AI营销内容库 · AI Marketing Lift

用AI做PPT最夯的方法，四步走不翻车

Mon, 14 Sep 2026 00:00:00 +0800

用 AI 做 PPT，最让人头疼的是什么？

你只输入一句"帮我做一份 PPT"，过一会儿，AI 确实生成了完整的一套。

等你打开一看，内容和画面对不上，页面风格也不统一。有些地方文字太多，有些页面又空了一大片。

最后还得逐页修改，严重的时候几乎要重新做一遍。原本想用 AI 节省时间，结果返工花掉了更多时间。

大家现在看到的这套 PPT，也是用 AI 做出来的。

它一共有十页，前面是封面和目录，后面展开 AI 营销的六个部分，最后还有一页总结。

整套 PPT 的颜色和插画风格比较统一，每一页又根据具体内容换了不同的人物和画面。

制作这套 PPT，我先准备了完整文案，又找了三张参考模板，然后让 AI 严格按照要求制作。

整个过程一共四步。

第一步，先准备好 PPT 里要展示的文案。

这套 PPT 讲的是 AI 营销。我先把要讲的内容整理出来，再拆到每一页。

第一页做封面，第二页放目录。后面逐页展开具体内容，最后再做一页总结。

每一页的标题和正文都提前写好。重点句放在哪里，需要配什么画面，也可以简单备注一下。

这一步很重要。

如果你只给 AI 一个主题，它就要一边帮你补内容，一边猜页面应该怎么设计。

最后做出来的 PPT 可能看着很完整，里面的文案却不一定是你想讲的内容。

所以，我一般会先把文案写好，再让 AI 负责排版和视觉设计。

文案准备好以后，第二步是找参考模板。

我找了现在画面中的三张参考图。

这套模板用了奶油色的网格背景，顶部和底部有蓝色、黄色的色块，页面里还加入了橙色装饰。

人物插画带有明显的黑色描边，整体看起来比较活泼，也适合用来做知识讲解类的 PPT。

有了这些参考图片，AI 就不用凭空猜测我喜欢什么风格。

我也会明确告诉它，需要参考哪些部分。

比如页面的配色、标题的位置、正文和插画之间的关系，都尽量按照参考图片来处理。

参考图最好保持同一种风格。

如果你同时放进去几张完全不同的图片，AI 很容易把多种风格混在一起，最后每一页看起来都不太一样。

第三步，把准备好的文案和这三张参考图一起交给 AI。

我的提示词会写得比较具体。

请严格按照我提供的参考模板和文案，制作一份十页、十六比九的中文 PPT。

保留奶油色网格背景、蓝色横条，以及黄色和橙色的装饰元素。

GEO优化保姆级教程，小白也能上手

Sun, 13 Sep 2026 10:00:00 +0800

假设一位客户准备购买你的产品。

他没有先打开百度，也没有访问你的官网，而是在豆包或 ChatGPT 里问:

"XX产品有哪些品牌值得买？"

AI 列出了三个竞品，却没有你的名字。

这意味着，客户还没有进入你的官网，你可能就已经失去了一次进入候选名单的机会。

这就是越来越多品牌开始关注 GEO 的原因。

但 GEO 并不是批量发文章，也不是给网站加一个文件，AI 就会自动推荐你。

真正要先搞清楚的是两件事:客户在问什么，AI 回答这些问题时又在参考谁。

这篇文章不讲复杂理论。先带你完成一次基础自测，再根据结果判断应该改官网、补内容，还是建设外部信源。

一、GEO 是什么？

GEO，全称 Generative Engine Optimization。

提高品牌在 AI 回答中被准确提及、作为来源引用，或者进入推荐名单的机会。

以前做 SEO，是让百度收录你；做 GEO，是让 AI 在回答时想到你。

但"被推荐"只是结果之一，不是一步到位的事。品牌通常要先经历一个过程:

被检索到 → 被引用 → 被提及 → 才可能被推荐

所以要做的，不是"让 AI 推荐我"，而是一步步进入这条链路。想看更完整的分层框架，可以读这篇GEO 到底怎么做的三层地基路线图。

目前主流 AI 平台:

国内:豆包、DeepSeek、Kimi、文心一言、秘塔
海外:ChatGPT、Claude、Google AI Overviews、Perplexity

二、操作流程

第 0 步:先选战场

很多人一上来就想覆盖所有平台，结果工作量巨大，数据还没法比较。

第一轮不用做那么多。先选:

1 个目标市场（国内 or 海外）
2 个客户最常用的 AI 平台
5 个真实问题

聚焦了，才能看到变化。

第 1 步:完成第一次自测

在选定平台上问这 5 个问题（可以直接套用，替换括号里的内容）:

GEO到底怎么做，从找问题到复测的完整流程

Sat, 12 Sep 2026 00:00:00 +0800

很多人一做 GEO，就先让 AI 生成几百个问题，再围绕这些问题批量写文章。

内容很快就铺出去了，可过一段时间回头看，你会发现几个麻烦。

客户可能根本没有问过这些问题。文章有没有被 ChatGPT、Perplexity 或 Google AI 引用，也没有测试记录。即使后来多了访问和询盘，你也很难判断它们和这批内容有什么关系。

最后做了很多内容，却说不清内容从哪里来，也不知道下一步应该改什么。

一套更可靠的 GEO 流程，应该从真实问题开始，完整走完一遍是下面这样。

一、从真实问题开始

先从客户咨询、销售记录、GSC 搜索词和行业社区中收集问题。

整理用户真实问过什么，购买前担心什么，销售经常需要解释什么。GSC 可以帮助我们找到用户已经搜索过的词，社区讨论则能补充一些还没有进入网站的数据。

这些问题出现过，后面的测试才有现实依据。

二、AI 补充的是待验证假设

AI 可以帮助我们扩展相近的问法，补充不同角色可能关注的内容。

不过，这些问题要明确标记为待验证假设。它们暂时只能作为候选，不能直接当成用户需求，更不能马上拿去批量生产文章。

三、筛选十到二十个高价值问题

从所有问题中选出十到二十个高价值问题，优先选择与产品选择、服务比较、使用场景和购买决策关系较大的问题。

接下来，把这些问题分别放到 ChatGPT、Perplexity、Google AI 等平台测试，观察它们目前会怎样回答。想省去手动切换平台粘贴的麻烦，也可以直接用GEO 可见度判定助手一次性跑完主流引擎。

四、固定条件再重复测试

每次测试都要记录日期、地区、使用的模型、是否开启搜索，以及具体的提问方式。

同一个问题最好重复测试。AI 每次生成的答案可能不同，一次结果很难说明品牌已经稳定出现。

五、不要只记品牌有没有出现

品牌有没有出现，排在什么位置，AI 引用了哪个页面，具体引用了哪一段，同时推荐了哪些竞品，这些信息都要记下来。

还要区分来源类型。它引用的是品牌官网、媒体报道、评测网站、论坛讨论，还是行业研究。

原始回答也要保留。后面再次测试时，才能知道具体发生了什么变化。

六、分析来源为什么适合回答

看看这些页面覆盖了哪些问题，有没有原创数据、真实案例或第一手经验。

同时检查作者身份是否清楚，内容是否及时更新，页面能不能正常访问，AI 能不能读取其中的主要信息。

这一步要找到的是内容差距。可能是我们的页面没有完整回答问题，也可能缺少证据、作者信息或清晰的更新时间。还有一种情况，页面内容不错，但访问和读取存在障碍。

七、按主题簇完善现有页面

把意思接近的问题放在一起，判断它们能不能由同一个页面完整回答。

现有页面已经有基础，就在原页面补充缺少的内容、证据和说明。确实没有合适的承载页面，再考虑增加新内容。

不要每发现一个问题变体，就生成一篇高度相似的文章。Google 已经明确提醒，不要为了覆盖 AI 扩展出来的查询而批量制造页面。

八、发布以后定期复测

继续使用原来的问题和测试条件，观察品牌有没有出现，被引用的页面是否发生变化，竞品和来源类型有没有改变。

与此同时，分别记录 AI 提及、网页引用、可识别访问、询盘和成交。这些数据代表不同阶段，品牌被提到不等于用户访问了网站，产生访问也未必会带来咨询和成交。如果想把这几层结果拆得更细，可以参考六种可落地的 GEO 效果衡量方法。

