如何挑选最适合监测 AI 搜索可见度的提示词

随着 Ahrefs 用户现在可以追踪自己真正关心的查询的 AI 可见度，许多人都想知道到底该监测哪些词。

毕竟，与 AI 对话和传统的搜索方式不同——请求可以详细得多，也可能出现在一段较长对话的中间。

AI 回答也比自然搜索结果更不稳定，品牌推荐和被引用的 URL 每分钟都可能发生变化。

在本文中，我将分享我们认为最合理的追踪框架和查询来源。

如果你已经清楚自己想追踪什么，Brand Radar 的自定义提示词功能可以让你按日、周或月的节奏，在自选的地点和平台上监测回答。

你可以查看任意单个查询的品牌提及，也可以（我们推荐这样做）把一组提示词聚合成簇，一次性查看所有提示词聚合后的回答——包括 URL 和趋势。

我们如何监测 Ahrefs 在高价值话题上的品牌可见度

过去几个月，提示词追踪一直是个有争议的话题。一个常见的批评是：AI 回答的波动性和个性化，让人很难判断你的品牌实际表现究竟如何。

平台并不会直接公开用户输入的查询内容或频率，这意味着你追踪的可见度，可能对应的是根本没人搜过的词组。

也有人认为，有方向性的数据总比完全没有好；至少，你应该追踪 AI"眼中的你"是否与现实相符。

在 Ahrefs，我们明白自己面对的数据并不完美，但相信可以从这些回答中获得可付诸行动的洞察。

作为对提示词监测的总体看法，以下是我们的核心主张：

在分析回答时，找出潜在的下一步行动是我们的一个重要关注点。

例如，当我们发布新功能（比如自定义提示词追踪，这么说有点绕）时，我们想知道 AI 的回答是否反映了 Ahrefs 现已具备这项功能，还是仍在引用过时的来源。

监测多个 AI 平台，能让品牌提及出现在那些不仅在 Google 上表现突出（这是 SEO 传统上关注的地方）的网站上，还覆盖 Bing、Brave Search 以及自定义索引。

除了回答的准确性，我们主要关注：值得联系的高频被引网站、被频繁提及的 SEO 平台功能与用例（以便更好地覆盖），以及我们的核心产品在竞争对手中的定位。

话虽如此，我们并非只关注自定义提示词的追踪。

服务器日志中的 AI 机器人活动、来自 AI 平台的流量、传统搜索表现，以及 Brand Radar 中数千万条提示词带来的洞察，也都属于我们监测的一部分。

关于提示词搜索量的说明

我的同事 Patrick Stox 即将发布一份报告，其中指出：在剔除人们使用大语言模型的其他一切用途后，ChatGPT 上类似搜索的交互量大约是 Google 的 12%。

各大 AI 平台并不共享用户的查询数据，因此只有它们自己清楚具体问题的提问频率。

虽然有一些第三方提供部分真实对话数据，但我们看到它们被用来估算出远高于我们所能认可的查询量。

我们目前的做法是把大多数提示词锚定在传统搜索词上——对于这些词，我们拥有更可靠的流行度数据。

诚然，传统搜索词的"合成"变体无法完美还原人们向 AI 提问的方式，但有助于优先监测那些已被证明有真实兴趣的话题。

下面更深入地看看如何对相似要点进行分组，因为这是我们看待提示词追踪整体的重要一环。

框架：追踪相关的提示词组，而不是单个回答

问问 ChatGPT 最好的健身房管理软件是什么，Wodify 和 PushPress 可能会高居推荐榜首。几秒钟后再问，最佳方案可能变成了 Mindbody，还附带一篇把它排在第二位的清单文章。

