跑三到五次，看这个页面会不会出现在引用列表里。

• 出现了：说明这个页面确实在引用池里，值得谈，哪怕要付费也可以算一算账
• 没出现，但同站其他页面出现了：说明站是够格的，可能是这个具体页面不行，可以问问有没有别的合作形式
• 整站都没出现过：不管对方报价多低、说得多好听，都别投

这个动作把“这个媒体有没有影响力”这种模糊判断，换成了一个可以当场验证的事实。我现在跟客户讨论要不要投某个媒体，基本上都是先跑这三分钟，再谈价格。

进了付费榜单，AI会引用吗？

会，但引用的是那个页面，不一定会带上你。

这个区别很重要。模型引用一个页面之后，还要从页面里抽取具体内容去组织答案。如果整篇都是“某某品牌品质卓越值得信赖”这种话，抽不出任何可用的判断依据，答案里就只会出现那些有具体信息的品牌。

所以哪怕是付费位置，也得争取写进有信息量的那部分。宁可让对方写“这家的开口高度是十二厘米，适合老年猫”，也别让他写“这家是行业领先品牌”。前者会被引用，后者只是占了个字数。

顺带说一句风险：大规模买位置这条路，跟当年为了排名批量买链接的形态越来越像。我在为了AI可见度买外链正在重演Penguin那几年里专门写过这个隐患，简单说就是——收益不一定传导，风险一定传导。

中文垂直媒体的编辑部怎么接触？

比想象中容易，因为这类媒体大多长期缺稿。

三条相对好用的路：投稿邮箱直接投一篇不带推销的行业稿，先建立“这人能写”的印象；参加他们办的行业活动，现场加人；在他们文章下留有信息量的评论，编辑是会看的。

接触上之后不要立刻提要求。中文这套关系里，第一次见面就谈需求的成功率极低。比较有效的节奏是先给一次——给一份数据、给一个采访线索、给一次转发，第二次再提。

这个节奏跟英文那边直接开门见山的做法完全相反，也是很多照搬海外流程的团队水土不服的地方。

数据型公关为什么在AI搜索里比过去更划算？

因为模型在组织答案时，对具体数字有一种近乎本能的偏好。一句“大多数用户更看重清理频率”和一句“百分之六十八的用户把清理频率排在价格前面”，后者被拿去当答案素材的概率高出一大截。

而具体数字这种东西，写文章的人永远缺。记者缺、博主缺、做横评的编辑也缺。你手上如果有一份别人没有的数据，等于同时握住了两条链路：一条是别人引用你的数据时会带上你的名字，另一条是模型直接读到你那页数据。

这两条链路的叠加效应，是站内文章给不了的。什么样的内容能长期自动赚到引用，我在流量资产的积累与持久化机制里做过三十个维度的实测，那篇讲资产本身怎么造，这篇讲造好之后怎么送进模型正在读的地方。一篇普通的干货文只服务第二条，而且还得跟一堆同题文章抢。

没有预算做原创调研，还有没有别的路？

有三条，成本从高到低排。

• 做没人做过的调研：适合新兴领域，数据稀缺，随便一份像样的样本都有人引
• 更新一份过期的旧数据：找那些两年以上没刷新过、却还在被大量引用的统计，重跑一遍
• 把散落的数字聚合成一页：不产生新数据，但把难找的数字整理到一起，也一样能拿引用

第三条被严重低估。很多人觉得聚合别人的数据算不上原创，可对引用者来说，价值不在于数据是谁产生的，而在于能不能一次找齐。你把一个品类里散在二十份报告里的关键数字整理成一张带出处的表，这件事本身就值得被引。

而且这条路你今天就能开工，不需要问卷、不需要样本、不需要预算，只需要耐心。

更新一份两年没人碰的旧数据，回报有多大？

回报来自一个很朴素的机制：写文章的人需要引一个数字时，会本能地避开明显过期的年份。

所以当一份被广泛引用的统计停留在两三年前，市场上其实存在一个持续的、没被满足的需求——所有引用过它的人，都在等一个更新的版本。你把它更新出来，等于接住了这些已经存在的引用意图。