多平台封面自动生成，我的完整工作流

Fri, 11 Sep 2026 00:00:00 +0800

做自媒体的你，有没有过这种感受，一期内容本身已经做完了，结果在封面上花费大量时间。

同一套封面，要出横版、竖版，有时候还要出更宽的版本给不同平台用。

每换一个尺寸，标题就要重新断行。图片稍微大一点，就会挡住字。字体调小了，在手机上又看不清楚。

好不容易横版弄完了，切到竖版，发现标题根本放不下。然后还要检查边距、改文件名、一个个导出。

每一步都不难，但每次都要重头来。

这种事情在我身上反复出现了很多次。

后来我就开始想，这些工作里，哪些是真的需要我来判断的，哪些其实是重复劳动？

想清楚之后，我发现可以把封面制作切成两块。

第一块，需要我来拍板的。

这期内容的核心信息是什么、封面标题怎么写更容易让人点进来、视觉走什么调性，这些决策直接影响效果，我自己来。

第二块，规则很明确的。

同一套视觉，怎么适配横版竖版、标题怎么排、文件怎么命名、最终怎么导出，这些事情有规律可循，可以交给AI做。

然后我把这个思路做成了一套可以反复用的Skill。

用起来是这样的，我把这期的内容或者口播稿扔给AI，并告诉它我想在封面上放哪些文案。

如果我有参考图，它就照着参考图的配色和排版来做。如果没有，它会先根据预设的封面模版，出几个风格给我看，我选一个方向就够了。

方向定了之后，剩下的事情AI自动跑。

它会根据不同尺寸重新排版，不是简单地把一张图裁成几份。横版的时候标题和图可以左右分开放，切到竖版就重新组合，窄版再单独调整间距和字号。

每个版本看起来是一套，但版式会根据画布比例自动重新组合。

封面出来之后，AI还会自动生成总览图，把所有尺寸并排放在一起，让我一眼看整套视觉是不是协调。

确认没问题，一键导出，文件按规则命名、整理好，交付包直接打包完毕。

整套流程跑完，我实际花时间的部分只有三个，写标题、定视觉方向、最后确认。

尺寸适配、版式调整、导出整理，全部AI自动完成。

这也是我一直在用的一个工作思路。

遇到反复出现的工作，先把它拆开，哪些需要判断，哪些只是执行规则。

找到那些规则清晰的部分，把规则写进Skill里。

下次再做同类工作，换一下内容和素材，流程自动跑完。

GPT-6 Astra怎么选推理等级，省Token又少返工？

Thu, 10 Sep 2026 00:00:00 +0800

AI额度用得飞快，事情却没做完。

把推理等级调低，又担心它做不好，省下来的额度，最后全花在返工上。

GPT-6 Astra的推理等级，到底怎么选？

我建议先按眼前这一步的难度来选。需要分析和取舍，就开高一些。要求明确、处理方式清楚，就先用低档。

比如，让AI帮你做一场产品推广。

刚开始，目标客户是谁，主打哪个卖点，有限的预算怎么分，这些都需要判断。

前面选错了，后面的文案和素材可能都得重做。这时候，可以用高推理，让它把方案的依据、限制和取舍想清楚。

等方案确定，接下来按要求整理素材、填写排期，或者把已经确认的文案改成指定格式，就可以先调低。

但如果执行到一半，预算突然减少，原来的方案做不下去了，需要重新调整，就再把推理强度提上来。

做方案用高、明确的执行用低，适合作为起点。具体还得看这一步有多难。

任务量大，也不一定需要高推理。

一百条内容，按照确定的规则分类，数量虽然多，处理方式却很清楚，可以先用低档。

只有一页方案，但几个要求互相冲突，需要判断哪些保留、哪些放弃，就更值得用高档。

同一个任务里，档位也可以跟着工作变化。前面分析问题用高档，后面只是改个标题、缩短一段话，就调低。

那如果低档做得不好，怎么办？

先看它为什么没做好。

你让它写推广文案，却没有说清目标客户，它就只能猜。

你让它比较方案，却没有提供预算和时间限制，它也很难作出适合你的判断。

这种情况，先补资料，把要求说清楚。

如果条件已经完整，它还是反复漏掉重要限制，或者推导过程一直出错，再提高一档试试。

文案语气不喜欢，就指出哪句话不合适，给它一个参考。

缺少关键数据，就让它去查，查不到就标出来。提高推理强度，不能替代这些信息。

最后，怎么判断哪个档位更划算？

拿到一个能用的结果，总共花了多少，才值得比较。

低档很快给出答案，但你要来回改五轮，未必省。高档多花了一些时间，如果确实减少了返工，就可能值得。

你可以拿一项自己熟悉、经常要做的工作，保持材料和要求一致，分别用低档和高档做一次。

看看结果能不能用，自己还要改多少，再记录整个过程的耗时和额度消耗。有条件就多试几次，别凭一次结果下结论。

如果低档已经能稳定满足要求，就把它留作这类工作的常用档位。只有遇到需要更多分析和判断的部分，再往上调。

实测 ChatGPT Images 2.5：想改哪里，就在图上说

Wed, 09 Sep 2026 00:00:00 +0800

ChatGPT 推出了新的图片模型 Images 2.5，还带来了直接画草图、在图片上留言修改等新功能。

我用一张猫咪生日邀请卡，试了试这套新的做图方式。

先看这张草图。

左边这个像猫头的图形，加上右边一个方框、一条竖线，能做出什么？

这是在 ChatGPT 的 Sketch 画板里随手画的。猫放左边，蛋糕放右边，那条竖线代表一支蜡烛。

再告诉它，我想做一张猫咪生日派对邀请卡，要橘白猫、奶油色背景，带一点纸艺和黏土的质感。

最后生成的，就是这张图。

猫咪和蛋糕的位置，都跟草图对应上了。顶部的"猫咪生日派对"，还有底部邀请朋友来吃蛋糕的文字，也放进去了。

Sketch 的用处，就是让你先把脑子里的画面简单画出来。

在 ChatGPT 里输入 @Sketch，或者从图片页面打开它，就可以动手画。先交代大概的位置和形状，再用文字补充风格。

这次草图画得很简单，最后的颜色、材质和细节，都是它继续完成的。

不过，生成第一张图以后，我更想知道，这张图还能不能好好改。

于是，点开图片，选择新增的"评论"功能，在蓝色蜡烛上点一下，告诉它，把这支蜡烛改成珊瑚红，其他地方保持原样。

修改以后，蜡烛变红了。

对照前后两张图，猫咪还在原来的位置，帽子仍然是绿色，标题和蛋糕的整体样子也基本保留了。

这个操作挺直接。你可以在图上指出要改的地方，再写下要求。

接着，又改了一轮。

这次点的是猫咪的帽子，要求把薄荷绿色换成淡紫色，同时保留刚刚改好的红色蜡烛。

结果，帽子变紫了，蜡烛也没有变回蓝色。

从最初的绿帽子、蓝蜡烛，到绿帽子、红蜡烛，再到紫帽子、红蜡烛，这张图连续改了两轮。

这也是 Images 2.5 强调的一项提升，多轮修改时，更容易保留之前已经完成的调整。

至少在这次邀请卡案例里，两次换色都完成了，其他主要元素目测基本保持一致。当然，这还不能说明所有图片、所有修改都一样稳定。

但一张已经接近满意的图，能这样继续往下修，就很有用了。

比如做了一张海报，突然想试试另一种配色，可以从局部开始调整。给朋友做贺卡，也可以先把人物和构图定下来，再慢慢修改装饰和细节。

和 Images 2.5 一起推出的，还有图片模板。

海报、周边商品这些常见格式，可以先选一个，再补上自己的内容和风格。没有明确想法的时候，它能给你一个开始的地方。

做出满意的图片以后，还可以把提示词一起分享出去。

别人沿用这个想法，换上自己的照片或细节，就能继续尝试自己的版本。

模型本身也有提升。按照官方介绍，Images 2.5 更擅长保留参考照片里的主体特征，光线和纹理也更自然。相比 Images 2.0，生成延迟最多降低百分之五十。

这些属于官方说明，我们这次没有做照片保真度和速度对照测试。

这次实际操作下来，最直观的感受是，画草图和在图上评论，让表达要求变得更方便了。

先画出猫和蛋糕的位置，生成一张邀请卡。想换蜡烛颜色，就点蜡烛；想改帽子，就点帽子。

你不需要一开始就想好最终成品的每一个细节。先做出来看看，再把不满意的地方，一点点改到自己喜欢。

GPT-6 Astra 太烧 Token，官方给出的 7 个省额度办法

Mon, 07 Sep 2026 00:00:00 +0800

GPT-6 Astra 发布后，一个高频反馈是能力很强，额度也掉得很快。

OpenAI 的说法略有不同。

在部分评测中，Astra 用更少的输出 Token 完成了任务，单次任务的预估 API 成本也可能低于早期模型。

这项结论只覆盖特定评测和 API 成本。

普通用户感受到的消耗还会受到推理强度、上下文长度、工具调用和测试次数影响。

Codex 套餐额度也没有公开与 API Token 一比一换算。

根据 OpenAI 模型指南以及它链接的推理、缓存和上下文文档，整理出 7 个更实用的省额度办法。

一、一般任务先用 Low

Astra 不支持 none，最低推理档位是 low。

整理资料、修改文案、调整格式和局部改动，可以先用 Low。

架构设计、复杂排错和深度研究，再提高推理强度。

API 用户还可以用 configuration_update 临时调整档位。

普通步骤保持 Low，遇到难题时升高，完成后再降回来。

二、把任务范围写具体

“帮我优化一下这个项目”可能触发全库检查、多个文件修改和完整测试。

更省的写法是明确对象与边界。

只修改登录页面的按钮文案，不调整样式，不检查其他页面。完成后确认项目可以正常构建。

提示词虽然多了几个字，模型做的工作却少了很多。

三、限制最终回复长度

官方文档提到，Astra 倾向生成详细回答，也喜欢使用列表、表格和 Markdown。

可以直接规定交付格式。

最终回答不超过 5 点，只说明结果、改动、验证情况和未解决问题。省略背景、过程复述和重复总结。

这能直接减少输出 Token。

四、小改动只跑必要测试

Astra 对测试比较认真，小任务也可能触发范围较大的验证。

可以补充一句。

只运行与本次改动直接相关的最小测试。测试通过后不要重复或扩大验证，除非出现失败或新的风险。

涉及支付、权限和数据迁移时，仍要保留必要检查。普通文案和样式修改，没有必要每次都跑完整测试。

五、允许它处理低风险细节

Astra 遇到歧义时更愿意提问。每增加一轮确认，模型都要重新读取上下文并继续推理。

可以提前授权。

对低风险细节作合理假设并继续执行。只有不同选择会明显影响结果，或者涉及不可恢复的操作时才向我确认。

这样能减少任务反复中断。

如何用AI快速了解一个行业，我做了这个Skill

Sun, 06 Sep 2026 09:00:00 +0800

接到一个陌生行业的客户，明天就要开会。你可能连对方的产品卖给谁、靠什么赚钱，都还没弄清楚。

这时候，应该从哪里开始查？

为了解决这个问题，我做了一个行业研究 Skill，叫 industry-research，已经开源了。

你可以用它快速了解一个陌生行业，也可以拿它准备客户沟通，或者研究一个新的业务方向。

装好以后，直接告诉 AI。

"帮我快速了解中国工业软件行业，我要和一家相关企业做第一次沟通。"

