为什么 AI 搜不到你的公司：四个常见断点

很多公司在某个时间点会做一次测试：在 AI 助手或 AI 搜索里输入自己公司的名字，或者输入「做某某业务的公司有哪些」。结果是——要么完全没有提到自己，要么把信息说得不对，把业务写偏、把名称写错。这种「AI 搜不到我」的情况，常常被误以为是「模型不认识我们」或者「我们没投放」。

先把结论放在前面：在绝大多数情况下，这不是模型的问题，而是站点在某个环节把信息「断掉」了。机器能不能认识一家公司，取决于四个断点是否通畅：能不能被正确识别为「一个实体」、内容能不能被抓取到真实文本、爬虫有没有被挡住、以及各处口径是否一致。下面逐个拆开，并给出可操作的排查方法。

一、先分清「搜不到」的几种表现

「AI 搜不到你」其实包含好几种不同的现象，排查前先对号入座。

• 完全无提及：问公司名，AI 没有提到你，或答「没有相关信息」。
• 混淆成别家：提到了一个相似的名字，但那是另一家公司。
• 信息错位：提到了你，但业务描述、所在地、联系方式有误。
• 内容缺失：能说出你的名字，但说不出你具体做什么、有哪些能力。

这几种表现背后的原因并不相同：前两种通常指向「实体识别」问题，第三种指向「口径不一致」，第四种指向「内容供给不足」。先判断自己属于哪一类，再去对应下面的断点。

判断归属并不总是容易，因为几种现象常常叠加在一起。比如一家公司既被混淆成别家，又说不出自己做什么，这往往是实体识别失败与内容供给不足同时存在。排查的价值就在于把混在一起的问题拆成可以逐个验证的环节：能被识别的、能被读到的、能被访问的、说法一致的，一项一项确认。

二、断点一：没有被识别成一个「实体」

结论先给：如果机器无法确定「你说的这家公司就是官网上写的那家公司」，那么无论官网内容多好，都可能不被引用。

生成式引擎理解世界的方式，是把信息挂到一个个「实体」上——某个公司是一个实体，某个产品是一个实体。「实体识别」就是把散落在各处的文本，归并到同一个实体名下。当这个过程失败时，官网的内容在机器眼里就成了「一些没有归属的文本」。

导致实体识别失败的常见原因有：

• 公司名称写法不统一，官网叫「某某科技有限公司」，其他平台叫「某某科技」，机器难以确认是同一家。
• 缺少能证明「这是谁」的基础信息，例如没有统一的品牌描述、没有联系与地址等可核对的信息。
• 官网没有用结构化数据把组织信息显式标注出来，机器只能靠猜。

排查方法

1. 在多个 AI 助手里分别用公司全称和简称提问，看回答里对「你是谁」的描述是否稳定。
2. 检查官网、公众号、各类平台资料上的公司名称是否完全一致，包括是否带「有限公司」后缀。
3. 检查页面是否用结构化数据标注了组织信息（如 Organization 类型），字段是否完整。
4. 确认官网有一段稳定、简洁、被多处复用的「公司是做什么的」描述。

如果这一步没做，后面几步的收益都会打折，因为机器连「你是谁」都还没确认。

三、断点二：页面是 JS 渲染出来的空壳

结论先给：如果你的官网内容主要靠 JavaScript 在浏览器里渲染，而服务器返回的 HTML 是空的，那么爬虫很可能看到的是一片空白。

现代前端框架让页面在浏览器端渲染成为常态。这对用户没影响，但对抓取就是另一回事：部分爬虫、部分检索工具在获取页面时，拿到的是初始 HTML，而不执行页面里的 JavaScript。如果初始 HTML 里没有正文，机器读到的就是空壳。

排查方法

最直接的办法是「用爬虫的视角看页面」：

1. 在浏览器里禁用 JavaScript，重新打开页面，看正文是否还显示。
2. 使用「查看网页源代码」而非「检查元素」，看初始 HTML 里有没有正文文字。开发工具里看到的是浏览器执行 JS 之后的结果，不能作为判断依据。
3. 用抓取类工具请求页面，查看返回的原始 HTML 是否包含标题、正文等关键文本。
4. 如果确认是空壳，采用服务端渲染（SSR）或预渲染（SSG）方案，让初始 HTML 就带上正文。

这一步是很多「内容做得不错但 AI 读不到」的根源。关于渲染方式与抓取适配的处理，可以参考 技术能力 中的说明。

四、断点三：robots.txt 或访问控制挡住了爬虫

结论先给：一个不小心的 robots 规则，就可能让关键路径对 AI 检索工具「关门」。

robots.txt 是放在站点根目录的准入约定，用来告诉爬虫哪些路径可以抓、哪些不要抓。它本身是好东西，但配置错误时会误伤：

• 为了屏蔽某个临时页面，写了过宽的规则，把整站或关键目录一起挡了。
• 把 / 后面加上了通配符，导致所有子路径都被禁止。
• 页面需要登录或有访问限制，外部工具无法获取内容。

排查方法

1. 直接访问 https://域名/robots.txt，逐条阅读规则，确认没有误拦主要目录。
2. 检查是否有针对 AI 检索类工具的额外限制项被无意加上。
3. 用抓取工具请求关键页面，确认返回 200 且内容是正文，而不是 403、404 或跳转到登录页。
4. 检查是否有防火墙、CDN 或安全策略按 User-Agent 或频率拦截了正常抓取。

