大多數人的做法：改完網站，等三個月，然後憑感覺說「好像有效」。 真正該做的事：在改之前先量基線，改之後每週量一次，把「哪一次改動讓哪一題上升」講清楚。
GEO 最大的風險不是做錯，是做完不知道有沒有用， 於是第二季預算被砍掉。
一、為什麼傳統分析工具在這裡失效
你想知道的 GA4 能告訴你 GSC 能告訴你
──────────────────────────────────────────────────────────────────
ChatGPT 提到我幾次？ ✘ ✘
Perplexity 引用了我哪一頁？ 部分（有 referrer） ✘
AI Overview 有沒有引用我？ ✘ ✘（曝光混在一起）
模型怎麼描述我的產品？ ✘ ✘
競品的引用份額是多少？ ✘ ✘
核心問題：AI 引用大多不產生可歸因的流量。
使用者旅程的真實樣貌
Day 1 問 ChatGPT「台灣有哪些 OMS 系統」
→ 答案中提到 OrderFlow，附連結
→ 使用者沒有點連結，只是記住了名字
→ GA4：無任何紀錄
Day 4 在 Perplexity 問「OrderFlow 好用嗎」
→ 讀了摘要，點了一個連結
→ GA4：referrer = perplexity.ai（唯一看得到的一次）
Day 11 直接 Google 搜尋「OrderFlow 價格」
→ 點進官網定價頁
→ GA4：Organic Search，query = 品牌詞
Day 14 填表單
→ GA4 歸因：Organic Search / 品牌詞
真正的第一因是 Day 1 的 ChatGPT，但它在報表上完全不存在。
結論：你必須主動去問模型，而不是被動等流量。這就是監測系統要做的事。
二、指標體系
2.1 主指標：AI Visibility Score
AVS = 0.30 × 引用頻率
+ 0.30 × 引用份額
+ 0.25 × 位置加權分
+ 0.15 × 描述正確率
其中：
引用頻率 = 被引用的題數 / 總題數
引用份額 = Σ(你的引用數) / Σ(所有品牌的引用數)
位置加權分 = 平均 1/log2(提及位置 + 1)，位置以「第幾個被提到的品牌」計
描述正確率 = 對你的事實陳述中正確的比例（需人工或 LLM 標註）
2.2 輔助指標
指標 定義 健康值 用途
────────────────────────────────────────────────────────────────────────
Coverage Gap prompt set 中你完全沒有 < 15% 找內容缺口
對應頁面的題數比例
Answer Leakage 被引用但描述有誤的比例 < 10% 找內容歧義
（比不被引用更嚴重）
Competitor Delta 你的份額 - 最大競品的份額 > 0 競爭態勢
Page Concentration 引用集中在前 3 個 URL 的比例 < 60% 過度集中代表
其他頁沒發揮
Engine Variance 各引擎間引用率的標準差 < 15pp 差異大代表
某引擎有技術問題
Brand Search Lift 品牌詞搜尋量的月成長 > 0 GEO 的下游效果
Engine Variance 特別有用：如果 Perplexity 引用率 32%、ChatGPT 引用率 4%，那幾乎一定是 OAI-SearchBot 被擋了，而不是內容問題。這個指標能把「內容問題」和「技術問題」分開。
三、Prompt Set 設計
監測系統的品質上限，取決於 prompt set 的品質。
3.1 五類問題，各有配額
類別 佔比 範例 量什麼
──────────────────────────────────────────────────────────────────────
① 品類發現 30% 「台灣有哪些訂單管理系統？」 你在不在名單裡
「多通路電商用什麼工具管訂單？」 ← 最重要的一類
② 問題解決 25% 「蝦皮和 momo 的訂單怎麼統一管理？」 你的內容有沒有被引用
「電商庫存超賣怎麼解決？」
③ 品牌直問 20% 「OrderFlow 是什麼？」 描述正確率
「OrderFlow 的定價？」 ← 錯誤最傷的一類
④ 競品比較 15% 「OrderFlow vs 易普印 哪個好？」 競爭位置
「OMS 選型該看什麼？」
⑤ 長尾具體 10% 「OrderFlow 支援蝦皮直播訂單嗎？」 深度內容是否被讀到
「OMS 導入要多少錢？」
3.2 數量與變體
建議規模：40-60 題（含變體後 120-180 次查詢／輪）
每題要有 2-3 個變體：
基本：「台灣有哪些訂單管理系統？」
口語：「我開網店，訂單太多管不動，有什麼系統推薦？」
英文：「What are the best OMS platforms in Taiwan?」
→ 變體能測出你的語意覆蓋廣度（Part 3 §2 規則 1 的驗證）
3.3 定義檔格式
1# prompts.yaml
2brand: "OrderFlow"
3aliases: ["OrderFlow", "orderflow.tw", "訂單流"]
4competitors:
5 - { name: "易普印", aliases: ["易普印", "EasyPrint"] }
6 - { name: "SHOPLINE", aliases: ["SHOPLINE", "shopline.tw"] }
7 - { name: "91APP", aliases: ["91APP", "九一"] }
8
9prompts:
10 - id: DISC-001
11 category: discovery
12 text: "台灣有哪些多通路電商訂單管理系統（OMS）？請列出主要選項。"
13 variants:
14 - "我在台灣做電商，蝦皮 momo 官網都有賣，有什麼系統可以統一管訂單？"
15 - "What OMS platforms are available for Taiwanese e-commerce sellers?"
