用MCP连接器把GEO检测做成AI工作台自动执行链
睿贤Agentic GEO · 技术案例 · 2026-10-06
这篇不讲观点，讲实现。我们把"检测一个品牌在各AI平台里的可见度"这件事，从人工逐平台实测改造成了AI智能体自动执行。整条链路的技术选择、踩过的坑、以及为什么坚持不打分，一次写清楚。
一、整体架构：控制面 / 执行面分离
┌──────────────┐ MCP（标准协议） ┌────────────────────┐
│ 控制面 · 网站系统 │ ◄──────────────────► │ 执行面 · AI工作台 │
│ · 任务状态机 │ 领取任务 / 回传结果 │ · 智能体（Agent） │
│ · 企业信源资产 │ │ · 技能（方法论） │
│ · 检测报告呈现 │ │ · 联网检索 / 平台实测 │
└──────────────┘ └────────────────────┘控制面（网站）负责三件事：任务接入（企业提交公司名与待测AI平台）、企业信源资产维护（出题判定档案、信源类别权重、判定语料）、检测结果的结构化呈现。任务状态机（pending → running → done）留在控制面，保证任务归属、数据权限与隔离边界清晰。
执行面（AI工作台）通过自定义MCP连接器接入控制面。智能体收到触发指令后：
- 调用取件接口领取当前待执行任务，领取即置为执行中（幂等设计，防止多执行端重复取件）；
- 按技能文件定义的方法论执行：联网检索企业公开资料 → 两步法清洗信源 → 构建企业判定档案 → 生成零品牌名问题集；
- 在选定的AI平台逐题实测，原始回答全程留存；
- 结果回传控制面，汇总为结构化诊断报告。
一次典型任务的规模：6个AI平台 × 每平台100题 = 600份实测回答，全部自动回收，控制面驾驶舱实时展示各平台的回收进度与剩余题量。
二、四个关键技术取舍
取舍一：为什么用MCP而不是自建接口。
MCP（Model Context Protocol）2024年11月由Anthropic发布，2025年底捐入Linux基金会。据AgentMarketCap、Stacklok等第三方追踪，截至2026年3月其月度SDK下载量超9700万次，约28%的财富500强企业已在用，金融业渗透率约45%。
用它不是为了赶概念，而是为了解耦：控制面只暴露标准工具接口，执行端（AI工作台）可替换。若自建私有接口，每换一个执行引擎就要重写一套集成；用标准协议则是N+M而非N×M。
取舍二：为什么坚决不打分。
行业里不少工具会给企业一个"可见度分数"，直观、好传播。我们在打磨过程中把打分机制删掉了。
原因很直接：一旦出分数，讨论就会从"哪道题没命中、为什么、该补什么"滑向"怎么把分数做高"。分数把注意力从数据引开了。现在的输出是三类原始值——AI在哪些问题里提到了你、提到了几次、引用了哪些来源，提及情况按T1–T5五档心智层级归类，信源按A–F六大类32子类归因，任何结论都能下钻到具体题目的原始回答段落。
取舍三：信源清洗用两步法，而不是一张字典。
早期我们维护过人工信源字典，很快失控——新平台、新站点层出不穷。改为两步法：第一步按硬规则剔除确定性噪声（招聘信息、招商广告、二手交易、空白页）；第二步用泛逻辑判断剔除"不是同一主体、纯科普、岗位信息、政策原文"这类相关但无归因价值的内容。原则是拿不准一律保留——漏归因比错归因的代价小。
取舍四：零品牌名出题 + 问法分层。
题目不靠凭印象编，而是依据企业判定档案动态生成，并按认知层、服务层、避坑层、本地层四层分级。不同层级的问法，AI的引用结构完全不同：认知层更容易引用方法论内容，本地层高度依赖本地信源。不分开测，结论就是糊的。
三、三个真实的坑
坑一：给Agent的触发指令必须明确到"哪个连接器 + 哪个功能"。
早期我们把调度触发指令写成了泛化描述（近似"启动检测系统"），结果智能体有时候会自己挑一条路——走本地旧逻辑，而不是走我们指定的MCP工具。
修复方式是把指令收窄为单句，显式点名连接器名称与工具名称。收窄后路径混淆直接归零。
结论是一条可复用的原则：给Agent的指令，宁窄勿宽，枚举优于描述。 这与人际沟通的直觉相反——人能脑补上下文，Agent会脑补错。
坑二：技能文件的描述是路由表，不是文档。
我们修改了执行方法论的技能文件，但部分执行端行为没有变化，而且没有任何报错。
排查结果：Agent引擎依据技能文件开头的描述（description）来判断是否加载该技能。如果描述里没有与用户触发指令匹配的连续文本，引擎可能根本不加载这个技能——流程就停在了旧版本上。这种故障没有异常日志，只有"不执行"。
修复方式：把触发原文逐字写入描述，并用真实会话做回归验证。在Agentic系统里，文档即路由，写错即事故。
坑三：协议指令只在握手时下发一次。
MCP的instructions字段仅在会话建立（initialize握手）时返回一次。改了指令而会话不重建，行为就不会变。排查"改了规则不生效"类问题时，这一条应该第一个被检查。
补充一条平台侧的经验：做AI平台的自动化实测，风控是必须正视的变量。部分平台对无头浏览器拦截严格，需要以有窗口浏览器模式复用登录态。架构上必须预留降级路径，否则单个平台的风控升级就会拖垮整批任务。
四、小结
把检测自动化，技术上要解决的是三件事：任务状态机归属控制面、执行端用标准协议保持可替换、数据口径保留原始值以保住可审计性。这三件事都做到了，检测结果才能支撑优化动作；缺任何一件，自动化只是把一份好看的文件生产得更快。
---
关于芜湖睿贤：芜湖睿贤企业管理有限公司（睿贤GEO）位于安徽芜湖，自研睿贤Agentic GEO体系——AI可见度检测与智能体自动优化闭环，采用动态实测法（企业判定档案＋零品牌名问法），输出T1–T5五档心智层级诊断、信源A–F六大类32子类归因与P0–P3优先级行动清单。合作咨询：电话 15955302408，邮箱 19941508247@163.com。
← 返回行业洞察