如何选择最佳提示词来监测 AI 搜索可见度

在分析回答时，识别潜在的行动步骤是我们关注的重点之一。

例如，当我们推出自定义提示词跟踪等新功能时（我知道，这有点“套娃”），我们会想知道 AI 回答是否反应出 Ahrefs 现已具备这项功能，还是仍在引用过时的信息来源。

监测多个 AI 平台，可以发现品牌在一些网站上的提及，这些网站不仅在 Google（SEO 从业者传统上关注的地方）上表现突出，在 Bing、Brave Search 和自定义索引中也同样如此。

除了回答的准确性之外，我们主要关注：有哪些经常被引用的网站值得建立联系，SEO 平台有哪些被频繁提及的功能和使用场景需要我们更好地覆盖，以及我们的核心产品/服务相较于竞争对手处于什么位置。

不过，我们并不只专注于跟踪自定义提示词。

服务器日志中的 AI 爬虫活动、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，也都是我们监测的一部分。

接下来，让我们深入探讨如何将相似要点分组，因为这是我们整体看待提示词跟踪时的重要一环。

你也可以使用以下正则表达式来找出所有长度至少为 6 个词的查询：^(\S+\s+){5}\S+。如有需要，可以将“5”改为更大的数字。

如果你的网站是新站、目前搜索流量还不多，或者你只是在研究另一个行业，也可以在 Ahrefs 的 Keywords Explorer 工具中用同样的词做筛选。

虽然预估搜索量永远无法与 AI 聊天量完全对应，但这种方法能让你大致了解哪些主题总体上更受欢迎。

Reddit 是其中最突出的域名，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，这样就能直接搜索与你主题相关的论坛，而不是只能寄希望于 SERP 特性恰好出现在结果中。

问题能引发大量评论当然很好，但我通常更关注那些最常出现的角度。

如果该页面尚未针对任何查询获得排名，你可以用 Ahrefs Keywords Explorer 等工具的数据来替换那部分内容，分享你正在瞄准且已有已知搜索量的关键词。

和 SEO 中的很多事情一样，你可以把这个概念提升到更高的层次。

最近几个月我很喜欢读 Metehan Yesilyurt 的文章，他在一篇指南中提出了一个更深入的提示词，用于把 GSC 数据转化为更长的查询。

他还专门构建了一个自定义工具，用来把常规搜索词转换为 LLM 风格的提示词。

出于尊重，我不想把全部内容都分享出来，但这里有一段来自其 app.py 文件的示例：

我想 Metehan 会同意，你的前后对比示例越具体越好。

在向 Perplexity 提问行业相关问题时，有个很实用的功能：每次聊天结束时，它都会推荐相关的后续查询。

我联系了 Perplexity，询问这些是否使用了此前被问过的真实查询。

对方告诉我，这些是由一个 AI 模型生成的，该模型会使用原始查询 以及 其结果。本质上，它们就是该模型认为基于这些数据会自然延伸出的下一组问题。

对于我们的目的来说，有点可惜的是，它们并非基于历史查询，但 Perplexity 会希望这些问题尽可能相关，所以我仍然觉得研究它们很有价值。

如果你点击任意标题将其展开，Google 还会提供更多建议查询。

在研究我不太熟悉的行业时，我通常会直接使用这些问题，看看随着时间推移，哪些品牌、域名以及回答类型出现得最频繁。

对于更严肃的工作和个人项目，我会把它们当作基础，再进一步扩展。我会在 Keywords Explorer 的“问题”标签页那一节介绍一些具体方法。

如果你想扩大分析规模，可以同时使用 Ahrefs Toolbar 和 Detailed SEO Extension，自动提取多层级的“其他用户还问了以下问题”标题。

你可以逐个点击这些主题，找出可能想要修改并继续跟踪的查询。

例如，如果你最近开始为特定地区创建内容，就可以在相应国家/地区跟踪这些词，或在提示词中明确提及该国家/地区。

你也可以自行设置精确的更新频率，例如每天、每周或每月。

除了传统的网站分析，你还可以深入查看服务器日志。

下面我们可以看到，ChatGPT-User 在七天内何时请求了 Detailed.com 上的页面。

这不是一个持续抓取网页的爬虫；相反，它会在用户向 ChatGPT 或自定义 GPT 提问时被调用，而该页面可能有助于生成回答。

除了传统的搜索爬虫外，你还可以查看来自 Perplexity-User (Perplexity)、DuckAssistBot (DuckDuckGo) 以及 MistralAI-User (Mistral) 等的请求。

然后，你可以根据本指南中的建议获取提示词灵感，例如：

• 在 Google Search Console 中查看为该页面带来流量的搜索词

• 查找相关的“其他用户还问了以下问题”，这些问题也会出现在该页面获得自然排名的搜索结果中

• 向 LLM 询问人们可能会用来找到该页面的相关问题

这两种来源单独来看都很有价值，但如果能有更多数据点作为补充，与它们结合起来分析会更好。

这个工具的另一个好处是能突出显示你网站上可能存在的内容差距。你之所以没能获得展现，可能只是因为你的网站里没有与这些主题相关的页面。

当然，这里面也会有一些词，你大概率并不想因为它们而被引用。

根据你使用的平台，“什么是木工？”可能不需要任何网络搜索或附带的来源链接就能回答。

如果你经营一所线上木工学校，或提供公司注册服务，你可能会想选取“如何创办木工公司”这一类持续有人搜索的短语，并将其变体作为一个单独的聚类来跟踪。

对于你自己的品牌，可以跟踪与以下内容相关的回答：

• 当前定价

• 客户相关的优先考量，例如价格是否实惠、可靠性或舒适度

• 是否提供某些功能

• 人们常见的抱怨

• 与头部竞争对手相比表现如何

Notebook Agency 创始人 Steve Toth 强烈主张检查 AI 对你品牌的看法是否与现实一致。

他告诉我，在为客户做项目时，他会利用帮助文档、销售通话文字稿、私人通话，以及销售作战卡等额外资源中的数据，来了解他们希望如何在 LLM 中被呈现。

在此基础上，他的团队会围绕成交关键问题创建提示词，并衡量回答的准确性。如果发现有出入，他们会通过在自己的网站以及其他网站补充内容来影响这些回答。

为此，你可以尽可能多地使用内部数据来源，例如客户支持聊天记录、广告数据、站内搜索（覆盖博客文章、帮助文档等）以及你能想到的任何其他来源。

如果你不想走这条路，我很喜欢 Mark Williams-Cook 分享过的一个简单公式，它会对搜索词进行个性化处理，而非构建“完整”的用户画像。

他会向 LLM 输入这样的提示词：“如果我是正在寻找 [关键词] 的 [用户画像]，我可能会搜索什么？”

拿它来试着玩玩很有意思，但正如我所说，我们并不知道这些结果与真实个性化的贴合程度究竟有多高。