它就会按照设定好的流程，先确定行业范围，再查找资料，整理成中文报告。

报告会从市场、产业链、商业模式、竞争格局，以及趋势和风险这五个方面，帮你建立基本认识。

比如研究工业软件，就要先分清，企业卖的是软件许可，还是连同硬件和实施服务一起交付。这会影响你怎么理解它的收入，也影响你接下来该问什么。

如果你明确说是为了见客户，它还会整理一份会前简报，帮助你准备沟通问题。

做这个 Skill 时，我给它加了几条明确的证据要求。

重要判断要能追溯到来源。已经查到的事实和 AI 做出的推断，要分开记录。资料不足的地方，也要直接标出来。

尤其是市场规模这种数字，年份和统计范围必须交代清楚。两份报告统计的东西不一样，就不能拿来直接比较。

项目里附了一份中国协作机器人行业的研究案例。你能看到报告正文，也能看到对应的证据和资料缺口。

里面还记录了一次纠错。搜索摘要里被错误转述的数字，读到原文后做了更正。你可以直接看看，这套流程具体是怎么处理资料的。

当然，加上这些要求，也不代表 AI 每次输出都会准确。涉及重要判断，还是要回到原始资料核实。

日常了解一个行业，用默认的快速研究就可以。需要围绕具体业务问题继续查，也可以让它深入研究。

如果你经常接触不同行业的客户，或者正在研究一个新的业务方向，欢迎拿手头的真实问题试试。

先把行业的基本关系弄清楚，再带着报告里没解决的问题，去和客户聊。

这个 Skill 已经开源，安装说明和完整案例都放在项目里了。用下来发现哪些地方需要改，也欢迎给我反馈。

GEO 效果怎么测，我整理了六种可落地的方法

Sat, 05 Sep 2026 09:00:00 +0800

现在很多人遇到问题，已经不先搜索了，而是直接问 ChatGPT、豆包等。

买什么产品，选哪家公司，某个问题怎么解决，AI 会直接给出一份答案，有时还会顺手推荐几个品牌。

企业开始关心 GEO，也就不奇怪了。

GEO 可以简单理解为，让企业的品牌、产品和内容更容易出现在 AI 的回答里。

可一旦真的开始做，马上就会遇到一个问题。

效果怎么衡量？

老板问这个月做得怎么样，员工总不能只拿几张 ChatGPT 截图交差。

AI 提到了品牌，不代表客户看见了。客户看见了，也不代表他访问了网站，更不代表最后会来咨询。

我把目前比较实用的方法整理了一遍，一共六种。

单独看任何一种都不完整，放在一起看，才能大致判断 GEO 有没有开始起作用。

一、直接问客户

这是最简单，也最接近生意结果的方法。

客户提交表单时，可以增加一个问题“您是从哪里知道我们的”。销售第一次联系客户时，也可以顺口问一句。

选项里要把 AI 单独列出来。不要把Google、ChatGPT 全部放进“网上搜索”，否则客户选完以后，你还是不知道他从哪里来。

客户如果说是 AI 推荐的，可以继续问两句。

用的是哪个 AI
当时问了什么

第二个问题很有价值。客户问过什么，就说明他真正关心什么。

这些问题可以直接变成后面的文章选题、产品介绍和销售资料。

这项数据不会特别完整。有人记不清，也有人先问 AI，后来又看了公众号、官网和短视频。

它更适合帮你判断方向，不能单独拿来计算 GEO 带来了多少收入。

二、看网站有没有出现在 Google 的 AI 回答里

如果企业有官网，而且客户会使用 Google，可以打开 Google Search Console。

它可以理解成 Google 提供的网站数据工具。

里面有一份“生成式 AI”报告，可以看到网站的哪些页面曾经出现在 Google 的 AI Overviews 和 AI Mode 中。

目前这份报告主要看展示次数。

例如，某个产品页面显示 100 次，说明这个页面的链接在 Google 的 AI 搜索结果里出现过 100 次。

AI落地：做Agent很快，统一数据口径才难

Mon, 31 Aug 2026 15:00:00 +0800

做企业AI的人，真实工作可能跟大家想象得完全不同。

外面讨论的是 Agent、MCP 和大模型，真正进入企业以后，从业者面对的却是 Excel、CSV、照片、手搓 API，以及永远对不完的数据口径。

一位从业者说：

数据在 SaaS 里？这么好？我们都在 Excel、txt、CSV 还有照片里。

AI 项目的第一步，可能不是调用模型，而是先找到数据到底存在哪里。

客户资料在 CRM 里，销售记录在 Excel 里，产品信息散落在文件夹里，还有一些资料只存在聊天记录和照片中。即使把它们全部找出来，也不代表能直接使用。

接下来还有更磨人的工作：统一口径。

销售部门说的"成交"，可能和财务部门统计的"收入"不是一回事；广告后台记录了线索，CRM 却没有对应客户；上游只要修改一个字段，下游报表和自动化流程就可能全部失效。

有人形容自己的工作是：

名为开发，实则做报表，天天求上游对数据口径。

还有人在负责企业AI转型时，无休止地手搓 API。好不容易把数据接进来，业务口径又变了，只能重新调整。

一家传统零售企业，仅付费媒体的数据仓库就持续建设、修改了两年。银行里也有人从 Python 调用 API 和搭建数据湖开始，希望把原来依赖 Excel 手工处理的流程一点点整理出来。

这些工作很少出现在AI项目的宣传里。

因为它们没有酷炫的演示效果，也很难用一张截图展示价值。多数时候，从业者只是在清洗数据、修复管道、检查权限、追问指标定义。

更麻烦的是，有些问题根本不是技术问题。

谁有权限拿到数据？哪个部门愿意开放接口？指标应该听谁的？流程出错以后谁来负责？

即使是大型企业，也可能找不到统一的数据来源。数据模型没有理清，项目还会继续受到部门权限和内部协作的影响。

所以，企业AI落地最容易被低估的，是这些不够"AI"的工作。

它们枯燥、劳动密集，也未必有成就感。但数据找不到、口径不一致、权限没有打通，Agent 生成得再快，也很难进入稳定的生产流程。

如果企业准备启动一个AI项目，可以先拿一个具体业务问题检查：

数据在哪里？口径由谁确定？多久更新一次？出错后谁负责？

这四个问题有了明确答案，再讨论模型和 Agent，项目才有真正上线的可能。

关于企业 AI 为什么落不了地的其他常见原因，可以看公司天天喊 AI，项目为什么还是落不了地。

公司天天喊AI，项目为什么还是落不了地？

Mon, 31 Aug 2026 09:00:00 +0800

很多企业做 AI，第一反应是选模型、搭智能体、讨论系统架构。

项目会上讲得很热闹，Demo 也做得像模像样。可一进真实业务，项目就停住了。

很多问题在技术开发之前就已经出现。企业 AI 难以落地，通常逃不开以下六个原因。

一、假需求

不少项目从"公司必须拥抱 AI"开始，然后让团队四处找场景。

业务部门说想提升效率，可谁来用、替代哪一步，往往没有定论。验收标准没写清楚，出错会影响什么，大家也不知道。

如果需求只能写成"利用 AI 提升效率"，这个项目从立项那天起就没有明确的终点。

二、脏数据

AI 要使用企业已有的数据、文档和业务规则。

现实里，有些文档长期没有更新。同一个指标，在不同系统里可能有多个版本。关键业务规则，还可能只掌握在少数老员工手里。

AI 接入这些材料后，会更快地生成过期、矛盾或者无法核对的结果。

企业上 AI 之前，至少要定清数据从哪里来、由谁更新，并且保留一个可信版本。

三、组织表演

有些 AI 项目首先服务的是管理层的焦虑。

公司成立 AI 部门，很快做出一个 Demo。内部汇报完成后，项目看上去已经有了进展。

业务人员到底用不用，节省了多少成本，后续谁来维护，却没有写进验收标准。

当汇报比业务结果更重要，一个好看的 Demo 就已经足够交差。

四、员工抵触

上线 AI，员工往往要先整理文档和清洗数据，原来的流程和习惯也得跟着改。

额外工作由员工承担，提效的收益归公司，岗位变化的风险却可能落在员工自己身上。

员工抵触，很多时候来自收益和风险不对等。

企业只做 AI 培训，却不调整激励、职责和转岗安排，员工很难真正用起来。

五、上线门槛

Demo 里，AI 连上几个接口，再写一段提示词，很快就能跑出不错的结果。

进入真实业务后，企业要先管好权限和日志。系统出错后如何自动处理，什么时候回滚或者转人工，也要提前定好。

演示里答错一次，最多是当场尴尬。生产系统执行错了，可能会误回客户，甚至动到广告预算、订单或财务流程。

生产系统里的 AI，必须能够安全、稳定地重复工作。这个标准远高于"能生成一次正确结果"。

六、自研和采购

有些公司投入大量资源自研 AI 工具。等产品做出来，市场上已经出现了更成熟、迭代更快的解决方案。

翻译、会议纪要、邮件辅助和通用内容生成这类标准化场景，通常更适合直接采购。

工具需要调用企业专有数据，并且深入核心流程时，自研才更有价值。复杂系统集成和竞争差异，也应该纳入判断。

做决定时，还要算上模型更新和系统维护的长期费用。权限管理和后续迭代也会持续花钱，不能只看第一次开发费用。

总结

这六个问题里，建议先检查假需求和脏数据。

需求说不清，项目就没有终点。数据不可信，结果就没有办法验收。

这两关没过，后面投入越多，项目只会越贵。

做市场调研，怎么让 AI 找到更多一手资料？

Sun, 30 Aug 2026 15:00:00 +0800

做市场调研时，头疼的往往不是让 AI 写报告，而是让它先把资料找全。

自己去 Google 搜索，换几个关键词和语言，能找到当地媒体、行业网站和政府信息。可同样的问题交给 AI，结果经常只剩官网和几篇大媒体报道。

很多人会把这个问题归结为模型不够强。其实更常见的原因，是没有给 AI 合适的数据入口。

网页搜索、API、爬虫和 Computer Use，看起来都能帮 AI 找资料，但它们解决的是四种不同的问题。

一、网页搜索：先帮你找到线索

网页搜索查的是已经被搜索引擎收录，而且允许公开访问的内容。

它适合找：公司官网和产品页面、当地媒体报道、行业协会网站、政府公开信息、研究报告和竞品名单。

它的优势是快，适合调研前期扩展信息源。但搜索引擎没有收录的内容、登录后的页面、平台内部评论，通常很难通过普通搜索找到。

所以，网页搜索更适合建立"资料地图"，不适合直接承担全部调研。

二、API：适合稳定、批量拿数据

API 可以理解成平台留出的数据接口。

如果要分析大量帖子、评论、商品、价格或时间变化，API 通常比手动搜索更稳定，返回的数据也更加结构化，方便 AI 去重、分类和统计。

问题是，API 能提供什么字段、能拿多少数据，都由平台决定。有些官方 API 需要申请或付费，有些平台没有适合公开研究的接口，只能寻找获得授权的第三方数据服务。

因此，只要任务涉及大量数据，第一步应该是先确认有没有官方 API 或数据导出功能。

三、爬虫：读取没有 API 的公开网页

很多行业网站没有 API，但页面本身可以公开访问。

这时可以用爬虫读取网页，把标题、正文、日期、作者、链接等信息保存下来，再交给 AI 整理。它比网页搜索更主动，也能按照自己的字段要求采集。

代价是维护成本高。网站一改版，原来的采集规则就可能失效。遇到登录、验证码、访问频率限制和反爬机制，也不能把"技术上能不能抓"当成唯一标准，还要考虑网站规则、数据授权和使用边界。