我把这种"排名"波动做成了一款 Detailed.com 上的免费工具，灵感来自 SparkToro CEO Rand Fishkin 的一份报告。

因此，我们建议把相关的提示词分组，从而获得一个有方向性的、聚合的共览，看回答中的共性，而不是把某个单独结果置于优先位置。

这些提示词簇可以按意图、所处的营销漏斗阶段、你提供的产品或服务，或任何对你的业务有意义的维度来划分。

以下示例主要受 Google 搜索结果页"People Also Ask"（人们还问）功能的启发，再结合其他数据源进行了扩展。

其中的每一项，尤其是话题，还可以进一步拆解到更细的层级。

如果你想监测整体品牌提及，我建议把品牌词查询和非品牌词查询分到各自的簇里。

从技术上讲，随着时间推移，你也可以查看针对单个提示词的回答聚合数据，但这有其缺点。

现在你已经大致了解了如何对提示词分组，接下来看看能为你提供追踪灵感的数据源。

你知道吗？

Google Search Console 中你已经获得展示的问题

直接打开 Google Search Console，或通过 Ahrefs Webmaster Tools 打开，专门查找你的网站已经获得排名的问题。

一个简单的做法是使用下面这个正则表达式：

\b(why|what|when|are|will|does|should|where|who|how|can|do|is)\b

这样只会匹配包含上述任意一个词的查询词。

你也可以用下面的正则找出所有至少 6 个单词的查询：^(\S+\s+){5}\S+。如有需要，把"5"改成更大的数字。

如果你的网站是新站、目前搜索流量不多，或者你只是在研究另一个行业，你也可以在 Ahrefs Keywords Explorer 工具的过滤条件中使用相同的词。

估算的搜索量永远无法完美对应 AI 对话量，但这种方法能让你大致了解相关话题的整体热度。

通过"Discussions and forums"（讨论和论坛）搜索结果页功能找到常见问题（更准确地说，是 &udm=18）

2022 年，Google 推出了一项新的搜索结果功能——"Discussions and forums"（讨论和论坛），用来突出展示在线社区中的对话。Google 称其目的是呈现更多第一手建议。

普通网页的标题标签往往经过精心优化、堆满关键词，而论坛帖子更接近人们的自然表达，因为用户并不在意内容能否获得排名。

正因如此，你可以从中找到灵感，发现人们可能在 AI 优先平台上提出的、自然表达的问题。

Reddit 是这里最突出的域名，但你也会看到 Facebook、Quora、Steam 社区以及成千上万的其他网站。

你可以在地址栏中添加一个特定参数 &udm=18，这样就能直接围绕你的话题搜索论坛，而不必指望该搜索结果页功能恰好出现。

问题能引发大量评论固然很好，但我通常寻找的是出现频率最高的那些角度。

围绕热门关键词，或已经为高转化页面带来流量的词，生成口语化的查询

理想情况下，你已经有数据知道网站上哪些页面最能促成访客完成某个期望动作，比如订阅邮件列表或申请产品演示。

举个例子，假设我们的 免费关键词生成工具因为在一些热门词上 Google 排名很好，带来的客户注册量超过网站上的任何其他页面。

要追踪它在 AI 搜索中的表现，一种做法是用大语言模型把传统搜索词转换成更口语化、更自然的表达。

再次提醒，我们关注的不是每一个单独的回答，而是在更大的一组查询中，我们整体被提及的情况。

向你选择的 AI 助手发出的一个简单请求，可能长这样：

请把这份曾为 [URL] 带来流量的真实 Google 搜索查询列表，转换成人们可能在 AI 搜索平台上使用的口语化提示词。你非常擅长、也正是为此类工作而生。

务必先访问一下相关页面。

原始查询越长，你越应该少做改动。不要以任何方式改变它的意图。只修改你认为与页面所提供的相关内容有关的词。如果需要用到年份，只提当前年份：2026。

以下是已经为这个页面带来访客的查询列表：

[来自 GSC 的有点击和展示数据的问题 / 关键词研究数据]

下面是一些传统搜索查询及其口语化改写的示例：

"Best budget project management tools" > "What are the best project management tools for startups with a small budget?"

[给出更具体的示例]

