GEO 竞争分析怎么做？如何找出 AI 眼里的真实对手并分析？

GEO 竞争分析分两步：先用 prompt 测试找出 AI 实际引用的对手（包括同行、内容站点、规范信源三类），再分三层拆解（可见性诊断、内容拆解、信任根基），找到差距，再进行针对性优化提升。

不建议直接拿 SEO 那份竞品名单来用，SEO 时代抢的是 Google 排名，对手就是和你一起排在前几页的同行。但GEO 不一样。AI 给用户答案时，可能引用 Reddit 一个帖子、Wikipedia 一个词条、行业媒体一篇旧文，甚至直接给一段”中立总结”不点名任何公司。

GEO 竞争分析的两阶段框架：先找对手，再拆对手

如何用 GEO 找出真正的竞争对手

第一步：列 10–30 个 prompt

不要从关键词出发，要从客户怎么问 AI 出发。用客户口吻写，不要用行业术语。

按这五类各出几条：

• 品类词：”最好的 XX””XX 怎么选”
• 对比词：”A 和 B 哪个好””XX 替代方案”
• 成本词：”XX 多少钱””XX 价格受什么影响”
• 选择词：”如何挑选 XX 供应商””XX 选购避坑”
• 推荐词：”推荐几个 XX””XX 哪家做得好”

举个例子，如果业务是钢结构出口，按这五类写出来大致是这样：

• Best steel structure manufacturers in China for export（品类）
• Prefab steel structure vs concrete for warehouse（对比）
• How much does a steel structure warehouse cost per square meter（成本）
• How to choose a steel structure supplier for overseas project（选择）
• Recommend steel structure companies for a 10000 sqm factory in Vietnam（推荐）

把这 10–30 个问题整理成一张表，形成你的 prompt 集——后面所有分析的输入。

几个落地细节：

海外业务一定要用英文 prompt。 客户在 ChatGPT、Perplexity 上主要用英文。中文 prompt 跑出来的是国内视角，两套答案差很多——同一个问题用中文和英文问 ChatGPT，引用的信源经常完全不重合。

先求质再求量。 第一次跑 10 个就够，但这 10 个要覆盖完整决策链：客户从”我有这个需求”到”我要下单”会经过的所有问题节点。漏掉成本类或选择类，决策类问题的数据你就拿不到。

对比类 prompt 里要带具体对手名。 “Prefab steel vs concrete” 是泛对比，AI 给的是教科书答案。”Company A vs Company B” 才能逼出 AI 的真实立场——也能直接看到 AI 怎么描述你的竞品。

一时想不出 30 个 prompt？ 用 AlsoAsked、AnswerThePublic 这类工具拉真实搜索问题做种子。它们抓的是 Google 真实搜索数据，比凭空想准得多。

第二步：跑测，记录

至少跑这三个：ChatGPT、Perplexity、Google AI Overview。海外 B2B 业务再加 Google AI Mode 和 Bing Copilot——B2B 用户在 Bing 上的活跃度被严重低估，特别是欧美企业用户。国内业务加 DeepSeek、Kimi、豆包。

每个 prompt 在每个平台问一次，用一张表记下来（Excel、飞书表格、Notion 都行）。表结构建议这样：

| Prompt | 平台 | 提到的品牌 | 内容型信源 | 引用 URL | 是否提到我 | 提到时的语境 |

第一次很多人用一张表装所有数据，跑到第三个平台行数就爆炸。建议每个平台一个 sheet + 一个汇总 sheet，汇总只留品牌名和出现次数。后面算 SoV、挑 Top 名单都从汇总表拉。

最后一列”语境”别漏。AI 提到你不一定是好事——”XX 服务一般”和”XX 性价比突出”频率一样性质相反。只统计”是否被提到”会把负向曝光当成可见度，方向就错了。语境列建议三档标记：+（正向）/ 0（中性）/ −（负向）。

还有同一个 prompt 不同时间问 AI 答案会变——背后有版本更新、检索源轮转、缓存策略多种因素。重要 prompt 这样跑：同一天上午跑一遍，隔 2–3 天再跑一遍，对比两次结果。 一致出现的对手是稳定信号；只在某一次出现的标注”待观察”，别当结论。

prompt 测试记录表样板：每一列都有用

第二步进阶：从手动转半自动可以用什么工具

以下工具是给已经跑过 1–2 轮、想升级监测频率的团队看的。如果你还没跑过一轮，跳过这节直接到第三步——工具买太早会让你被仪表盘绕晕。

prompt 上了 50 个、平台超过 3 个、要每周跑一次时，手动开始崩。这时候可以考虑工具。

最常见的两个入口：

• OtterlyAI——目前最便宜的成熟方案，$29 起跑 10 个 prompt。多份 2026 评测里在性价比维度评分最高。适合从手动转半自动的过渡期。
• Profound——G2 Winter 2026 AEO Leader，覆盖 10+ AI 引擎，规模化监测能力最强，$99/月起。适合中大型品牌。

