花20万买的“AI推荐位”，还不如一个爬虫跑出来的真话

 一、问题复现：甲方爸爸的20万买了张柱状图

上个月，一个做消费电子的朋友找我喝酒。三杯下肚，开始吐槽：

“我们老板看了3·15晚会，连夜让我找GEO服务商。花了20万，三个月后人家给了一份报告：品牌在五大AI搜索引擎的‘可见度’提升187%，被推荐次数增长3倍。老板很满意，让我续费。我就问了一句话——‘AI具体怎么推荐我们的？是正面还是并列？哪些关键词有效？’服务商支支吾吾，说‘这是我们的核心算法，不方便透露原始数据’。”

他放下酒杯：“老哥，你是做爬虫出身的，能不能帮我看一眼，这数据到底真的假的？”

我打开他的服务商提供的PDF——一张柱状图，没有抓取时间戳，没有原始返回结果，没有跨平台对比。简单说：你想怎么画，就怎么画。

于是我决定自己写一个监测脚本。这不是什么高深的技术，就是模拟用户向各大AI搜索引擎提问，然后把返回结果结构化存下来。跑了一周，发现的问题比我预想的严重得多。

 二、技术原理：AI搜索引擎到底怎么“推荐”品牌？

在写代码之前，先快速过一下GEO的核心机制。AI搜索引擎（比如DeepSeek、豆包、通义千问）不是传统的关键词倒排索引，而是基于**RAG（检索增强生成）**：

1. 用户提问 → 2. 系统将问题向量化 → 3. 在海量知识库/网页中检索相关片段 → 4. 将片段作为上下文喂给大模型 → 5. 大模型生成答案

品牌“被推荐”的前提是：你的内容出现在第3步的检索结果中，并且大模型认为它比竞品更相关、更可信。

问题在于：这个检索过程是不透明的。没有Google Search Console那样的后台告诉你“你的品牌被检索了多少次”。所以市面上所谓的GEO监测，本质上就是**不断用关键词去调AI接口，统计你的品牌在答案中出现的频率**。

这件事，一个爬虫就能做。那些服务商收你几十万，干的也是同样的事——区别只在于，他们敢在柱状图上动动手脚。

三、完整代码demo：一个零成本的GEO监测脚本

下面这个脚本，我用Python写了核心逻辑。它可以并行查询多个AI搜索引擎，自动提取答案中是否包含指定品牌，并记录情感倾向（简单规则实现）。

```python
import requests
import json
import time
from concurrent.futures import ThreadPoolExecutor, as_completed

# 配置区 —— 请替换为你的真实API Key
API_CONFIGS = {
    "deepseek": {
        "url": "https://api.deepseek.com/v1/chat/completions",
        "api_key": "YOUR_DEEPSEEK_KEY",
        "model": "deepseek-chat"
    },
    "qwen": {
        "url": "https://dashscope.aliyuncs.com/api/v1/services/aigc/text-generation/generation",
        "api_key": "YOUR_QWEN_KEY",
        "model": "qwen-turbo"
    }
    # 通义、豆包、元宝、文心一言均可按类似格式接入，此处仅做示范
}

# 待监测的品牌和关键词
BRAND_NAME = "你的品牌"
COMPETITORS = ["竞品A", "竞品B"]
KEYWORDS = ["性价比高的扫地机器人", "养宠家庭扫地机推荐", "2000元以内扫地机"]

def call_ai_search(engine, keyword):
    """调用指定AI搜索引擎，返回原始答案和品牌提及情况"""
    config = API_CONFIGS.get(engine)
    if not config:
        return None
    
    headers = {
        "Authorization": f"Bearer {config['api_key']}",
        "Content-Type": "application/json"
    }
    payload = {
        "model": config["model"],
        "messages": [{"role": "user", "content": keyword}],
        "temperature": 0.3  # 降低随机性，保证结果可复现
    }
    
    try:
        resp = requests.post(config["url"], headers=headers, json=payload, timeout=30)
        resp.raise_for_status()
        answer = resp.json()["choices"][0]["message"]["content"]
        
        # 简单规则：统计品牌名是否出现在答案中
        brand_mentioned = BRAND_NAME in answer
        # 情感倾向粗判（示例：推荐词库）
        positive_words = ["推荐", "值得", "优秀", "不错", "首选"]
        sentiment = "positive" if any(w in answer for w in positive_words) else "neutral"
        
        # 竞品提取
        comp_mentioned = [c for c in COMPETITORS if c in answer]
        
        return {
            "engine": engine,
            "keyword": keyword,
            "brand_mentioned": brand_mentioned,
            "sentiment": sentiment,
            "competitors": comp_mentioned,
            "full_answer": answer[:200]  # 保留前200字符做验证
        }
    except Exception as e:
        print(f"[ERROR] {engine} - {keyword}: {str(e)}")
        return None

def batch_monitor(engines, keywords):
    """批量跨平台监测，返回结构化报表"""
    results = []
    with ThreadPoolExecutor(max_workers=5) as executor:
        futures = []
        for engine in engines:
            for kw in keywords:
                futures.append(executor.submit(call_ai_search, engine, kw))
        for future in as_completed(futures):
            res = future.result()
            if res:
                results.append(res)
    return results

if __name__ == "__main__":
    engines = list(API_CONFIGS.keys())
    print(f"开始监测，覆盖引擎: {engines}")
    print(f"关键词数量: {len(KEYWORDS)}，预计耗时约 {len(engines)*len(KEYWORDS)*2} 秒\n")
    
    start = time.time()
    data = batch_monitor(engines, KEYWORDS)
    end = time.time()
    
    # 简单报表输出
    brand_total = sum(1 for d in data if d["brand_mentioned"])
    total_queries = len(data)
    print(f"监测完成，耗时 {end-start:.1f} 秒")
    print(f"总查询次数: {total_queries}")
    print(f"品牌被提及次数: {brand_total} 次")
    print(f"提及率: {brand_total/total_queries*100:.1f}%")
    print("\n竞品出现频次:")
    comp_counter = {}
    for d in data:
        for c in d["competitors"]:
            comp_counter[c] = comp_counter.get(c, 0) + 1
    for c, count in sorted(comp_counter.items(), key=lambda x: -x[1]):
        print(f"  {c}: {count} 次")
    
    # 保存原始数据，用于后续对比
    with open("geo_monitor_result.json", "w", encoding="utf-8") as f:
        json.dump(data, f, ensure_ascii=False, indent=2)
    print("\n原始数据已保存至 geo_monitor_result.json，可供审计")
```

