2026-10-06 · 技术案例
用MCP连接器把GEO检测做成AI工作台自动执行链
把品牌可见度检测交给AI智能体执行的完整工程复盘：控制面/执行面分离架构、四个关键技术取舍（MCP标准协议接入、坚决不打分、信源两步法清洗、零品牌名出题），以及三个真实踩坑点。
阅读全文 →把品牌可见度检测交给AI智能体执行的完整工程复盘：控制面/执行面分离架构、四个关键技术取舍（MCP标准协议接入、坚决不打分、信源两步法清洗、零品牌名出题），以及三个真实踩坑点。
阅读全文 →测AI认不认识你，难点不在生成端，在提问端和归因端。零品牌名问法、信源三层关联、不打分只给原始值——这篇把实现拆开讲。
阅读全文 →判断GEO检测数据是实测还是编造的三个技术判据：结论可回溯AI原话、题库零品牌名、信源分析落到可行动颗粒度。
阅读全文 →信源归类三代演进：人工字典换行业即失效，AI归类暴露静默失败，三段漏斗两轮封顶——573次引用未识别仅0.35%。
阅读全文 →GEO 检测的核心难点，是信源数据能否复现。本文拆解睿贤自研的 A-F 六类 32 子类信源编码体系：6 平台 200 题、2153 次真实引用实测，只统计不打分、逐题可溯源，并说明自研自动化链路如何把检测成本压到中小企业做得起的区间。
阅读全文 →100道题、12个平台、600家企业的溯源，是一个实打实的工程项目。从采集到校准，每一步都在做什么？
阅读全文 →一份好的GEO检测报告，底层不是「把各平台截图贴在一起」，而是一条可复现的工程管线：用固定问题集驱动各AI平台实测，把结果沉淀进统一的结果池，再经量化模型与复测对比产出可解释的结论。本文拆解睿贤AGEO智能体报告系统的四…
阅读全文 →信源归因引擎，简单说就是一套把 12 家大模型回答里的引用链接，经过"解析 → 归并 → 量化"三步，变成"每个来源平台在你的 AI 回答里占多少权重"这张表的系统。它解决的是一个工程问题：大模型返回…
阅读全文 →拆开单平台探针内部：100道模拟客户真实问答→逐段AI回答→逐题溯源（原样归档引用源，宁空不假）→数据校准真实竞品。单平台溯源约1小时，12平台就是真实工程。
阅读全文 →模拟客户不同场景的真实问答，针对12大主流AI平台实测品牌可见度，用五维100分量化差距，输出可执行的优化路线图。
阅读全文 →