「AI 可见性评分」这个行业目前没有统一标准。同一个词在不同产品里可能是三件不同的事： 品牌被 AI 口头提到（mention）、回答里附上了你的链接（citation）、还是 AI 训练语料里存在你的内容。 口径不公开的分数没有比较价值，因此我们把自己每一类分数的完整计算过程写在这里—— 它与线上运行的代码逐一对应，你可以用任何一次检测报告里的原始数据手工复算出同样的分数。
站点检测总分 = 爬虫可达性 × 50% + AI 认知 × 50%
首页检测（域名报告页）的总分由两个子分各占一半构成，四舍五入取整：
- 爬虫可达性分（0~100）：从 100 分起扣。核心 AI 爬虫在 robots.txt 被屏蔽，每只扣 6 分 （此项最多扣 30 分）；检测项未通过每条扣 20 分（UA 模拟访问类扣 15 分）； 检测项为警告状态的，llms.txt 缺失扣 8 分、sitemap 缺失扣 6 分、其余每条扣 4 分，最低 0 分。
- AI 认知分（0~100）：向当前接入的全部 AI 平台逐一提问"你是否了解这个网站"， 评审模型按应答内容分档——描述准确计 100、大致了解计 70、张冠李戴计 40、不认识计 10， 各平台取算术平均；提问失败的平台不参与平均，不拖低分数。
认知提问前会先做一轮联网检索，把检索到的本站页面注入提问上下文，模拟 AI 的联网应答状态； 检索失败时降级为纯参数知识提问。两种模式都会在报告里标注，因此同一域名在不同时点的认知分 可能因检索结果差异而小幅波动——这反映的是真实波动，不是口径变化。
品牌 GEO 得分 = 提及率 × 40% + 首推率 × 30% + 正向率 × 30%
品牌 GEO 诊断围绕一组固定问题向各平台提问，逐条回答统计三个比率后加权：
- 提及率：回答了该问题的所有平台中，提到主品牌的回答占比。
- 首推率：提到主品牌的回答中，将其列为第一个推荐的比例（以评审模型提取的品牌出现顺序为准）。
- 正向率：提到主品牌的回答中，评审判定为正面态度的比例（中性不计入正向）。
得分对应四个阶段：0~24 为「不可见」、25~49 为「被提及」、50~74 为「被推荐」、75~100 为「被首推」。 监测功能启用后问题集会被固化（首次诊断时确定，之后巡检复用同一组问题）， 保证分数趋势的变化只来自 AI 应答变化，不含问题集漂移的噪音——趋势可比性优先于问题集的适时更新。
文章 GEO 得分 = 问题覆盖率 × 70 + URL 引用率 × 30
文章检测先抓取正文、生成 10 个该文可回答的真实问题，再逐平台提问并做双口径判定： 评审文本判定该回答是否提及本文（覆盖率），代码从回答里提取链接判定是否附出本文 URL （引用率，同域其他页面计一半口径另行列示）。双口径分开列示的原因很简单： 被口头提到和被附链接是两种价值，混在一起会掩盖"叫好不叫座"（都提你但没人链你）的真实情况。
这些分数不做什么
- 不做跨平台加权：各家 AI 平台按等权处理。我们没有可靠的各平台市场份额数据，引入拍脑袋权重只会制造虚假精确。
- 不承诺绝对可比：分数设计目标是同一对象的趋势追踪与优化验证，横向对比两个不同行业站点的绝对分值意义有限。
- 不把展示维度计入总分：联网检索命中、官网引用率、页面语义信号等在报告里单独展示但不参与计分，保持历史分数可回溯比较。
- 不隐藏失败：平台提问失败、检索失败、数据库不可用时，报告与榜单按降级口径如实标注，不会用缓存或估算值填充。
AI 的回答本身存在采样随机性，单次检测的分值应理解为一次采样而非精确测量。 正确的用法是开启监测、固定问题集、按周观察趋势——单日 3~5 分的波动是正常噪音， 连续两周三同方向变化才是信号。这也是我们把"分数涨跌"而不是"分数绝对值"放在榜单与告警核心位置的原因。