其他几个值得知道的：

• AthenaHQ：强项是 Action Center，直接给”接下来该写什么、改哪个页面”的建议，比 Profound 更偏执行。
• Scrunch AI：独特功能 Replacement Analysis——你从 AI 答案里掉出去时，它告诉你是谁取代了你。SaaS 这种竞争激烈的品类很有用。
• Semrush AI Visibility Toolkit / Ahrefs Brand Radar：团队已经在用 Semrush 或 Ahrefs，直接开通 AI 模块。Semrush 支持不用先输入 prompt 就能做竞对域名分析——输一个对手域名，它告诉你这个对手在哪些 AI prompt 下被引用。

选工具的核心标准是能不能直接驱动行动，不是覆盖了多少 AI 引擎——市面上多数工具是漂亮的监测仪表盘。详细对比是另一篇话题，这里只给入门级建议。

第三步：把对手分成三类

跑完之后你会看到三类：

直接同行——你卖钢结构，跑出来的其他钢构公司。预期之内。但数量经常比想象中少，因为 AI 在很多问题下不点名公司，只给方法论。

内容型对手——行业垂直媒体、Reddit、Quora、知乎、LinkedIn 长文、Alibaba 和 Made-in-China 的指南页。它们没在卖你的产品，但 AI 把它们当中立权威，引用频率极高。

基础设施型信源——Wikipedia、AISC 这种行业规范文档、协会报告、政府统计、学术论文。AI 几乎逢问必引。

大多数人只盯第一类，漏掉后两类等于自动放弃——因为后两类才是 AI 引用得最多的。

一个反常识的观察：内容型对手里，B2B 平台的”指南页”被引频率经常超过想象。比如 Alibaba 的 buyer guides、Thomasnet 的行业知识库、Globalsources 的产品介绍页——这些页面没几个人当成”内容资产”看，但 AI 极度信任它们，因为结构化好、覆盖度全、更新频繁。如果你的品类有大型 B2B 平台，把它们的指南页当成头号内容型对手研究。

第四步：从这堆里挑 Top 5–10 重点拆

不是按出现次数排，要加权：

• 被引用 > 仅被提到。 被 AI 在答案正文里提到名字是基础，被它把链接列在”来源”区是更强信号。
• 出现在前 3 位 > 出现在后面。 AI Overview 和 Perplexity 的引用是有顺序的，第一个引用源比第十个权重高得多。
• 出现在推荐 / 选择 / 对比这类决策类问题 > 出现在科普类问题。 决策类问题离转化最近，对手在这里赢比在科普类问题赢值钱得多。
• 多平台一致出现 > 只在一个平台出现。 多平台说明对手的内容已经穿透到多个 AI 模型的检索池；单平台可能只是单次缓存或某个模型的偏好。

按这个原则筛出来的 Top 5–10，才是值得花 2–3 天深拆的对象。

A 阶段做完，你应该手上有三样东西：分好类的真实对手名单、每个对手在哪些 prompt 下出现、AI 反复引用的中立信源清单。

如何拆解对手在 GEO 上做对了什么

按下面这个三层结构拆。这三层有内在递进关系：

• 第一层：可见性诊断——这个对手到底有多强？
• 第二层：内容拆解——对手的内容是怎么赢的？
• 第三层：信任根基——对手为什么 AI 信它？

第一层决定要不要花资源拆它；第二层是对手的”招式”，可以学；第三层是对手的”根基”，决定你能追多近。这三层对应三种不同优先级的优化动作——第二层最容易补，第三层最难补。

从可见性到信任根基的三层结构递进拆解

第一层：可见性诊断（这对手到底有多强）

1. 算 Share of Voice。

SoV 没有统一标准算法，相对常用的一种是：这个对手在所有 prompt 中被引用的次数 ÷ 所有品牌被引用的总次数。不是除以 prompt 总数——前者反映品类内的相对密度，后者反映绝对覆盖率，两个数能差很多。挑一个固定下来，关键是前后一致，不是哪个算法”对”。

算 SoV 时把”内容型对手”和”基础设施型信源”单独算，不要和品牌混算。混算会出现 Wikipedia 占 30%、所有品牌加起来才 40% 的画面，看上去吓人但没有可比性——你不是要打败 Wikipedia，是要在剩下的品牌池里看你和同行的相对位置。

