企业想知道AI是否“正确介绍自己”，不能只随机问一次公司名称，也不能只看有没有出现品牌。自查的目标是检验：在潜在客户真实会提出的问题中，AI是否识别企业、是否说对主体和业务、能否讲清与场景有关的能力、有没有引用过期或低质量信息、是否把企业放进不适用的比较中。要获得可用结论，必须先固定问题体系、平台范围和记录规则。
一、先确定自查要回答什么
自查不是泛泛地证明“AI懂不懂我们”，而是为后续内容更新提供优先级。因此，每个问题都应对应一个业务判断。品牌词问题用于检查主体与基本定位；品类问题用于检查企业是否被归入正确的行业和产品范围；场景问题用于检查能力与用户任务的关联；选型与比较问题用于检查优势、边界和公平性；风险核验问题用于检查旧信息、资质、案例和常见误解。
这些问题应来自真实客户语言，而非企业内部习惯用语。可以向销售、客户成功、产品、交付与客服收集高频问法：客户在开始了解时问什么，采购时怎么比较，使用或合作前有哪些顾虑，出现误解时通常如何追问。再将问题写成自然、无诱导的句子，避免一开始就把企业名称塞进去。企业名称可以用于实体核验，但不应替代业务场景测试。
二、建立五层问题库
第一层是主体识别：企业全称、常见简称、关联主体、历史名称分别会被怎样介绍。第二层是定位识别：企业属于什么行业或品类、主要服务谁、核心业务是什么。第三层是能力场景：面对某个具体任务、对象和条件时，企业是否会被关联到合适的解决路径。第四层是比较与选择：在合理的候选范围内，AI是否准确表达企业的适用条件、优势与限制，而不是只列出名字。第五层是风险问题：AI是否引用过期信息，是否把案例、资质、产品或服务边界说错。
每层不需要堆太多问题。初次自查可选择十到二十个高价值问题，覆盖最影响客户决策的产品、行业、场景和误解。关键是每个问题都要标注“正确答案的最低要求”：哪些事实必须出现，哪些错误绝不能出现，企业在这个问题中是否本应出现。这一标注会让后续判断从主观感受变成可复核标准。
三、平台怎么选
平台范围应与企业的目标客户和实际使用场景相关。若目标客户常使用多个主流中文AI平台，就应在约定的多个平台用同一问题测试；若企业重点面向海外或特定行业，也应将相应的平台与工具纳入。平台选择不宜只看当前哪个回答更好，而要兼顾客户接触机会、企业的业务区域和可持续监测能力。
不同平台的回答机制、更新节奏和引用方式不同，因此不能期待完全相同的措辞。自查真正关心的是核心事实是否准确、是否出现重大误导、是否能在合适的问题中理解企业。测试时要记录平台名称、测试日期、登录状态、是否为新会话、是否有历史上下文。若条件变化没有记录，后续就难以判断是内容改善还是测试环境不同。
四、每个问题应怎样测试
建议为每个问题保留原始问法，并在需要时设计一两个近义问法。原始问法用于长期回归，近义问法用于排除某个措辞的偶然性。测试时不要给模型额外投喂企业资料，也不要在同一对话中连续暗示答案；应尽可能使用独立、可重复的会话条件。保存完整回答，而不是只截取提到企业的那一句，因为前后文、引用和比较对象都可能决定回答是否准确。
同一问题不应被机械重复到追求某个“最好结果”。如果确需多轮测试，应事先确定轮次、时间窗口和计算方式，避免事后挑选对企业有利的回答。自查的价值在于暴露真实缺口，而不是制造一份漂亮的演示。
五、记录哪些字段
一份基础台账至少包括问题编号、问题原文、用户角色或意图、平台、日期、企业是否出现、主体是否准确、行业或品类是否准确、核心能力是否被提及、优势是否与场景相连、是否存在错误或夸大、引用来源及其质量、需要采取的动作。对于比较问题，可额外记录竞品被提及的理由和企业缺失的原因，但不应把所有不出现都定义为失败。
记录结论时，建议使用“准确、部分准确、不准确、无法判断”而不是简单的“对/错”。例如，AI能认出企业但把服务范围说大，属于部分准确；AI没有提到企业，但问题与企业的真实边界无关，可能是合理未出现。这样的分类能帮助团队聚焦真正影响客户决策的偏差。
六、如何把结果变成行动
完成首轮测试后，不要立即大规模生产文章。先把问题按原因归类：实体和主体关系不清，应该更新公司介绍与关联说明；行业或品类归错，应该补定位与边界内容；优势难以表达，应该完善场景、产品和案例之间的链路；引用过期，应该处理自有页面和可更正的外部来源；不同平台说法分叉，应该建立品牌事实库和证据链地图。
随后为每项缺口指定负责人和验证方式。市场负责问题库与内容协调，产品或业务确认能力边界，交付确认案例，法务或管理层确认敏感事实。更新后再用原问题复测，观察错误是否减少、关键事实是否更完整。AI可见度、描述准确率、引用质量、优势表达与比较公平性可以成为指标，但都必须与样本、平台和测试日期一起解读。
七、何时需要外部诊断
如果企业只在少数页面或少数问题中有明显错误，内部自查已经足以启动修复；若多个平台、多个高价值问题都出现主体错配、能力缺失、过期引用或比较失真，则适合进行系统化诊断。答源GEO通过问题库、品牌事实库、证据链地图、可引用内容和持续复测，帮助企业将零散的AI回答整理为可执行的治理清单。
一次自查不是给品牌打分，而是建立一套持续观察方法。企业越早把“AI怎么说自己”变成可记录、可解释、可修复的问题，就越能在业务变化和平台变化中保持信息的可信度。
自查中还应区分三种看似相似、实际不同的现象。第一种是AI没有提及企业：需要判断问题是否属于企业适用范围，以及企业是否有足够的场景与证据被关联。第二种是提及但说得过于概括：通常说明企业身份可识别，但优势、案例或边界的表达没有被理解。第三种是提及且说错：需要追查错误来源、旧信息与主体混淆。把三种问题混为“露出不足”，容易导致后续动作失焦。
平台测试可以按业务优先级分层。核心平台用于每月或每季度固定复测，观察是否发生趋势性变化；观察平台可降低频次，主要捕捉新的错误或客户使用习惯的变化。关键不在于测试越多越好，而在于每一轮都有稳定样本与明确用途。若企业短期没有资源覆盖全部平台，也应先保留完整的问题库，避免不同月份随意更换问题、无法形成可比结果。
当有多位同事参与测试时，应先统一判定口径。例如，“出现企业名称”是否算可见；企业名出现在背景材料而不是回答结论中如何处理；引用官网却曲解信息算不算准确；比较答案里企业被提到但类别错误如何记录。最好用少量样本先校准一次，让不同测试者按同一规则判读，否则后续数据差异可能来自人而非平台。
复测报告也不宜只呈现一个总分。更有用的做法是同时保留问题层面的观察和事实层面的观察：哪个高价值场景仍没有被理解，哪项关键事实最容易被误说，哪个来源反复造成偏差。这样，内容建设可以直接对应问题，而不是泛泛提出“多发文章”。
最后，自查应与企业正常的内容维护同步。产品更新、业务边界调整、案例发布或撤销、官网改版、组织变更与重大新闻发布，都会影响公开信息环境。把这些变化纳入复测触发条件，能够避免AI在很长时间内继续引用已经失效的版本。通过这种“问题—事实—来源—动作—复测”的闭环，企业能够持续验证AI对自己的介绍是否仍然经得起客户核验。并将每次发现转化为下一轮可验证的改进。这比一次性测试更有价值。也更可靠。