开始优化之前，先建立 AI 可见度基线

开始改内容之前，先记录品牌在一组明确问题中的表现。基线的价值，是为后面的比较提供条件一致的起点，而不是给品牌贴一个永久标签。

先固定观察范围

至少记录品牌名称与别名、目标市场、语言、问题集、模型范围和采样时间。涉及产品时，还要说明具体产品与使用场景，避免将不同业务混在一起。

同一个品牌在中文与英文市场、不同产品问题和不同模型中的表现可能不同。将它们直接平均，会掩盖真正需要处理的问题。

问题要覆盖不同决策阶段

• 品类发现：用户知道需求，但还不知道有哪些品牌。
• 方案比较：用户想了解不同解决方案及适用条件。
• 品牌核验：用户已经知道品牌，正在确认价格、能力或限制。

带品牌名的问题可以检查事实准确性，但不能单独代表品牌在自然发现中的可见度。可以参考监测问题设计来建立分组。

保留证据，而不只保留分数

每次观察都应尽量关联问题原文、回答原文、来源链接、模型与时间。只保留一个百分比，后续很难解释它为什么变化。

怎样比较两轮结果？

优先保持问题集、目标市场和模型范围一致。如果必须变更，请单独标注，避免把范围变化解释为优化效果。

对于波动明显的问题，可以增加观察轮次。小样本中的一次升降只能说明这次观测的结果，不足以证明长期趋势，更不能单独证明某项修改的因果效果。

将结果转成下一步行动

先处理可以确认的问题：品牌事实错误、官方说明不清楚、页面不可访问、关键比较信息缺失。每个动作写清负责人、目标页面、完成条件与复测范围。

在 PeakGEO 中，可以结合诊断流程理解问题、回答证据与优化行动之间的联系。