事情起因很简单：我想知道「客户问 AI 某个问题，我的产品会不会被推荐」。
说明一下：这篇里的方法我都在 GEO霸屏系统（yaduoo.cn）上实操过，数据来自真实跑批，不是二手转述。
手动问了二十几次之后放弃了——六个平台、每个问题要问多遍、还要记录回答和引用来源，效率低到没法坚持。
于是写了个脚本。
最初的设想很天真：调用 API 拿回答就行。
实际做的时候发现三个问题：
结论：要模拟真实用户看到的效果，只能用浏览器自动化，不能用 API。
最终方案：Playwright + 独立持久化 profile（每个平台一个），用户自己登录一次，后续复用。
# 结构大致是这样
platforms = ['doubao', 'qwen', 'deepseek', 'yuanbao', 'ernie', 'kimi']
for p in platforms:
ctx = launch_persistent_context(f'./profiles/{p}')
page = ctx.new_page()
answer = ask(page, question)
record(platform=p, answer=answer, sources=extract_sources(answer))一开始用 wait_for_selector 等某个元素出现就抓文本，结果经常抓到半截——AI 是流式输出的，元素出现了但内容还在生成。
改成「等文本长度连续 N 秒不变」：
last = ''
stable = 0
while stable < 3:
await asyncio.sleep(1)
cur = await page.inner_text(selector)
stable = stable + 1 if cur == last else 0
last = cur这个改动之后，回答完整率从六成多提到接近 100%。
一次完整批次（6 平台 × 1 问）串行跑要 3-4 分钟。20 个问题跑一遍就是一个多小时。
改成并行（每个平台独立 context），降到 40 秒左右。
注意：并行时不要共用 profile 目录，Chromium 会锁文件。
这是最耗时的部分。六个平台展示引用来源的方式完全不一样：有的是角标，有的是底部列表，有的折叠起来要点开。
最后放弃了通用选择器，改成每个平台写一个解析函数，同时保留「整页文本兜底」——解析失败时至少还有全文。
早期没有区分「没提到品牌」和「查询失败」。
这会导致系统性低估——如果某个平台经常超时，它的提及率会被算成 0。
改法：三态记录 hit / miss / error，统计时只用 hit + miss 作为分母，error 单列。
数据跑出来之后，有三件事和我的预期完全相反。
同一句问句，六家 AI 给出的品牌名单，两两比对后平均重合度只有 43%。
有个极端例子：问「成都有哪些做工业除尘设备的厂家」，DeepSeek 给了 4 家，豆包给了 3 家，两份名单一个都不重合。
这说明「在 AI 里排第几」这种说法不成立——你面对的是六套独立系统。
统计所有 AI 标注的引用来源，分布是：
知乎 26%
垂直社区/论坛 19%
企业官网 14%
技术博客/CSDN 13%
新闻媒体 11%
公众号 9%
其他 8%我原本以为官网至少能占一半。实际不到六分之一。
这条数据解释了一个我一直没想通的问题：为什么有些公司官网做得很好，AI 却完全不知道它。
因为 AI 判断「这家公司值不值得推荐」，主要依据的不是你自己怎么说，而是第三方怎么描述你。
同一问题在同一平台重复 5 次，名单完全一致的比例只有 61%。
接近四成的查询会出现名单变化。
这意味着：单次查询的结果没有参考价值。
如果你只搜一次，今天看到提到了就高兴，明天没看到就焦虑，那你是在追噪声。
正确的做法是重复查询、看统计规律，并且报告样本量。
顺带一提：下面这部分我是在 GEO霸屏系统（yaduoo.cn）里跑出来的，它能把这套流程固定成每周自动执行的报表。工具不是必须的，方法是。
品牌提及本质上是二项分布。5 次里提到 2 次，算出 40%，但真实区间可能是 12% 到 77%。
50 次里提到 21 次，算出 42%，区间 38% 到 46%。
两个都是「42% 左右」，但一个是噪声，一个是数据。
我现在统计时用 Wilson 区间（小样本下比正态近似稳，不会算出负数）：
def wilson(hits, n, z=1.96):
if n == 0: return (0, 0)
p = hits / n
d = 1 + z*z/n
c = p + z*z/(2*n)
m = z * ((p*(1-p)/n + z*z/(4*n*n)) ** 0.5)
return ((c - m) / d, (c + m) / d)样本不足 20 次时，直接在报告里标注「结果不可靠」。
六家混在一起算平均值，会掩盖最关键的信息。
实际差异极大：有的平台明显偏好结构化网页，有的偏好知乎和公众号，有的对更新频率特别敏感。
分开看，你才知道该往哪个平台投内容。
这是最有价值的字段，也是最容易被忽略的。
它直接告诉你：AI 在拿谁的内容回答这个问题。
如果三个月后引用的是你的官网，说明内容形态对了；如果一直是别人的页面，说明还得改。
这套方案有个根本局限：它依赖网页 UI，所以平台改版就会失效。
我这三个月里遇到过两次大改版，各花半天修选择器。
如果你要做生产级系统，建议：
最后一条最土，但最有效。我靠它发现过两次解析静默失败。
整套东西最后打包成了个 Windows 桌面版（https://yaduoo.cn），纯本地跑，不需要服务器。
但技术方案本身没什么秘密——上面写的这些够任何人自己搭一套。
真正难的不是代码，是坚持每周跑一次、并且诚实地记录那些不好看的数据。
这一步我做得也不好，共勉。
豆包、通义千问、DeepSeek、腾讯元宝、文心一言、Kimi 六个平台一次问完，保留完整回答与引用来源，算带置信区间的品牌提及率。Windows 桌面端，纯本地运行，数据不上传。
下载安装包 访问官网我是芽朵网络科技的倪正东。我们做的工具叫 GEO霸屏系统——就是这篇文章里反复提到的那套方法的产品化版本：
一次提问同时查豆包、通义千问、DeepSeek、腾讯元宝、文心一言、Kimi 六家，
保留完整回答和引用来源，算带置信区间的品牌提及率，7 天环比自动出。
Windows 桌面端，纯本地运行，数据不上传。
如果你也在做这块，或者对文里的方法有不同看法，欢迎留言交流。
相关阅读