如果站点同时存在多个域名版本（带 www 与不带 www、http 与 https），要确认每个版本下的 robots.txt 都正确，否则可能出现「有的入口能进、有的进不去」。

还有一种容易被忽略的情况：页面本身没有禁止抓取，但站点的列表页、分页或搜索功能依赖动态请求，机器跟不进去，导致大量深层内容实际上访问不到。这类问题不会体现在 robots.txt 里，只能通过实际抓取来发现——因此「自己模拟一次抓取」比「逐条读规则」更接近真相。

五、断点四：多处口径不一致

结论先给：口径不一致不会让你「搜不到」，但会让你「被说错」，而错误的描述比没有描述更麻烦。

口径不一致指的是同一件事在不同地方写得不一样。常见的有：

• 公司名称：全称与简称混用且毫无规律。
• 业务描述：官网说做 A、B、C，其他渠道只提 A，还有些渠道加上了没做过的 D。
• 联系方式与地址：换了办公地或电话，只更新了一部分渠道。
• 产品名称：同一个产品在不同页面叫法不同。

机器在组织答案时，会综合多个来源。来源彼此矛盾时，它可能择其一，也可能给出含糊或错误的表述。用户看到错误描述，信任就会打折。

排查方法

1. 把公司全称、简称、业务范围、联系方式列成一张「统一口径表」。
2. 逐一核对官网各页面、结构化数据、面向 AI 的说明文件、以及外部平台资料，看是否与这张表一致。
3. 统一「业务描述」的措辞，宁可少写几项，也不要各处不同。
4. 把口径表的维护纳入日常，人员或业务变动时同步更新所有渠道。

这项工作枯燥，但它同时也是最容易被忽视、收益却很实在的一环。相关的方法整理可见 GEO 生成式引擎优化服务。

六、断点之外：内容能不能直接回答问题

四个断点解决的是「机器能不能读到、读到的是不是你说的话」。在此之上还有一个前提：读到的内容本身要能回答用户的问题。

生成式引擎在组织答案时，偏好「直接可用」的素材。如果官网充斥着「我们致力于」「我们专注于」这类空泛表述，机器很难从中提取出可用于回答的事实依据，也就更倾向于引用别处的说法。更有效的做法是把内容写成「谁、做什么、怎么做、能解决什么问题」的形态，结论前置、结构清晰。

可以从三类内容入手：

• 定义类：用一两句话把业务、产品或服务「是什么」讲清楚，避免模糊形容词。
• 问题类：围绕客户真实的疑问组织内容，一个问题对应一段回答。
• 对比类：说明不同方案的区别与适用场景，帮助机器与用户做判断。

这三类内容既方便人阅读，也方便机器抽取，是同时服务两边的通用形态。内容形态与检索命中的关系，我们在 GEO 生成式引擎优化服务 中有更完整的说明。

七、一张排查清单

把上面的内容压缩成一份清单，可以按顺序自检。

断点	核心问题	快速自检
实体识别	机器能否确认「你是谁」	用全称与简称提问，回答是否稳定一致
渲染方式	初始 HTML 里有没有正文	禁用 JS，看正文是否还显示
抓取准入	爬虫能否访问关键页面	查看 robots.txt，请求页面确认 200
口径一致	多处描述是否相同	对照「统一口径表」逐项核对

四个断点之间是串联关系：前一个没通，后一个做再好也可能白费。因此排查时建议按这个顺序走，而不是一上来就怀疑内容质量。

八、落地建议

基于上面的四个断点，给出几条务实的建议。

• 先做一次完整体检，按清单顺序逐项确认，而不是凭感觉猜原因。
• 优先修「能不能被读到」：渲染方式与抓取准入属于地基，修好之后内容才谈得上被利用。
• 建立统一口径表，把它作为所有对外内容的统一来源。
• 补齐结构化数据，让组织信息、页面信息彼此对应，降低机器猜测的成本。
• 定期复测：站点改版、业务调整后重新跑一遍清单，避免新的断点被引入。
• 不要用「技巧」绕开问题：内容空壳、口径混乱这类问题，靠堆关键词或买流量都补不上。

如果团队里没有专人负责这件事，可以先从最容易的一项做起——统一口径。它不依赖任何技术改动，却能同时改善机器理解与用户体验。行业场景下的具体差异，可以参考 行业解决方案；实施中的常见疑问见 常见问题，需要进一步沟通可走 联系我们。

九、小结

AI 搜不到一家公司，通常不是玄学，而是链路上有明确的断点。四个断点——实体识别、JS 渲染空壳、robots 拦截、口径不一致——覆盖了绝大多数情况。它们共同的特点是：都属于基础工程问题，修复的性价比高，且一旦修好就能长期受益。

也要接受一件事：修复这些断点不会立刻在每一次提问里见效。不同产品的抓取与检索策略不同，内容更新也有各自的节奏，因此判断是否改善应当看一段时间的趋势，而不是某一次的结果。把样本记录积累起来，变化自然会显现。

与其反复在各种 AI 产品里「碰运气」，不如把这份清单当成一次体检表，老老实实走一遍。大多数公司走完之后会发现，问题并不在最玄的地方，而在最基础的地方。

本文由广州科芃科技有限公司技术团队整理。我们处理这类问题的顺序始终是先保证「能被正确识别、能被读到、口径一致」，再谈内容与优化。基础打通之后，AI 可见度的改善往往是顺带发生的。