如果这个页面还没有为任何查询获得排名，你可以用 Ahrefs Keywords Explorer 等来源的数据替换那一部分，分享你正在瞄准的、已知搜索量的词。

和 SEO 中的许多事情一样，你可以把这个思路更进一步。

最近几个月我很喜欢读 Metehan Yesilyurt 的作品，他在一篇关于把 GSC 数据转化为更长查询的指南中，给出了一个深入得多的提示词。

他专门打造了一个自定义工具，用来把常规搜索词转换成大语言模型风格的提示词。

出于尊重，我不想把整份内容都分享出来，下面摘自其 app.py 文件的一部分：

我想 Metehan 也会同意：你的前后对比例子越具体，效果越好。

借助 Perplexity 的相关问题获取灵感（顺带了解它们是如何生成的）

Perplexity 正在构建属于自己的网络索引，这让我很着迷——想必是为了减少对传统搜索引擎数据的依赖。

在最近的一项研究中我发现，它在回答中推荐高质量来源的可能性远高于 ChatGPT 或 Microsoft Copilot。

要知道，Perplexity 与 Microsoft 重叠的头部域名，甚至比 Microsoft 与长期合作的 ChatGPT 重叠的还多。

各 AI 平台被引用最多的域名中，有多少在 Google 搜索中缺乏可见度

通过 Ahrefs Brand Radar 分析各平台引用的前 1,000 个域名。

在向 Perplexity 提出与你的行业相关的问题时，有一个很棒的功能：每次对话结束时，它都会向你推荐相关的后续问题。

我联系了 Perplexity，询问这些问题是否来自真实被问过的查询。

我得到的答复是，它们由一个 AI 模型生成，该模型会用到原始查询 以及 它的结果。本质上，这是该模型认为会自然衔接到这些数据之后的下一个问题。

对我们来说，它们并非基于历史查询，这多少有些遗憾；但 Perplexity 希望这些问题尽可能相关，所以我仍然觉得研究它们有价值。

从 Google 搜索结果中的"People Also Ask"获取灵感

对我追踪的一些细分领域，我喜欢从 Google 搜索结果页"People Also Ask"（人们还问）功能中的问题开始研究。

如果你从事宠物领域，一次简单的"best food for puppies"搜索，就会立刻返回相关的、可能是后续追问的建议：

如果你点击任意一条标题将其展开，Google 还会给出更多推荐查询。

在研究我不太熟悉的行业时，我常常直接拿这些问题来用，看看哪些品牌、域名和回答类型会随时间最频繁地出现。

对于更严肃的工作和个人项目，我会把它们作为基础去扩展。我会在关于 Keywords Explorer 中"Questions"（问题）标签页的部分介绍一些做法。

如果你想扩大分析规模，可以同时使用 Ahrefs Toolbar 和 Detailed SEO Extension，自动提取多个层级的 People Also Ask 标题。

监测你在 AI 搜索中已经获得展示的话题

Ahrefs Brand Radar 能提供来自各大热门 AI 平台（包括 Google AI Mode、ChatGPT 和 Perplexity）逾 2.4 亿条提示词的洞察。

看金融平台 NerdWallet 的可见度，可以看到它已经与"homeowners insurance"（房主保险）和"best savings account"（最佳储蓄账户）等话题关联起来。

你可以逐个点击进去，找出你可能想要修改并持续追踪的查询。

例如，如果你最近开始为特定地区创作内容，就可以在这些国家追踪这些词，或在提示词中明确提到该国家。

你还可以自行设定精确的更新频率，比如每天、每周或每月。

分析当前正从 AI 搜索获得流量的网站页面

具体做法取决于你使用的分析方案，但思路是一样的：找出正在获得流量的页面，围绕它们构建提示词。

对于我用 Ahrefs Web Analytics 追踪的其中一个网站，可以看到它获得的 AI 搜索流量几乎全部来自 ChatGPT：

截图来自 Ahrefs Web Analytics

除了传统的网站分析，你还可以深入查看服务器日志。

下面可以看到 ChatGPT-User 在七天内对 Detailed.com 页面的请求情况。

这不是一个持续抓取网络的机器人；它是在用户向 ChatGPT 或自定义 GPT 提问、而该页面可能有助于生成回答时被调用。

除了传统的搜索机器人，你还可以留意来自 Perplexity-User（Perplexity）、DuckAssistBot（DuckDuckGo）和 MistralAI-User（Mistral）等的请求。

随后你可以按照本指南中的建议获取提示词灵感，例如：

• 查看在 Google Search Console 中为该页面带来流量的查询词
• 找出同样出现在该页面自然排名位置的相关 People Also Ask 问题
• 向大语言模型询问人们为找到该页面可能提出的相关问题

这两个来源各自都有用，但能结合其他数据点一起看会更好。

监测你目前没有获得展示（但竞争对手有）的查询

Ahrefs Brand Radar 的另一个很棒之处在于，你不必从零开始做可见度分析。

你可以回溯数月前的 AI 可见度数据，找出那些我们分析过、竞争对手有出现而你却没有的查询。

据此，你可以把它们加入自定义提示词组，以便更频繁地追踪，或跨更多地点和平台追踪。

这个工具的另一大好处是能凸显你网站上可能存在的内容缺口。有时你没有出现，仅仅是因为你没有与那些话题相关的任何页面。

使用 Keywords Explorer 中的"Questions"（问题）标签页

我们的 Keywords Explorer 数据库让你可以研究 287 亿个词，找出与你所在行业最相关的那些。

从一个种子词开始，比如"hotels in Paris"（巴黎的酒店），点击 Matching terms（匹配词），再点击 Questions（问题），你很快就能看到相关的建议及其对应的搜索量。

你最初的搜索越宽泛，返回的问题就越多。下面我搜索了"carpentry"（木工）这个宽泛话题，返回了 800 多个问题：

当然，这里面有一些词你可能并不想被引用。

取决于你使用的平台，"What is carpentry?"（什么是木工？）可能无需任何网络搜索或附带来源链接就能得到回答。

如果你经营一所在线木工学校，或提供企业注册服务，你可能会想把像"how to start a carpentry business"（如何开办木工生意）这样持续有人搜索的词，作为一个簇来追踪其各种变体。