具体操作时有个细节能显著提高命中率：新数据发布之后，把当初引用旧数据的那些文章找出来，逐个告诉作者有新版本了。这个动作的回复率明显高于普通外联，因为你解决的是他文章里一个真实存在的瑕疵。

数据发出去之后，该往哪儿投？

两个方向，优先级不一样。

第一个方向是那些正在被AI引用的统计聚合页。这类页面的特点是更新频繁、作者主动在找新数字、加一行的门槛很低。你前面跑提示词的时候，如果发现某个“行业数据汇总”类页面反复出现在引用列表里，那就是首选目标。

第二个方向才是媒体。媒体的量级更大但周期更长，而且需要你的数据本身有新闻性——发现了反常识的结论、印证或推翻了某个流行判断、揭示了某个趋势的拐点。平淡的数据媒体不会碰。

顺序建议是先投聚合页，拿到几个引用之后再投媒体。有了“已被某某引用”这个背书，媒体那边的通过率会好看不少。

找到引用了过期数据的文章，怎么开口？

这封信有个天然的优势：你不是在求他，你是在提醒他文章里有个问题。

所以语气可以更直接一点。开门见山说明你注意到他引用的某个数字来自哪年、现在有一份更新的，然后给出新数字和链接，最后一句表示如果需要更多细节随时联系。

不要在这封信里顺带提你的产品，一句都不要。这封信的唯一目的是建立“这个人提供了有用的信息”这个印象，产品的事以后有的是机会说。我在公关与SEO协作的动作账本里提过一个观察：外联里最保值的资产是对方对你的信任，而信任最快的消耗方式就是每次接触都夹带诉求。

反应式公关的窗口到底有多短？

短到以小时计。

机制是这样的：模型的训练数据有截止日期，碰到时效性问题时它必须去检索。而一个事件刚发生时，网上关于它的可信来源可能只有三五个。这三五个来源会在接下来的几周里被反复引用，因为后来者写的东西大多是转述。

换句话说，最早那批发声的人，会拿到一个远超其影响力的引用份额。这是整个引用生态里少有的、小站能正面赢大站的场景。

但窗口关得也快。等一个话题上了主流媒体，可信来源从三五个涨到几百个，你再发就只是噪声里的一个。

怎么在话题还没成为话题的时候发现它？

这是反应式公关最难的一环，难点不在写，在于比别人早知道。

能用的监测面大致有这么几层：

• 社区层：很多趋势在论坛和社群里先跑一阵才进媒体，同行群和垂直社区是最早的信号源
• 人物层：行业里那几个爱发观点的人，通常在写成文章之前先在社交平台上说一嘴
• 公司层：竞品和上下游的产品发布、融资、政策调整，都是可预期的公关机会
• 记者层：询源平台上记者正在征集的选题，等于提前告诉你他们下周要写什么
• 工具层：趋势类工具能看到搜索量的早期抬头，但它通常已经慢了半拍

第四层的性价比最高，也最被低估。三代询源平台的演变和实际用法我在HARO那套询源机制里写过，那篇讲的是拿链接，放到今天，同一批平台拿的其实是被引用的位置。

小博客先动、大媒体后动，这个涟漪该怎么跟？

大部分话题不是凭空出现在头部媒体上的，它有个传播路径：先在小圈子里被讨论，然后被垂直博客写成文章，接着行业媒体跟进，最后主流媒体报道。

这条链路上每一环之间通常有几天到两周的间隔。你如果只盯着最后一环，永远是最后一个知道的。

可操作的做法是给自己建一个前置观察名单：十到二十个在你品类里手最快的小博客和个人账号，用订阅或者关键词提醒盯着。它们动了，你就知道两周后行业媒体会写什么，可以提前把观点稿准备好。

