一句话结论：这家苏州制造商在 12 个 AI 引擎里的综合提及率是 50%，看起来及格——但拆开看，用户量最大的两个引擎豆包和 DeepSeek，一个只有 41%，一个只有 12%，而 DeepSeek 已经在同类问题里点名推荐它的竞品了。

背景：焦虑从一次随口聊天开始

这家客户是苏州一家电子元器件制造商，主营网络变压器和 RJ45 一体化连接器，客户以通信设备厂和工业控制厂商的硬件工程师为主。

焦虑始于一件小事：一位老客户的采购工程师随口提到，现在选型前会先问 DeepSeek「千兆网络变压器怎么选」。老板回去自己试了一遍——答案很专业，引用了好几家同行的技术内容，没有一个字提到自己。

这不是个例。CNNIC 第 57 次报告（2026 年 2 月）显示，国内生成式 AI 用户已达 6.02 亿，普及率 42.8%，一年增长 141.7%。知乎研究院白皮书（经中新网报道）的数据更直接：81% 的消费者会部分采纳 AI 建议完成购买。B2B 采购链上的工程师，正是最早把「问 AI」变成职业习惯的人群。

还有一个数字值得放在一起看：截至 2025 年 10 月，约 70% 的百度移动搜索结果页已含 AI 生成内容（百度 Q3 财报披露）。即便用户还在「搜索」，第一屏也越来越多是 AI 写的——SEO 排名不再等于被看见。

问题随之而来：AI 到底怎么说你？说得多不多？没说你的时候，在说谁？手动问几句得不出答案，需要一次系统性的体检。

体检方法：344 个问题 × 12 个引擎 × 20 天

我们用引见 YinJen 给这家客户做了 20 天的持续监测（2026-06-21 至 07-10）：

问题集：围绕其产品线设计 344 个监测问题，分两大类——「厂家推荐」类（如「网络变压器厂家推荐」）与「选型知识」类（如「百兆和千兆网络变压器有什么区别」）；
引擎覆盖：豆包、DeepSeek、Kimi、通义千问、文心一言、腾讯混元、智谱清言、阶跃星辰、ChatGPT、Claude、Gemini、Perplexity，共 12 个；
实测方式：按日自动向各引擎真实提问并记录回答，20 天累计 525 次有效实测；
判定口径：回答中明确提及品牌或官网记一次「提及」，提及率 = 提及次数 ÷ 实测次数。

（案例数据来自获客户授权的监测，已全程脱敏。）

发现一：综合 50%，但引擎之间相差超过 20 倍

525 次实测的综合提及率是 50%，单看这个数，好像还行。但分引擎看，完全是两个世界。有分项数据的 10 个引擎如下（阶跃星辰、Perplexity 本期暂无分项数据）：

通义千问 —— 提及率：85%
腾讯混元 —— 提及率：83%
Claude —— 提及率：74%
文心一言 —— 提及率：67%
智谱清言 —— 提及率：63%
Kimi —— 提及率：53%
豆包 —— 提及率：41%
ChatGPT —— 提及率：17%
DeepSeek —— 提及率：12%
Gemini —— 提及率：4%

最高的通义千问 85%，最低的 Gemini 4%，相差超过 20 倍。「AI 可见度」不是一个数，是十二个数。只看平均值，等于把最要命的短板藏起来。

发现二：短板恰好压在流量最大的入口上

把提及率和用户量放在一起，问题的分量才显出来。QuestMobile 2026Q1 数据：AI 原生 App 月活 4.46 亿，其中豆包 3.45 亿、DeepSeek 1.27 亿，是用户量最大的两个入口——恰好对应这家客户 41% 和 12% 的两个低分。

同一口径下，表现最好的通义千问月活 1.66 亿，不到豆包的一半。在触达人群最广的两个引擎里，这家客户十次提问最多被提到四次，最少只有一次多一点。可见度得按流量加权，这一加权，50% 立刻缩水。

