2026年6月12日 · 10 分钟阅读
从「监控一切」到「按 Focus 监控」：一个 Focus 只盯一个 archetype
把所有 AI 可见性均匀地全盘监控，既昂贵，又会悄悄侵蚀你的决策能力。本文把「把品牌到处都看一眼」式的含糊监控，替换成 VeReach GEO 真正出货的单元——一个 Focus 只监控一个 archetype（八类查询形态之一），每个 archetype 自带一族 KPI 与一道 brand guardrail（品牌护栏）——并讲清如何规划你的头两三个 Focus。
先把结论放在最前面：把所有 AI 可见性「均匀地、全盘地」监控，既是在浪费预算，也是你的决策始终模糊不清的最大原因。 把无差别的引用计数往仪表盘上堆，并不能回答那个真正要紧的问题——「那我到底该改什么？」你真正需要的，是按 Focus（焦点）监控：在采集任何一个数据点之前，先把要回答的「问题种类」钉死。而在 VeReach GEO 里，一个 Focus 不是「随便追一下品牌」的松散标签——它只监控一个 archetype（原型），即八类查询形态中的一个，每个 archetype 都自带一族协调一致的 KPI，以及一道让查询集合保持诚实的 brand guardrail（品牌护栏）。
本文讲清均匀监控为什么会崩，用一张表摊开八个 archetype，并实打实地讲怎样规划你的头两三个 Focus。
1. 为什么「全盘均匀监控」会崩
刚开始做 AI 搜索监控的团队，本能反应往往是「把主流引擎全跑一遍，把能想到的 query 全撒一遍，每天都跑」。看上去很全面、很稳妥。但它在两个层面上都是错的。
第一，跨引擎的重叠很小。 ChatGPT 引用的 URL 和 Perplexity 引用的 URL 大部分各走各的，而 AI 的引用本身每月就能波动 40–60%。「把所有引擎均匀地看一遍就能掌握全貌」这个隐含前提，本身就不成立。如果不去挑出真正重要的东西，每个引擎的数字都只是一份你从未界定过的、半生不熟的样本。
第二，问题不同，需要的指标也不同。「我们在品类里被推荐了吗」和「AI 说出我们的价格时它对不对」并不是同一项监控工作。它们要投的 query、要追的成功指标、对「好」的定义都不一样。用同一套 playbook 把两者一并涂掉——拿一个品牌关键词朝所有引擎一投，再数一个笼统的「提及数」——正是 GEO 里最常见、也最昂贵的浪费。市场的节奏快到不容你这样浪费预算：日本的 AI 搜索8 个月增长 3.5 倍（博报堂），46.4% 的日本 B2B 采购方称自己是通过 AI 找到供应商的（LANY）。
监控本身是有成本的。要在真实环境下观测 AI 界面，需要跨越地域、语言、设备、个性化分布的独立环境与采样。正因如此，决定每个 Focus 回答哪一类问题，和决定要追踪什么一样具有战略性。
2. Focus 到底是什么
VeReach GEO 的层级很简单：Organization → Project → Focus → KPI。Project 是一个纯粹的 UI 文件夹——它不带 schema，只负责分组。真正干活的单元是 Focus：被监控的实体，把「盯着数字看」变成「回答一个业务问题」。
Focus 把 追踪什么 × 你在回答哪个业务问题 落到了可运行的形态——但出货的具体结构是很精确的。它的统治规则是：
一个 Focus 只监控一个 archetype。 一个 archetype 产出一组同质的 query，而这组 query 能被单独一族 KPI 公平地解释清楚。Focus 之所以能保持可解释、而不沦为又一块「无关数字的仪表盘」，原因正在于此。
如果你想把「我们在品类里被推荐了吗」和「我们标出的价格对不对」塞进同一个 Focus，query 集合就会变得异质，没有任何单一 KPI 族能公平地给它打分。所以别塞——把它们拆成两个 Focus，各自坐在一个 archetype 上。
每个 Focus 还持有把那个 archetype 跑好所需的机件：
- brandName + 带类型的 brandVariants（片假名 / 平假名 / 汉字 / 罗马字 / ascii——日本市场特有的写法波动）
- trackedEntities，带角色（self / competitor / reference / other）——这驱动 Share of Voice 与 competitor gap
- 一组 prompt，带
