Visus给自己打35分：一个AI工具的自我打脸现场

去年夏天，Dan Shipper的妻子在利物浦开了家克什米尔餐厅。口碑不错，回头客多，Google Maps评分漂亮。但有个怪事：只要有人跟ChatGPT或Perplexity问"利物浦有什么好吃的克什米尔菜"，这家店就像从没存在过。

Dan是AI工具开发者，自然想搞明白问题在哪。他扒了一圈发现，AI搜索引擎的推荐逻辑跟传统SEO完全是两套系统。Google能搜到的店，AI可能压根"看不见"。

于是他做了Visus——一个免费工具，专门给网站打分，看它们在ChatGPT、Perplexity、Google AI眼里的可见度有多高。满分100，他妻子的餐厅最初只拿到23分。

一家餐厅的AI复活记

Fozias的问题清单很典型：没有结构化数据告诉AI"这是家餐厅"，没有FAQ内容匹配用户提问，各平台店铺信息不一致，缺少llms.txt文件（让AI爬虫顺利读取的说明书），实体定义模糊——AI引擎连"这店是干嘛的"都拿不准。

Dan团队花了90天修完所有漏洞。新分数：80分。结果立竿见影：Perplexity搜"利物浦克什米尔餐厅"，Fozias排到第一；ChatGPT推荐利物浦美食时也开始带它玩。

这是真店、真客、真流水。不是实验室数据。

然后Dan做了件狠事：把Visus自己的官网丢进工具里测。

分数出来：35分。

一个专门帮人提升AI可见度的产品，自己在AI眼里几乎隐形。

自我审计的5个漏洞

Visus给自己开的诊断书同样扎心：

两个域名的规范URL设置混乱，AI爬虫不知道该信哪个；没有llms.txt文件——这工具天天劝别人加，自己都没装；FAQ结构化标记缺失；可爬取内容太薄，React单页应用对AI爬虫极不友好；缺乏可信第三方引用背书。

Dan在博客里说，这个结果"humbling"—— humiliating的礼貌版。

团队用了一个下午全修完。补了SoftwareApplication、Organization、WebSite、FAQPage四套结构化标记；写了详细的llms.txt；规范了所有URL；加了8条FAQ，覆盖用户可能问AI的每个问题。

新分数：76分。一次会话涨41分。

AI可见度≠Google SEO

这个案例暴露了一个被严重低估的认知差：你在Google排第一，不代表ChatGPT认识你。

两者的信号系统完全不同。Google看反向链接、关键词密度、页面权重；AI引擎看实体一致性、结构化数据清晰度、是否被可信来源提及、有没有直接回答用户问题的内容。信任机制也不一样——Google信的是链接图谱，AI信的是信息溯源和语义明确性。

Dan观察到一个时间窗口：现在行动的企业，将在未来数年锁定AI推荐位。等竞争对手反应过来，追赶成本会高得多。这跟早期SEO的红利期逻辑一致，但窗口期可能更短——因为AI引擎的推荐位比Google搜索结果页更稀缺，通常只给3-5个选项。

他总结了5个核心要素：

结构化标记——用机器可读格式明确告诉AI"你是谁"；FAQ内容——直接回答用户向AI提问时可能用的句式；实体一致性——店名、地址、描述在所有平台必须一字不差；外部引用——被可信第三方提及；llms.txt——给AI爬虫的访问说明书。

最后一条最反直觉。llms.txt是去年才出现的概念，类比robots.txt，但专门为大型语言模型设计。它告诉AI：我的网站有什么、什么最重要、你可以怎么理解我。目前采用率极低，可能是最大的低 hanging fruit。

Visus自己的翻身说明了一件事：AI可见度问题不是技术债务，是认知债务。你知道该做什么，半天就能改完；你不知道，三年都碰不到那个开关。

Dan没有透露Visus现在的流量变化。但有个细节值得玩味：他在文章结尾附了Visus的评分链接，邀请读者也去测自己的网站。这既是产品推广，也是新一轮数据收集——毕竟，谁比用户自己的审计报告更能说明问题呢？

你的官网在AI眼里能打多少分？