四、Computer Use：让 AI 操作浏览器

Computer Use 不是直接读取网站数据库，而是让 AI 像人一样点击、翻页、搜索和复制内容。

它更适合：页面必须登录才能查看、内容需要点击或翻页才能加载、没有 API 而普通爬虫又难以处理、数据量不大但操作步骤比较复杂的场景。

它的限制也很明显。浏览器操作速度慢，页面一变化就可能点错。处理大量数据时，时间和 Token 成本都会上升，也可能触发平台的访问限制。

所以它更适合低频、少量、需要交互的任务，不适合直接拿来采集几万条评论。

五、实际做调研，可以这样组合

第一步，先用网页搜索确定有哪些来源。

第二步，发现关键平台后，优先检查有没有官方 API、数据导出或授权数据服务。

第三步，没有 API 但内容公开，再考虑用爬虫整理。

第四步，只有浏览器操作才能获取，而且数据量不大时，再使用 Computer Use。

拿到资料以后，还要保留原文、链接、发布时间和采集时间，并要求 AI 把原文事实、分析推断和未知信息分开。这一步很容易被忽略。

如何检测品牌在DeepSeek里的可见度？完整实测教程

Sun, 30 Aug 2026 14:00:00 +0800

前两次分别在豆包和ChatGPT里测了飞书，可见率都是100%。这次换成DeepSeek，同样的品牌、同样的9个问题，结果第一次不是100%了。

用的还是GEO 可见度判定助手，流程一步步带你走一遍。

一、填品牌信息，一次就够

打开工具，Step 1 里填三样东西：

你的品牌名（多个叫法都填上，用逗号隔开）：飞书, Feishu, Lark
你的官网域名（用来识别"被引用"）：feishu.cn
竞品名（同一竞品的不同叫法用 | 隔开）：Worktile, PingCode, Monday.com|monday, Teambition

这一步只要填一次，之后测多少条回答都不用重填，工具会记住。

Step 1：填品牌名、官网域名、竞品名，只需要填一次

二、列几个客户真会问的问题

Step 2 是一个可选项，建议填 5 到 10 个典型问题，为了让三次结果能直接对比，这次用的还是同一份清单：

国产项目管理工具推荐
项目管理工具哪家好用
适合中小团队的协作工具
远程办公团队用什么协作软件
企业级项目管理系统怎么选
OKR 管理工具哪个好
免费好用的项目管理软件有哪些
飞书和 Worktile 哪个更适合互联网公司
项目管理工具和即时通讯一体化的有哪些

填好后 Step 2 会自动生成一张"问题 × 引擎"矩阵，这次只测DeepSeek一列。

Step 2：列好问题清单，自动生成"问题 × 引擎"测试矩阵

三、去DeepSeek问问题，把回答复制过来

开测之前先做两个准备动作：

DeepSeek目前没有类似ChatGPT那样的"本地记忆"开关，这一步可以跳过。
输入框下方有一个「智能搜索」按钮，默认不一定是点亮状态。一定要点开它，DeepSeek才会真正联网检索，回答里才会带来源信息，不然测出来的都是纯知识回答，没有引用数据可看。

测试前先点亮「智能搜索」，DeepSeek才会真正联网检索

和之前一样，每条问题都建议单独开一个新对话，避免上一条问题的上下文影响下一条的回答。

手把手带你测，你的品牌在ChatGPT里有没有被提及

Fri, 28 Aug 2026 00:00:00 +0800

上一次带大家在豆包里实测了飞书的可见度，可见率100%看着漂亮，但真正排进编号推荐列表的只有1条，还排在第24位。

同样的品牌、同样的9个问题，换成ChatGPT会是什么结果？

答案不太一样。这次带你一步步在ChatGPT里跑一遍同样的实测，用的还是GEO 可见度判定助手。

一、填品牌信息，一次就够

打开工具，Step 1 里填三样东西：

你的品牌名（多个叫法都填上，用逗号隔开）：飞书, Feishu, Lark
你的官网域名（用来识别"被引用"）：feishu.cn
竞品名（同一竞品的不同叫法用 | 隔开）：Worktile, PingCode, Monday.com|monday, Teambition

这一步只要填一次，之后测多少条回答都不用重填，工具会记住。

Step 1：填品牌名、官网域名、竞品名，只需要填一次

二、列几个客户真会问的问题

Step 2 是一个可选项，建议填 5 到 10 个典型问题，为了和豆包那次结果能直接对比，这次用的还是同一份清单：

国产项目管理工具推荐
项目管理工具哪家好用
适合中小团队的协作工具
远程办公团队用什么协作软件
企业级项目管理系统怎么选
OKR 管理工具哪个好
免费好用的项目管理软件有哪些
飞书和 Worktile 哪个更适合互联网公司
项目管理工具和即时通讯一体化的有哪些

填好后 Step 2 会自动生成一张"问题 × 引擎"矩阵，这次只测ChatGPT一列，点未测格子能直接跳到 Step 3 开始测。

Step 2：列好问题清单，自动生成"问题 × 引擎"测试矩阵

三、去ChatGPT问问题，把回答复制过来

开测之前先做一个准备动作：关掉本地记忆。去 ChatGPT 桌面版「设置 → 个性化 → 记忆」，把"启用本地记忆"和"允许基于工具辅助聊天生成本地记忆"两个开关都关掉，避免回答被你过去聊天记录里的个性化倾向影响。

别人在豆包问"哪个好用"，会说到你的品牌吗？手把手带你测一遍

Thu, 27 Aug 2026 00:00:00 +0800

越来越多人购买产品时会问AI，AI 直接给一个结论，甚至连品牌名带官网链接都给你列好了。

用户看完这一屏，很可能就不会再点进搜索结果去对比了。

这时候一个很现实的问题冒出来：AI 说的时候，有没有提到你的品牌？

提到了，是正文里点名，还是只当个参考来源扔在旁边？如果压根没提到，问题出在哪一步？

接下来，带你一步步实测：假设你在飞书做增长，怎么用GEO 可见度判定助手查清楚豆包在推荐项目管理工具时，到底有没有提到飞书。

一、填品牌信息，一次就够

打开工具，Step 1 里填三样东西：

你的品牌名（多个叫法都填上，用逗号隔开）：飞书, Feishu, Lark
你的官网域名（用来识别"被引用"）：feishu.cn
竞品名（同一竞品的不同叫法用 | 隔开）：Worktile, PingCode, Monday.com|monday, Teambition

这一步只要填一次，之后测多少条回答都不用重填，工具会记住。

Step 1：填品牌名、官网域名、竞品名，只需要填一次

二、列几个客户真会问的问题

Step 2 是一个可选项，建议填 5 到 10 个典型问题。

别只写一句"XX 工具推荐"就完事，客户实际搜索时问法五花八门，尽量把不同场景都覆盖到，比如：

国产项目管理工具推荐
项目管理工具哪家好用
适合中小团队的协作工具
远程办公团队用什么协作软件
企业级项目管理系统怎么选
OKR 管理工具哪个好
免费好用的项目管理软件有哪些
飞书和 Worktile 哪个更适合互联网公司
项目管理工具和即时通讯一体化的有哪些