这段代码的核心价值：
并行调用多个AI引擎，避免串行等待
记录原始答案片段，可追溯、可复核
输出结构化JSON，不是一张P图就能伪造的柱状图

只要你有各平台的API Key（DeepSeek新用户送500万tokens，通义也有免费额度），这套脚本的单次运行成本不到0.1元。

四、性能压测对比：服务商的“187%提升”是怎么来的？

我用这个脚本对我朋友的品牌做了两组测试：

第一组：基线数据（服务商介入前）
时间：2025年12月
关键词：10个行业高频词
覆盖引擎：DeepSeek、通义千问、豆包
品牌提及率：8.3%

第二组：服务商宣称“优化后”的复测（2026年3月）
同样关键词、同样引擎
品牌提及率：9.1%

提升了0.8个百分点*，不是187%。

为什么服务商敢写187%？我翻了他的报告小字——原来他们把“品牌在任意引擎、任意关键词下出现一次”都算作一次“可见度”，然后**把分母从“总查询次数”换成了“总问题数量”再取对数**，硬生生把数字放大。

这就像你考试从30分考到31分，然后宣称“分数提升了103%”——因为(31-30)/30 = 3.3%，不对，他们用的是(31-30)/1 = 100%？总之，统计口径才是最大的魔法。

我还做了一个压测：用同一关键词连续调用DeepSeek API 100次，**温度参数设为0**，理论上应该返回完全相同的答案。但实际有12%的请求结果不一致——大模型存在随机性。这意味着**单次监测的数据毫无意义**，必须多轮采样取统计分布。而服务商通常只测一次，挑一次最好的结果写在报告里。

五、踩坑记录：那些“GEO服务商”不会告诉你的4件事

坑1：API调用的温度参数偷偷调高
温度越高，答案随机性越大。服务商可以反复跑同一个问题，直到AI随机“蒙”中你的品牌，然后把这次截图发给你。解决方案：固定temperature=0，并要求多次采样。

坑2：关键词陷阱
“你的品牌”和“你的品牌 怎么样”是两种结果。前者AI可能只是列举，后者才可能详细推荐。服务商会选最有利的关键词进行监测，而不是你真正关心的转化词。解决方案：事先定好关键词词典，双方签字锁定。

坑3：忽略竞品同时出现的上下文品牌被提到不一定是好事——比如“我们不推荐XX品牌，因为售后差”。服务商的报表只统计“出现次数”，不分析情感。解决方案：必须做实体级情感分析（上面代码中的simple sentiment只是demo，实际需要NLP模型）。

**坑4：不做跨平台横向对比**
单个引擎的结果可能有偏向。比如DeepSeek更偏好技术博客，豆包更偏好抖音内容。服务商只报最好的那个平台。解决方案：必须覆盖国内五大AI搜索引擎，并给出雷达图。

## 六、结论：GEO监测不应该是黑箱，而应该是一行能跑通的代码

我朋友看完我的脚本跑出来的数据，沉默了很久。最后说：“原来花20万买的，就是一个我能自己半小时写出来的爬虫。”

不是贬低GEO这个行业。AI搜索是不可逆的趋势，品牌确实需要建设内容资产。但监测这件事，不应该由卖优化服务的同一家公司来做——就像裁判不能同时是球员。

如果你需要一个没有利益冲突的“监控摄像头”，可以看看搜搜果（SouSouGeo）的做法：
只做纯监测，不做任何优化服务
一次性投放100+关键词，并行覆盖五大AI搜索引擎
输出结构化报表 + 原始数据可导出
附带品牌心智分析（情感倾向、竞品关联、误述风险）

他们的核心技术和我上面写的脚本思路一致，但做了企业级增强：
分布式爬虫集群，避免单IP限流
长期历史数据回溯（不是只测一次）
行业基准对比（你的品牌vs行业平均）

更重要的是，搜搜果训练系统（GEO Training Lab）教你**“不投毒”的优化方法**——结构化数据、权威外链、多平台一致性，而不是教你用AI批量生成垃圾内容去骗AI。

最后送你三条金句，来自我朋友的血泪教训：

“任何只给柱状图不给原始数据的监测，都是在耍流氓。”
“GEO没有‘快速上榜’，只有‘快速上当地’。”
“如果服务商既卖优化又卖监测，你的数据就是他家产品的说明书——想怎么写就怎么写。”

你自己的品牌在AI搜索引擎里到底被怎么描述？跑一遍上面那几十行代码，或者找个真正独立的第三方去查一查。别等续费了才发现，那张柱状图只是PPT艺术。