16 target_url: "/product/"
17
18 - id: PROB-014
19 category: problem
20 text: "多通路電商如何避免庫存超賣？"
21 variants:
22 - "蝦皮和官網同時賣，庫存不同步怎麼辦？"
23 target_url: "/blog/inventory-sync/"
24
25 - id: BRAND-003
26 category: brand
27 text: "OrderFlow 的定價方案是什麼？"
28 facts: # 用於描述正確率評分
29 - "基本版每月 NT$500"
30 - "專業版每月 NT$1,500"
31 - "提供 14 天免費試用"
32 target_url: "/pricing/"
四、監測系統實作
4.1 架構
┌──────────────┐
│ prompts.yaml │
└──────┬───────┘
▼
┌────────────────────────────────────────────────────┐
│ Runner（每週一次，或改版後立即跑） │
│ ┌──────────┬──────────┬──────────┬──────────┐ │
│ │ OpenAI │ Anthropic│Perplexity│ 手動 │ │
│ │ (web │ (web │ (Sonar │ AI │ │
│ │ search) │ search) │ API) │ Overview │ │
│ └────┬─────┴────┬─────┴────┬─────┴────┬─────┘ │
└───────┼──────────┼──────────┼──────────┼──────────┘
└──────────┴────┬─────┴──────────┘
▼
┌───────────────────────────────┐
│ Parser：抽取答案文字 + 引用 URL │
└───────────────┬───────────────┘
▼
┌───────────────────────────────┐
│ Scorer：品牌命中、位置、份額 │
│ + LLM 判斷描述正確率 │
└───────────────┬───────────────┘
▼
┌───────────────────────────────┐
│ Store：SQLite / BigQuery │
│ 一列 = (日期, 引擎, 題目, 結果) │
└───────────────┬───────────────┘
▼
┌───────────────────────────────┐
│ Report：AVS 趨勢圖 + 逐題明細 │
└───────────────────────────────┘
4.2 核心程式碼
1#!/usr/bin/env python3
2"""geo_monitor.py —— 多引擎 GEO 引用監測。
3
4用法：
5 python3 geo_monitor.py run --config prompts.yaml --db geo.db
6 python3 geo_monitor.py report --db geo.db --weeks 12
7"""
8from __future__ import annotations
9import argparse, json, os, re, sqlite3, math, datetime as dt
10from dataclasses import dataclass, asdict
11from urllib.parse import urlparse
12
13import yaml # pip install pyyaml
14
15
16# ────────────────────────────── 資料模型 ──────────────────────────────
17@dataclass
18class Result:
19 run_date: str
20 engine: str
21 prompt_id: str
22 category: str
23 prompt_text: str
24 answer: str
25 citations: str # JSON list of URLs
26 brand_mentioned: int
27 brand_cited: int
28 mention_position: int # 第幾個被提到的品牌，0 = 未提及
29 competitor_hits: str # JSON dict
30 accuracy: float # 0-1，-1 表示不適用
31
32
33# ────────────────────────────── 引擎介接 ──────────────────────────────
34def ask_openai(prompt: str) -> tuple[str, list[str]]:
35 """使用 OpenAI Responses API 的 web_search 工具。"""
36 from openai import OpenAI
37 client = OpenAI(api_key=os.environ["OPENAI_API_KEY"])
38 r = client.responses.create(
39 model="gpt-4.1",
40 tools=[{"type": "web_search"}],
41 input=prompt,
42 )
43 text = r.output_text
44 urls = []
45 for item in getattr(r, "output", []) or []:
46 for c in getattr(item, "content", []) or []:
47 for ann in getattr(c, "annotations", []) or []:
48 u = getattr(ann, "url", None)
49 if u:
50 urls.append(u)
51 return text, list(dict.fromkeys(urls))
52
53
54def ask_anthropic(prompt: str) -> tuple[str, list[str]]:
