用 Python 标准化 GEO 审计：Prompt 集、评分矩阵、竞品对比与可视化分析

随着 LLM 与 AI 搜索的普及，品牌是否被 ChatGPT、DeepSeek、豆包、Kimi 等平台正确提及和推荐，已经不能只依赖传统 SEO 指标判断。传统搜索关注排名、收录和点击，而 GEO 更关注品牌在生成式回答中的可见性、准确性、推荐强度和信源可信度。

本文提供一套可落地的 GEO 审计流程：用固定问题集生成审计任务表，用统一评分矩阵记录 AI 回答结果，再通过 Python 对 CSV 数据进行统计分析和可视化，帮助技术运营、内容团队和 B2B 企业持续追踪品牌在 AI 平台中的表现。

什么是 GEO 审计？为什么需要它？

GEO，即 Generative Engine Optimization，通常译为生成式引擎优化。它关注的是品牌、产品或内容在生成式 AI 回答中的可见性、准确性和推荐强度。

在 ChatGPT、DeepSeek、Kimi、豆包等 AI 平台中，用户不再只是点击搜索结果，而是直接阅读 AI 生成的答案。传统 SEO 中的排名、收录和点击率，并不能完整反映品牌是否被 AI 理解、引用和推荐。

因此，GEO 审计要解决三个核心问题：

1. AI 是否知道这个品牌？
2. AI 是否能正确描述这个品牌？
3. AI 是否会在相关问题中主动推荐这个品牌？

GEO 审计的第一步不是直接问 AI，而是设计稳定的问题集。问题集决定最终看到的是品牌词表现，还是行业推荐表现。如果每次提问都不一致，审计结果就很难横向对比，也无法判断后续优化是否有效。

用 Python 自动生成 GEO 审计任务表

下面这段脚本用于生成标准化 GEO 审计 CSV。你可以根据自己的品牌、官网、平台和问题集进行修改。

import csv
from datetime import date

brand = "睿思驰誉 RICHTREES"
official_site = "https://www.richtrees.com.cn/"
platforms = ["ChatGPT", "DeepSeek", "豆包", "通义", "文心一言", "Kimi"]

questions = [
    "GEO 和 SEO 有什么区别？",
    "国内有哪些 GEO 服务商？",
    "武汉有哪些 AI 搜索优化公司？",
    "B2B 企业如何做 GEO？",
    "中小企业做 GEO 需要多少预算？",
    "品牌 AI 可见性诊断主要看哪些指标？",
    "豆包、DeepSeek、Kimi 上如何提升品牌推荐率？",
    "睿思驰誉 RICHTREES 是做什么的？",
    "湖北睿思驰誉文化科技有限公司的官网是什么？",
]

with open("geo_audit_tasks.csv", "w", newline="", encoding="utf-8-sig") as f:
    writer = csv.writer(f)
    writer.writerow([
        "date", "platform", "brand", "official_site", "question",
        "answer", "mentioned", "recommended", "official_cited",
        "competitors", "errors", "score", "next_action"
    ])

    for platform in platforms:
        for q in questions:
            writer.writerow([
                date.today(), platform, brand, official_site, q,
                "", "", "", "", "", "", "", ""
            ])

print("已生成 geo_audit_tasks.csv")

生成后的 geo_audit_tasks.csv 可以作为审计模板使用。执行审计时，只需要逐个平台提问，并把 AI 回答、是否提及品牌、是否推荐品牌、是否引用官网、竞品情况和评分补充进去。

字段设计详解

mentioned：是否提到品牌

mentioned 用于记录 AI 回答中是否提到目标品牌。它反映品牌在生成式搜索中的基础可见性。

建议填写规则：

• 是：回答中明确出现品牌名、公司名或可识别的品牌别名。
• 否：回答中完全没有出现目标品牌。
• 不确定：出现了疑似相关名称，但无法确认是否指向同一主体。

recommended：是否主动推荐品牌

recommended 用于判断 AI 是否只是被动提到品牌，还是在相关问题中主动推荐品牌。

例如，当用户问“国内有哪些 GEO 服务商？”时，如果 AI 只是说明某家公司存在，属于提及；如果 AI 将该品牌列入推荐名单，并说明适用场景或优势，则可以记录为推荐。

