一个关于跟踪AI概述、衡量提及、引用和隐藏流量以优化AI搜索可见性的指南。
更新人
更新于 May 22, 2026
AI概述(AI Overviews)现在是搜索中最重要且最难以衡量的特征。它们出现在超过20%的查询中,截至2025年12月,降低了排名第一内容的自然点击率(CTR)58%(在2025年4月为34.5%),且其内容变化70%的时间,而引用变化46%的时间。谷歌将AI概述数据整合到标准的自然搜索中——没有原生GA4或GSC筛选器来隔离AIO点击。跟踪它们需要一种分层方法:间接的GSC变通方案用于点击估算,Ahrefs品牌雷达用于引用和关键词跟踪,以及像Dageno AI这样的专用跨平台AI可见性工具用于同时监控您的品牌在所有AI平台上的表现——因为在ChatGPT、Perplexity和Gemini中赢得AI概述,同时保持隐形,仍然是在AI可见性游戏中失利。

测量问题是结构性的。当用户点击AI概述中的链接时,该点击在您的分析中标记为google / organic——与传统的自然点击相同。谷歌在搜索控制台或GA4中没有任何机制来区分AIO驱动的流量与常规搜索流量。来自AI概述的任何点击要么显示为标准的自然点击,要么没有引荐来源。
这一盲点背后的风险是显著的。根据Ahrefs在2026年2月发布的更新CTR研究,分析了2023年12月和2025年12月基准的300,000个关键词,AI概述的存在现在与排名最高页面的58%更低的平均点击率相关——这一比例从2025年4月的34.5%上升。基于AI概述的关键词的排名第一的CTR在两年内从0.073降至仅0.016。这一数据得到了Seer Interactive(49.4%–65.2% CTR下降)、Kevin Indig(>50%)和Authoritas(47.5%)的证实。
结果是一个“巨大的解耦”:展示量和排名可能保持稳定甚至改善,而点击量却在下降,因为AI概述在用户到达蓝色链接之前就回答了查询。仅跟踪传统的排名位置完全忽略了这一点。
此外,AI概述确实是动态的。Ahrefs对43,000个AI概述关键词的研究发现,AIO内容在70%的时间内会发生变化,而AIO引用在46%的时间内会变化——尽管其基本含义、观点和意图(通过余弦相似度测量为0.95)保持高度稳定。这意味着您的引用状态可以在不改变意图或主题相关性的情况下改变。
当从业者谈论“跟踪AI概述”时,他们通常指的是三种不同的测量:
品牌提及 — 在AI概述文本中,您的品牌名称出现的频率是多少,无论您的网址是否链接?提及时即使用户不点击也会提高品牌意识。根据Ahrefs对75,000个品牌的分析,品牌网页提及与AI概述存在的关联强度为0.664,显示出最强的相关性 — 这一比例比反向链接(0.218)高出三倍多。处于网页提及的上四分位品牌获得的AI概述提及次数是下一个四分位品牌的10倍以上。
引用 — 在AI概述响应中,您的特定网址作为来源被链接的频率是多少?引用驱动可衡量的推荐流量,是最具有商业可操作性的信号。根据Ahrefs 2026年3月对863K关键词SERP和4M AI概述网址的分析,目前只有38%的AI概述引用来自前10的自然结果 — 这一比例比2025年7月的76%有所下降。这意味着AI概述与传统的自然排名已实质性脱钩:获得前10名的位置不再提供如之前那样的引用概率。
点击影响 — 因为在目标关键词中出现AI概述而导致的流量增减情况如何?这需要间接估算技术,因为谷歌不提供直接归因。
最系统的引用追踪工作流程使用Ahrefs站点浏览器获取域级快照,使用品牌雷达进行详细的关键词和竞争对手分析。
在站点浏览器中,输入您的域名,查找AI概述引用模块 — 这将显示总引用、历史趋势数据和表现方向。在站点浏览器概述中选择紫色的“AI概述”复选框,以叠加AI引用趋势与自然流量趋势,直接揭示脱钩模式。
品牌雷达提供了提示级别的细节:您的网址是针对哪些特定查询被引用的,引用随时间的趋势如何,以及竞争对手在何处被引用而不是您。引用差距工作流程特别有价值:筛选出竞争对手域名被引用而您的域名未被引用的查询 — 这些是您AI概述优化的高优先级内容目标。
在Ahrefs站点浏览器中,导航到自然关键词报告,并为“当前 — 包括目标在 — AI概述”设置SERP特征过滤器。这将显示所有当前被引用的关键词。要查找新获得的引用,请设置日期范围比较,并筛选“当前:包括目标在AI概述”以及“之前:不包括目标在AI概述”。
设置 Ahrefs 报警以获取新关键字收益,其中一个闪烁符号表示新的 AI 概述关键字胜利。这提供了引用收益的实时通知,而无需手动监控仪表板。
由于 Google 未提供直接的 AI 概述点击数据,实践者使用两种主要的间接方法:
前后 CTR 比较: 导出 GSC 数据,针对可能受 AI 概述影响的关键字(信息查询、“如何”和“什么”表述,包含 AI 概述的查询)。比较 AI 概述发布或扩展前后同一关键字群体的 CTR。Ahrefs 方法论 — 比较 2024 年 3 月(重大美国发布前)与 2025 年 3 月的数据 — 产生了 34.5% 的 CTR 下降结果。使用您实际的 GSC 数据进行类似的两期分析,可以提供特定品牌的影响估计。
