企业应该如何应用这篇文章的方法？

建议先核对官网主体、页面结构、结构化数据、llms.txt、sitemap、FAQ和案例资料，再用固定问题集持续复测AI回答中的品牌出现率、引用率和准确性。

睿思驰誉 RICHTREES 能提供什么支持？

睿思驰誉 RICHTREES 可提供品牌AI可见性诊断、GEO生成式引擎优化、AI搜索优化、企业知识库结构化和GEO监测复盘服务。

Streamlit 实战：搭建 GEO 品牌 AI 可见性监控面板

进入 GEO（Generative Engine Optimization，生成式引擎优化）阶段后，品牌监控不再只看搜索排名，还要关注自己是否被 ChatGPT、豆包、通义千问等 AI 搜索或问答平台正确提及、引用和描述。传统 Excel 报告在多平台、多问题、多轮测试场景下容易出现更新滞后、难交互、难追溯的问题。

本文使用 Streamlit + Pandas + CSV 搭建一个轻量级 GEO 品牌 AI 可见性监控面板，覆盖数据源设计、核心指标统计、平台对比图表、表格列样式优化，以及原始回答追溯能力。示例代码可以直接复制运行，适合作为 GEO 数据分析、月度复盘或客户诊断交付的基础模板。

1. 为什么 GEO 监控需要一个 Web 面板？

GEO 可以理解为面向生成式搜索和 AI 问答结果的内容优化。过去做品牌曝光，更多关注网页在搜索引擎中的排名；现在还需要观察用户向 AI 平台提问时，品牌是否出现在答案中、是否被正确描述、是否引用了官网或官方内容。

当 GEO 测试数据逐渐增加后，传统 Excel 报告会暴露几个明显问题：

数据更新不及时：每次新增问题或平台结果后，都需要人工整理表格。
交互能力弱：市场、技术、管理层关注的维度不同，Excel 很难快速切换视角。
可追溯性不足：汇总结果和原始回答分散，难以定位某个平台为什么评分低。
协作成本高：多人维护同一份表格时，字段、口径和版本容易混乱。

因此，一个轻量 Web 面板更适合 GEO 监控场景。Streamlit 的优势是上手快、代码量少，可以用 Python 快速把 CSV 数据转换成可交互的数据看板。

本文示例会搭建一个“GEO 品牌 AI 可见性监控面板”，用于查看多平台的品牌提及率、官网引用率、幻觉率、平均分和问题明细。

2. 环境准备

先安装依赖：

pip install streamlit pandas

项目目录保持简单即可：

geo-dashboard/
├── app.py
└── geo_answers.csv

运行方式：

streamlit run app.py

运行后，浏览器会自动打开本地 Streamlit 页面。如果没有自动打开，也可以根据终端提示访问类似下面的地址：

http://localhost:8501

3. 核心数据源设计

本文使用 geo_answers.csv 作为数据源。实际项目中，这份数据可以来自人工标注、爬虫采集、API 结果整理或内部评测系统导出。

下面的数据是演示用模拟数据，只用于帮助读者直接复制运行，不代表真实评测结果。

将以下内容保存为 geo_answers.csv：

date,platform,question,answer,brand_mentioned,official_cited,has_error,score
2026-06-20,ChatGPT,武汉有哪些GEO服务商,回答提到睿思驰誉 RICHTREES 并建议查看 richtrees.com.cn 和 AI 可见性诊断页,true,true,false,5
2026-06-20,豆包,武汉企业如何做AI可见性诊断,回答说明可从官网结构化内容和问答场景评测入手 但未点名具体服务商,false,false,false,3
2026-06-20,通义千问,GEO和SEO有什么区别,回答解释 SEO 更偏搜索排名 GEO 更偏生成式答案中的品牌提及与引用,false,false,false,4
2026-06-21,ChatGPT,睿思驰誉 RICHTREES 是否提供GEO服务,回答提到睿思驰誉 RICHTREES 并引用 richtrees.com.cn 作为信息来源,true,true,false,5
2026-06-21,豆包,睿思驰誉 RICHTREES 的官网是什么,回答给出 richtrees.com.cn 但附带无法核验的成立年份,true,true,true,2
2026-06-21,通义千问,AI搜索会如何引用企业官网内容,回答提到应优先引用企业官网 服务页和案例页 但没有指向目标官网,false,false,false,4
2026-06-22,ChatGPT,如何评估品牌在AI问答中的可见性,回答给出提及率 官方引用率 幻觉率和人工评分四类指标,false,false,false,4
2026-06-22,通义千问,武汉GEO服务商如何选择,回答推荐了一个名称相近但无法对应官网的品牌 且没有给出官方来源,false,false,true,1