55 """使用 Claude 的 web_search 工具。"""
56 import anthropic
57 client = anthropic.Anthropic(api_key=os.environ["ANTHROPIC_API_KEY"])
58 msg = client.messages.create(
59 model="claude-sonnet-5",
60 max_tokens=2048,
61 tools=[{"type": "web_search_20250305", "name": "web_search", "max_uses": 6}],
62 messages=[{"role": "user", "content": prompt}],
63 )
64 text, urls = [], []
65 for block in msg.content:
66 if block.type == "text":
67 text.append(block.text)
68 for cit in (getattr(block, "citations", None) or []):
69 u = getattr(cit, "url", None)
70 if u:
71 urls.append(u)
72 elif block.type == "web_search_tool_result":
73 for item in (block.content or []):
74 u = getattr(item, "url", None)
75 if u:
76 urls.append(u)
77 return "\n".join(text), list(dict.fromkeys(urls))
78
79
80def ask_perplexity(prompt: str) -> tuple[str, list[str]]:
81 import requests
82 r = requests.post(
83 "https://api.perplexity.ai/chat/completions",
84 headers={"Authorization": f"Bearer {os.environ['PERPLEXITY_API_KEY']}"},
85 json={"model": "sonar-pro", "messages": [{"role": "user", "content": prompt}]},
86 timeout=90,
87 )
88 r.raise_for_status()
89 d = r.json()
90 return d["choices"][0]["message"]["content"], d.get("citations", [])
91
92
93ENGINES = {
94 "openai": ask_openai,
95 "anthropic": ask_anthropic,
96 "perplexity": ask_perplexity,
97}
98
99
100# ────────────────────────────── 評分 ──────────────────────────────
101def first_position(answer: str, brand_aliases: list[str],
102 competitors: list[dict]) -> int:
103 """回傳品牌在答案中是第幾個被提到的（1-based），未提及回 0。"""
104 def first_idx(aliases):
105 idxs = [answer.find(a) for a in aliases if answer.find(a) >= 0]
106 return min(idxs) if idxs else math.inf
107
108 mine = first_idx(brand_aliases)
109 if mine is math.inf:
110 return 0
111 others = [first_idx(c["aliases"]) for c in competitors]
112 return 1 + sum(1 for o in others if o < mine)
113
114
115def cited(urls: list[str], domain: str) -> bool:
116 return any(domain in (urlparse(u).netloc or "") for u in urls)
117
118
119def judge_accuracy(answer: str, facts: list[str]) -> float:
120 """用 LLM 判斷答案中對本品牌的陳述是否與已知事實一致。"""
121 if not facts:
122 return -1.0
123 import anthropic
124 client = anthropic.Anthropic(api_key=os.environ["ANTHROPIC_API_KEY"])
125 prompt = (
126 "以下是一段 AI 回答，以及一組已知為真的事實。\n"
127 "請判斷回答中關於該品牌的陳述，有多少比例與事實一致。\n"
128 "只輸出一個 0 到 1 之間的小數，不要其他文字。\n"
129 "若回答完全沒有提及該品牌，輸出 -1。\n\n"
130 f"【已知事實】\n" + "\n".join(f"- {f}" for f in facts) +
131 f"\n\n【AI 回答】\n{answer[:4000]}"
132 )
133 m = client.messages.create(
134 model="claude-sonnet-5", max_tokens=16,
135 messages=[{"role": "user", "content": prompt}],
136 )
137 try:
138 return float(re.search(r"-?\d*\.?\d+", m.content[0].text).group())
139 except (AttributeError, ValueError):
140 return -1.0