samplesPerCell（默认 10——每个 prompt × 引擎查询 N 次，把 LLM 的随机性平均掉） - 一种 web-grounding 模式（all / 仅 JP tier-1 / allowlist / blocklist）
- 一个采集 cadence（自动采集的排程）
- 它自己的时间序列存储——每次 run 都成为这个 Focus 时间线上的一个点
追踪的引擎是 ChatGPT、Gemini、Claude、Perplexity（经 OpenRouter）。
3. 八个 archetype
这是核心。每个 Focus 都从这八类查询形态里恰好挑一个。brand guardrail——self 与 competitor 两条轴，各自取 forbidden（禁止）/ optional（可选）/ required（必填）——负责让 query 集合不跑形：一个点名品牌的比较，绝不会泄漏进一个无品牌的品类推荐 Focus。
| # | archetype | 它回答的 GEO 问题 | brand guardrail |
|---|---|---|---|
| 1 | 品类推荐（Category recommendation） | 「当用户向 AI 询问我所在品类的选项时，我有没有被推荐、被排进去、排第一？」 | brandless——不点名任何品牌 |
| 2 | 正面对比（Head-to-head comparison） | 「在点名的 X vs Y 对比里，AI 偏向我们吗？这些说法准确吗？」 | self + competitor 都点名 |
| 3 | 品牌直问·声誉（Brand-direct reputation） | 「被直接问到我们时，描述是否准确、正面、无危机？」 | 仅 self |
| 4 | 事实准确性（Factual accuracy） | 「AI 说出我们的价格 / 规格 / 功能时，对照官方对不对？」 | 仅 self |
| 5 | 活动·时效（Campaign / freshness） | 「AI 知不知道我们最新的发布 / 活动，并引用了官方来源？」 | 仅 self |
| 6 | 权威·引用（Authority / citation） | 「在我们拥有数据的话题上，AI 有没有把出处归于、并引用我们？」 | brandless——点名话题 |
| 7 | 差异化显著度（Differentiation salience） | 「我们的差异点有没有被呈现，还是被抹平成『和竞品一样』？」 | self + competitor |
| 8 | 意图覆盖（Intent coverage） | 「在无品牌的品类意图里，哪些被竞品垄断，哪些被我们漏掉？」 | brandless |
有一个区别别搞混：subject angle（主体切角）——你是围绕公司、品牌、还是某个具体产品来组织——与 archetype 是正交的。它只负责填 prompt 里的 {{brand}} 槽位，并不改变你坐在哪个 archetype 上。guardrail 统治形态，subject angle 只是给它做装饰。
4. KPI——八个 builtin，外加 archetype 的自定义族
每个 Focus，无论 archetype，都追踪同样的八个 builtin KPI，从每次 run 的 score summary 算出，并以「每次 run 一个点」投影到时间序列上：
- Visibility（可见性）——可见性分
VS = 0.4·Coverage + 0.3·Position + 0.3·Influence - Share of Voice
- Weighted share（加权份额，按日语来源加权）
- Sentiment ratio（情感比）
- Own mentions（自家提及）
- Competitor mentions（竞品提及）
- Citations（引用）
- Competitor gap（与竞品的差距）
这是共同的脊梁。在它之上，每个 archetype 各自建议一族自定义 KPI——由 LLM 或运营者定义的抽取维度（valueType：label / score / percent / presence），由创作 agent 实体化进 Focus 的响应 schema。要点是：自定义 KPI 必须能公平地解释那个 archetype 产出的 query。两个例子：