这个名单的维护成本很低，每季度校准一次就行，但它给的提前量是花钱买不到的。

蹭热点和反应式公关的区别在哪？

区别在你有没有资格说话。

蹭热点是硬把自己的品牌塞进一个跟自己无关的话题里，看起来热闹，实际上没人会引用你——因为你在那个话题上没有任何独特信息。

反应式公关是你恰好在这个话题上有别人没有的视角：你有一手数据、你在现场、你踩过这个坑、你的客户正在受影响。这时候你说的话才有被引的价值。

判断标准可以简化成一个问题：如果把你的品牌名从这段评论里去掉，这段话还有人愿意读吗？答案是否，那就是蹭热点，别发。

第二层最容易被忽略的一件事

做数据也好，做快评也好，很多团队漏掉了最后一步——把成果放在一个别人容易引用的地方。

常见的错误是把一份好数据做成PDF挂在下载页后面，或者做成一张信息图，数字全在图片里。这两种形态对人友好，对机器几乎不可用。模型读不到PDF里的表格，更读不出图片上的数字。

正确的做法是：网页版为主，关键数字用纯文本和表格呈现，每个数字旁边标注口径和时间，PDF和信息图作为附加下载项。这件事的原理跟内容能不能被抽取是同一套，我在语义化HTML到底影响AI抓取吗里拿样本页实测过差别。

说得刻薄一点：把辛苦做的数据锁进图片里，等于请了客人来又把菜端在保险柜里。

为什么专家引言能把引用数从两点四抬到四点一？

有一组对比数据挺能说明问题：含有专家引言的页面，在ChatGPT里平均拿到4.1次引用，不含的只有2.4次。差不多是七成的差距，而增加的成本可能只是几封邮件。

这个差距的来源不难理解。带署名的观点提供了两样模型很看重的东西：一是可归属性，这句话是谁说的有据可查；二是独特性，这句话在别处找不到。两者叠加，页面就从“又一篇同题文章”变成了“有原始信息的来源”。

更实际的一层是分发。被你写进文章的那些专家，多数会顺手转发一下。这一转，你的内容就出现在了他们的读者面前，也出现在了他们各自的公开档案里。Backlinko那篇讲数字公关六种打法的文章里把这个叫作双重收益，我觉得这个说法挺准确——内容本身变强了，同时还多了一条分发管道。

专家观点怎么征集才不流于形式？

大多数专家汇总类内容做失败，是因为问题问得太宽。“您怎么看AI搜索的未来”这种问题，收回来的答案一定是套话，因为它没有给对方发挥的抓手。

换成有约束的问题效果完全不同：“在你经手的项目里，有没有出现过投入很大但AI可见度纹丝不动的情况？当时的原因后来查出来是什么？”这种问题对方要么答不上来，要么就得给具体的东西。

还有个提高质量的做法是先给素材再提问。把你手上的一组数据发过去，问对方“这个数字跟你的观察一致吗，不一致的话你觉得差在哪”。有了参照物，人的表达会具体很多。

征集回来的内容也别照单全收。宁可十条里只用四条，也别为了凑数把套话放进去——套话不但不加分，还会稀释整篇的信息密度。这个取舍逻辑跟专家观点汇总还值不值得做那篇的结论是一致的。

客户案例除了自夸，还能当什么用？

能当一份让别人愿意传播的礼物用，这是很多人没想到的角度。

一篇写得认真的客户案例，主角是客户不是你。它把客户的做法、判断、结果讲清楚，等于给对方提供了一份现成的、可以拿去用的成绩单。多数客户会主动转发这类内容，有些还会把它放进自己的官网。

这就产生了一个连锁反应：你的品牌名出现在客户的传播渠道里，出现在客户官网的合作方页面上，出现在客户团队成员的社交动态里。这些都是站外提及。

写这类案例有个要求：具体到让人不好意思编。场景、动作、结果、依据，四样齐全，尤其是依据——数字从哪儿来、口径是什么、观察了多久。四样缺一样，案例就退化成宣传稿，客户自己都不好意思转。