141
142
143# ────────────────────────────── 儲存 ──────────────────────────────
144SCHEMA = """
145CREATE TABLE IF NOT EXISTS results (
146 run_date TEXT, engine TEXT, prompt_id TEXT, category TEXT,
147 prompt_text TEXT, answer TEXT, citations TEXT,
148 brand_mentioned INT, brand_cited INT, mention_position INT,
149 competitor_hits TEXT, accuracy REAL,
150 PRIMARY KEY (run_date, engine, prompt_id)
151);
152"""
153
154
155def save(db: str, rows: list[Result]):
156 con = sqlite3.connect(db)
157 con.executescript(SCHEMA)
158 con.executemany(
159 "INSERT OR REPLACE INTO results VALUES "
160 "(:run_date,:engine,:prompt_id,:category,:prompt_text,:answer,"
161 ":citations,:brand_mentioned,:brand_cited,:mention_position,"
162 ":competitor_hits,:accuracy)",
163 [asdict(r) for r in rows],
164 )
165 con.commit()
166 con.close()
167
168
169# ────────────────────────────── 執行 ──────────────────────────────
170def run(cfg_path: str, db: str, engines: list[str]):
171 cfg = yaml.safe_load(open(cfg_path, encoding="utf-8"))
172 domain = cfg.get("domain", "orderflow.tw")
173 aliases = cfg["aliases"]
174 comps = cfg["competitors"]
175 today = dt.date.today().isoformat()
176 rows: list[Result] = []
177
178 for p in cfg["prompts"]:
179 texts = [p["text"]] + p.get("variants", [])
180 for engine in engines:
181 fn = ENGINES[engine]
182 for vi, text in enumerate(texts):
183 pid = p["id"] if vi == 0 else f"{p['id']}-v{vi}"
184 try:
185 answer, urls = fn(text)
186 except Exception as e:
187 print(f" ! {engine} {pid}: {e}")
188 continue
189
190 pos = first_position(answer, aliases, comps)
191 hits = {
192 c["name"]: any(a in answer for a in c["aliases"])
193 for c in comps
194 }
195 acc = judge_accuracy(answer, p.get("facts", [])) if pos else -1.0
196
197 rows.append(Result(
198 run_date=today, engine=engine, prompt_id=pid,
199 category=p["category"], prompt_text=text, answer=answer,
200 citations=json.dumps(urls, ensure_ascii=False),
201 brand_mentioned=int(pos > 0),
202 brand_cited=int(cited(urls, domain)),
203 mention_position=pos,
204 competitor_hits=json.dumps(hits, ensure_ascii=False),
205 accuracy=acc,
206 ))
207 print(f" {engine:<11} {pid:<14} 提及={'✔' if pos else '✘'} "
208 f"位置={pos} 引用={'✔' if cited(urls, domain) else '✘'}")
209
210 save(db, rows)
211 print(f"\n已寫入 {len(rows)} 筆 → {db}")
212
213
214# ────────────────────────────── 報表 ──────────────────────────────
215def report(db: str, weeks: int):
216 con = sqlite3.connect(db)
217 con.row_factory = sqlite3.Row
218 dates = [r[0] for r in con.execute(
219 "SELECT DISTINCT run_date FROM results ORDER BY run_date DESC LIMIT ?",
220 (weeks,))][::-1]
221
222 print(f"\n{'日期':<12}{'題數':>6}{'提及率':>9}{'引用率':>9}"
223 f"{'位置分':>9}{'正確率':>9}{'AVS':>8}")
224 print("─" * 64)
225
226 for d in dates:
