01
一句话定义
就绪度分测「机器能不能读懂并取用你的站点」，是站点属性，站点不变则分数不变，可被任何人复算。提及率测「AI 在被问到时有没有提到你」，是抽样结果，每轮都不同，必须过显著性检验。前者是后者的必要条件，不是充分条件。
02
两把尺子分别测什么
| 对比项 | 就绪度分（0–100） | 提及率（%） |
|---|---|---|
| 测什么 | robots / llms.txt / 结构化数据 / 元信息 / 内容可提取度 / 技术信号 / AI 发现端点 / 品牌实体 | 在固定问题集上，AI 回答里出现该品牌的比例 |
| 由什么决定 | 你的站点（你完全可控） | 模型训练数据、检索到的信源、问题怎么问、时间 |
| 稳定性 | 站点不变则分数不变，可复算 | 每轮读数都不同，n=80 时区间宽约 21 个点 |
| 能否承诺 | 不能承诺「被推荐」，只能承诺「缺什么、补多少分」 | 不能承诺，只能给基线与检出下限 |
| 验收方式 | 同一引擎、同一 URL，第三方可复现同一分数 | 固定问题集 + 固定引擎 + 显著性检验 |
| 典型误用 | 拿高分暗示「AI 会推荐你」 | 拿单轮读数宣布「涨了」 |
03
我们自己身上的反例
本站（yuezhitong.com/geo）在自建台账里长期保持在 good 档，最新一次全站实测均分 88 分（0–100 分制、8 维度、同一开源引擎）。这是我们自己给自己打的对照组分数，可复算，也不是认证。
同一天，用固定的 20 个问题（中文 10 + 越南语 10）、2 个引擎、每问采样 2 次，共 80 个样本去问「越南投资咨询 / 越南市场准入找谁」这类问题，结果：
| 测量项 | 读数 | 时间 |
|---|---|---|
| 站点就绪度分 | 88 / 100（good 档） | 2026-11-04 |
| 「越智通」品牌提及率 | 0 / 80 ＝ 0.0% | 2026-11-04 23:13 |
| 与前两次读数比较 | 差异 0 个点，z＝0，p＝1.0，与上次一致 | 2026-10-24 → 2026-11-04 |
这不是自黑，这是行业最该被讲清楚的一件事：把站点修好，只是让 AI「能读」；它不代表 AI「会提」。把这两件事混在一起卖给客户，第一期验收就会翻车。
04
为什么高分不保证被提及
AI 提到一个品牌，需要三个条件同时成立，缺一个就是 0：
| 条件 | 由什么保证 | 我们的现状 |
|---|---|---|
| ① 可读：爬虫进得来、内容解得开 | robots、llms.txt、结构化数据、正文可静态解析 | 已满足（88 分） |
| ② 可被引用：第三方信源说你好 | 媒体报道、行业目录、客户案例、百科与图谱实体 | 仍在积累（品牌实体系数偏低） |
| ③ 被问到：问题集覆盖你的品类 | 你的目标客户真的会那样问 | 品类词竞争激烈，中文语料里足迹很少 |
我们的 0% 主要卡在 ② 和 ③，而不是 ①。这也是为什么「先体检、再改站点」只是第一步 —— 后面还有信源建设和内容分发，那部分不写在分数里，却决定提及率。
05
什么时候用哪把尺子
| 客户真正问的 | 该用哪把 | 不该说什么 |
|---|---|---|
| 「我的网站有没有技术问题？」 | 就绪度分 + 维度明细 + 修复清单 | 不说「AI 会因此推荐你」 |
| 「AI 到底提不提我？」 | 提及率基线（n、日期、问题集） | 不拿一次读数当结论 |
| 「做了有没有效果？」 | 两把尺子 + 时序 + 显著性检验 | 不把分数上涨当提及率上涨 |
| 「竞品比我强在哪？」 | 同问题集下的提及率对比 + 信源结构分析 | 不比不同问题集的读数 |
06
三种常见误读
| 说法 | 问题 |
|---|---|
| 「88 分，说明 AI 会推荐我」 | 分数只证明可读性，不证明被提及。我们自己就是 88 分 / 0% 的实例。 |
| 「提及率 0，说明站点做得差」 | 0% 也可能因为品类没被问、信源不足。要先看问题集覆盖了什么。 |
| 「两个分数加起来看更全面」 | 两者单位与性质不同，不能相加，也不能互相折算。 |
07
边界
- 就绪度分不含内容营销效果：它测机器可读性，不测你的文章写得好不好、有没有人转。
- 提及率不含排名与推荐位：只统计「有没有出现」，不统计「第几个出现」。
- 两者都不构成第三方认证：引擎是 MIT 开源项目，分数是我们自己跑的对照组。
- 跨期比较必须同引擎版本、同问题集；换版本或换问题集的差异，我们不混在一起算涨幅。
一句话总结：就绪度分是「门开着、屋里干净」，提及率是「有没有人真的走进来并说起你」。前者你能完全控制，后者只能靠信源和时间去挣。