做榜单和上榜单，哪个更划算？

短期上榜单划算，长期做榜单划算，两件事其实不冲突。

上榜单前面已经讲透了，是第一层的核心动作。做榜单是另一回事：你自己出一份行业里值得关注的人物名单、工具名单、公司名单，把这个品类的判断权握在手里。

做榜单的三个收益：被写进去的人会传播，你成了这个话题下的一个来源，而且这类结构化的内容天然容易被模型抽取。Exposure Ninja那份2026年AI搜索优化机构榜单就是个现成的样本，可以打开看看这类页面的组织方式——每家有明确的评价维度和具体描述，而不是一句“实力雄厚”。

要注意的是做榜单有信誉成本。一份明显偏袒的榜单，短期能换到几个转发，长期会让你在这个圈子里失去发言资格。

评价平台的档案为什么是个开关而不是加分项？

有一组数据把这件事说得很直白：在八十万条AI回答的分析里，完全没有评价平台档案的品牌，被引用率的中位数只有百分之一；而哪怕只有一到十三条评价的品牌，这个数字跳到百分之五十三点五。

从一到十三条，这个门槛低得几乎不像门槛。但跨过去和没跨过去，差了五十多个百分点。

这说明模型在这里做的不是打分，是资格判断——它在确认“这家公司在独立平台上有没有留下痕迹”。有痕迹，你就进入了可被考虑的集合；没有，你连被比较的资格都没有。评价数量多寡是第二位的事。

所以这件事的优先级判断很简单：如果你所在的品类有主流评价平台而你没有档案，那这是你整个可见度工作里性价比最高的一件事，没有之一。

只有十几条评价，和一条都没有，差距为什么这么大？

因为零和非零在信息论意义上是两个世界，而十三和一百三十只是程度差别。

具体到模型的行为上：当它需要判断一个品牌是否值得推荐时，会去找独立来源的佐证。找到了，哪怕只有十几条，它也能组织出一句“用户普遍反映清理很方便”；找不到，它就只剩下你自己的官网说法可用，而这个说法它不敢单独采信。

这个机制也解释了另一个常见的困惑：为什么有些评价数少得可怜的小品牌，反而经常出现在AI推荐里。因为它跨过了那道零的门槛，同时在别的维度上有优势，而某些评价数很多的品牌反而因为其他信号缺失被漏掉。

结论是：先跨过零，再谈优化。多数团队把顺序搞反了，一上来就研究怎么提高评分，可评分再高也救不了一个不存在的档案。

不同行业该占哪些评价平台？

这个要按品类来，占错了平台等于没占。大致的对应关系是这样：

档案建好之后要主动邀评，这一步别指望自然发生。谷歌官方那份获取更多评价的指引里有几条基本原则值得照做：在交易完成后不久提出、把入口做到一步可达、不要用奖励换好评。最后一条不只是合规问题，掺了水的评价在内容上也一眼假，反而拉低可引用性。

社区里怎么参与才不被当广告？

先接受一个前提：这些社区对推销的容忍度极低，账号被识破之后不只是那个帖子白发，是整个账号作废。

能长期跑下去的方式只有一种——真的以从业者身份参与，顺带在合适的时候提到自己。几条具体的边界：

• 身份公开，简介里写清楚你是谁、在哪家公司，藏着反而更可疑
• 回答里绝大多数不提自家产品，比例上十条里最多有一两条
• 只在问题确实对口的时候提，而且要同时给出别的选项
• 不删除对自己不利的追问，直接答

频率上，每周认真参与三到五个相关讨论比较现实。这个量既能积累存在感，又不至于占用太多时间。关于社区这条渠道的演变和具体打法，我在社区讨论成了新型引用来源那篇里拆得更细。