这九条覆盖了三类常见问法：直接对比型（"哪个好"）、场景驱动型（远程办公、跨部门协作）、决策辅助型（企业级怎么选、免费版有哪些）。

这一步不是必须的，但填了之后 Step 2 会自动生成一张"问题 × 引擎"矩阵，帮你规划接下来要测哪些组合，省得漏测或者重复测。

Step 2：列好问题清单，自动生成"问题 × 引擎"测试矩阵

三、去豆包问问题，把回答复制过来

开测之前有两个容易被忽略的准备动作，做好了测出来的结果才靠谱：

AI营销到底是什么？一篇讲透

Tue, 18 Aug 2026 16:30:00 +0800

一提到AI营销，有人说就是用AI写文案，有人说是投广告用的黑科技，还有人说是那种自动回复消息的机器人。

说的好像都对，又好像都不完整。

今天就用一篇文章，把AI营销到底是什么，讲清楚。

AI营销主要干两件事：一是给营销提效，比如用AI做市场调研、内容生产、投放获客、客户沟通、数据复盘等；二是让自己的内容出现在AI答案中。

它不是某一个具体的动作，而是一整套工作里，处处能看到AI的影子。

一、市场调研：AI帮你搞懂市场和对手在干嘛

以前想知道竞品最近在主打什么卖点、发了哪些爆款内容、定价策略是什么，只能一个个打开对方的官网和社媒平台，手动截图记录，一圈看下来大半天就没了。

现在AI能帮你快速梳理出对方最近在讲什么、哪些内容数据好、价格区间在哪，几分钟出一份对比表格。

想了解一个新赛道的现状、都有哪些玩家、用户在吐槽什么，也是同样的道理，AI能帮你把分散在各处的信息快速拼成一张全景图。

二、内容生产：AI帮你写文案、做图、做视频

以前做一条内容，选题靠灵感，文案靠自己憋，配图配视频还得单独找人做。

现在你给AI一个产品卖点，它能直接产出三条不同风格的文案初稿，一条严肃一条搞笑一条种草风，你挑一条改改就能用。

配图配视频同理，一句描述丢进去，图和视频就出来了。

人还是要做最后的判断和把关，但从0到1的那个"憋"的过程，AI帮你省下来了。

三、投放与获客：AI帮你判断该给谁看

投广告最头疼的是不知道该给哪类人看，以前只能靠人工试错，投一批看效果，再调整。

现在AI能根据过去的投放数据，自动判断这条内容更适合给什么样的人群看，什么时间段效果最好，比人工试错快得多，也更精准。

这一步大部分人看不见，因为它发生在后台，但它实实在在地影响着你花的每一分钱能不能花在刀刃上。

四、客户沟通：AI客服24小时都在线

客户问"多少钱""怎么买"，以前只能等人工上线才能回复，晚上问的消息第二天才看到，客户可能早就走了。

现在AI客服能秒回，价格、链接、常见问题，都能第一时间给出答案，人工只需要接手那些真正复杂、需要判断的问题。

对客户来说，体验好了，对生意来说，少流失了很多本来能成交的机会。

五、数据复盘：AI帮你从一堆数字里挑重点

做完一波内容或投放或活动，后台会留下一堆数据，点赞、转化、停留时长，看着眼花缭乱。

以前得自己一行行盯着表格找规律，现在AI能直接告诉你："这条内容转化率异常高，因为提到了价格。"

一句话，把你从翻表格里解放出来。

六、被AI看见：这是很多人没想到的一环

现在越来越多人直接问AI"哪个牌子的XX比较好"。

如果AI回答的时候提到了你，那你就被看见了。如果没提到，哪怕你内容做得再好，这一波流量也跟你没关系。

让自己的内容能被AI搜到、看懂、引用，也是AI营销要做的事，只是很多人还没意识到这一环的存在。

总结

把这六步串起来，你会发现它们不是各自独立的六个工具，而是同一套工作里前后相连的几个环节：先摸清市场和对手在干嘛，想清楚要说什么，用AI辅助做出来，投给对的人，接住咨询，看懂效果，再判断自己有没有被AI看见。

真正有价值的，不是会用某一个工具，而是把 AI 嵌入完整的营销流程。

看完这篇，你现在应该能说清楚AI营销大概在做哪些事了。

竞品分析怎么做？我做了个开源 Skill

Tue, 18 Aug 2026 00:25:00 +0800

做竞品分析最累的，往往是整理资料。

打开十几个网页，把功能、价格和用户评论抄进表格。最后表格填得很满，能支持决策的结论依然很少。

所以我做了一个开源的 competitor-analysis Skill。

装进 Claude Code、Codex、OpenClaw 或 Hermes Agent 以后，你只要告诉它竞品是谁，它就会查找公开资料，按照统一维度整理成中文报告。

我把它分成了四种模式。

第一种是全量竞品分析。

给它竞品名称或者网址，它会用统一的五个维度进行比较，生成对比表和证据化 SWOT。如果你再提供自己的品牌定位，它还会分析双方的差异，给出优先行动和下一步需要验证的信息。

第二种是舆情情感分析。

你可以把竞品的用户评论整理成文本、表格或者 JSON 交给它。

它会先处理重复和无效内容，再统计正面、中性和负面评价，找出用户经常称赞的地方，以及他们集中抱怨的问题。

报告还会区分普遍问题和个别反馈，避免用一两条差评代表所有用户。

手里有竞品的文章、笔记或者视频文案时，可以使用第三种内容逆向工程。

它会从标题和开头一路分析到内容结构，找出竞品反复使用的表达方式。结合评论里的用户问题，还能判断哪些话题已经非常拥挤，哪些问题仍然没人讲清楚。

最后输出的是可以借鉴的内容框架，不会直接复制竞品的原文和案例。

第四种是竞品报告。

第一次运行会建立一份基线。以后再次运行，它会和最近一次有效结果进行比较，整理竞品这段时间的新动作，并判断这些变化会带来什么影响。

如果所有来源都无法访问，报告会明确写数据不足，也不会把获取失败误判成竞品没有变化。

设计这个 Skill 时，我最看重证据是否可靠。

有来源支持的内容会标成已核实事实。根据材料得出的判断会标成推断。暂时查不到的信息就明确写成未知。

价格、销量和市场份额这类容易出错的信息，它还会提醒你再次验证。

普通需求默认使用 Quick 模式。想做更完整的正式报告，再明确要求 Deep。

它只使用公开网页和你主动提供的数据，不会绕过登录、验证码或者付费墙。竞品报告也需要手动运行，当前版本没有后台自动监控。

现在这个项目已经开源，安装命令和测试提示词都放在 GitHub。

如果你也在做市场、产品或者品牌，可以直接拿一个真实竞品试一下。

我做了一个 AI 营销热点 Skill：把碎片新闻变成能执行的营销简报

Tue, 18 Aug 2026 00:00:00 +0800

做营销这几年，我养成了一个习惯：每天花点时间刷一遍 AI 圈和营销圈的动态。

Google Ads 又调整了什么、Meta 广告系统有没有新功能、ChatGPT 是不是又能购物了、Reddit 上有没有人在骂某个新工具、Product Hunt 今天冒出来哪个 AI 营销工具。

问题是，这些信息分散在十几个地方：官方博客、行业媒体、Hacker News、Reddit、X。每天挨个刷一遍，很容易变成"刷了一小时，记住了三条，但不知道对我的工作有什么用"。

所以我做了一个 ai-marketing-hot Skill，把这件事交给 Agent。

一、光刷新闻是没有用的

大部分"AI 日报"类产品做的事情，本质是新闻搬运：抓一堆标题，按时间排个序，扔给你。

这类简报看着信息量很大，读完之后往往没什么用，因为它没有回答营销人真正关心的问题：

这条动态跟我有什么关系？我该做点什么？这条消息适合谁看？

一条"Google Ads 上线了新的 AI 出价功能"，对投放团队和对品牌方的意义完全不一样。一条"某营销工具在 Reddit 被吐槽"，如果不说清楚吐槽的是什么、有多少人认同，看完只会更焦虑，不会更清楚。

所以做这个 Skill 的时候，我给自己定了一条硬规矩：每条热点必须回答营销影响、建议动作、适合谁这三个问题，回答不出来就不算一条合格的热点，宁可少输出，也不堆数量。

二、它聚合了哪些数据源

一条热点的可信度，取决于它从哪里来。这个 Skill 目前接的数据源分三层：

第一层，AI 行业动态。 通过 aihot.virxact.com 的公开 API 拉取，不需要密钥。

第二层，营销平台官方源。 HubSpot、Google Blog、Search Engine Journal、Adweek、Salesforce 等 5 个 RSS 源，都是官方一手信息，不是二手转述。

第三层，公开社区讨论。 Hacker News 通过 Algolia API 稳定接入，能看到早期工具动态和开发者视角的争议。Reddit 需要配置 OAuth 才能官方抓取，没配置时只覆盖搜索引擎能索引到的公开讨论。X/Twitter 官方 API 需要付费，暂时没接，能覆盖到的部分也会在简报里明确写"覆盖有限"。

这里有个原则我很在意：哪个来源没接好，就老实告诉你哪个来源没接好，不装作全都覆盖到了。

三、四种模式，对应四种真实场景

用的时候不用记命令，直接说人话就行：

GSC出了「生成式 AI」报告，可以查看在 AI 答案里的曝光

Sun, 16 Aug 2026 00:00:00 +0800

过去两年做 AI 搜索优化，难受的不是不知道怎么优化，是不知道有没有效果。

被不被 AI 引用、引用了几次、引用的是哪一页，全靠第三方工具模拟提问去反推，或者自己手动搜一遍截图。

样本小、口径乱、没法追踪趋势。现在 Google 把这块数据交出来了。

Search Console 的「效果」下面多了一个独立入口：生成式 AI，带 Beta 标。这个功能今年6月就开始小范围测试，现在终于转正，单独开了一个入口。

报告长这样，如下图所示。

一、这个报告有啥价值

第一，AI 可见性第一次有了第一方数据

以前所有 GEO 报告的数字都是估算，第三方工具跑一批 prompt，统计引用率。

方法没错，但那是抽样，不是你的全量数据。现在这个数字是 Google 自己给的。

第二，你能算出自己站点的「AI 曝光占比」

这是我认为目前最有价值的用法。

官方明确说了，这份数据本来就包含在原来的「效果」报告里，只是现在被单独切了出来。

换句话说，你过去看到的搜索展示次数，一直混着 AI 曝光，只是你分不出来。

现在能分了，用「生成式 AI 曝光 ÷ 搜索总曝光」，你就得到了一个只属于你自己站点的 AI 渗透率。

按月记，三个月就能看出趋势。

有人拿自己站点算过，三个月里这个比例从 7% 涨到 18%。

这种数字，行业均值给不了你，只有你自己的后台能给。

第三，「网页」维度等于 Google AI 的信任清单

哪几个 URL 反复被抓进 AI 答案，说明那几页的结构、表述、信息密度是对路的。

这不是玄学，是可以照抄的模板，去看那几页的共同点，然后复制到别的页面上。

二、怎么查看报告

1. 找入口

Search Console 左侧「效果」展开，看有没有「生成式 AI」这一项。

2. 选时间范围

有 24 小时 / 7 天 / 28 天 / 3 个月，按需选取。

GEO做了这么久，AI到底给网站带来了多少流量？

Sat, 15 Aug 2026 00:00:00 +0800

现在越来越多企业开始关注GEO，但真正落地时，很多人都会卡在同一个问题上。

AI给网站带来多少流量？

看不到数据，就无法判断哪些内容获得了推荐，也很难证明这段时间做的网站优化和内容建设产生了效果。

汇报时只能说"被AI提到了"，老板自然不会继续投入预算。

因此，做GEO不能只关注有没有被AI推荐，还要想办法把访问数据记录下来。

接下来，介绍一种简单的方法，通过GA4查看ChatGPT带来的网站流量，先看数据报告。

一、这张报告能看出什么

第一个是会话来源，它回答这次访问从哪里开始。

第二个是着陆页加查询字符串，它显示访客进入网站后看到的第一个页面。

最后一个是会话数。

这里要留意"会话"这个词。它不等于点击，也不等于人数。

一个人隔一段时间又回来，可能形成新的会话。

因此，这张报告适合用来观察ChatGPT带来了多少次访问，以及访问落到了哪些页面。

ChatGPT带来的访问没有全落在首页，其它页面也收到了流量。

做内容的人看到这里，接下来就知道该查什么了。

哪篇文章更容易从ChatGPT获得访问，访客进来以后还看了什么，有没有提交表单或联系咨询。

二、如何获取这份报告

开始之前，先确认网站已经装好GA4，并且后台能正常收到访问数据。

第一步，打开GA4左侧的"探索"，新建一份"自由形式"报告。自由形式允许自己组合维度、指标和筛选条件。

第二步，在左侧"变量"区域找到"维度"，点击加号，导入"会话来源"和"着陆页＋查询字符串"。

这里最好选"会话来源"。"首次用户来源"记录的是这个用户最早从哪里来到网站，回答的是另一个问题。如果一个人以前直接访问过网站，这次从ChatGPT点进来，首次用户来源仍可能显示为Direct。