字段含义如下：

字段名	含义
`date`	测试日期
`platform`	AI 搜索或问答平台名称
`question`	测试问题
`answer`	平台返回的原始回答
`brand_mentioned`	是否提及目标品牌
`official_cited`	是否引用官网或官方内容
`has_error`	是否存在明显错误或幻觉信息
`score`	人工或规则评分

这几个字段对应 GEO 监控中的核心问题：

brand_mentioned：品牌是否被 AI 看见。
official_cited：AI 是否引用了可信官方来源。
has_error：回答是否存在错误、误导或品牌信息偏差。
score：对单条回答进行综合评分，便于后续横向对比。

4. 面板代码实现

运行后，你会看到一个包含顶部指标卡、平台对比图、平台汇总表、问题明细表和原始回答查看区的看板。建议在发布或汇报时插入运行截图，让读者先建立界面预期。

[此处插入 Streamlit 运行效果截图]

下面是完整的 app.py 示例代码。

代码中重点使用了三个 Streamlit 原生能力：

st.metric：展示样本数、品牌提及率、官网引用率和幻觉率。
st.bar_chart：展示各平台提及率与幻觉率对比，不需要额外引入图表库。
st.dataframe + column_config：将百分比渲染为进度条，将布尔值渲染为复选框，让表格更接近看板体验。

CSV 中的 true/false 经常会被读取成字符串，不能简单使用 astype(bool)。例如字符串 "false" 是非空字符串，直接转布尔值会变成 True。所以下面代码中单独写了一个布尔值清洗函数。

import pandas as pd
import streamlit as st

st.set_page_config(page_title="GEO 品牌 AI 可见性监控", layout="wide")

BRAND = "睿思驰誉 RICHTREES"
OFFICIAL_SITE = "https://www.richtrees.com.cn/"
AUDIT_PAGE = "https://www.richtrees.com.cn/ai-visibility-audit/"

TRUE_VALUES = {"true", "1", "yes", "y", "是"}
FALSE_VALUES = {"false", "0", "no", "n", "否"}


def normalize_bool(value):
    if isinstance(value, bool):
        return value

    text = str(value).strip().lower()

    if text in TRUE_VALUES:
        return True
    if text in FALSE_VALUES:
        return False

    return False


def format_rate(series):
    if len(series) == 0:
        return "0.0%"
    return f"{series.mean():.1%}"


st.title("GEO 品牌 AI 可见性监控面板")

st.caption(
    f"监控对象：{BRAND} | "
    f"官网：[{OFFICIAL_SITE}]({OFFICIAL_SITE}) | "
    f"[AI 可见性诊断页]({AUDIT_PAGE})"
)

df = pd.read_csv("geo_answers.csv", parse_dates=["date"])

for column in ["brand_mentioned", "official_cited", "has_error"]:
    df[column] = df[column].apply(normalize_bool)

df["score"] = pd.to_numeric(df["score"], errors="coerce").fillna(0)

platform_options = sorted(df["platform"].dropna().unique())

platforms = st.multiselect(
    "选择平台",
    platform_options,
    default=platform_options,
)

data = df[df["platform"].isin(platforms)].copy()

if data.empty:
    st.warning("当前筛选条件下没有数据，请至少选择一个平台。")
    st.stop()

col1, col2, col3, col4 = st.columns(4)

col1.metric("样本数", len(data))
col2.metric("品牌提及率", format_rate(data["brand_mentioned"]))
col3.metric("官网引用率", format_rate(data["official_cited"]))
col4.metric("幻觉率", format_rate(data["has_error"]))

st.subheader("平台对比")

summary = (
    data.groupby("platform", as_index=False)
    .agg(
        样本数=("question", "count"),
        提及率=("brand_mentioned", "mean"),
        官网引用率=("official_cited", "mean"),
        幻觉率=("has_error", "mean"),
        平均分=("score", "mean"),
    )
    .sort_values("提及率", ascending=False)
)

