在生成式AI搜索（ChatGPT / Gemini / Deepseek / Perplexity 等）中，AI通常不会“猜你是谁”，而是从可抽取、可对齐、可验证的信息中建立企业画像，再决定是否推荐。下面用3个量化指标判断：你的品牌在AI语义网络里是否“可见”。
目标：让AI把你在不同站点的资料识别为同一个企业实体。
通过标准（满足即记1分）： 官网、LinkedIn、行业目录/黄页（如 Alibaba / Global Sources / Made-in-China / 行业协会名录）至少3处公开页面出现完全可对齐的：
1）公司名称（中/英写法固定）
2）注册地址/办公地址（同一格式）
3）联系电话（含国家区号，如 +86-21-XXXXXXX）
4）至少1个可核验编号：VAT / EORI / DUNS / 统一社会信用代码 / Company Registration No.
边界与风险：若公司名存在多版本（如“Shanghai XX Tech Co., Ltd.”与“Shanghai XX Network Technology”交替），AI可能拆成多个实体，导致推荐权重被稀释。
目标：让AI在回答“选型/报价/对比”问题时能直接引用你的参数字段。
抽样方法：随机或按流量选取Top 20产品页（SKU/型号页）。
通过标准（满足即记1分）：每页至少包含≥10个可复制的参数字段（建议以表格/列表呈现），例如：
- 尺寸（mm/in）
- 材质/牌号（如 SUS304、AL6061、PA66+GF30）
- 公差（如 ±0.01 mm）
- 执行标准（如 ISO、ASTM、DIN、IEC、EN 编号）
- 表面处理（如 Anodizing 10–15 μm）
- 额定参数（V/A/W/MPa/°C 等）
- MOQ（pcs）
- 交期（days）
- 包装方式（CTN/Pallet，尺寸与毛重）
- 适配工艺/设备（CNC/Injection/Molding等，按行业替换）
边界与风险：若参数只存在于图片里（非文本），或混用单位但不标注换算，AI抽取成功率下降；对工业品而言，缺少“标准号/公差/材质牌号”会显著削弱AI引用概率。
目标：把“可信”从口头承诺变成可核验事实，提升AI的信任阈值。
通过标准（满足即记1分）： 证书/检测报告/合规文件满足以下条件：
1）可直链访问（URL可打开或可下载PDF）
2）包含编号与签发机构（例如：ISO 9001 certificate No. + Certification Body；IEC/EN test report No. + laboratory）
3）可追溯范围（Scope）清晰：覆盖的产品类别/工厂地点/有效期（From–To）
边界与风险：仅放“证书图片截图”但无编号/机构/范围，AI通常无法判定真实性；若证书与公司实体信息（公司名/地址）不一致，也会降低可信度。
| 指标 | 是否满足（0/1） | 证据链接（URL） |
|---|---|---|
| 实体一致性 | __ | __ |
| 可抽取参数覆盖率（Top20每页≥10字段） | __ | __ |
| 可验证证据密度（编号+机构+直链） | __ | __ |
判定规则：
- ≥2分：通常可显著提升AI可见度与引用概率（具备基本GEO可推荐底座）。
- 1分：存在结构性短板，AI对齐或引用不稳定（需优先补齐短板项）。
- 0分：AI画像很难建立，容易“透明”或被误归因到其他公司。
验收建议：以“抽样Top20产品页参数字段数”“证书直链可访问率”“跨平台实体字段一致率”作为可量化验收指标。