第三步，在"指标"里导入"会话数"。如果还想判断这些访问的质量，也可以加入"互动会话数"和"关键事件"。

第四步，把"会话来源"和"着陆页＋查询字符串"依次拖到右侧设置栏的"行"，再把"会话数"拖到"值"。表格出现以后，来源、进入页面和会话数量就会排在一起。

第五步，在设置栏底部添加过滤器。字段选"会话来源"，匹配方式选"包含"，条件填写chatgpt.com。点击应用，表格里留下的就是GA4已经识别出的ChatGPT访问。

如果你的网站已经安装GA4，不妨现在就按上面的步骤设置一遍，看看AI到底给你带来了多少流量。

海外 Twitter/X 怎么起步：把影响力变成美元收入

Fri, 14 Aug 2026 19:13:00 +0800

之前在《拒绝内卷，人在国内赚美元的9种副业》里提过，Twitter/X 是海外创业者、独立开发者、AI 从业者最活跃的社区之一，一个有真实影响力的账号，本身就是一份能持续变现的资产。

跟前面写作、Ghost-writing 这类"接单赚钱"不同，做 X 账号赚的是自己的影响力，起步慢，前期基本没有直接收入，但天花板更高，账号本身是长期资产，后期还能把写作、Affiliate、咨询这几种方式串起来一起变现。拆开讲怎么起步。

一、先想清楚定位，不要泛泛地"分享观点"

跟前面几种方式一样，X 账号最忌讳的是"什么都聊"。海外用户关注一个账号，通常是因为这个人在某个具体领域持续输出有价值的东西，比如"AI 工具实测"、"独立开发者的产品复盘"、"出海营销的实操经验"。

定位越具体，越容易被目标受众记住，也越容易在后期谈品牌合作或导流自己的产品时讲清楚"我的受众是谁"。定位不清楚的账号，粉丝涨得再多，也很难变现，因为品牌方和潜在客户不知道你的受众到底是谁。

二、怎么写出有人看的内容

用长线程讲清楚一件事，而不是发碎片化的感想。 X 上表现好的内容，往往是把一个具体的经验或方法论拆成一条有逻辑的长线程，比如"我怎么用 3 周时间把一个 SaaS 从 0 做到第一个付费用户"，这种内容既有信息密度，又有故事性，容易被转发。

分享真实过程，而不是只晒结果。 只发"这个月赚了多少钱"这类结果性内容，短期能吸引眼球，但很难建立长期信任。真正能沉淀受众的，是持续分享过程中的具体决策、踩过的坑、用到的工具，这些内容对同样在做类似事情的人才有实用价值。

保持稳定的更新节奏。 X 的推荐机制很依赖账号的活跃度和互动数据，断更太久会明显影响触达。不需要每天更新长线程，但要有一个自己能坚持下去的节奏，哪怕只是每周固定分享一次进展。

三、怎么一步步接入变现

第一阶段，先专注积累真实受众，不要过早想变现。 账号刚起步时，互动数据和粉丝质量都还不足以支撑任何形式的变现，这个阶段的目标是把定位和内容节奏跑顺，积累起第一批真正关注你这个领域的人。

第二阶段，账号达到 Premium 创作者收入分成的门槛后，开通广告分成。 这是最容易上手的第一层收入，不需要额外的销售动作，帖子被大量浏览和互动就会自动产生分成，可以当作账号成长的一个阶段性验证信号。

第三阶段，开始尝试导流。 如果手头有自己的产品、Newsletter 或课程，可以开始在内容里自然地提到，观察受众的真实反应；如果暂时没有自己的产品，也可以像之前写的《海外 Affiliate 营销新手起步指南》里提到的那样，用真实体验分享的方式推广别人的产品，赚取佣金。

第四阶段，账号有了稳定影响力之后，主动或被动接品牌合作。 到这个阶段，会开始有品牌方主动联系寻求合作，也可以主动整理媒体资料，联系跟自己受众匹配的海外品牌和 SaaS 工具，报价随粉丝质量和垂直度上涨。

四个阶段不是严格的时间线，而是一个大致的成长节奏，具体多久能走到哪一步，取决于内容质量和更新的持续性。

四、真实时间线和容易踩的坑

从开始运营到有第一笔实际收入（不管是广告分成还是第一个品牌合作），通常需要几个月的持续输出，这跟前面写作接单、建站外包这类能快速拿到第一单的方式不一样。X 账号更像是一份需要先投入、后回报的长期资产。

容易踩的坑：

账号定位来回换，粉丝画像混乱。 频繁切换分享的主题，会让已经关注你的人搞不清楚"这个账号到底是做什么的"，导致互动率持续走低。

只追求粉丝数，不关注互动质量。 粉丝数好看，但如果互动率低、受众跟自己想变现的方向不匹配，账号很难真正变现，衡量成长更该看真实互动和受众画像，而不是单纯的关注人数。

为了蹭流量什么热点都追。 短期能带来曝光，但跟账号定位无关的热点内容，反而会稀释账号在目标受众心里的专业标签，长期看不利于变现。

做 X 账号本质上跟前面几种方式的逻辑相通：先积累真实价值和信任，变现是水到渠成的结果，而不是一开始就冲着变现去运营账号。

YouTube 英文内容 UP 主怎么起步：靠 AdSense 广告分成赚美元

Fri, 14 Aug 2026 19:05:00 +0800

之前在《拒绝内卷，人在国内赚美元的8种副业》里提过，YouTube 是全球最大的视频平台，它的广告分成计划（AdSense）面向全球开放，包括中国大陆用户（需要 VPN 运营，但收款没有问题）。YouTube 的 CPM（每千次观看广告收入）远高于国内平台，某些细分领域（金融、SaaS、职业技能）的 CPM 高达 $15-$30。

这条路门槛不算低，需要持续投入几个月才能看到回报，但一旦跑起来，是这几种赚美元方式里少数能形成"内容资产持续增值"效应的。拆开讲怎么起步。

一、适合做什么类型的内容

教程类： 编程教程、设计教程、AI 工具使用、Excel / Google Sheets 技巧，这类内容搜索量大、CPM 高，而且是长尾流量，一条视频发布之后能持续带来观看，不像热点内容那样发布几天就没了流量。

工具测评类： AI 工具横评、SaaS 软件 Review、网站建设工具对比，这类内容的观众本身就是对付费工具感兴趣的人群，广告主愿意为这类精准受众出更高的价。

流程分享类： "我如何用 X 赚到 $Y"、"我一人公司的一天"、"从 0 做到 1000 个用户的过程"，这类内容在创业者圈子里关注度高，容易引发讨论和转发，是三类里最有机会形成爆款的方向。

三类内容可以组合着做：教程类负责稳定的搜索流量，工具测评类负责精准受众和高 CPM，流程分享类负责破圈和建立个人品牌。

二、不是英语母语者，能不能做

这个顾虑跟之前写英文写作 / Ghost-writing 怎么接单时提到的逻辑是一样的：决定内容能不能被观众接受的，从来不是口音或语法有没有小瑕疵，而是内容本身有没有干货、讲得清不清楚。教程类和工具测评类内容尤其依赖"讲清楚一件事"的能力，观众更在意能不能学到东西，而不是你的英语是不是完美。

现在有 AI 辅助工具可以帮忙打磨脚本、检查表达，能进一步降低语言层面的门槛，把精力集中在内容本身的质量上。

三、门槛和节奏

YouTube 合作伙伴计划需要至少 1000 订阅加 4000 小时观看时长才能开通广告分成。这是一个明确的硬门槛，在达到之前不会有任何广告收益，这段时间的意义是打磨内容质量、摸清楚自己这个方向的观众喜欢什么样的呈现方式，建立起初始受众。

通常需要坚持 6-12 个月，频道开始有稳定增长后，广告收益会随观看量的增长慢慢累积。这个时间线比前面几种赚美元方式都长，需要提前有心理预期，不要因为前几个月没有收入就轻易放弃。

四、真实起步路径

第一步，先选定一个细分方向，不要什么类型都拍。 参考前面三类内容方向，选一个自己有积累、能持续产出的方向，频道定位越清晰，越容易被算法推荐给对的观众，也越容易积累起精准订阅。

第二步，把前几条视频当成测试，观察数据反馈。 看哪种标题、哪种开头、哪种时长的完播率更好，YouTube 的推荐机制很大程度依赖这些互动数据，早期几条视频的数据表现，能帮你快速校准内容方向。

第三步，达到分成门槛之后，同步布局多重变现。 广告分成只是收入的一部分，频道积累到一定规模后，可以接 Sponsor（软广）、推广 Affiliate 链接，多重变现叠加，参考《AI博主搞钱，主要靠这6种方式》里提到的思路，广告分成只是其中一层，不是终点。