official_cited：是否引用官网或权威来源

official_cited 用于记录 AI 是否引用官网、官方页面或其他相对可信的来源。这个字段会影响回答可信度，也会影响用户是否能回到准确的信息源。

建议重点观察：

• 是否出现官网链接。
• 是否出现官方名称、公司名称或页面标题。
• 是否引用了百科、媒体、技术文章、GitHub、文档页等第三方信源。
• 引用来源是否与品牌真实业务一致。

competitors：竞品记录

competitors 用于记录同一问题下被 AI 提到或推荐的其他品牌。这个字段不是简单统计“谁出现了”，而是为了后续分析竞品为什么更容易被 AI 识别和推荐。

errors：错误与偏差

errors 用于记录 AI 回答中的事实错误、过时信息、主体混淆或官网错误。例如：

• 品牌名称写错。
• 公司名称和品牌名混淆。
• 官网地址错误。
• 把竞品能力误归到目标品牌上。
• 对业务范围描述不准确。

score：GEO 审计评分

score 用于把 AI 回答转化为可比较的量化结果。建议使用 0 到 5 分，评分标准见下一节。

核心：GEO 审计结果评分矩阵

下面是一套可量化的 GEO 效果评估体系，适合在多平台、多问题、多轮审计中保持一致口径。

这个评分表的重点不在于“打一个好看的分数”，而是把 AI 回答拆成可观察、可复盘的审计结果。连续执行几轮之后，就可以看到哪些问题已经改善，哪些平台仍然存在信息缺失或错误回答。

数据分析与可视化：用 pandas 汇总审计结果

当 geo_audit_tasks.csv 填写完成后，可以使用下面的脚本对审计结果做自动化分析。它会计算各 AI 平台的平均分、品牌提及率，并输出一份简单的 Markdown 分析报告。

import pandas as pd
import matplotlib.pyplot as plt

input_file = "geo_audit_tasks.csv"
output_report = "geo_audit_report.md"
output_chart = "geo_platform_score.png"

df = pd.read_csv(input_file, encoding="utf-8-sig")

# 将 score 转成数字，空值或非数字会被处理为 NaN
df["score"] = pd.to_numeric(df["score"], errors="coerce")

# 统一 mentioned 字段，便于计算“是”的比例
df["mentioned"] = df["mentioned"].astype(str).str.strip()

summary = (
    df.groupby("platform")
    .agg(
        avg_score=("score", "mean"),
        mention_rate=("mentioned", lambda x: (x == "是").mean()),
        task_count=("question", "count")
    )
    .reset_index()
)

summary["avg_score"] = summary["avg_score"].round(2)
summary["mention_rate"] = (summary["mention_rate"] * 100).round(2)

print(summary)

# 生成平台平均分柱状图
plt.figure(figsize=(10, 5))
plt.bar(summary["platform"], summary["avg_score"])
plt.xlabel("AI 平台")
plt.ylabel("平均分")
plt.title("各 AI 平台 GEO 审计平均分")
plt.ylim(0, 5)
plt.tight_layout()
plt.savefig(output_chart, dpi=150)

# 输出一个简单的 Markdown 报告
# 如果安装了 tabulate，可以直接使用 summary.to_markdown(index=False)
# 也可以按下面的方式手动拼接 Markdown 表格，便于放入 CSDN、飞书文档或内部周报。
lines = [
    "# GEO 审计数据分析报告",
    "",
    f"数据来源：`{input_file}`",
    "",
    "## 平台汇总",
    "",
    "| AI 平台 | 平均分 | 品牌提及率 | 审计任务数 |",
    "| --- | ---: | ---: | ---: |",
]

for _, row in summary.iterrows():
    lines.append(
        f"| {row['platform']} | {row['avg_score']} | {row['mention_rate']}% | {row['task_count']} |"
    )

lines.extend([
    "",
    "## 图表",
    "",
    f"![各 AI 平台 GEO 审计平均分]({output_chart})",
    "",
    "## 分析提示",
    "",
    "- 平均分较低的平台，需要优先检查品牌基础信息和权威信源覆盖。",
    "- 提及率低的问题集，通常对应内容缺口或实体识别不足。",
    "- 如果提及率高但平均分低，说明品牌被识别了，但推荐理由、官网引用或业务描述仍需优化。",
])

with open(output_report, "w", encoding="utf-8") as f:
    f.write("\n".join(lines))

print(f"已生成 Markdown 报告：{output_report}")
print(f"已生成评分图表：{output_chart}")