同一对手在不同 AI 模型里 SoV 可能差异很大——这不是数据错误，是不同模型的检索后端不同（AI Overview 基于 Google 索引、ChatGPT 基于 Bing、Perplexity 自建索引、Gemini 深度依赖 Google Knowledge Graph）。建议按模型分别算 SoV，再合成总览，不要直接平均。

2. 看信源类型分布。

把对手在你 prompt 集里被引用的所有 URL 拉出来，按域名归类。会看到三种典型分布：

• 绝大部分来自自有域名 → GEO 靠自有内容。优化路径：你也得做内容矩阵。
• 相当比例来自第三方媒体/平台 → GEO 靠 PR 和外部铺设。优化路径：怎么进这些第三方。
• 两边都有 → 它两边都做且互相引流。这是最强的对手。

判断对手类型，决定你接下来资源该投哪里——写自己的内容，还是去外部铺。

这一层用 Profound、AthenaHQ、OtterlyAI 这类工具能直接出。但第一次建议手算一遍，亲手数过 SoV 才会理解这数字背后的意思。

第二层：内容拆解（对手的内容是怎么赢的）

拆解对手的”招式”。招式可学——拆完之后能直接动手补。

1. 内容矩阵覆盖度。

别只看一个页面。打开对手网站看它有哪几类页面：

• 产品 / 服务页
• 选择指南页（”How to choose X””X buyer’s guide”）
• 成本说明页（”X cost””X pricing”）
• 对比页（”X vs Y”）
• 案例 / 客户故事页
• FAQ 页
• About 页 + 团队页

AI 在不同 prompt 下会引用同一网站的不同页面：成本类 prompt 引成本页，选择类 prompt 引指南页，对比类 prompt 引对比页。矩阵不全等于火力分散——很多决策类 prompt 你根本没参赛资格。

很多 B2B 公司官网只有产品页和案例页，缺选择指南、成本页、对比页。这是最常见的 GEO 内容缺口，也是最容易补的。

2. 单页面结构。

找出被引用最多的那个页面打开看：

• 首段有没有”一句话答案”。 AI 极爱抠首段。50 字以内的直接结论 + 下面展开论证，被抠的概率比”先讲背景再讲答案”高得多。
• H2 是不是疑问句形式。 一个反直觉但合理的观察：被高频引用的页面，H2 经常是直接的疑问句（”How much does X cost?”），不是名词短语（”X 成本分析”）。原因是 AI 在做检索增强生成（RAG）时，倾向把”问题—答案”结构的内容块当成可直接抠取的最小单元——疑问句 H2 + 紧跟答案，正好是 AI 最爱的结构。
• 有没有列表、对比表、FAQ。 AI 抠表格和列表比抠段落容易得多。一篇有 3 个表格的页面，被引用频率经常显著高于同主题的纯文字长文。
• 段落短不短。 80 字以内的短段落更易被 AI 整段引用。500 字大段长文，AI 通常只引第一句。

这一层 Profound 的内容分析模块、AthenaHQ 的 Action Center 都能给到具体页面级建议。但第一次手动看几个页面更有感觉，看多了你会培养出对”AI 友好结构”的直觉。

第三层：信任根基（对手为什么 AI 信它）

第三层是找对手的”根基”。根基难复制——不是改两篇文章就能补的，是长期投入的结果。但根基决定了可追距离。

1. E-E-A-T（经验、专业、权威、可信，Google 评估内容质量的核心框架）。

看三点：

• 作者是不是真人、有没有履历。 打开对手指南页看作者署名。有作者头像、LinkedIn 链接、过往文章列表 → 强信号。作者是”Admin”或没署名 → AI 在 E-E-A-T 上扣分。
• 网站本身有没有真实的 About、案例、原始数据。 检查方法：找对手 About 页，看是否说清楚”我们是谁、做了什么、服务过谁、有什么成绩”。空泛的”我们提供优质服务”对 AI 没有信号价值。
• 品牌在外部的称呼和定位是不是一致。 检查方法：在 Google 搜对手品牌名看前 20 条结果——它在媒体、协会、目录、社媒上的称呼是不是同一个？业务定位是不是一致？