第四步，把有效的内容形式沉淀成可复制的模板。 一旦发现某种选题、某种呈现方式效果好，把它变成固定的内容框架，持续产出，而不是每期都从零开始摸索。

五、容易踩的坑

追热点，不做垂直方向。 追热点能带来短期流量，但很难沉淀成稳定订阅和长尾搜索流量，教程类和工具测评类内容的长期价值远高于蹭热点。

只关注订阅数，不关注观看时长。 开通分成门槛里的 4000 小时观看时长，往往比 1000 订阅更难达到，视频的完播率和时长本身也要作为内容规划的重要指标，不能只盯着订阅数涨没涨。

小型 SaaS 工具站怎么起步：不用做大产品，做好一件事就能收美元订阅费

Fri, 14 Aug 2026 19:00:00 +0800

之前在《拒绝内卷，人在国内赚美元的8种副业》里提过，如果有一定开发能力（或愿意用 AI 辅助开发），可以考虑做一个小型 SaaS 工具，面向海外用户收订阅费。海外 SaaS 市场的特点是用户付费意愿高，月费 $5-$30 的小工具有大量稳定需求，竞争没有国内那么激烈。

这条路的关键不是"做一个多厉害的产品"，而是"能不能找准一个真实存在、别人也愿意付钱解决的小问题"。拆开讲怎么起步。

一、怎么找方向

先看自己遇到过的小问题。 工作中反复出现的某个烦恼，大概率不止你一个人有，这是最容易验证、也最容易讲清楚产品价值的起点，因为你自己就是第一个真实用户。

去 Product Hunt 和 Reddit 上找真实需求。 搜索"looking for a tool that…"这类关键词，能直接看到用户在公开表达"我需要一个能做 X 的工具"，这些是比自己拍脑袋想点子更可靠的方向来源。找需求这件事本身也有方法论，可以参考《那些拿到结果的独立开发者，都是怎么挖掘需求的》。

从小功能做起，不要一上来就做大产品。 一个能做好一件事的小工具，比功能堆砌、什么都想覆盖的大产品更容易打开市场，也更容易讲清楚"这个工具是干什么的"。工具站、内容站、游戏站这几类形态各有不同的门槛和变现逻辑，选之前可以先看《游戏站、工具站、内容站，到底哪种适合独立开发者搞钱》。

二、怎么把产品做出来

有 AI 辅助开发工具之后，一个人独立开发一个小型 SaaS 的门槛已经大幅降低。具体用什么工具组合，可以参考之前写的《用 AI 接海外建站外包怎么起步》里提到的思路，选一个自己用顺手、能稳定交付的工具链，不用追求"用最强的工具"。

产品第一版不需要功能齐全，能把核心的那一个使用场景跑通、让用户完成关键操作，就足够拿去验证了。功能越简单，越容易快速上线、快速拿到真实反馈。

三、海外收款怎么处理

定价和收款可以用 Lemon Squeezy 或 Paddle 处理，这两个平台都支持 Stripe，国内账号也能正常使用，不用为了收美元订阅费单独搞一套复杂的跨境收款方案。这两个工具同时也处理税务合规问题（比如欧盟的 VAT），省掉了自己研究这块的时间。

四、怎么冷启动第一批用户

上线到 Product Hunt、Hacker News、相关 Subreddit。 这三个渠道是海外早期用户和"愿意尝鲜"人群最集中的地方，一次好的 Product Hunt 发布，能在短时间内带来第一批真实用户和反馈。

把早期用户的反馈当成产品迭代的主要依据。 冷启动阶段用户量小，每一条反馈都值得认真看，这个阶段积累的信任和口碑，会成为后续自然增长的基础。

不要指望一次发布就能起量。 即使只有 100 个用户每月付 $10，那也是稳定的 $1000 月收入，而且是被动的。小型 SaaS 的增长曲线通常是慢慢爬升，不是一夜爆发。

五、真实时间线和容易踩的坑

从开始开发到有第一批付费用户，通常需要几周到几个月，具体取决于产品复杂度和验证需求的速度。前期没有收入是正常阶段，关键是有没有真实用户在用、有没有持续的正向反馈。

容易踩的坑：

本地化推广合伙人怎么起步：用中文内容推广海外工具，赚美元佣金

Fri, 14 Aug 2026 18:00:00 +0800

之前在《拒绝内卷，人在国内赚美元的8种副业》里提过，很多海外 SaaS 工具想进入中国市场，但缺乏懂本地化的推广合伙人。这条路的优势很明确：用中文做内容，推广给国内用户，收益却来自海外工具的美元支付。

跟第四种海外 Affiliate 营销的思路类似，但方向反过来：不是用英文内容面向海外用户，而是用中文内容面向国内用户，推广的产品来自海外。拆开讲怎么起步。

一、为什么海外工具需要本地化推广合伙人

海外 SaaS 工具想进中国市场，最大的障碍不是产品不够好，而是不了解国内的内容平台生态、用户习惯和信任建立方式。微信公众号、小红书、B 站的内容逻辑跟海外的 SEO 博客、YouTube、Twitter/X 完全不是一套打法，海外团队很难自己摸清楚。

这就是本地化推广合伙人的价值所在：你懂国内的内容平台怎么玩，也懂目标用户（通常是国内的 AI 从业者、营销从业者、独立开发者这类熟悉海外工具的人群）在哪、关心什么，能把海外产品用国内用户听得懂、信得过的方式讲清楚。

二、怎么找到合适的工具

优先选你自己在用、真心觉得好用的工具。 推广一个自己都没深度用过的产品，内容很容易流于表面，缺乏具体的使用场景和真实体验，转化效果会大打折扣。从自己日常工作流里已经在用的海外工具入手，是最快也最可信的起点。

看这类工具本身有没有 Affiliate 或推广合作入口。 大部分成熟的海外 SaaS 都有官网 Affiliate 页面，可以直接申请加入；没有公开入口的，可以直接找到 BD 或市场团队的邮箱主动联系。

优先选正在扩张、但中国市场几乎空白的工具。 已经有大量国内竞品或已经有其他人在做本地化推广的工具，你的差异化空间会小很多；反而是那些海外已经小有名气、但中文内容几乎为零的工具，机会更大。

三、怎么谈专属合作条件

主动联系时，不要只说"我想帮你推广"，而是带着具体方案去谈，比如你计划在哪个平台、用什么形式的内容、预计能触达多大规模的目标用户。有了具体方案，对方才更容易判断值不值得给你更好的条件。

专属合作通常可以争取到这几类条件，比普通用户能拿到的标准 Affiliate 条款更好：

更高比例的佣金。 标准 Affiliate 计划给普通用户的佣金通常在 20% 左右，专属合作伙伴可以争取更高的比例，尤其是你能证明自己有稳定的内容产出能力和真实受众之后。

专属优惠码。 既方便你在内容里推广，也让用户有一个明确的理由通过你的渠道购买，同时优惠码本身也是追踪转化效果的工具。

联合营销机会。 比如联名内容、联合直播，这类合作能进一步放大曝光，也是从"单纯的推广渠道"升级成"官方认可的本地化伙伴"的重要一步。

四、推广渠道和内容方向

微信公众号： 适合做深度的工具评测、使用教程类长文，能沉淀成可以被反复搜索到的内容资产。

小红书： 适合轻量的使用心得、效果对比类内容，触达速度快，适合建立初期认知。

B 站： 适合详细的操作演示和评测视频，尤其是有一定学习曲线的工具，视频形式比图文更容易讲清楚。

选渠道不用贪多，起步阶段先选一个自己最擅长的形式深耕，内容打法跑通之后再往其他渠道扩展。

五、真实起步路径和容易踩的坑

第一步，先在自己已有的内容渠道里，测试这个工具的内容反馈。 不用一上来就跟官方谈专属合作，先用真实使用体验发一两篇内容，看看国内用户对这个工具的反应和问题，这些反馈本身就是后续跟官方谈合作时最有说服力的证据。

第二步，带着真实数据去谈专属合作。 有了内容反馈和初步转化数据，再联系官方争取更好的条件，会比空手去谈成功率高很多。

第三步，把内容做成可持续的体系，而不是一次性推广。 单篇推广内容的效果有限，真正能把这条路做长久的，是持续输出教程、更新用法、跟进产品新功能，让自己成为这个工具在中文互联网上的可信信息源。

容易踩的坑：

为了佣金推广自己都不认可的工具。 国内用户对"恰饭内容"的敏感度很高，一旦内容显得不真实，会同时伤害账号信任和转化效果。

只做一次性内容，没有持续更新。 工具会迭代，用户的问题也会变化，只发一篇教程就停更，很快会被新内容淹没，失去持续获取搜索流量和转化的机会。

忽视优惠码和链接的追踪管理。 专属合作的价值很大程度依赖数据说话，没有清晰记录转化效果，下一次谈更好条件时就缺乏依据。

跨境中介怎么起步：帮国内供应商对接海外买家赚佣金

Fri, 14 Aug 2026 17:00:00 +0800

之前在《拒绝内卷，人在国内赚美元的8种副业》里提过跨境中介这条路：国内有大量制造业和服务业供应商，想进入海外市场但不会做海外营销；海外有大量买家想采购中国商品或服务，但语言和信任是障碍。作为中间人，帮双方牵线搭桥，收介绍费或成功佣金。

这条路跟前面几种出海方式不太一样，不是靠内容或流量起量，而是靠信任和资源积累，变现较慢，但单笔金额大，适合有耐心做关系的人。拆开讲怎么起步。

一、这条路适合谁

有外贸经验的人最容易上手。 之前做过外贸、跟供应商和海外客户打过交道，懂行业术语和交易流程，这些经验能直接复用，不用从零学起。

在某个特定行业有人脉，同样是很强的起点。 不一定要有外贸经验，但如果你在某个细分行业（比如某类制造业、某个服务品类）认识一批供应商，或者认识海外有采购需求的买家，这份人脉本身就是最稀缺的资源。