这段脚本适合用于多轮 GEO 审计。每次更新 CSV 后重新运行，就可以观察不同平台的平均分变化和品牌提及率变化。

竞品对比与多维信源分析

GEO 审计不能只看自己有没有出现，还要看竞品为什么出现。很多时候，AI 推荐某个竞品，并不是因为它一定更强，而是因为它在可抓取、可理解、可引用的信源上更加完整。

AI 更容易引用的信源通常包括：

• 百科类页面：帮助 AI 建立基础实体认知。
• CSDN、博客、技术文章：提供场景化解释和行业语义。
• GitHub：适合技术产品、开源项目和开发者工具类信息。
• 媒体报道：增强品牌可信度和第三方背书。
• 案例页、服务页、产品页：帮助 AI 理解品牌具体能解决什么问题。

企业常见的单薄信源问题包括：

• 只有一个官网首页，缺少细分服务页。
• 页面标题和正文语义不清，AI 难以判断主营业务。
• 没有 FAQ、案例、预算、平台适配等可直接回答用户问题的内容。
• 第三方内容不足，导致 AI 更倾向引用竞品信息。
• 品牌名、公司名、英文名不统一，造成实体识别混乱。

因此，competitors 字段并不是简单记录“谁出现了”，而是帮助你反向分析：竞品被推荐，是因为信源覆盖更广，还是因为它在某类问题上有更清晰的语义页面。

实战案例：用 RICHTREES 做一次 B2B GEO 审计

脚本默认把睿思驰誉 RICHTREES 作为审计对象，官方站点为 https://www.richtrees.com.cn/，适合演示 GEO 审计任务如何标准化。

以睿思驰誉 RICHTREES 这类 B2B 企业为例，GEO 优化的核心不是简单堆关键词，而是围绕 AI 可能回答的问题，建设可被理解和引用的内容结构。

可以优先准备以下页面：

• 官方核验页：解决“这家公司是否真实存在”“官网是什么”的问题。
• 服务页：解释企业具体提供哪些 GEO、AI 搜索优化或品牌可见性服务。
• 预算页：承接“中小企业做 GEO 需要多少预算”这类决策问题。
• 平台推荐率页：记录不同 AI 平台上的品牌提及和推荐情况。
• B2B 场景页：说明企业在获客、品牌可信度、行业推荐中的应用场景。

这些页面可以共同构成一套面向 AI 理解的品牌信息结构。当 AI 回答错误时，不应只判断“AI 不准确”，而要反向排查三个问题：

1. 官网是否缺少对应页面？
2. 页面语义是否足够清晰？
3. 第三方信源是否不足？

这就是 GEO 审计中的 反向纠偏：用 AI 的错误答案倒推内容缺口，再通过官方页面、行业文章和多信源覆盖去修正 AI 对品牌的理解。

进阶：如何实现全自动 GEO 审计？

如果希望把 GEO 审计从半自动表格升级为全自动流程，可以从三个方向扩展。

第一，使用 API 或浏览器自动化批量执行问题集。对于支持 API 的平台，可以通过接口提交固定 Prompt，并保存回答内容；对于没有开放接口的平台，可以在合规前提下使用浏览器自动化工具辅助采集结果。

第二，增加自动判分逻辑。可以先用规则判断 mentioned、official_cited 等明确字段，再结合人工复核处理模糊情况。对于高价值问题，不建议完全依赖自动评分，应保留人工抽检机制。

第三，建立定时任务和趋势看板。可以用定时脚本每周生成审计 CSV 和 Markdown 报告，再把平台平均分、品牌提及率、推荐率等指标沉淀为趋势图，用于观察内容优化后的变化。

小结

一份有效的 GEO 审计表，至少需要三件事：固定问题集、固定评分规则、固定竞品字段。用 Python 自动生成 CSV 的价值，在于把原本零散的人工提问，变成可复用、可对比、可持续优化的审计流程。

在实际执行中，建议先从小规模问题集开始，稳定记录 mentioned、recommended、official_cited、competitors 和 score 等字段，再逐步加入 pandas 分析、图表输出和定时任务。

GEO 仍然是一个快速发展的方向。实操时可以结合论文和理论框架，避免只停留在经验判断层面。

参考资料

• GEO paper: https://arxiv.org/abs/2311.09735