怎么查 ChatGPT 推不推荐你的生意——一套免费的自测流程

直接回答

想知道 ChatGPT 推不推荐你的生意，不用买工具，一个下午加一张表格就够了。流程是：按买家真实的问法写 8–12 条提示词，每条在 ChatGPT 里开新对话跑 3–5 遍，同一组拿到 Perplexity 和 Google AI 概览里再跑一遍，把每次对手被推荐背后的引用页面点开、看清楚它们为什么被选中，最后把全部结果记成被提及份额（share of voice），每个月用同一组提示词重跑。下面是细节——记什么、哪些错误会悄悄让数字变得毫无意义、以及结果怎么读。

为什么只问一遍等于没问

这件事最常见的做法，恰好也是最没用的做法：问 ChatGPT 一个问题、问一次，然后把那条回答当成裁决。它不是。大语言模型是非确定性的——同一条提示词，不同的运行会给出不同的答案，而且不只是采样温度的事。Thinking Machines 的研究证明，即便把 temperature 设成 0，推理端点对完全相同的提示词也会返回不同输出，因为服务器上的 batch 大小随负载浮动，底层算术就跟着变。再叠上检索这一层——这一次它恰好取回了哪些网页——单独一条回答只是轶事，不是测量。

所以把整件事当成抽样来做。每条提示词跑 3 到 5 遍，是能把「我们从来不被提」和「我们有时被提」区分开的最低样本量——这两个结论指向的是完全不同的活。

第一步：用买家的口吻写提示词，别写品牌名

别问「你知道 [你的品牌] 吗」。品牌名一进提示词，模型就会配合着谈你——这测的是它能不能谈你，不是它会不会主动推荐你。商业上真正要紧的问题是：当买家按买家的方式提问——按品类、按问题、按地域，一个品牌都不点名——你出不出现。

按四种形状凑出 8–12 条：

1. 求推荐——「能推荐一家给小型 [行业] 企业做 [服务] 的公司吗？最好在 [城市/国家]。」
2. 要名单——「[细分领域] 最好的几家 [品类] 服务商是谁？」
3. 做比较——「[对手 A] 和 [对手 B]，[使用场景] 该选哪个？」你不在提示词里也要跑这条：答案会暴露引擎对你这个市场的认知，以及它会不会主动补充别的选项。
4. 说痛点——「我想要 [结果]，但不想 [约束]——谁干这个？」

措辞最好的来源不是你的想象力，而是你的销售通话、客服邮箱和 Search Console 查询词——买家真实用的词，包括那些不精确的。一组用市场部话术写出来的提示词，测的是一个不存在的市场。

第二步：每条提示词在 ChatGPT 里跑 3–5 遍

这一步的操作细节很要紧，因为 ChatGPT 会个性化，被污染的一遍还不如不跑。

1. 每一遍都开全新对话。 永远不要在已经出现过你品牌的对话串里追问——上下文已经被污染，之后的每条回答都是被引导的。
2. 关掉个性化。 ChatGPT 的记忆功能会把信息带过对话。只要你跟它聊过你的生意，记忆就会把结果往你这边偏。用临时对话、关掉记忆，或者退出登录跑。
3. 记下这条回答有没有联网搜索。 ChatGPT 有时靠训练数据回答、有时现场搜索，两种模式下的推荐行为不一样。记清楚你拿到的是哪种——联网的会带来源链接，训练数据的没有。
4. 每一遍记同样几个字段： 有没有提到你、提到的话排第几、口吻如何（推荐、中性、带保留）、点名了哪些对手、引用了哪些来源。

一条纪律：答案不好看的时候，忍住别追问。「那 [你的品牌] 呢？」问出来很自然，但数据就废了——那是引导，属于另一场好奇心实验，别记进表里。

第三步：同一组提示词，拿到 Perplexity 和 Google AI 概览再跑

ChatGPT 只是一个引擎，不是整个市场。光 Google 的 AI 概览，到 2025 年年中就有 20 亿月度用户，而且它直接出现在普通的 Google 搜索里——你的买家根本没有「选择用 AI」，就已经在看 AI 的答案了。Perplexity 体量小一些，但它是三者里最透明的：每条答案都带编号引用，这让它成为你手里最好的诊断仪器。所以同一组提示词，两边都跑：

1. Perplexity——纪律跟 ChatGPT 一样：新对话、每条 3–5 遍、记提及情况，并把每一条引用的 URL 抄下来。引用就是重点，下一步要用。
2. Google AI 概览——把每条提示词当普通搜索输进 Google。记三件事：AI 概览有没有出现、里面提没提你、列了哪些链接。概览不是每个查询都触发，「这条提示词没出概览」本身就是数据——说明这个问题还走传统蓝链，你现有的 SEO 在那儿起作用。

