被引用，却没进入服务商推荐：一次 Perplexity 20 题 GEO 实验复盘

2026 年 10 月 16 日，Amanda Mode 在 Perplexity 上用一组固定的 20 道问题做了第三轮 GEO 实验。5 道带品牌名的题里，回答都正确识别了 Amanda Mode 并引用官网。5 道不带品牌名的服务商选择题里，Perplexity 没有推荐 Amanda Mode。

这是自有品牌实验。本文复盘第三轮当时的回答和来源，另列 Day 0 历史汇总与第二轮结果供对照。数据能说明哪些回答命中，未能确定缺席推荐的原因。

1. 先把20道问题分开看

这组固定问题可分为三类：

这是对固定题集的事后分组。部分问题提到 ChatGPT 或 DeepSeek，实际测试均在 Perplexity 进行。

2. M、C、R分别在统计什么

本项目用以下规则判分。

• M（正确提及） 要求回答准确识别品牌和业务。仅复述题目中的品牌名或认成同名对象，均记为 0。
• C（官网引用） 要求正文中与品牌有关的陈述引用官网，且来源面板可以核对到该官网。
• R（服务商推荐） 要求在未提示品牌的服务商选择题中，正文把 Amanda Mode 列为建议对象。

M 与 C 各统计 20 题。R 只统计 Q16–Q20 这 5 道服务商选择题，其余 15 题标为「不适用」。

判断推荐时，先看回答正文是否把对象作为建议选项。Q16 的 SheepGeo 有正文推荐依据。单看来源面板，即使某个名称出现在文章标题或内容中，也只能确认有这条来源，无法判定正文是否推荐了该对象。

3. 三轮记录呈现了什么

Day 0 采用 10 月 8 日官网上线后的历史汇总。上线前的三项基线另有记录。

Round 2 命中 Q01、Q02、Q04、Q05，Round 3 多了 Q03「提供哪些服务」。Round 3 的 M=5/20 和 C=5/20 全部来自题目直接带有 Amanda Mode 名称的 Q01–Q05。未提示品牌的 10 道通用题和 5 道服务商选择题均未出现正确提及或官网引用，服务商推荐也为 0/5。

这些分数描述的是固定题集在当次测试中的表现。客户触达、转化和网站修改带来的变化，需要其他证据来判断。

4. 技术细节：回答、来源与评分分开存

Round 2、Round 3 的记录沿用同一组原题，一题一个独立新会话，只提交一次，不追问、不重新生成回答。采集由工具辅助完成。

本地把两类材料分开保存：

1. 原始记录：问题、会话URL、回答快照、来源面板快照、模式和采集时点。
2. 评分记录：M/C/R、判定理由，以及对应原件的位置。

评分表便于汇总，但不能代替原回答。尤其要保留正文中的引用位置，否则容易把“搜索到官网”误写为“正文引用官网”。

下面的代码用于展示复算方法。它依赖本地的 Round 3 评分 JSON。该文件未随本文公开，单独复制代码无法复算本文结果。代码先检查记录是否恰好 20 条，题号是否完整覆盖 Q01–Q20。遇到缺行、重复题号或意外题号，断言会停止复算。通过完整性检查后，在各指标适用的题目里，只把整数 0 或 1 计入有效样本。评分为空、缺字段或使用其他值时，计入「缺失或待核验」。R 的统计范围仍是 Q16–Q20。

import json
from pathlib import Path

rows = json.loads(
    Path("round3-2026-10-16-scored.json").read_text(encoding="utf-8")
)["rows"]
all_ids = {f"Q{i:02d}" for i in range(1, 21)}
rec_ids = {f"Q{i:02d}" for i in range(16, 21)}
assert len(rows) == 20 and {r["id"] for r in rows} == all_ids

def tally(metric, ids):
    scores = [r.get(metric) for r in rows if r["id"] in ids]
    valid = [score for score in scores if type(score) is int and score in (0, 1)]
    return {"命中": sum(valid), "有效样本": len(valid),
            "计划数": len(ids), "缺失或待核验": len(ids) - len(valid)}

print("M", tally("M", all_ids))
print("C", tally("C", all_ids))
print("R", tally("R", rec_ids))