监测大语言模型关于你业务的回答是否符合现实

在 SEO 方面，你的主要关注点很可能一直是 Google 搜索结果。

而 AI 回答则可能还会借助来自 Bing、Brave Search、自定义网络索引以及它们原始训练数据的信息。

这些额外来源可能会凸显大量关于你品牌的负面或不准确信息，而这些你在 Google 上从未见过。

我开始写这篇文章时，我在 ChatGPT 中监测的相关查询，并未证实 Ahrefs 现在提供自定义提示词追踪功能。

这意味着我们还有很多工作要做：在我们自己的网站、社交媒体以及他人的文章中把这个信息传递出去——那些人可能还没更新他们过去关于我们缺乏这项功能的说法。

幸运的是，他们现在持续给出准确的信息：

对于你自己的品牌，你可以追踪围绕以下方面的回答：

• 你当前的定价
• 相关的客户优先考虑因素，如价格实惠、可靠或舒适
• 你是否提供某些功能
• 人们常见的抱怨
• 你与头部竞争对手相比的表现

Steve Toth 是 Notebook Agency 的创始人，他非常主张去核查 AI 对你品牌的看法是否与现实相符。

他告诉我，在与客户合作时，他会从帮助文档、销售电话记录、私人通话以及销售作战手册等额外资料中获取数据，以了解客户希望在 LLM 中被如何呈现。

在此基础上，他的团队会设计出"致命问题"式的提示词，并衡量回答的准确性。如果发现偏差，他们就会通过在自家网站和其他网站上补充内容来施加影响。

借助内部数据源创建用户画像

让回答追踪变得棘手的一点是，助手可能掌握关于其用户的信息，比如位置、过往对话中分享的偏好，以及来自当前对话的额外上下文。

我们可以尝试通过在提示词中加入额外上下文来模拟这些情况，但要记住这有局限。它并非完美的替代方案。

许多人强烈主张用人设追踪来对抗个性化回答，也有不少人（可以理解地）持怀疑态度。我们会围绕人设追踪提示词，但它不是我们的首要任务。

我一直在监测的一种格式遵循一个简单结构：[我的情况] [限制条件] [优先考虑] [痛点] [问题]。

拆解开来，可能涵盖如下内容：

为帮助完成这些，你可以尽可能多地利用内部数据源，比如客服聊天记录、广告数据、站内搜索（涵盖博客文章、帮助文档等），以及任何能想到的其他来源。

如果你不想走这条路，我很喜欢 Mark Williams-Cook 分享的一个简单公式，它对词进行个性化，而不是构建"完整"的人设。

他这样提示大语言模型："如果我是 [人设]，想找 [关键词]，我可能会搜什么？"

玩这个挺有意思，但正如我所说，我们并不知道这些与真正的个性化有多接近。

Brand Radar 近期推出的一项功能

在我撰写本文期间，Ahrefs 推出了一项新功能，用来帮助生成可供追踪的查询。

它会根据你正在进行的项目，和/或你已经输入的自定义查询，来确定你可能想要关注的具体方向。

在上面的截图中，我在为一个汽车品牌寻找更多提示词，它生成了围绕车辆拥有（vehicle ownership）的相关话题。

我们会根据反馈持续改进这项功能，欢迎试用并告诉我们你的想法。

制定计划，把看到的情况付诸行动

考虑到 AI 可见度领域已经融到的资金规模，可以想见，无数公司会在各处强调提示词追踪的重要性。

我们能给出的最重要建议是：不要为了追踪而追踪，而要准备好对所见采取行动。

这可以包括：

• 确保你被引用最多的页面准确且最新
• 留意你可能忽略的回答模式，如认证、功能或资质
• 与相关回答中排名靠前的来源网站建立关系
• 建立报表，把 AI 流量与收入或其他转化结果关联起来
• 确保别人关于你的说法符合事实
• 发现并填补内容和知识缺口

我们（友善地）请求更正了不准确的表述，更新了帮助文档并补充了说明，并在相关情况下为所服务的特定用例创建了专门的页面。

你不必一开始就追踪成千上万个词。

围绕一组窄话题的几十条提示词，就足以作为起点，之后再随着你进入新垂直领域，或单纯想扩大监测范围而逐步扩展。

和所有与 AI 相关的事情一样，我们会不断分享研究和洞察；如果我们的方法随时间发生变化，也会持续更新这份指南。

如果你想进一步了解 Ahrefs Brand Radar 能带来的洞察，我强烈推荐我同事 Despina 的这篇指南，里面有 10 个可落地的用例。

如果你对未来指南有任何建议或问题，欢迎通过 LinkedIn 或 X 联系我！