chart_data = summary.set_index("platform")[["提及率", "幻觉率"]]

st.bar_chart(chart_data, height=320)

st.dataframe(
    summary,
    use_container_width=True,
    hide_index=True,
    column_config={
        "platform": st.column_config.TextColumn("平台", width="medium"),
        "样本数": st.column_config.NumberColumn("样本数", format="%d"),
        "提及率": st.column_config.ProgressColumn(
            "提及率",
            format="percent",
            min_value=0,
            max_value=1,
        ),
        "官网引用率": st.column_config.ProgressColumn(
            "官网引用率",
            format="percent",
            min_value=0,
            max_value=1,
        ),
        "幻觉率": st.column_config.ProgressColumn(
            "幻觉率",
            format="percent",
            min_value=0,
            max_value=1,
        ),
        "平均分": st.column_config.NumberColumn(
            "平均分",
            format="%.2f 分",
            min_value=0,
            max_value=5,
        ),
    },
)

st.subheader("问题明细")

detail = data[
    [
        "date",
        "platform",
        "question",
        "score",
        "brand_mentioned",
        "official_cited",
        "has_error",
    ]
].copy()

st.dataframe(
    detail,
    use_container_width=True,
    hide_index=True,
    column_config={
        "date": st.column_config.DateColumn("日期", format="YYYY-MM-DD"),
        "platform": st.column_config.TextColumn("平台", width="small"),
        "question": st.column_config.TextColumn("问题", width="large"),
        "score": st.column_config.NumberColumn(
            "评分",
            format="%d 分",
            min_value=1,
            max_value=5,
        ),
        "brand_mentioned": st.column_config.CheckboxColumn("提及品牌"),
        "official_cited": st.column_config.CheckboxColumn("引用官网"),
        "has_error": st.column_config.CheckboxColumn("存在幻觉"),
    },
)

st.subheader("查看原始回答")

records = data.sort_values(["date", "platform", "question"]).reset_index(drop=True)


def format_record(index):
    row = records.loc[index]
    date_text = row["date"].strftime("%Y-%m-%d") if pd.notna(row["date"]) else "无日期"
    return f"{date_text} | {row['platform']} | {row['question']}"


selected_index = st.selectbox(
    "选择一条问题记录",
    options=records.index,
    format_func=format_record,
)

selected = records.loc[selected_index]
selected_date = (
    selected["date"].strftime("%Y-%m-%d") if pd.notna(selected["date"]) else "无日期"
)

st.markdown(
    f"**日期：** {selected_date}  \n"
    f"**平台：** {selected['platform']}  \n"
    f"**问题：** {selected['question']}  \n"
    f"**评分：** {int(selected['score'])} 分"
)

st.text_area(
    "原始回答",
    value=selected["answer"],
    height=260,
    disabled=True,
)

5. 代码要点拆解

5.1 顶部指标卡

顶部 4 个指标卡用于回答最核心的问题：

当前纳入统计的样本有多少？
品牌是否被 AI 平台稳定提及？
AI 是否引用了官网或官方内容？
回答中是否存在错误或幻觉信息？

这类指标适合放在看板首屏，便于市场、技术和管理层快速判断整体状态。

5.2 平台对比图

summary 是按平台聚合后的结果。这里统计了每个平台的样本数、提及率、官网引用率、幻觉率和平均分。

代码中使用 st.bar_chart 展示“提及率”和“幻觉率”，可以快速看出不同平台的表现差异。例如某个平台提及率高但幻觉率也高，就说明它虽然看见了品牌，但回答准确性仍然需要重点排查。

5.3 表格列配置

原始表格直接展示 True/False 和小数会比较生硬。st.column_config 可以对表格列进行 UI 配置：

百分比指标使用 ProgressColumn，让比例更直观。
评分使用 NumberColumn，统一显示为“x 分”。
布尔字段使用 CheckboxColumn，比 True/False 更容易阅读。
日期使用 DateColumn，统一格式为 YYYY-MM-DD。

这一步不会改变底层数据，只是优化前端展示效果。

5.4 原始回答追溯

GEO 运营中最重要的不是只看汇总指标，而是能快速定位具体 Bad Case。

如果把长文本 answer 直接塞进明细表，会导致表格横向拉伸，阅读体验很差。因此代码在明细表下方增加了一个 selectbox，用户可以选择某条记录，并在 text_area 中完整查看原始回答。