最后一点对 B2B 尤其关键。AI 会同时看”网站怎么说自己”和”外面怎么说它”。两边一致 → 实体清晰；两边打架 → AI 通常宁可不引用。

2. 实体对齐（Entity Alignment）。

AI 是不是反复把这个品牌和某个核心关键词绑在一起？这是 GEO 里最技术、最难复制的一环。两个免费检查方法：

• 去 Google 搜对手品牌名，看右侧 Knowledge Panel 出不出来。 出来了说明 Google 已经把它识别为独立实体，AI 调 Knowledge Graph 时能直接找到。这是最强的实体信号。
• 去 ChatGPT 问 “Tell me about [对手品牌名]”。 看 ChatGPT 能不能准确说出它做什么、服务什么客户、有什么核心特点。能说清楚 → 实体对齐到位；说错或胡编 → 实体对齐有缺口。Claude、Perplexity、Gemini 也跑一遍——Gemini 因为深度依赖 Google Knowledge Graph，是验证实体对齐到不到位的最直接信号。

两个检查都通过的对手是真硬骨头——实体对齐是多年积累的结果，短期难以追平，只能靠长期内容铺设、外部提及一致性、Schema 标注、Wikidata 条目等组合手段慢慢补。这块涉及的技术细节单独讲是另一篇。

第三层很少有现成工具能完整覆盖，主要靠人工诊断 + 长期跟踪。Scrunch AI 的 Replacement Analysis 算第三层维度的延伸，能告诉你”是谁在抢你的位置”，但不能直接告诉你”对方实体根基是怎么搭起来的”。

把三层分析变成一张行动表

很多人拆完写一份”竞对分析报告”就完事——报告没用，能驱动动作的表才有用。

每行最好包含这几列：发现 / 对手做法 / 我的差距 / 下一步动作 / 优先级 / 完成周期 / 对应层级。

关于”完成周期”：这里指动作完成时间，不是见效时间。 GEO 的见效周期通常比内容产出周期长得多——选型指南上线后一般 4–8 周才能在 AI 答案里看到引用变化；Schema/Knowledge Graph 这类信任建设动作见效要按季度算。别把 1 周完成的动作误读成”一周后 AI 就引我了”。

发现	对手做法	我的差距	下一步动作	优先级	完成周期	层级
“如何选 XX 供应商”被某协会站高频引	有结构化选型指南配对比表	我没这个主题	产出英文选型指南，配对比表 + FAQ	高	1–2 周	第二层
行业规范文档反复被 AI 引	中立权威信源	我的内容里没引规范	后续内容精准引用核心行业规范	中	持续	第二层
内容对手 B 有完整成本页	拆解了多个成本影响因素	我没有成本页	新建出口报价构成页	高	1 周	第二层
对手 A 在 Google Knowledge Panel 能搜到	长期外部建设 + Schema 标注	我的品牌不在 Knowledge Panel	启动 Wikidata 条目 + Schema 部署	中	3–6 月	第三层

最后一列”层级”是关键——第二层的动作（内容补丁）几周内能完成，第三层的动作（信任建设）按月或按季度计。把它们混在一起规划，资源会乱。

GEO 竞争分析最容易踩的三个坑

只用一个 AI 平台测。 不同模型答案差异比想象中大。ChatGPT 不提你不代表 Perplexity 不提，反过来也成立。至少跑三个。

只看出现次数，不看语境。 被吐槽和被表扬频率一样但价值相反。语境列别省。

只看同行，不看非品牌信源。 你的对手名单里如果一个非品牌信源都没有，那不是没有——是漏了。

第一次做 GEO 竞争分析的最小起步方案

不用买工具。10 个 prompt，3 个 AI 平台（ChatGPT + Perplexity + Google AI Overview），用一张表记录，选 Top 3 对手按三层拆，产出一张行动表。两三天能跑完一轮。

跑完一轮才会知道 GEO 竞对分析是什么——不是研究工具，是练出一种”在 AI 里看自己”的眼力。

判断眼力到没到位有个简单标准：不开任何工具的情况下，看到一个 prompt 答案就能立刻判断”这个引用源是真权威还是凑数的”？ 能 → 眼力到位 → 上工具效率会跳一档；不能 → 再跑两轮手动再说。

现在就可以做的第一件事：打开一份新表格，写下你最希望客户在 AI 那里问到的 5 个问题。

GEO 竞争分析的真正难点

GEO 竞对分析的难点不在跑 prompt，在两个地方——A 阶段怎么系统化识别真实对手（特别是非品牌信源），B 阶段怎么按”诊断→拆解→根基”三层分清楚再变成内容动作。多数团队跑完一轮就卡在”写了份报告”那一步，没进到行动闭环，结果是分析做了，优化没动。

我们西品东来在GEO优化项目里跑过不少这类分析，沉淀了一套从 prompt 设计、跨层拆解到行动落地的框架。如果你正在搭这套能力，或者想让我们帮你跑一轮基线分析，可以联系我们聊。

不管是刚要开始第一轮，还是已经跑过几轮——你现在能立刻列出几个具体动作吗？ 列不出来，说明分析还停在”看到了”而不是”看清了”。