227 rs = list(con.execute("SELECT * FROM results WHERE run_date=?", (d,)))
228 n = len(rs)
229 if not n:
230 continue
231 mention = sum(r["brand_mentioned"] for r in rs) / n
232 citation = sum(r["brand_cited"] for r in rs) / n
233 positions = [r["mention_position"] for r in rs if r["mention_position"] > 0]
234 posscore = (sum(1 / math.log2(p + 1) for p in positions) / len(positions)
235 if positions else 0.0)
236 accs = [r["accuracy"] for r in rs if r["accuracy"] >= 0]
237 acc = sum(accs) / len(accs) if accs else 0.0
238
239 # 引用份額：本品牌提及數 / (本品牌 + 所有競品) 提及數
240 comp_total = 0
241 for r in rs:
242 comp_total += sum(1 for v in json.loads(r["competitor_hits"]).values() if v)
243 mine = sum(r["brand_mentioned"] for r in rs)
244 share = mine / (mine + comp_total) if (mine + comp_total) else 0.0
245
246 avs = 100 * (0.30 * citation + 0.30 * share + 0.25 * posscore + 0.15 * acc)
247 print(f"{d:<12}{n:>6}{mention:>8.0%}{citation:>9.0%}"
248 f"{posscore:>9.2f}{acc:>9.0%}{avs:>8.1f}")
249
250 # 逐題：最近一次 vs 上一次
251 if len(dates) >= 2:
252 cur, prev = dates[-1], dates[-2]
253 print(f"\n逐題變化（{prev} → {cur}）")
254 print("─" * 64)
255 q = ("SELECT prompt_id, category, AVG(brand_cited) c "
256 "FROM results WHERE run_date=? GROUP BY prompt_id")
257 a = {r["prompt_id"]: r for r in con.execute(q, (prev,))}
258 b = {r["prompt_id"]: r for r in con.execute(q, (cur,))}
259 deltas = sorted(
260 ((k, b[k]["c"] - a.get(k, {"c": 0})["c"], b[k]["category"]) for k in b),
261 key=lambda x: x[1])
262 for pid, d_, cat in deltas[:5]:
263 if d_ < 0:
264 print(f" ↓ {pid:<16} {cat:<12} {d_:+.0%}")
265 for pid, d_, cat in deltas[-5:]:
266 if d_ > 0:
267 print(f" ↑ {pid:<16} {cat:<12} {d_:+.0%}")
268 con.close()
269
270
271if __name__ == "__main__":
272 ap = argparse.ArgumentParser()
273 ap.add_argument("cmd", choices=["run", "report"])
274 ap.add_argument("--config", default="prompts.yaml")
275 ap.add_argument("--db", default="geo.db")
276 ap.add_argument("--engines", default="openai,anthropic,perplexity")
277 ap.add_argument("--weeks", type=int, default=12)
278 a = ap.parse_args()
279 if a.cmd == "run":
280 run(a.config, a.db, a.engines.split(","))
281 else:
282 report(a.db, a.weeks)
4.3 成本
規模：50 題 × 2.4 變體 × 3 引擎 = 360 次查詢／輪
項目 單價（概估） 每輪成本
──────────────────────────────────────────────────
帶 web search 的生成 $0.02-0.05／次 $7-18
準確率評分（小模型） $0.002／次 $0.7
──────────────────────────────────────────────────
每輪合計 約 $8-19
每週一次 → 每月 約 $32-76
這是整個 GEO 專案中最便宜、也最不該省的一筆。 沒有它，你無法向管理層證明任何事。
4.4 AI Overview 的處理
AI Overview 沒有官方 API。三個選擇：
方法 可靠度 成本 建議
────────────────────────────────────────────────────────
第三方 SERP API 高 $50-300/月 推薦，多數已支援 AI Overview 欄位
自建瀏覽器自動化 中 工程時間 易被反爬，維護成本高
人工每月抽查 20 題 中 2 小時/月 小團隊的務實選擇
務實建議：API 監測涵蓋 ChatGPT / Claude / Perplexity（可程式化的部分），AI Overview 用人工每月抽查 20 題。趨勢方向通常一致，不需要三個都自動化。
