你拿一句问话去问 AI，答案里出现了品牌名和官网，你截了图，跟同事说这事成了。第二天你再问同一句，答案里一个字没提。截图没造假，问题出在你只问了一次。
更麻烦的是你顺手换了另一个平台，那边把来源揉成一段、不点名，你又截一张。两张图放一起打个分，看着像有结论，其实量的是两件不同的事。问一次就下结论，错不在 AI，在你把随机一次当成了长期状态。
拿到一张截图，先问它够不够格当证据
判断法不复杂。别盯着答案措辞看，先问这张图是几个平台、几轮问出来的，问句是不是同一句，取样条件写没写。三样里缺一样，它就只是一次观察，不是基线。下面这张表把该问的与不该信的摆在一起。
| 该问的 | 听到什么就该把它降级成观察 |
|---|---|
| 来自几个平台 | 只有一个平台，就别替别的平台下结论 |
| 同一句问了几轮 | 只问一轮，重复跑多半对不上 |
| 问句与取样条件写没写 | 边测边改字、地域与账号状态没记，前后不可比 |
本站做过的是日志那一侧，不是提问这一侧
这里得把话说清，本站尚未开展跨平台提问实测，没有任何平台之间被提到多少次的记录。已经做过的是抓取侧的复盘。爬虫日志 5668 条里，AI 与大模型爬虫 3925 占 69.2%，搜索引擎 1038 占 18.3%，未识别 705 占 12.4%，把三类里认得出的计入后 AI 真实占比约 79.6%，主流 AI 引擎合计超 4500 次抓取。访问日志被叫作 4.4 万行，逐行清点是 44226 行，200 占 52.6%，301 占 38.6%，5xx 仅 1 条。GEO 核心栏目 200 命中率，问答 95%，洞察与方法 93%，首页 66%。
这组数只说明门开着、页面给对了、主流引擎来了。它答不了你最想问的那句，AI 在答案里提没提到你。抓取活跃不等于被引用，中间隔着提问实测。本站把两件事分开验，日志归日志，提问采样单独排期，没测过就不填数字，也不拿日志数字去顶。
别人怎么做，按证据分三档
公开能查到的说法大致三档，混着看会出事。
一档有规范口径撑着，可以当依据。2026 年 8 月发布的可信传播团体标准里，关于信息生态治理的原则性要求与全链路监测与最低样本量这一组概念，写明大模型输出有随机性，样本量不足的测量不具备统计意义。顺着这里能得出一个不太讨喜的结论，一两次提问当不了基线，得固定问句池、重复多轮、看稳定出现。
一档是行业里普遍在做、却拿不出公开验证的。固定问句池、每问多次运行、分平台记录不合并打分，这类做法到处可见；也有人把单一平台的一次截图直接当可见度证据报出去。这类只归纳做法，不当依据，不写效果倍数，不点名任何服务商。
还有一档已经有公开反例或明确争议。一份覆盖 83 站 12 周的服务器日志研究里，某主流 AI 爬虫抓 llms.txt 7 次，同期抓 robots 3990 次；公开研究指出同一提示重复运行得到的品牌列表高度不稳定。把抓取活跃写成被引用、拿一次截图宣布可见度上去了，都属这一档，只能写进边界，不能写进结论。
什么时候不必这么做
你只是想确认某个页面正文有没有被取到，翻日志与状态码就够，不必搭整套提问采样。只需要一句是或否、手里只有一两张截图的团队，硬套固定问句池只会得到一份看着规整、实际不可复算的表。取样条件拉不齐时也一样，地域、账号状态、是否联网只要有一项对不上，那组记录单看就好，别进横向对比。这三种情况，先把边界写清，比凑一张打分表实在。
一句话的判断标准
别问答案里提没提，问这句问话是不是在固定问句池里、在多个平台重复跑过、并且只在连续多轮稳定出现时才记进结论。三样都满足才算数，缺一样，你手里就还只是一次观察。
想把问句池、重复轮数与记录字段怎么定死说清楚，可见度采样的技术文档给了采样设计、记录字段清单与一套能当场跑的验证方法，开测前照着搭一张空表就能用。