“大解耦”检测: 筛选您的 GSC 关键字数据,找出排名位置保持稳定或改善而 CTR 在同一时期下降的查询。这种模式强烈表明 AI 概述吸收了点击。Ahrefs 品牌雷达验证 — 比较推测的 AIO 关键字(CTR 下降 42%)与确认的 AIO 引用关键字(CTR 下降 44%) — 仅显示出 2% 的相对差异,确认这种间接方法是可靠的。
除了跟踪现有引用外,最有价值的 AI 概述跟踪工作流程可以发掘未被索取的机会:
在关键字探索器中: 搜索您的重点主题,应用“AI 概述”的 SERP 特征过滤器,然后添加“目标 [您的域名] 在前 100 中未排名”的过滤器。按增长率降序排序。这将产生一份您当前没有出现的趋势 AI 概述查询的列表 — 您最高潜力的 GEO 内容目标。
在品牌雷达中: 应用“您的品牌 — 未提及 — 未引用”过滤器,以查看所有您的竞争对手已索取但您尚未索取的 AI 概述关键字。将这些添加到排名跟踪器或 Ahrefs 报警中,以监控您开始索取时的情况。
赢得 AI 概述引用是一项重要成就。但 Google 的 AI 概述仅代表潜在客户正在导航的 AI 可见性景观中的一个节点。
根据 Ahrefs 自身关于跨平台可见性的研究,AI 模式和 AI 概述仅共享 13.7% 的引用重叠 — 这意味着一个在 AI 概述中持续出现的品牌,并不能保证在 Google 的其他主要 AI 搜索体验中出现。ChatGPT、Perplexity、Gemini、Claude、Grok 和 Microsoft Copilot 各自基于不同的源层级运作,跨平台引用重叠有限。
Dageno AI 填补了这一空白 — 同时监控 10 个以上 AI 平台上的品牌存在,包括 ChatGPT、Perplexity、Google AI 概述、Google AI 模式、Gemini、Claude、Grok、Microsoft Copilot、DeepSeek 和 Qwen,从一个单一的仪表板开始,提供免费计划。
意图洞察 模块揭示了“提示差距” — 在竞争对手在各个平台上获得一致 AI 引用的特定查询,而你的品牌却缺失 — 分析数百万的真实用户提示,而不是要求手动发现提示。品牌工具包(实体管理) 功能注入结构化的实体数据,以确保 AI 平台准确刻画你的品牌,解决低引用率的上游原因,而不仅仅是衡量症状。危机防御 模块在任何监控的 AI 平台生成关于你的品牌的不准确信息时提供实时警报。
定价: 提供免费计划。付费计划基于提示量和监控频率进行扩展。
Ahrefs 对 75,000 个品牌相关性的研究中最具可操作性的发现是不同可见性信号的相对重要性 — 以及它与传统 SEO 观点的巨大差异。
品牌网页提及 (0.664 相关性) 超越了每一个传统 SEO 指标:反向链接 (0.218)、域名评分 (0.326)、自然流量 (0.274),甚至引用域名 (0.295)。扩展该分析到 ChatGPT、AI 模式和 AI 概述的更新研究发现,YouTube 提及实际显示出所有的最强相关性 (~0.737) — 反映出 Google 和 OpenAI 都在 YouTube 记录上训练他们的模型这一事实。
实际意义:最有可能改善 AI 概述可见性的活动是公关、思想领导、社区参与和第三方评价平台的存在 — 而不是传统的链接建设。Dageno AI 的品牌工具包实体管理正是解决这一点:建立结构化的、多平台的品牌实体存在,以预测所有监控平台上的 AI 引用概率。
| 指标 | 需要跟踪的内容 | 如何跟踪 |
|---|---|---|
| 引用数量 | 随时间变化在 AI 概述中被引用的 URL | Ahrefs 品牌雷达 / 网站探索 |
| 引用胜利 | 本周期新获得的 AIO 关键词 | 带有闪光过滤器的 Ahrefs 警报 |
| 引用差距 | 竞争对手AIO关键词遗漏 | 品牌雷达“仅限其他”过滤器 |
| 提及份额 | 品牌名称在AIO文本中的存在 | Ahrefs品牌雷达提及趋势 |
| CTR影响 | 在受AIO影响的关键词上损失的点击 | GSC前后比较 |
| 跨平台可见性 | AI引用率超越AI概览 | Dageno AI跨平台仪表盘 |

更新人
Richard
Richard is a technical SEO and AI specialist with a strong foundation in computer science and data analytics. Over the past 3 years, he has worked on GEO, AI-driven search strategies, and LLM applications, developing proprietary GEO methods that turn complex data and generative AI signals into actionable insights. His work has helped brands significantly improve digital visibility and performance across AI-powered search and discovery platforms.