五、從流量側辨識 AI 曝光
程式化監測看的是「模型怎麼說」，流量側看的是「有沒有人來」。兩者互補。
5.1 伺服器日誌：AI crawler 活動
crawler 抓取頻率是「引擎對你有多少興趣」的領先指標，通常領先引用率變化 2-4 週。
1# 從 nginx log 統計各 AI bot 的抓取量與熱門頁
2awk '{print $0}' /var/log/nginx/access.log \
3| grep -Ei "GPTBot|OAI-SearchBot|ClaudeBot|Claude-SearchBot|PerplexityBot|Applebot|Bytespider" \
4| awk '{
5 ua="other";
6 if ($0 ~ /OAI-SearchBot/) ua="OAI-SearchBot";
7 else if ($0 ~ /GPTBot/) ua="GPTBot";
8 else if ($0 ~ /Claude-SearchBot/) ua="Claude-SearchBot";
9 else if ($0 ~ /ClaudeBot/) ua="ClaudeBot";
10 else if ($0 ~ /PerplexityBot/) ua="PerplexityBot";
11 else if ($0 ~ /Applebot/) ua="Applebot";
12 print ua, $9, $7
13 }' \
14| sort | uniq -c | sort -rn | head -40
要盯的三件事：
訊號 意義
──────────────────────────────────────────────────────────
某 bot 的 4xx/5xx 比例上升 存取層出問題 → 立刻查 CDN
某 bot 抓取量歸零 被封鎖或被降級 → 查 WAF 規則變更
抓取集中在少數頁 其他頁沒被發現 → 查 sitemap 與內部連結
抓取量在改版後大增 正向訊號，通常 2-4 週後反映在引用率
5.2 GA4：AI referral 流量
AI 引用帶來的點擊會有 referrer，只是量小、且預設被歸到「Referral」裡看不清楚。
建立一個自訂維度來分流：
1// 在 GTM 或 gtag 設定中，把 AI 來源標記出來
2(function () {
3 var ref = document.referrer || '';
4 var AI_SOURCES = {
5 'chatgpt.com': 'ChatGPT',
6 'chat.openai.com': 'ChatGPT',
7 'perplexity.ai': 'Perplexity',
8 'claude.ai': 'Claude',
9 'copilot.microsoft.com': 'Copilot',
10 'gemini.google.com': 'Gemini',
11 'you.com': 'You.com',
12 'phind.com': 'Phind',
13 };
14 var src = null;
15 for (var host in AI_SOURCES) {
16 if (ref.indexOf(host) !== -1) { src = AI_SOURCES[host]; break; }
17 }
18 // 部分引擎會帶 utm 參數
19 var params = new URLSearchParams(location.search);
20 if (!src && /chatgpt|perplexity|claude|copilot/i.test(params.get('utm_source') || '')) {
21 src = params.get('utm_source');
22 }
23 if (src) {
24 gtag('event', 'ai_referral', {
25 ai_source: src,
26 landing_page: location.pathname,
27 // 設為 user property，讓後續轉換也能歸因
28 send_to: 'G-XXXXXXX',
29 });
30 gtag('set', 'user_properties', { first_ai_source: src });
31 }
32})();
GA4 探索報表的設定：
維度：ai_source, landing_page
指標：工作階段、參與率、平均參與時間、轉換
篩選：ai_referral 事件不為空
要看的是：AI 來的流量「品質」通常明顯高於一般 organic
——因為使用者已經在 AI 那邊被預先篩選過一輪。
5.3 品牌詞搜尋量：真正的下游指標
因為多數 AI 曝光是零點擊的，品牌詞搜尋量的成長才是 GEO 生效的最強證據。
在 GSC 建立一個「品牌詞」篩選（query 包含 brand 名稱及變體），
每月記錄：
• 品牌詞曝光數
• 品牌詞點擊數
• 品牌詞佔總 organic 的比例
搭配 Direct 流量的變化一起看。
如果：AI 引用率 ↑ + 品牌詞搜尋 ↑ + Direct ↑，而一般關鍵字流量持平或微降
→ 這就是 GEO 生效的典型形狀（流量結構在轉移，不是消失）
六、實戰案例 A：B2B SaaS 站的六個月
6.1 起點
公司：一家台灣的 B2B 排程／派工 SaaS（30 人，年營收約 NT$8,000 萬）
網站：Next.js（App Router，但大量 client component）
內容：87 篇部落格、12 個產品頁、1 個文件站
基線量測（2026 年 1 月第 1 週，50 題 × 3 引擎）
──────────────────────────────────────────────
提及率 18%
引用率 6%
引用份額 11%
位置加權分 0.31
描述正確率 52% ← 模型講的定價是兩年前的
AVS 17.4
Coverage Gap 42% ← 一半的題目沒有對應頁面
Engine Variance 21pp ← Perplexity 19%、ChatGPT 2% ← 紅旗
Engine Variance 21pp 立刻指向技術問題，不是內容問題。
6.2 診斷（Week 1-2）