个人号和公司号，模型更爱引哪个？

不一样，而且分歧还挺明显。粗略的规律是：有些模型更倾向引用公司主体的内容，有些明显偏好个人署名的表达。

这个分歧背后是各家对“权威”的理解不同。偏好公司页的那类，看重的是机构背书；偏好个人页的那类，看重的是有具体的人为这句话负责。

实操上的建议是两条腿走路，但重心放在个人。原因很实际：个人账号的表达空间更大、更容易积累互动，而互动是这类平台上被抓取的前提。公司号发的内容常常沉在底下，连人都看不到，模型更不会看到。

这跟保哥一贯的看法也一致——一个有名有姓、有连续观点记录的人，比一个没有面孔的账号更容易被信任，无论对读者还是对模型。

播客为什么被严重低估？

因为大多数人只算了收听量这一笔账，而收听量确实不大。

但一次播客产生的可引用资产远不止音频本身：节目主页有嘉宾介绍和链接、说明栏里有话题摘要、很多节目会出文字稿、剪辑出来的片段会在社交平台传播、后续写文章的人会引用你在节目里的说法。这些全是带着你名字的文本。

视频类渠道其实是同一个逻辑，只是很多团队只盯着播放量，没注意到它可被引用的那一面。我在视频正被AI概览大量引用里写过这个入口被忽视了多久。

起步阶段建议从小节目开始。头部节目排期紧、门槛高，而新节目的主持人通常更认真准备、更愿意配合宣传，产出的文字资产一点不比大节目少。

这套活该由谁来做？

现实里它经常没人认领，因为它同时长得像三个部门的活：像外链、像公关、又像内容。

我见过跑得比较顺的分工是这样的：外链的人负责第一层，因为找页面、找联系人、发定制邮件这套动作跟他们的日常几乎一样，只是筛选标准换了；公关的人负责第二层，数据发布和快速反应本来就是他们的专业；第三层拆开，评价平台归运营，社区和公开表达归品牌。

关键是要有一个人对最终指标负责，否则三层各做各的，谁也说不清整体有没有起效。这个角色不一定要多资深，但必须有权限把三边的进度拉到一张表上看。

一个月投入多少小时比较现实？

按前面那份漏斗倒推，第一层做扎实大概需要每月二十小时上下：跑提示词四小时、筛页面找人六小时、写邮件和跟进八小时、监控两小时。

这个数字看起来不大，但它有个特点——不能攒着一次做完。提示词要按月重跑才能看出趋势，邮件要分批发才能根据回复调整话术，监控更是必须持续。集中一周做完二十小时，效果远不如分摊到四周。

第二层和第三层的投入弹性大得多，可以按预算和阶段调。但第一层如果做不到每月稳定投入，我建议干脆先别开始，做半截的伤害在于你会得出“这条路没用”的错误结论。

预算有限先做哪一层？

先做第三层里那件最便宜的事——把评价平台的档案建起来，跨过零那道线。这件事可能只需要两三个小时加几封给老客户的邮件，但它决定的是你有没有资格进入比较。

然后做第一层。它需要人力但基本不需要预算，最贵的成本是时间。

第二层放在最后，因为它是三层里唯一真正需要花钱的——原创调研、媒体投放、内容生产都有实打实的支出。等前两层跑通、你已经知道模型在读哪些页面之后，再花这笔钱，命中率会高很多。

怎么跟老板讲清楚这件事的价值？

不要从“AI搜索很重要”开始讲，这句话老板已经听腻了，而且它不解决任何决策问题。

比较有效的讲法是当场演示。打开模型，输入三个你们最核心的业务问题，让他看答案里出现的是哪几家公司。如果没有你们，这件事的紧迫性不需要再解释；如果有，就看排在第几、被怎么描述。

