A-1 Awareness · Explicit
显性知名度
AI 被问品类和场景问题时，会不会主动提到你
出现率首位率前 N 率覆盖宽度
AURA AI Visibility Report
当客户问 AI
答案里有没有你？
AURA 是一套有方法论的 AI 可见度诊断：五个维度、多平台真实采样、每条结论可回链到对应的问题与回答摘录。 不止告诉你问题在哪，每项诊断都附带可执行的改进方案，用 AI 即可修改。
AURA 是什么
AURA 是一份 AI 可见度诊断报告
Awareness 知名度 · Understanding 理解度 · Recommendation 推荐位 · Alignment 认知对齐
"AI 有没有提到你"只是表象。AURA 取四个维度的英文首字母：AI 是否知道你（Awareness，分显性 A-1 和潜在 A-2）、 是否理解你（Understanding）、是否推荐你（Recommendation），以及公开检索证据与模型既有认知是否对齐（Alignment）。跨模型与跨时间表现另列为稳定性观察。 每个维度都有明确的评估问题和指标口径。
A-2 Awareness · Latent
潜在知名度
你是否具备被 AI 找到和引用的前置条件
可发现性被引用性结构化暴露
U Understanding
理解度
AI 对你的描述，是否对齐你确认过的事实基准
主营业务目标客户产品服务差异化
R Recommendation
竞争推荐位
AI 回答选型类问题时，推荐名单里有没有你的位置
进入名单席位位置竞品共现
A' Alignment
认知对齐
公开检索证据与模型既有认知之间是什么关系
检索证据既有认知双层状态
How it runs
从你确认的事实出发，到有证据的结论结束
方法论的核心承诺：报告里每一个结论，都能点开看到 AI 的原始回答。
Where it comes from
AURA 不是凭空发明的
它的理论源头是营销科学界的心智可得性（Mental Availability）研究：拜伦·夏普在《品牌如何增长》中证明， 品牌增长的关键是在购买场景出现的那一刻被想起来；Ehrenberg-Bass 研究所与 LinkedIn 的 95-5 法则进一步指出， 约 95% 的 B2B 买家不在采购窗口内——品牌必须提前完成心智占位。
今天，B2B 买家把选型、对比、初筛交给了 AI，AI 正在成为买家的外置心智。 AURA 做的，就是把心智可得性理论翻译成 AI 时代可验证的 B2B 可见度标准。
阅读完整方法论：AI 成了买家的外置心智 →- 01
确认品牌事实
你确认事实基准卡：是谁、做什么、给谁做。这是"理解度"判断的合法性来源。
- 02
生成问题集
围绕品牌词、品类词、场景词生成 16–24 个测评问题，你可以审核和修改。
- 03
多平台采样
在多个主流 AI 平台上真实提问，记录回答原文、提及位置和共现企业。
- 04
来源识别
拆出 AI 引用了哪些官网页面、第三方来源，以及它缺少什么依据。
- 05
指标计算
按 AURA 五个维度计算指标，样本不足时明确标注，不硬给结论。
- 06
报告与方案
输出在线报告：每条结论附原始回答证据，每个问题附对应改进方案。
Report Preview
报告长什么样：五个维度，逐个看
以下是报告的真实结构，示例数据来自脱敏后的测评样本。 完整的指标数值、AI 原话和逐条证据，在你的报告中呈现。
AI 被问品类问题时，会不会提到你
出现率
在全部品类与场景问题中被提及的比例
首位率
被第一个推荐的比例
覆盖宽度
在多少类问题里进入答案
问题类型采样结果证据
品类推荐问题3 个平台中 1 个提及，位次靠后附 AI 回答原文
你是否具备被 AI 找到的前置条件
可发现性
搜索品牌名时，官网能否被稳定找到
被引用性
是否存在 AI 愿意采纳的来源页面
结构化暴露
关于页、FAQ、案例等事实底座是否完整
检查项状态说明
官网首页可发现性通过品牌词搜索可稳定命中
AI 把你说对了吗
事实基准
以你确认过的事实卡为判断依据
逐层比对
主营业务、目标客户、产品、差异化四层
严重程度
说错、说偏、漏说分别标注
事实层AI 的描述判定
主营业务AI 原话摘录与基准比对部分偏差
AI 的推荐名单里，有没有你的位置
席位占有
AI 推荐名单通常只有 3–5 个席位，你在不在其中
竞品共现
这些席位现在坐着谁
缺席场景
哪些买家真实提问下你完全不在场
选型类提问推荐名单你的位置
买家场景语言提问3–5 个席位，附名单原文缺席
公开检索证据与模型既有认知对齐吗
公开检索证据
联网检索是否取得可核身证据
模型既有认知
不依赖本轮检索时是否已有认知
双层状态