1$ ./ai-crawler-check.sh https://example.com/blog/scheduling-guide/
2USER-AGENT CODE BYTES SERVER
3GPTBot/1.0 403 0 cloudflare
4OAI-SearchBot/1.0 403 0 cloudflare
5ChatGPT-User/1.0 403 0 cloudflare
6ClaudeBot/1.0 403 0 cloudflare
7PerplexityBot/1.0 200 148231 cloudflare
8Googlebot/2.1 200 148231 cloudflare
9bingbot/2.0 200 148231 cloudflare
原因：Cloudflare 的「Block AI Scrapers and Crawlers」開著，而 PerplexityBot 因為當時走另一個判定路徑漏過去了。這個開關是半年前某次資安檢視時打開的，沒有人記得。
第二個問題：
瀏覽器文字量：4,180 字
curl 文字量（Googlebot）：1,090 字（26%）
主要內容包在 'use client' 元件裡，靠 useEffect 抓資料。Googlebot 因為會執行 JS 所以看得到，但即使是 Googlebot 也只拿到部分。
6.3 執行時序與逐月數據
月份 主要動作 AVS 引用率 正確率
──────────────────────────────────────────────────────────────────────
1月 基線量測 17.4 6% 52%
關閉 Cloudflare AI 封鎖 + 加 WAF skip 規則
2月 內容頁改 SSG（generateStaticParams） 24.1 11% 55%
Organization / Article / FAQPage JSON-LD
修正 dateModified（原本是 build time）
3月 20 篇核心文章重寫（九條規則） 31.8 17% 58%
標題改問句、加 TL;DR、補數據與日期
4月 補 9 篇內容缺口（Coverage Gap 42% → 19%） 38.2 22% 61%
每篇加比較表 + FAQ
5月 定價頁大改：把價格寫成 HTML 表格（原本是 44.6 26% 84%
設計稿圖片）+ Product schema
← 正確率從 61% 跳到 84%，單一改動效果最大
6月 Wikidata 條目、G2 檔案、3 篇產業媒體投稿 49.3 29% 86%
Reddit / 社群的真實討論開始出現
6.4 哪些有效、哪些沒效
動作 AVS 貢獻 成本(人天) 投報率
────────────────────────────────────────────────────────────────
解除 Cloudflare AI 封鎖 +6.7 0.5 ★★★★★
定價表從圖片改成 HTML 表格 +6.4 1 ★★★★★
20 篇核心文章重寫 +7.7 22 ★★★☆☆
內容頁改 SSG +3.2 6 ★★★★☆
補 9 篇內容缺口 +6.4 14 ★★★★☆
JSON-LD 全套 +2.1 3 ★★★☆☆
實體層（Wikidata / G2 / 媒體） +4.7 12（+持續） ★★★☆☆
────────────────────────────────────────────────────────────────
沒有可測量效果的動作：
• 把 87 篇舊文全部加 FAQ（只有核心 20 篇有效，長尾無感） -8 人天
• Core Web Vitals 從 72 分優化到 94 分 -5 人天
• llms.txt / llms-full.txt -0.5 人天
• 大量內部連結補強 -3 人天
兩個最重要的教訓：
最大的兩筆收益來自「修 bug」，不是「做內容」。半天的 Cloudflare 設定，效果超過三週的內容重寫。先做 Layer 1 這件事不是理論，是實測。
「全站一起做」是浪費。87 篇文章全加 FAQ 花了 8 人天，效果為零；20 篇核心文章的重寫才有效。用 prompt set 決定要改哪些頁，不要平均分配資源。
6.5 商業結果
指標 1 月 6 月 變化
────────────────────────────────────────────────────
AI referral 工作階段 310 2,840 +816%
AI referral 轉換率 — 4.8% （一般 organic 為 1.9%）
品牌詞曝光（GSC） 12,400 29,600 +139%
Direct 工作階段 8,900 14,200 +60%
一般關鍵字 organic 41,200 38,700 -6%
──────────────────────────────────────────────────
MQL 總數 142 219 +54%
其中「來源不明／直接」 38% 51% ← 歸因困難度上升
最後一列值得注意：GEO 成功的副作用是歸因變差。越多人因為 AI 而認識你，越多轉換會被歸到 Direct。這在向管理層報告時必須先講清楚，否則會被質疑「這些是自然成長」。
應對方法：在表單加一題「您怎麼知道我們的？」，選項包含「ChatGPT / Claude / Perplexity 等 AI 工具」。這是最便宜也最可靠的歸因補強。該公司加了這一題之後，6 月有 17% 的 MQL 選了 AI 工具。
七、實戰案例 B：本地服務業（對照組）
不是每個產業的結果都一樣。這是一個效果較弱的案例，用來校準期待。
公司：北部一家連鎖牙醫（6 家分院）
起點 AVS：8.2
6 個月後：19.4（+11.2）
有效的：
✔ LocalBusiness / Dentist schema + 每家分院獨立頁
✔ 診療項目頁改成問句式標題（「植牙一顆多少錢？」）
✔ 明確標示價格區間（原本寫「請來電洽詢」） ← 效果最大
✔ Google Business Profile 與官網資訊完全一致
無效的：
✘ 大量衛教文章（醫療 YMYL 主題，模型強烈偏好
衛福部、醫學會、大型醫院的內容——這是合理的）
✘ 醫師介紹頁（除非醫師本人有學會職務或論文）
結論：YMYL 領域（醫療、金融、法律）的 GEO 天花板明顯較低，
權威來源的優先權遠高於任何內容優化。
資源應該放在「交易型與在地型查詢」，不是「知識型查詢」。