发现三：「推荐」在场，「知识」缺席——输在需求形成期

按问题类型拆，反差更大：

「厂家推荐」类：命中率 54%–75%，用户直接问「谁家好」时，这家客户经常在候选名单里；
「选型知识」类：19 个问题只命中 1 次，命中率 5%。

工程师在决定「找哪家」之前，会先花大量时间搞懂「怎么选」。而在这个需求形成期，AI 引用的全是别人的技术内容——AI 正在用竞争对手的内容教育它的客户。等用户带着别人灌输的选型标准走到「厂家推荐」环节，在场也只是陪跑。

发现四：DeepSeek 已经在点名你的竞品

最扎眼的一条记录来自 DeepSeek：在同类「厂家推荐」问题下，它点名推荐了其他同行品牌，本品牌缺席。

通过引用来源追溯可以看到 AI 采信了哪些页面。这条记录说明的不是「AI 不了解这个行业」，而是竞品的内容已经进入 DeepSeek 的信源，你的没有。空白不会一直空着，只是先被谁填上的问题。

优化路线图：按引擎逐个补短板

不同引擎的信源结构不同，动作也应该不同。给这家客户的路线图分三步：

第一步，DeepSeek：官网结构化内容开放。 把产品技术参数表、选型指南、应用场景 FAQ 做成结构清晰的页面并开放抓取，让引擎至少「有你的内容可引」——这是从 12% 往上爬的第一优先级。

第二步，豆包：头条系信源 + 标题对准提问意图。 新榜对 47.4 万篇次豆包引用的实证研究（2026 年 5 月）给了明确指引：被引用与账号粉丝量的相关性约等于 0，唯一显著的变量是标题与提问意图的匹配度（0.23）。不必砸钱养大号，把内容铺进头条系生态、标题直接写成用户会问的问题（「PoE 网络变压器怎么选」而不是「我司产品再获认证」），才是贴近引用机制的做法。

第三步，把 19 个未命中的选型问题变成内容选题。 每一个落空的「选型知识」问题，都是一篇现成的技术内容选题。逐一补齐，让 AI 在需求形成期就开始引用你。

一个必须说清的边界：这些动作的本质是「让 AI 有可信的内容可引」，没有人能保证收录或排名——2026 年 3 月央视 315 已经曝光过 GEO「AI 投毒」灰产，11 篇软文就能让虚构产品被 AI 推荐，这条路走不得也走不远。合规的做法只有一种：持续产出真实内容，再用监测验证每一步是否有效。

怎么给自己的品牌做一次

这次体检的全部动作，你可以在自己的品牌上复现：

下载引见 YinJen（macOS / Windows）：https://zhimahang.com/yinjen/download ；
建一套自己的问题集：客户会怎么问「推荐」，更要想清楚他们会怎么问「怎么选」；
打开按日自动实测，跑两到三周，拿到分引擎提及率、Visibility Score 可见度打分和竞品声量对比；
在引用来源追溯里找到 AI 正在采信谁，照上面的路线图逐个引擎补短板。

14 天免费试用，无需信用卡，创作者版 ¥29.9/月起，详见 https://zhimahang.com/yinjen 。先看清自己在 12 个引擎里的真实位置，再决定往哪里发力。

FAQ

问：什么是 AI 可见度（提及率）？ 答：AI 回答中明确提及某品牌或其官网即记一次「提及」；提及率 = 提及次数 ÷ 实测次数，衡量品牌在 AI 回答里被看见的频率。

问：监测多久、多少问题才有参考价值？ 答：本案例是 344 个问题、20 天、525 次有效实测。建议覆盖「厂家推荐」与「选型知识」两类问题，连续实测两到三周——单次提问偶然性太大。

问：做了内容优化，能保证被 AI 推荐吗？ 答：不能，也没有任何人能保证。央视 315 曝光的「AI 投毒」灰产恰恰说明走捷径的风险；能做的是持续产出真实内容，并用监测验证成效。

一家苏州制造商的 AI 可见度体检：525 次实测，通义 85%、DeepSeek 12%