如何选择最适合用于监测 AI 搜索可见度的提示词

在分析回复时，识别潜在的行动步骤是我们重点关注的一部分。

例如，当我们推出自定义提示词跟踪等新功能时（没错，有点“元”），我们会想知道：AI 的回答是否已经体现 Ahrefs 现在具备这项功能，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 传统上关注的地方）上很突出，也会出现在 Bing、Brave Search 和自定义索引中。

除了回应的准确性之外，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，我们并不只关注跟踪自定义提示词。

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 中数千万条提示词的洞察，也构成了我们监测的一部分。

我们再深入聊聊如何把相似要点分组，因为这是我们整体看待提示词跟踪方式中的重要一环。

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，将“5”改为更大的数字。

如果你的网站是新站、目前搜索流量不多，或者你只是调研另一个行业，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话题总体上更受欢迎。

这里最显眼的域名是 Reddit，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 特性能在结果中出现。

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。

如果该页面还没有在任何查询中获得排名，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知有搜索量的关键词。

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，他在他的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词。

他专门做了一个自定义工具，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，但这里有一段来自它的 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以前真实被问过的问题。

有人告诉我，这些内容是由一个 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会基于这些数据自然延伸出的下一个问题。

从我们的目的来看有点可惜的是，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，我通常会直接用这些问题原样去观察：随着时间推移，哪些品牌、域名以及回复类型出现得最频繁。

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你可以这么做的方法。

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。

你可以逐个点击进入这些内容，找出你可能想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作内容，你可以在这些国家/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机器人；相反，它会在用户向 ChatGPT 或自定义 GPT 提问时使用，而该页面可能会帮助生成回答。

除了传统的搜索机器人外，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思路，例如：

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

• 找到相关的“其他用户还问了以下问题”中的问题，这些问题也会出现在其自然排名结果中

• 向 LLM 询问人们可能会用来找到该页面的相关问题

这两种来源各自都很有用，但如果能结合更多数据点来交叉验证，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缺口（Content Gap）。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，这里也会有一些词，你大概率并不想因为它们而被引用。

取决于你使用的平台，“什么是木工？”可能无需进行任何网页搜索，也不会附带来源链接就能被回答。

如果你经营一家线上木工学校，或提供公司注册服务，你可能会想选取一个持续有人搜索的短语（如“如何开一家木工公司”），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，你可以跟踪与以下内容相关的回答：

• 你当前的定价

• 客户的相关优先考量，例如价格实惠、可靠性或舒适度

• 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，他可以利用帮助文档、销售通话文字稿、私下沟通记录，以及销售作战卡等额外资源中的数据，来理解他们希望在 LLM 中如何被呈现。

从那里开始，他的团队会创建关键问题的提示词，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结果。

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

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：它会对词条进行个性化处理，而不是构建“完整”的人物画像。

他会向 LLM 输入这样的提示词：“如果我是正在寻找 [Keyword] 的 [Persona]，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有多高。