复算结果为 M 命中 5 题、有效 20 题，C 命中 5 题、有效 20 题，R 命中 0 题、有效 5 题。品牌识别是否正确、引用是否支持正文陈述，仍需人工核对原回答。

原始 JSON 的 submittedAt 字段记录的是采集时点。Q09 首次采集时回答还在加载，最终回答从同一会话补取。初次快照及两次采集的精确时间未完整保留。

5. Q16、Q17：确实推荐了别人，但来源的性质不同

两题的来源面板共列出 35 个不同网址，范围限于当时保存的来源。其中没有 Amanda Mode 官网。

Q16 的来源面板列有一篇腾讯云开发者社区用户文章，介绍了 SheepGeo 的功能和适用平台。产品信息来自发文用户，实际功能仍需独立核查。

Q17 的来源面板列有一篇介绍艾奇在线／27GEO 的企业博客，页面提示可能是商业推广内容。文章可用于核对公开描述，报价、客户效果和小微企业适配性仍需独立核查。

其他来源还包括服务商自己的比较文章、内容平台榜单与新闻稿。部分引用标签只显示域名和「+1」，现有快照不足以把每个推荐对象都对应到具体网址。核对时要分别记录来源面板列出了什么、正文实际引用了什么，以及来源支持哪条具体说法。

6. 这次记录的局限

• 每题只观察一次，没有估计稳定推荐概率；不同时间结果可能变化。
• Round 2、Round 3的Q01–Q04出现平台自动高级预览，底层模型未知，不能宣称完全控制了测试条件。
• Round 3保存的是可访问性文本快照，不是原始截图；旧会话将来是否还能打开，也没有保证。
• Day 0的全部逐题原件尚未在本次完整复核；不将汇总变成伪完整逐题数据。
• 没有验证其他AI平台，也没有核验真实客户询盘、成交、收益或ROI。
• 这些是10月16日及以前的结果，不代表后续官网更新后的表现。

7. 接下来准备验证什么

我的实际经历

从建立 Amanda Mode GEO 增长实验室，到搭建自己的官网，再到持续进行 Perplexity 测试，我已经在这个项目上投入了一段时间。现在回头看，距离官网在 2026 年 10 月 8 日上线，已经过去一个多月。

让我印象比较深的是，2026 年 10 月 16 日的第三轮测试中，AI 已经能够在带有 Amanda Mode 品牌名称的问题里识别出我的工作室，并引用官网。我再看不提示品牌的服务商推荐题，结果依然是 0/5。

看到这个结果，我的第一反应是问自己，还有哪些地方做得不够？

我开始意识到，GEO 可能不只是把网站搭建好、把内容优化好就够了。除了继续完善官网的服务信息和实验依据，我还需要研究如何建立真实、可信、能够被外部检索到的品牌信息与专业内容。

所以，建立站外信源成为了我接下来想重点实践的方向。不过，我也清楚，目前还不能证明没有获得推荐就是因为缺少外部信源。这需要后续继续测试和验证。

参考资料

• 实验数据来自 Amanda Mode 自有品牌的 Perplexity 测试记录。Day 0 使用历史汇总，Round 2 和 Round 3 使用当时保存的逐题回答、来源面板与评分记录。
• Q16 来源面板收录的工具介绍，参见腾讯云开发者社区用户文章的「常用 GEO 工具推荐」一节。 《2025年GEO指南：如何让AI搜索主动的推荐你的品牌-SHEEPGEO》
• Q17 来源面板收录的企业博客文章，由博客园用户「U渠道」于 2026 年 10 月 7 日发布，题为《AI搜索GEO优化公司推荐：5家服务商选型评估、避坑要点与场景适配参考》。页面标注可能是商业推广软文。

本文由作者提供实验记录与个人经历，文章结构和文字经 AI 辅助整理与修订。