然后给出一张对比表：这三个问题下模型引用了多少个页面、你们出现在其中几个、竞品出现在几个。这张表比任何行业报告都有说服力，因为它讲的是这家公司自己的处境。

最后给排期和成本。二十小时一个月，三到六周见第一批变化——这个承诺比“提升AI可见度”这种说法容易批。

效果多久能看到，又怎么证明是这套动作起的作用？

第一批变化通常在三到六周，前提是你进的是被高频引用的页面。但看到变化和证明因果，是两件事。

证明因果最干净的办法是做分组：把目标页面分成两批，第一个月只攻其中一批，另一批不动，一个月后对比这两批页面相关问题下的出现率变化。这套设计的原理和常见陷阱，我在AI引用的分组测试怎么做因果证明里写过完整流程。

比较弱一点但更省事的做法是看时间序列：记录动作发生的具体日期，看出现率的变化是否在合理的滞后期内跟上。这个证据链没有分组干净，但配上足够的样本量也够用。

要提防的是把所有变化都归因给自己。模型自己会更新、竞品也在做同样的事、季节性需求会波动，这些都会污染读数。归因这件事本身的层次和边界，AI搜索的归因数据平台为什么不会给你那篇拆得比较清楚。

哪些指标该看，哪些是虚荣指标？

先说该看的：

• 出现率：目标提示词集合里，你出现在答案中的比例，按月看趋势
• 位置数：你在多少个被引页面上有提及，这是过程指标，最直接反映动作有没有落地
• 被引页面覆盖率：模型引用的页面里，有你的那部分占比
• 提及质量：被提及时带不带具体场景，还是只被列了个名字

再说容易骗人的：单次查询里的排名位次、被引用的页面总数、社交平台的曝光量。第一个是噪声，第二个跟你没关系，第三个跟被引用之间没有稳定关联。

还有一个隐蔽的虚荣指标是发出的邮件数。这个数字很容易做高，但它跟结果之间隔着两道转化，拿它当KPI一定会导致群发，而群发在这件事上是负收益。

这套打法在什么行业最不管用？

三类情况下要降低预期。

第一类是极度小众的B2B品类，全网可能只有两三篇相关内容，跑提示词跑不出像样的名单，模型也常常直接用通用知识作答。这种情况下第一层几乎无从下手，只能从第二层开始，自己去创造那些页面。

第二类是强监管行业。医疗、金融、法律这些领域，模型对来源的挑剔程度高得多，普通评测站和社区讨论的权重很低，能被采信的基本是官方机构和权威期刊。这条路径的门槛完全不同。

第三类是本地服务。这类查询的答案更依赖地图和商家资料，引用池的构成跟通用品类差异很大，我在AI概览正在接管本地搜索里单独写过这套逻辑。

会不会重演当年买外链那一套？

这个担心是对的，而且苗头已经出现了。

逻辑上的相似性很高：一个新的可见度机制出现，早期靠内容和关系能拿到位置，接着有人发现可以直接买，然后开始批量买，最后平台出手。这条路径搜索行业走过一遍，每个环节都有记录。

值得注意的是判定标准这件事。谷歌那份垃圾政策文档里对链接方案的定义，核心不在于形式，而在于“是不是通过付费或交换来操纵”——这个判定逻辑很容易被平移到品牌提及上。今天没有对应的规则，不等于明天没有。

更实际的风险是钱花了没用。批量买来的位置，多数落在那些没有任何具体信息、也从不被模型引用的页面上。风险有传导，收益不一定有，这笔账本身就不划算。

保哥自己在这件事上栽过的跟头

说个我们自己做砸的。

还是前面那个宠物智能用品的客户，第一个月我的判断出了偏差。当时看到跑出来的被引页面里有几个域名权重特别高的大站，就把主要精力压在那几个上，写了很长的邮件，反复跟进，前后花掉大半个月。结果一个都没进——那几个站的横评是团队年度选题，中途根本不加品牌。

反过来那些当时被我判定为“权重一般、优先级往后放”的独立评测站，后来试着发了几封，两周内进了两个。而且重跑提示词的时候发现，模型引用这两个小站的频率比那几个大站还高。