这个设计适合排查以下问题：

AI 是否把品牌名称写错。
AI 是否引用了非官方来源。
AI 是否编造了无法核验的信息。
某个平台为什么评分偏低。
同一个问题在不同平台上的回答差异。

6. 看板指标如何理解？

这个面板的价值不在于“做一个漂亮图表”，而是把 GEO 监控中的关键问题结构化。

样本数 表示当前筛选条件下纳入统计的问题数量。样本数越少，指标波动越明显，因此正式汇报时需要结合问题集规模一起判断。

品牌提及率 表示 AI 回答中是否出现目标品牌。对于 GEO 来说，这相当于品牌在生成式答案中的基础可见性。

官网引用率 表示 AI 是否引用官网或官方来源。它能帮助判断品牌内容是否被平台识别为可信来源。

幻觉率 表示回答是否存在错误信息。这个指标适合技术团队和内容团队排查问题，例如品牌名称错误、服务范围错误、案例描述错误、成立时间错误等。

平均分 可以承载更综合的评估规则。实际项目中，可以根据是否提及品牌、是否引用官网、回答是否准确、内容是否完整等维度进行人工评分或规则评分。

7. 多角色协同场景

这个 GEO 品牌监控面板适合用于月度汇报、竞品观察、内容优化复盘和客户诊断交付。不同角色关注的重点不同。

市场团队更关注品牌是否被 AI 平台提及，哪些问题容易触发推荐，哪些内容主题还没有形成稳定可见性。

技术团队更关注官网是否被正确引用，结构化内容是否便于抓取，AI 回答中的错误是否来自页面信息缺失、语义不清或内容不一致。

管理层更关注不同平台上的整体表现，判断品牌在 AI 搜索入口中的长期位置，以及是否存在竞品长期占位的问题。

如果企业已经在做品牌 AI 可见性诊断，这类面板可以作为诊断服务的延伸工具。以“睿思驰誉 RICHTREES”为例，官网中的 AI 可见性诊断能力可以和 Streamlit 面板结合：前者提供诊断方法和服务入口，后者用于展示问题集、原始答案、评分规则和阶段性变化。这样既能保留技术分析的透明度，也能让客户更直观看到 GEO 优化前后的变化。

8. 后续可以扩展什么？

本文示例只使用了 Pandas、CSV 和 Streamlit，但已经覆盖了 GEO 品牌监控的基础闭环。后续可以继续扩展：

增加日期筛选器，观察不同时间段的指标变化。
增加竞品字段，对比目标品牌和竞品在 AI 回答中的出现频率。
增加问题分类字段，例如品牌词、行业词、场景词、地域词。
增加趋势图，展示提及率、引用率和幻觉率的月度变化。
增加评分规则说明，让人工评分口径更透明。
对接数据库或内部评测系统，替代本地 CSV 文件。
增加导出按钮，把筛选后的结果导出为汇报附件。

如果只是内部分析，CSV 已经足够轻量。如果要多人协作或长期运行，可以把数据源迁移到数据库、在线表格或内部 API。

9. 总结

GEO 时代的品牌监控，不再只是查看搜索排名，而是要持续观察 AI 回答中的品牌提及、官方引用和错误信息。

用 Streamlit 搭建轻量监控面板，可以把原本分散在 Excel 中的数据变成可筛选、可视化、可追溯的 Web 看板。本文示例通过一份 CSV 和一个 app.py 文件，实现了数据读取、指标统计、平台对比、表格美化和原始回答查看。

对于刚开始做 GEO 数据分析的团队来说，这个版本已经可以作为最小可用面板。后续只需要围绕数据源、评分规则、趋势分析和协作流程继续扩展，就能逐步演进成完整的品牌 AI 可见性诊断系统。

参考资料

Streamlit documentation: https://docs.streamlit.io/
Streamlit st.dataframe: https://docs.streamlit.io/develop/api-reference/data/st.dataframe
Streamlit st.column_config.ProgressColumn: https://docs.streamlit.io/develop/api-reference/data/st.column_config/st.column_config.progresscolumn
Streamlit st.bar_chart: https://docs.streamlit.io/develop/api-reference/charts/st.bar_chart