预期就是各引擎不一致。它们底下骑的是不同的搜索索引——各家引擎怎么选来源我们单独写过——所以在一个引擎里可见、在另一个里消失，是常态不是悖论。这个差距本身就是诊断：它告诉你先修哪个索引。

第四步：顺着 Perplexity 的引用，倒推对手为什么赢

这是最多人跳过的一步，也是真正产出待办清单的一步。对手被推荐，光记下来只是挨了一拳；那条推荐背后的引用，才是解释。

每一次对手被推荐，把它背后每个引用页面点开，归类三件事：

1. 这是什么类型的页面？ 第三方的「best X」盘点文、行业名录、测评/比较站、Reddit 帖子，还是对手自己的服务页？
2. 域名是谁的——对手自己的站，还是他们在别处挣来的一次提及？
3. 被引的页面有没有在开头就用平实、可抽取的文字直接回答提示词的问题，还是提及埋在半截？

照着十条二十条对手提及做下来，规律很快浮出来：一张具体的清单——引擎在你这个品类里已经信任的页面和页面类型。这张清单就是你的差距分析。如果每条引用都是你没上榜的名录或盘点文，活就是去挣这些第三方提及。如果对手总是被自己结构良好的服务页直接引用、而你从来不被，问题就在自己家——你的页面没有把答案写成模型能整段摘走的形状。

还要记住：被取回和被引用是两道门槛。Ahrefs 对 140 万条 ChatGPT 提示词的研究发现，引擎取回的 URL 远多于它落到答案里的——被取回的 URL 只有大约一半真正被引用——而被引与否，取决于页面的标题和内容与引擎拆出的子问题对得有多齐。赢的页面，长得就像买家那个问题的答案。

第五步：用一张表格追踪被提及份额

一张表，一遍一行。值得留的列：

• 日期、引擎、提示词、第几遍
• 有没有提到（是/否）、排第几、口吻
• 点名的对手
• 引用的来源（URL，Perplexity 和联网模式的跑次记这个）
• 有没有联网搜索（是/否/不确定），加一列备注

核心指标是被提及份额：提到你的跑次数，除以总跑次数，按引擎、按月算。主要对手的份额也顺手算出来——同样这些行里数据都齐了。

读数的时候，把非确定性放在心上。45 遍全零，是真结论。对手 40% 而你 5%，是真结论。22% 到 26% 的月度波动，多半是噪声。值得你花注意力的是零、是大差距、是持续三个月以上的趋势——不是单月的抖动，抖动是这套系统的随机性天然保证会有的。

结果怎么读

三种模式覆盖了绝大多数结局。

哪儿都看不见你。 通常不是内容问题，是管道问题——底层搜索索引抓不到你、排不上你，或者你的页面在 AI 爬虫眼里渲染出来是空的。修复从技术 SEO 开始：在 Bing 和 Google 里被索引、排得上，是骑在它们上面的每一个引擎的入场券。

一个引擎里有你，另一个里没有。 索引分化。ChatGPT 靠 Bing，AI 概览靠 Google——只做过 Google 向 SEO 的站，常常在概览里挺强、在 ChatGPT 里消失。差距直接告诉你下一个该修哪个索引。

对手靠第三方页面赢。 如果第四步查出来，引擎引用的是一批你不在上面的名录、盘点文、测评站，那差的是权威，不是代码——补上它正是白帽 GEO 的核心：在引擎已经信任的来源上挣到提及，同时把自己的页面写到可以被直接引用的程度。

最后说一句老实话：这套流程量的是可见度，不负责改变它。改变它是真功夫——SEO 这边是索引和排名，GEO 那边是可抽取的内容和挣来的权威——而且要几个月才见复利，这恰恰是现在就把基线立起来的理由。谁看完你的表格就承诺「保证 ChatGPT 会提你」，都值得警惕：引用不是确定性的，这是这套流程会亲手教给你的第一课。

参考资料

1. Thinking Machines — 击败 LLM 推理中的非确定性。为什么 temperature 为 0 时相同提示词仍返回不同输出：负载导致的 batch 大小浮动（Horace He 等，2025）。
2. TechCrunch — Google AI 概览月度用户达 20 亿。Sundar Pichai 在 2025 年 Q2 财报电话会上公布的数字（Zeff，2025）。
3. Google — Google 搜索中的 AI 概览。官方帮助页，讲概览是什么、什么时候出现（Google）。
4. Ahrefs — ChatGPT 为什么引用这一页而不是那一页（140 万条提示词研究）。被取回的 URL 约一半被引用；被引与否取决于与引擎子问题的对齐程度（Linehan，Ahrefs）。