教训有两条。一是这件事上域名权重不是好用的筛选依据，被引频率才是，我用旧习惯覆盖了新数据；二是应该先发一轮广的、成本低的邮件试水，再根据回复集中火力，而不是一开始就压注在几个自以为是的目标上。

说白了就是拿着搜索时代的地图，在新地形上找路，走岔了半个月。

三个最常见的误读

第一个误读是把这件事理解成“多做外链”。方向差得很远——一条来自没人引用的页面的高权重链接，在这件事上的价值可能低于一句来自小博客的具体描述。这两套评价体系的差别，跟外链数量与排名的关系那篇讲的老问题是同一类思维惯性。

第二个误读是以为进了页面就等于被推荐。中间还隔着一层：模型得能从那个页面里抽出关于你的、可用于回答的具体信息。被列了个名字而没有任何描述，很可能连露面的机会都没有，这一层落差在只引用内容不推荐品牌里有更细的拆解。

第三个误读是觉得这件事有终点。它没有。页面会改、模型会变、竞品会跟进，去年拿到的位置今年可能就没了。这是一项持续的运营，不是一个可以结项的项目。

一份可以贴在墙上的自查清单

把整套东西压缩成十条，能全部答“是”的团队，这件事基本就做扎实了。

• 有一份至少三十条、来自真实用户语料的提示词清单，而不是拍脑袋想的
• 这批提示词每月重跑，每次至少三遍，记录的是出现率不是名次
• 有一张被引页面清单，按被引频率排序，标注了够得着的程度
• 联系人找的是有编辑权的人，不是通用邮箱
• 每封邮件都提到了对方文章里的具体内容
• 每封邮件都附了一段可以直接复制粘贴的描述
• 拿到的位置存了表，每周检查还在不在
• 主流评价平台上有档案，哪怕只有十几条评价
• 有人对最终指标负责，三层的进度在同一张表上
• 知道自己这个月做的哪个动作，对应下个月哪个数字

十条里前六条属于第一层，做完就能看到变化；后四条决定这件事能不能长期跑下去。如果只能先做三条，我会选第一条、第三条和第八条——它们分别解决了方向、优先级和资格问题。

常见问题解答

引用外联和买软文位到底怎么区分？

看对价形式和内容控制权。你提供样机、数据、可复用的文案，由对方判断要不要采纳、怎么写，这是外联；你付钱、指定措辞、买断位置，这是投放。后者不违法也不见得没用，但它属于广告预算，不该算进这套动作的效果里，否则复盘时会把两笔账搅在一起。

只有一个人做SEO，这套还跑得动吗？

跑得动，但要砍到最小闭环：十五条提示词、每月跑一轮、只攻被引频率最高的五个页面、把评价平台档案建起来。这四件事一个月八到十小时能做完。别一上来就铺三层，单人团队铺开的结果一定是每层都做半截。

拿到位置之后，多久该重新检查一次？

页面本身每周查一次品牌名还在不在，成本很低；答案层每月重跑一次提示词。改版频繁的榜单类页面可以缩到每周，年度横评类的按季度也够。关键是要有记录，不然掉了你只会感觉到数字变差，查不出是哪一环断的。

竞品在哪些页面上有位置，能不能反查？

能，而且这是最省事的一份现成情报。跑提示词时把答案里所有品牌的被引来源都记下来，不只记自己的。跑完做个交叉表，就能看出哪些页面是竞品占了你没占的，这批页面的优先级应该最高——它们已经证明了会被引用，也证明了这个位置拿得到。

模型换代之后，之前攒的位置会不会白费？

不会白费，但权重会变。换代改变的是检索策略和来源偏好，不改变“第三方内容里有你的名字”这个事实。历史上几次大的变化里，受影响最大的是那些押注单一渠道的团队，来源分散的反而更稳。这也是不建议只攻一个平台的原因，虽然起步阶段可以先集中。

权威参考资料