一、问题起点：为什么需要一只“天眼” 用户的入口正在从“搜索框”转向“对话框”。当用户直接问 AI“这个品类哪个品牌靠谱”，AI 通常只给出一个整合后的答案——品牌要么被提及、被引用、被首推，要么彻底消失。相比传统搜索的十条蓝色链接，这带来三个结构性变化：
答案唯一化：没有“第二页”，沉默等于出局； 信任转移化：用户把可信度判断外包给模型，模型引用谁，谁就获得公信力； 可见度碎片化：豆包、DeepSeek、通义千问、文心一言、元宝、Kimi 的信源偏好、召回逻辑、回答形态各不相同，同一品牌在不同引擎中可能命运迥异。 问题在于，这个新的“战场”是黑箱的：模型说了什么可以观测，但它凭什么这么说、引用了谁、下次还会不会这么说，在大多数回答里并不可见。GEO 天眼系统的技术使命，就是把这个不可见的黑箱，转化为可记录、可对比、可复现的结构化数据面。
二、系统定位与设计原则 天眼系统的定位应是中立的第三方观测平台，而非优化工具本身。由此推导出四条硬性原则：
原则 含义 工程落点 只观测不改写 不做内容干预，保证数据审计级公信力 采集链路与优化链路物理隔离 可溯源 每条结论能回溯到具体 Prompt、平台、回答段落 全量原文留存 + 字段级血缘 可复现 同一问题多次采样，给出置信边界 采样规范 + 方差控制 口径统一 跨模型指标定义一致，才能横向对比 统一 JSON Schema 与实体体系 三、总体架构：五个层次 复制 应用层 品牌看板 / 竞品对比 / 跨平台一致性 / 告警 / API 与白标报告 分析层 归因引擎 / 波动检测 / AI 幻觉验真 / 声量份额(SOV) 算法层 品牌力指数 / 位次得分 / 情感极性 / 实体归一化 数据层 probe → answer → mention → citation 关系模型 采集层 多模型探测引擎（API + RPA 真机双通道） 核心是采集层的双通道设计：官方 API 通道稳定、结构化、成本可控，但覆盖面受限、且不反映真实用户上下文；RPA 真机通道模拟真实用户在多轮对话中提问，能拿到最接近用户体验的回答，但面临反爬、验证码与限流。成熟系统通常以 API 为骨架、RPA 为补充，并用同一套 Prompt 库对齐两条通道的口径。
四、关键技术一：探测引擎与采样规范 这是全系统的地基，也是最容易被低估的部分。
Prompt 库构建：从用户真实意图反推，形成“用户群体 → 场景问题 → 意图 → 提示词”四层拆解。库要覆盖品类词、场景词、对比词、决策词。 真机环境模拟：多轮对话、地域化 IP（GeoHash 标签）、账号/会话指纹，用于还原本地生活等强地域场景，也用于规避个性化推荐带来的偏差。 采样规范：生成式输出是概率性的。同一问题需在固定时间窗、固定会话条件下多次采样，统计均值与置信区间，并记录模型自报版本——否则“本周可见度涨了 10%”可能只是采样噪声。 成本与限流治理：多模型 × 多 Prompt × 多轮次 × 多地域，探测量呈乘数级放大。需要调度队列、去重、增量探测与频次分级（核心词日级、长尾词周级）。 五、关键技术二：数据模型——四张表定乾坤 引用溯源的本质是一张“提问—回答—提及—来源”的关系表：
probe：探测任务（question_text、model、model_version、locale、run_at、account_seed） answer：回答原文（raw_text，原样保存不清洗） mention：品牌/竞品提及（entity_name 归一化、mention_surface 原始字面、type、sentiment、字符偏移 position） citation：引用来源（cited_url、来源域名权威性等级） 两个工程要点：原文不加工（保留全部证据）；实体归一化要先做别名消歧（品牌全称/简称/英文名/错误写法），否则可见度会被系统性低估。
六、关键技术三：指标体系 把“AI 可见性”这个抽象概念量化成可汇报、可比对的分数，需要一套加权模型。业界常见的形式是：
复制 品牌力指数 = 可见度 × 50% + 位次得分 × 30% + 引用比 × 20% 位次得分 = (竞品数 + 1 − 本品牌排名) / 竞品数 × 100 配套的 20+ 项指标大致分为四组：
曝光类：品牌提及率、曝光量、首次收录时效 竞争类：推荐位次、首推率、声量份额（SOV）、竞品交叉对比 信源类：引用比（Citation Ratio）、信源结构分布、域名权威等级 认知类：情感倾向、实体识别准确度、错误信息占比 其中跨平台一致性是近年上升最快的指标——它回答的不是“我在 A 引擎表现如何”，而是“我在每个引擎与竞品的差距分别有多大”，直接指导资源分配。
七、关键技术四：引用溯源与幻觉验真 这是“天眼”真正的技术纵深，解决“AI 说的到底有没有依据”。
URL 抽取：从回答中提取可点击/可标注的引用链接；无链接时标记为“无来源实体描述”。 文本指纹：对待验段落做句子级切片，用 SimHash / MinHash 提取语义指纹。 全网倒排 + 近似最近邻检索：在亿级网页库中 ANN 搜索权威信源，做交叉比对。 置信度评估：判定该段落是“有权威信源支撑”还是“模型虚构”，输出逐句验真报告。 这一步的价值已超出营销范畴，与 AI 安全、幻觉识别、信源追溯深度绑定。
八、关键技术五：归因与波动分析 监测若不能归因，就退化成截图报表。系统需要：
基线报告：优化启动前各平台可见度初始值； 波动检测：指标异常自动标记，并提示可能原因（模型版本迭代 / 竞品动作 / 信源失效）； 对话级归因：构建“Prompt—回答—信源”关联图谱，回答“为什么这条内容被引用、那条没有”。 九、工程挑战与合规边界 采样方差：不做多次采样与置信区间，结论不可靠； 口径漂移：模型静默更新会带来效果波动，需要版本感知与快速适配能力； 反爬与合规：RPA 采集须遵守平台条款，数据采集范围应受约束； 信源分级：行业团体标准已开始将信源按可信度分级（如 A/B/C/D），并建议品牌知识库拆分为事实库、观点库、营销表达库分开存储——监测系统的信源分析应与之对齐； 拒绝“保证上榜”：任何承诺“保证 AI 推荐位次”的服务都不符合行业规范。透明数据交付（基线报告、失分分析、持续追踪）应替代结果保证。 十、演进方向 多模态化：从文本答案扩展到图文、视频答案的可见度监测； Agent 时代：监测对象从“内容被引用”走向“服务被 AI 调用”，天眼需要观测品牌的 API/工具在 Agent 编排中的被调用率； 平台化与标准化：开放 API、白标报告、跨企业统一口径，成为管理层的常规决策基础设施； 与 AI 安全融合：幻觉识别、信源追溯将与合规审计要求绑定。 结语 GEO 天眼系统的本质，是在生成式时代为品牌重建一套可观测性基础设施。它不生产内容、不承诺排名，而是回答三个最硬的问题：AI 有没有提到我？引用的是谁？这个结论的置信边界在哪里。谁能把这三个问题变成日常可查的数据，谁就掌握了 AI 时代的品牌“解释权”与“推荐权”。