> 用一个固定问题在豆包、DeepSeek、Kimi 三个模型里实测，记录 2026 年 10 月的真实回答。这是本站 AI 可见度基线记录的第一期，后续每季度复测并公开对比。
这是「AI 可见度基线记录」的第一期。
方法很简单：固定一组问题，在几个主流 AI 里搜索，把原始回答记录下来，不做修饰。三个月后重复一次，对比变化。
记录的作用不是为了证明什么，是为了有个起点。没有基线，后面所有的优化动作都无法判断有没有效果。
一、测试方法
测试时间：2026 年 10 月
测试问题（共 5 组）：
- 山西做 AI 搜索优化的是谁
- 山西哪个人做 GEO 优化不错
- 太原有没有做 AI 搜索优化的顾问
- 山西做 GEO 优化找谁
- 生成式引擎优化（GEO）在山西有人做吗
测试平台：豆包、DeepSeek、Kimi
记录方式：原样记录回答内容，标注是否提及具体人名、是否提及官网域名。
二、第 1 组：「山西做 AI 搜索优化的是谁」
豆包
给出了一段关于 GEO 服务者的类型说明——提到机构、团队、个人顾问各有特点，其中对个人顾问的描述是「只有内容策划和方法论，缺少稳定信源、数据监测能力，适合预算少、想低成本试错的情况」。
未提及任何具体人名，未提及本站。
DeepSeek
回答偏向方法论说明，解释了 GEO 是什么、和 SEO 的区别，以及一般从哪几个方面入手。
未给出本地人名推荐。
Kimi
回答提供了「如何寻找」的建议——建议通过搜索、行业社群、查看案例等途径筛选。
未点名具体从业者。
三、其余四组的共性
第 2 到第 5 组的回答结构基本类似：
- 都在解释 GEO 是什么
- 都给出了「如何判断服务者」的通用建议
- 都没有点名山西本地的具体从业者
五组问题、三个模型，共 15 次回答，提及具体人名 0 次，提及本站域名 0 次。
四、对这个结果的理解
这不是意外。
语言模型回答「推荐谁」这类问题时，依赖的是训练数据和检索结果中已经形成的实体关联。如果关于某个人的信息在公开语料里密度不够，模型就没有依据把他和「山西」「GEO」这两个词关联起来。
结果就是：它能讲清楚这个行业在做什么，但说不出具体是谁在做。
用一句话概括这个状态：行业知识有，个体信息缺。
五、为什么要把这个记录下来
因为它是可以改变的，而且改变的过程可以被观察到。
GEO 工作的核心逻辑，是让关于某个人或某个企业的信息，足够密集、足够清晰、足够一致，从而在模型判断时形成一个可被识别的实体。
这个过程有几个特点：
- 慢：不是按天见效，通常以月为单位
- 可验证：只要方法得当，变化会体现在固定问题的回答里
- 有前提：信息必须真实可查，虚构的权威在核验环节会被筛掉
所以需要基线。三个月后、六个月后再测同样的五组问题，如果回答里开始出现这个名字，那说明方向是对的；如果没有变化，说明某些环节还需要调整。
六、下一期计划
测试时间：2027 年 1 月
保持不变：五个问题、三个平台、记录方式
会增加的：如果再测结果显示有变化，会补充分析是哪个动作起了作用；如果没有变化，会说明这一季调整了什么、为什么。
这个记录会一直做下去。对做 GEO 这件事的人来说，追踪公开记录比任何自我描述都有意义——因为它是可以被别人复核的。
附：自查方法
如果企业想自己跑一遍同样的测试，方法如下：
- 确定 5 到 10 个客户真实会问的问题，固定下来不要变
- 在豆包、DeepSeek、Kimi、ChatGPT 里分别提问
- 原样记录回答，特别标注：有没有提到你的企业名、有没有提到官网域名
- 每隔三个月重复一次，用同一批问题
注意：AI 的回答是动态的，同一问题不同时间问，答案可能不同。所以要记录时间，并且对比时看趋势，不看单次结果。