這個對照很重要：如果你在 YMYL 領域，設定「引用率 30%」的目標是不切實際的。合理目標是在「XX 地區有哪些 XX」這類在地與交易型查詢上取得高份額。
八、ROI 試算
六個月投入（案例 A）
────────────────────────────────────────────────
工程 12 人天 × NT$8,000 = NT$ 96,000
內容 48 人天 × NT$5,000 = NT$240,000
實體層 / PR 12 人天 × NT$6,000 = NT$ 72,000
監測 API 費用 6 個月 × NT$1,800 = NT$ 10,800
SERP API（AI Overview）6 個月 × NT$3,000 = NT$ 18,000
────────────────────────────────────────────────
合計 NT$436,800
六個月產出
────────────────────────────────────────────────
新增 MQL +77 個（142 → 219，月均）
MQL → 成交率 8%（該公司歷史值）
新增成交 ≈ 6 個
平均客戶首年營收 NT$180,000
────────────────────────────────────────────────
新增年營收 ≈ NT$1,080,000
首年 ROI ≈ 147%
（含續約的三年 LTV 計算，ROI 約 380%）
必須誠實標注的假設：
- 這 77 個 MQL 中，有多少是 GEO 帶來、有多少是同期其他行銷活動的貢獻，無法完全切乾淨。表單自陳的 17% 是下限，實際可能在 25-40%。
- 若只算表單自陳的 17%，新增成交約 1 個，首年 ROI 為負，需要三年 LTV 才轉正。
- 不要在提案時只講樂觀版本。給區間，說明假設，比事後被質疑好。
保守版本的講法：
「六個月投入約 44 萬。可直接歸因的新增營收約 18 萬（首年），
三年 LTV 約 54 萬 → 三年 ROI 約 23%。
加上無法直接歸因但高度相關的品牌詞成長 139%，
實際回報應高於此數，但我們不會用無法驗證的數字提案。」
九、常見的量測陷阱
陷阱 後果 解法
──────────────────────────────────────────────────────────────────────
只測一次就下結論 LLM 有隨機性，單次結果 同一題跑 3 次取多數；
波動可達 ±15pp 或固定 temperature=0
prompt set 都是品牌詞 看起來分數很高但無意義 品類發現題要佔 30%
（問你的名字當然提到你）
沒有記基線 無法證明任何改動有效 改之前一定先跑一輪
改太多東西才量一次 不知道哪一項有效 每月只推 1-2 個大改動，
量完再推下一批
用不同的 prompt set 比較 趨勢完全失真 prompt set 一旦定案就凍結；
要擴充就另開一組並行
忽略 Engine Variance 花三個月改內容，其實是 每輪報表都看各引擎分項
某個引擎被 CDN 擋了
把「提及」當「引用」 高估成效 分開記錄：提及 ≠ 附連結引用
沒有量描述正確率 被引用但被講錯， brand 類題目一定要有
比不被引用更傷 facts 欄位做評分
十、系統效應：整個系列做完之後
面向 改造前 改造後
──────────────────────────────────────────────────────────────────────
AI crawler 存取 4/8 被擋，無人知曉 8/8 通過，CI 每週自動驗
內容可見度 無 JS 時只有 26% 98%
被引用單位 整頁（且多半是首頁） 段落級（帶錨點的深層引用）
結構化資料 零散或缺失 四類 schema 互相 @id 引用
內容標準 憑寫手個人習慣 九條規則 + CI 分數門檻
新內容品質 上線後才發現問題 PR 階段就被擋下
量測能力 憑感覺 AVS 週報 + 逐題變化
歸因能力 AI 流量完全隱形 ai_source 維度 + 表單自陳
組織能力 一次性專案 六個角色的固定職責
量化（案例 A，六個月）
──────────────────────────────────────────────────────────────────────
AVS 17.4 49.3 +183%
引用率 6% 29% +23pp
描述正確率 52% 86% +34pp
Coverage Gap 42% 11% -31pp
Engine Variance 21pp 4pp 技術問題消失
AI referral 310 sessions/月 2,840 +816%
品牌詞曝光 12,400 29,600 +139%
MQL 142/月 219/月 +54%
最後三句話
先修管線，再寫內容。 案例 A 中投報率最高的兩件事都是「修 bug」，總共花了 1.5 人天，貢獻了 27% 的 AVS 成長。在你確認 8 個 bot 都能拿到完整內容之前，不要開始寫任何新文章。
用 prompt set 決定資源分配。 平均用力是最貴的做法。87 篇文章全改的效果，不如 20 篇對的文章改到位。
量測不是為了報告，是為了下一次決策。 每週的 AVS 數字本身沒有意義；有意義的是「這一題上升了，因為上週我們改了那一頁」——這條因果鏈，才是讓 GEO 從專案變成能力的東西。
本系列文章：
- Part 1：概念篇 — 當搜尋結果不再是十條藍色連結
- Part 2：原理篇 — AI 引擎如何檢索、選擇與引用你的內容
- Part 3：方法篇 — 內容、結構、技術三層優化策略
- Part 4：實作篇 — 把一個網站改造成 AI 可引用
- Part 5（本篇）：量測與案例篇 — 建立監測系統與六個月實戰復盤
- Part 6：實戰案例 — 大型企業官網（多語系 + AWS + 法遵）
- Part 7：實戰案例 — 電商網站（12,000 SKU + 價格新鮮度）
- Part 8：實戰案例 — 單頁式產品 Landing Page
- Part 9：實戰案例 — 線上課程平台（付費牆 + 影片）
- Part 10：實戰案例 — 私有 Repo 與內部知識庫
- 商業篇：Part 11 市場 ｜ Part 12 GEO vs SEO 判斷 ｜ Part 13 顧問方法論 ｜ Part 14 產業劇本 ｜ Part 15 工具與技術棧 ｜ Part 16 規模化