dual_absent / retrieval_only / memory_unanchored / dual_healthy
检索层认知层状态
有证据待沉淀retrieval_only
Full report
完整报告的 8 个模块
模块结构全部公开，内容随你的报告交付。
01
AI 现在这样描述你
AI 的代表性原话，第一眼看清现状
02
A-1 显性知名度
出现率、首位率、覆盖宽度与采样明细
03
A-2 潜在知名度
可发现性、被引用性、结构化暴露诊断
04
U 理解度诊断
AI 原话与事实基准逐层比对
05
R 竞争推荐位
选型类提问下的推荐名单与你的席位
06
A' 认知对齐
公开检索证据与模型既有认知的 dual state
07
稳定性观察
跨模型是否一致、跨时间是否稳定
08
AI 把你和谁放在一起
高频共现企业名单与位置关系
09
改进方案 含 AI 可执行任务
每项诊断对应的改善任务，分层标注
测得出，也改得动
每个诊断结论，都附带对应的改进方案
报告不会停在"你有问题"。每项诊断后面跟着一条改进任务，并且分好了层： 哪些你自己配合 AI 当天就能改完，哪些需要专业实施，哪些要长期观察。
有些改善方向不在显迹的服务范围内，报告里也会直说——诊断的可信度比销售更重要。
官网事实类问题
关于页、FAQ、服务描述的缺失和偏差。改进任务写成可以直接交给 AI 执行的格式，当天就能改完。
内容与证据体系
可被 AI 引用的内容资产、第三方证据建设。这是显迹服务的主战场，报告只标方向，不硬塞方案。
复测追踪
改完之后有没有用，用同一组问题重跑一次验证，不靠感觉判断。报告交付后 90 天内含 1 次复测。
Ecosystem
从诊断到改善，一条完整的闭环
AURA 是入口。诊断之后，显迹的工具链帮你把改进真正做出来，再用复测验证回响。
AURA 诊断
五维度测评，每条结论有证据
改进方案
每项诊断对应可执行任务
显迹·生文
AI 内容工作台，按策略产出内容
显迹·回声
发布前检测内容是否符合 AI 收录规则
AURA 复测
同一组问题重跑，验证改动是否产生回响
Pricing
标价 998 元/次
测试期 199 元/次
一个产品，一份交付。测试期价只是价格，不是精简版—— 诊断、证据链和修复方案全部包含在同一份报告里，没有需要另外付费解锁的部分。
- 多模型真实采样：买家会问的问题，逐题跑真实大模型，记录原始回答
- 可回链的证据链：每条结论都指向具体问题、具体回答、具体页面，你可以逐条查证我们凭什么这么说
- 基础修复方案：按本轮实际缺口生成修复任务，附可直接执行的提示词
- 怎么开始：当前为申请制，不支持在线购买和自助测评。提交申请后，显迹会在 1 个工作日内与你确认信息并排期。
- 交付边界：报告给出修复任务和可执行提示词，内容发布、第三方沟通由你完成；需要显迹代写代发的成品级交付，属于「显迹·生文」，另行确认范围。
AURA 企业 AI 可见度诊断与修复
- 多模型真实采样，逐题记录原始回答
- 每条结论保留原始 AI 回答证据，便于追溯和复核
- 按本轮实际缺口生成修复任务，附可直接执行的提示词
- 同口径复测基线，改完能验证是否产生变化
提交报名 → 1 个工作日内联系确认 → 排期测评 → 专属报告链接发送到邮箱
FAQ
关于 AURA 的几个问题
AURA 是平台还是报告？
AURA 当前是 AI 可见度诊断报告。它先自动跑数据和证据，再由显迹判断真正的策略。
AURA 怎么收费？
AURA 是一个产品、一份交付：标价 998 元/次，测试期 199 元/次。测试期价只是价格，交付内容完全相同——不存在快照版、精简版或需要另外付费解锁的部分。
一次交付包含什么？
AI 可见度诊断（多模型真实采样）+ 可回链的证据链 + 基于本轮结果的基础修复方案。诊断、证据链和修复方案在同一份报告里全部开放，没有中间档位。
改完之后可以复测吗？
含 1 次复测：报告交付后 90 天内，用同一组问题重跑，验证改动是否产生变化。复测用同一组问题和同一套采样配置，否则前后没有可比性。复测只解读结构性变化——有没有进入候选名单、有没有开始被引用、分类有没有纠正；小幅分数波动属于采样噪声，我们不会把它讲成效果。
拿到报告后我自己能改吗？
一部分可以。官网事实类的问题（关于页、FAQ、服务描述），报告会附上可以直接交给 AI 执行的改进任务，你自己当天就能改；外部证据和内容体系的建设，才是显迹服务的主战场，报告里会分层标清楚。
报告会直接给完整方案吗？
报告给的是每项诊断对应的改进方向和可执行任务，不是完整的增长执行方案。显迹的价值在于把数据翻译成适合你的内容建设。
适合哪些企业？
适合产品复杂、需要被解释、客户会问 AI 做采购研究的 B2B 企业、专业服务机构和新兴技术公司。