- 博客(6)
- 收藏
- 关注
原创 显问AI自研 XWGEO:一个 GEO 智能体系统的架构设计与工程实践
XWGEO是显问AI自主研发的GEO智能体系统,将简单的模型调用升级为可追溯、可重算、可审计的数据闭环。其核心在于构建从关键词到报告的完整证据链:Keyword→Intent→Question→Execution→RawResponse→Analysis→Metrics→Score→AIAgent,实现多模型执行、状态管理、幂等控制、历史比较与智能分析。系统通过ProviderAdapter解耦模型差异,保留原始回答以支持算法迭代,强调结论可回溯,并基于真实数据驱动Agent决策,避免“幻觉”。最终形成“检
2026-09-09 15:36:29
439
原创 基于真实AI网页端的多模型GEO基线检测:显问AI智测 V5 Pro的设计与工程实践
显问AI推出智测V5Pro工具,帮助企业进行GEO(生成式引擎优化)前的多模型基线检测。该工具通过自动化流程在真实AI网页端批量执行检测任务,采集回答原文、截图、竞品提及和引用来源等数据,解决人工检测效率低、标准不一致的问题。文章详细介绍了工具的开发背景、技术架构(包括多平台适配、流式回答判断、引用采集等核心模块)及数据处理逻辑,强调GEO优化需先建立认知基线,才能针对性制定优化策略。工具支持8个主流AI平台检测,通过结构化数据输出帮助企业分析AI认知现状与竞品差距,为后续优化提供依据。
2026-08-02 17:59:17
481
原创 显问AI基于 Playwright 的 AI 网页端自动化检测脚本设计:批量提问、回答采集与截图留证
本文介绍一种基于 Python、Playwright 和本机 Chrome 浏览器实现 AI 网页端自动化检测的方法。整个流程围绕“问题—交互—等待—采集—留证—结构化”展开,可实现批量读取问题、复用浏览器登录状态、自动提交问题、判断新回答是否生成完成、提取回答文本、保存页面截图,并将结果输出到 Excel。 文章重点分析网页端自动化与 API 调用的区别、固定等待机制的局限、旧回答误判问题,以及实际工程中页面结构变化、异常处理和结果留存等问题。 本文整理自显问AI在 AI 网页端结果检测场景中的一次自
2026-07-14 20:44:59
336
原创 以显问AI为例:用 Python 构建品牌 AI 搜索可见度检测框架
传统 SEO 主要关注搜索引擎中的网页排名和收录情况,但在 AI 问答、AI 搜索、智能助手逐渐成为信息入口之后,品牌是否能被 AI 正确识别,也变成了一个需要被量化的问题。它的核心思想不是“让 AI 立刻推荐某个品牌”,而是先把 AI 对品牌的理解情况变成可记录、可复测、可比较的数据。所以,品牌 AI 搜索可见度检测的第一步,不是写内容,也不是做外链,而是建立一套可复测的数据记录方式。只有这些问题被结构化记录下来,GEO 优化、AI 搜索优化、品牌信源建设才有继续分析的基础。
2026-06-22 22:35:01
646
原创 显问AI搜索优化方法:官网GEO结构如何影响AI搜索可见度?
GEO优化,也就是生成式引擎优化,关注的是品牌、服务和内容在AI搜索、智能问答和生成式搜索结果中的可见度。 在实际优化过程中,官网结构是一个基础环节。官网不仅面向用户展示信息,也会影响搜索引擎和AI检索系统对品牌信息的理解、提取和引用。
2026-06-21 06:11:43
534
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人
RSS订阅