- 正面对比 → 「结论偏向我们 / 竞品 / 平局」（label）、「对照官方的说法准确度」（score）。
- 事实准确性 → 「所述事实正确 / 部分正确 / 错误 / 未提及」（label）、「是否出现幻觉细节」（presence）。
别把无关的数字堆上仪表盘——要产出一份直指行动的诊断。因为 archetype 一步就把 query 形态和 KPI 族一起钉死，「追什么」和「怎么打分」是靠结构对齐的，不是靠祈祷。
Focus 也可以由对话式 agent 来创建：描述品牌、选定 archetype，agent 就会提出 prompt 集合、自定义 KPI 与响应 schema，并直接触发一次 run——设计一个 Focus 这件事本身，变成了一场对话。
5. 如何规划你的头两三个 Focus
一旦你决定不再「监控一切」，最多就建两三个 Focus，先确认见效，再去扩张。挑的是 archetype，不是关键词。
Focus 1——品类推荐（brandless）
先从 archetype #1 开始。它回答每个品类领跑者都需要的问题：当用户不点你的名向 AI 询问你所在品类的选项时，你有没有被推荐、被排进去、最好排第一？guardrail 规定它 brandless，于是 query 集合就成了对品类存在感的纯粹检验，而不是对自家名字的虚荣确认。这里 Visibility、Share of Voice 与 competitor gap 承载了大部分信号。
Focus 2——正面对比（self + competitor）
接着，如果你能点出那个总是输给它的对手，就跑 archetype #2。guardrail 规定两个品牌都必填，所以每条 query 都是货真价实的 X vs Y 对比。自定义 KPI——「结论偏向我们 / 竞品 / 平局」与「对照官方的说法准确度」——把一个含糊的担忧，变成一个你能去推动的、被追踪的数字。
Focus 3（可选）——事实准确性，或品牌直问·声誉（仅 self）
第三个看你的风险面来选。如果 AI 一直把你的价格或规格说错，就跑 archetype #4（事实准确性），盯住「所述事实正确 / 错误」label 与幻觉 presence 标记。如果你担心品牌整体被怎么描述，就跑 archetype #3（品牌直问·声誉），靠 sentiment ratio。
| 优先级 | archetype | brand guardrail | 为什么先做它 |
|---|---|---|---|
| 1 | 品类推荐 | brandless | 素颜检验品类存在感；这个面竞品已经在吃 |
| 2 | 正面对比 | self + competitor | 把「老输给 X」变成可追踪、可推动的数字 |
| 3 | 事实准确性 / 品牌直问·声誉 | 仅 self | 按风险面来选——是事实出错，还是声誉担忧 |
把这两三个 Focus，各自跑在自己的 archetype 与自己的时间序列上。仅此一步，监控就从「一堆漂浮的数字」变成「与业务直连的诊断」。
6. 小结
AI 可见性监控，胜负在焦点，不在覆盖面。跨引擎引用重叠很小，AI 引用每月波动 40–60%，问题不同所需指标也不同——这些事实，从一开始就否决了「均匀地、全盘地」这种打法。
所以按 Focus 监控，并记住统治规则——一个 Focus、一个 archetype、一族 KPI、一道 brand guardrail。 八个 builtin KPI 给每个 Focus 一根共同的脊梁；archetype 的自定义 KPI 让诊断去回答那个真正的问题。VeReach GEO 把这一整条链路落地成产品单元，把「看排名」抬升为「看业务」。先从两个开始——品类推荐，和你最锋利的那场正面对比。
如果你想在真实环境条件下，拿到与适合你业务的 archetype 对齐的、有针对性的监控与诊断报告，欢迎联系我们。产品详情请见 VeReach GEO 解决方案。
关于方法论的说明：本文的 archetype 模型、KPI 族与可见性分公式，反映的是截至 2026 年 6 月 VeReach GEO 的出货产品；AI 引用波动率、日本 AI 搜索增长，以及日本 B2B 采购方的数据，来自同一时点的公开报道（博报堂、LANY）。AI 界面演进很快——在做任何关键决策前，请与最新官方信息核对。