这份自查不需要任何工具，一个下午能做完。做完之后你会知道两件事：模型现在怎么看你，以及缺口在内容、信源还是官网本身。
准备工作
先写下 10 到 20 个客户真实会问的问题，覆盖认知、对比、决策三类。然后在 DeepSeek、豆包、文心一言、通义千问、腾讯元宝、Kimi 上各跑一遍，把答案原文复制到表格里。不要改问法，六家用同一批问题，否则结果不能横向比。
维度一：被点名率
在全部「问题 × 平台」的组合里，答案中出现你品牌名的比例是多少。
这是最核心的一个数。低于 10% 属于基本缺席，30% 以上说明模型已经把你当成这个品类的常规选项之一。
维度二：点名语境
被点名时，那句话是怎么说的？「主流服务商之一」和「也有一些小公司在做，比如……」是完全不同的位置。
把每一次被点名的原句抄下来，看正面、中性、负面的分布。
维度三：竞品对照
同一批问题里，哪些名字出现得最多？出现次数排前三的是谁？
这份名单比任何行业报告都准 —— 它就是模型心里的「这个品类的头部」。
维度四：信息准确性
答案里关于你的描述对不对？成立时间、服务范围、所在城市、主营业务，有没有说错？
说错比不说更危险。 一旦出现错误信息，要先找到它的来源（通常是某个陈旧的第三方页面），把源头改掉。
维度五：引用来源
答案底下引用了哪些链接？域名分布是什么样？
如果引用全部来自竞品的官网和他们投放的媒体，那你缺的是信源而不是内容。
维度六：官网可读性
关掉浏览器的 JavaScript，打开自己的官网。还能看到内容吗？
再检查三件事：robots.txt 有没有放行 AI 爬虫、不存在的路径是不是返回真 404、页面有没有 Organization 结构化数据。
维度七：跨渠道一致性
把官网、百科词条、B2B 平台资料、公众号简介上关于公司的几项基本事实抄到一起对比：全称、成立时间、地址、主营业务。
对不上的地方就是模型降低确信度的地方。这一项修复成本最低，却经常被忽略。
维度八：平台差异
把六家的被点名率分别列出来。差异通常很大。
差异本身就是信息：某一家明显偏低，往往说明它偏重的那类信源（比如某个平台生态内的内容）你没有覆盖。
输出一张表就够了
八个维度，一张表，每个维度一个数字加一句结论。这张表就是基线。
一个月后用同一批问题再跑一遍，两张表对比 —— 到那时你才第一次拥有「有没有效果」的证据。在此之前，所有关于效果的说法都只是说法。