如果两者都没有，也不是完全没有机会，但需要先花时间在某个细分行业里积累人脉和信任，起步会比前面几种方式慢不少。

二、作为中间人，具体能做什么

帮国内供应商在海外平台建立英文存在感。 很多供应商产品和服务过硬，但不会做英文内容、不了解 Upwork、Fiverr、Alibaba 这类平台的运营逻辑。帮他们把 Profile、产品页、案例做成英文能看懂、能建立信任的样子，本身就是一种服务，可以按项目收费。

帮海外买家找到合适的国内供应商，收介绍费或成功佣金。 海外买家最大的痛点是不知道该信谁，语言不通也很难做背景调查。如果你能提供靠谱的供应商匹配和基本的品质把关，买家愿意为这份信任付费。

做垂直行业的内容或社区，成为信息枢纽。 比如围绕"中国工厂采购指南"这类细分主题持续输出内容，积累起真正懂行的海外读者群体，长期看，你会成为这个细分领域里供应商和买家都愿意主动来找的那个人，介绍生意的机会自然会变多。

三件事可以同时做，也可以先选一件深耕，等有了第一批真实案例，再往其他两件事延伸。

三、怎么找到第一批资源

从自己已有的关系入手。 如果之前有外贸背景或行业积累，先梳理一遍手头认识的供应商和潜在买家，第一单往往来自已经认识的人，而不是完全陌生的冷启动。

在海外平台上主动观察需求。 Upwork、Fiverr 上经常有买家发布"寻找中国供应商"类的需求，这是判断真实需求方向和价格区间的直接信息源，也是主动接触潜在客户的渠道。

先做免费或低成本的牵线，换取第一批真实案例。 起步阶段信任还没建立，愿意先无偿帮一两个供应商或买家牵线成功，比一上来就谈佣金更容易积累口碑，后续再逐步谈正式的合作分成。

四、佣金怎么谈

跨境中介的收费模式没有统一标准，常见的有三种：一次性介绍费（撮合成功后收一笔固定或按比例的费用）、按成交金额抽成（更适合金额大的交易，双方风险共担）、订阅制服务费（比如持续帮供应商维护英文内容和海外咨询，按月收费）。

具体用哪种，取决于你提供的是"一次性牵线"还是"持续服务"。一次性撮合适合用介绍费或抽成，持续的内容运营和咨询服务更适合订阅制。谈判时把自己提供的具体价值说清楚，而不是笼统地要一个百分比。

五、真实时间线和容易踩的坑

这条路最现实的一点是：前几个月大概率没有明显收入，主要在做关系积累和信任建立。跟内容驱动的赚钱方式不同，跨境中介的核心资产是"别人愿不愿意信任你介绍的对方"，这种信任没有捷径，只能靠一次次靠谱的牵线慢慢攒起来。

容易踩的坑：

急于求成，牵线质量把关不严。 一旦某次撮合出了问题（比如供应商货不对板、买家拖欠货款），信任会迅速崩塌，之前积累的口碑很难挽回，牵线之前的背景核实要花足够的时间。

只做一次性介绍，不建立长期关系。 单次撮合的佣金有限，真正能把这条路做大的人，往往是把自己变成某个细分领域长期的信息枢纽，持续产生新的撮合机会，而不是接一单就结束。

低估沟通成本。 跨境交易涉及语言、时区、文化差异，居中协调需要投入的时间和精力比想象中多，报价和精力分配要提前留出余量。

跨境中介这条路不适合追求快速见效的人，但对有耐心、愿意做长期关系的人来说，一旦某个细分行业的信任网络建立起来，后续的撮合机会会持续自己找上门。

用 AI 接海外建站外包怎么起步：不会写代码，也能给欧美客户做网站

Fri, 14 Aug 2026 16:00:00 +0800

之前在《拒绝内卷，人在国内赚美元的8种副业》里提过，以前做网站要会写代码，现在借助 AI 工具（Cursor、Claude Code、v0、Bolt），任何人都可以快速搭建出一个看起来像模像样的网站。而在海外，尤其是欧美的中小企业主和创业者，对"有人帮我做个网站"有大量稳定需求，愿意付的价格换算成人民币相当可观。

这条路的门槛已经不再是"会不会写代码"，而是"能不能持续接到单、稳定交付"。拆开讲怎么起步。

一、先选一个细分方向，不要说"我什么都能做"

新手最容易犯的错，是在 Profile 里写"我能做各种类型的网站"，这种定位在客户眼里反而没有辨识度。更有效的做法是选一个细分方向，比如"SaaS Landing Page"、"Coaching / Course Website"、"Local Business Website"，专注做深，让潜在客户一眼就能判断"这个人就是做这类网站的"。

细分方向怎么选，看两点：这类网站在 Fiverr、Upwork 上的需求量够不够稳定；你自己有没有能力先做出一两个足够拿得出手的样板案例。选定之后，接下来所有的作品集、Profile 文案、报价策略都围绕这个方向展开，不要来什么单都接。

二、平台怎么起步

先把 Profile 打磨好。 Fiverr、Upwork 是最主要的接单平台，客户决策的第一步是看 Profile 和作品集，而不是聊需求。起步阶段没有真实客户案例，可以先给自己或朋友的小项目做 1-2 个样板网站放进作品集，把细分方向、能解决什么问题写清楚。

起步价先定低一点，用来跑量积累评价。 平台的推荐算法和客户信任，很大程度依赖历史评价数量和评分，前几单以积累评价为目标，比一开始就追求高客单价更重要。

评价积累到一定量后再逐步提价。 参考已经交付的真实案例往上调整报价，而不是凭感觉定价，这跟前面写作接单那篇的定价逻辑是一样的：涨价的依据永远是已经交付过的真实作品，不是"我觉得我应该值这个价"。

三、工具组合怎么选

不同类型的网站，适合的工具组合不一样：

Webflow 或 Framer： 适合做设计感强的落地页，客户对视觉效果要求高、预算相对充裕的项目。

WordPress + Elementor： 适合做需要长期更新内容、对 SEO 有要求的内容站，客户后续想自己维护内容时也更容易上手。

Next.js + Vercel： 适合做轻量级的 SaaS 产品展示站，需要一定技术背景，但部署和迭代速度快。

AI 辅助开发能让整体效率提升不少，具体用 Cursor、Claude Code 还是别的工具，取决于个人习惯和项目复杂度，可以参考《Claude Code 和 Codex 怎么选》按需选择搭档工具，不用纠结"哪个工具最强"，选一个用顺手、能稳定交付的就行。

四、真实报价和时间线

一个中等复杂度的网站项目，在 Fiverr 上的行情大致在 $300-$1500 之间，具体取决于页面数量、功能复杂度和交付周期。做熟之后，一个月接 3-5 单，月入 $1000-$5000 是可以达到的水平，但这通常建立在已经积累了一批真实评价、报价能稳定谈到中高区间之后，不是接第一单就能拿到的收入。

TikTok Shop 跨境带货怎么起步：不用囤货出镜，也能做海外电商

Fri, 14 Aug 2026 15:00:00 +0800

之前在《拒绝内卷，人在国内赚美元的8种副业》里提过，TikTok Shop 已在美国、英国、东南亚等市场全面开放，国内卖家可以直接在 TikTok 上做跨境带货。跟传统跨境电商（亚马逊、eBay）的货架式搜索逻辑不同，TikTok Shop 是内容驱动的：好的视频内容能让产品在没有评价积累的情况下快速起量。

这也是它跟亚马逊最大的区别：亚马逊新品起步难，是因为用户主动搜索、比价、看评价，新链接排名靠后基本没流量；TikTok Shop 的流量入口是刷到视频，产品能不能起量，很大程度取决于内容本身有没有抓住眼球，跟店铺资历、评价数量的关系没那么大。这对新手反而是机会。

一、选品先看两件事

供应链要成熟。 家居好物、美妆个护、宠物用品、小件电子配件，这些品类在 TikTok Shop 上表现好，共同点是供应链在国内已经很成熟，能快速拿样、快速补货，不会因为一条视频突然爆了却没货可发。

利润空间要够。 跨境带货要覆盖物流成本、达人佣金、平台抽成，利润空间太薄的产品，一旦要靠达人合作放量，佣金一分掉基本不剩钱。选品时优先看有没有 30% 以上的利润空间，这是能不能长期玩下去的底线，不是可选项。

选品阶段最容易踩的坑是照抄爆款：看到别人一个产品火了就跟着上架同款，这个时间点往往红利已经被吃得差不多，同质化竞争只会拼价格。更稳的做法是在成熟品类里找一个有差异化卖点的细分产品，比如同样是宠物用品，别人卖狗粮，你卖某个特定场景的宠物配件。

二、两种玩法，先想清楚自己适合哪种

自己做账号带货。 注册 TikTok 海外账号，持续发布产品相关内容，积累粉丝后开橱窗带货。这条路的门槛在于需要一定的英文表达能力，或者愿意花时间摸索海外用户喜欢的内容节奏（跟国内短视频的爆款逻辑不完全一样）。好处是账号本身是长期资产，粉丝积累到一定量之后，后续上新品的冷启动成本会越来越低。

达人合作 + 佣金分成。 把产品放进 TikTok Creator Marketplace，让海外达人带货，卖家提供商品和发货，达人负责内容创作，按销售额分佣。这条路不需要自己出镜或做内容，更适合不擅长内容创作、但供应链和选品能力强的卖家。核心工作变成了：持续联系合适的达人、谈好合作条件、保证发货和售后跟得上。

两种玩法不是非此即彼，起步阶段可以先用达人合作快速测试产品能不能被海外用户接受，产品验证跑通之后，再考虑要不要自己长期做账号，把流量沉淀成自己的资产。

三、真实起步路径

第一步，注册店铺，把资质和物流方案理顺。 跨境电商对资质、发货时效有明确要求，起步前要先确认清楚目标市场的具体规则，避免上架之后才发现物流方案跑不通。

第二步，小批量测试 2-3 款产品，而不是一次性上一整个系列。 用最少的库存投入验证哪款产品的内容更容易起量，再集中资源加码表现好的那一款。

第三步，如果走达人合作路线，从中小达人开始谈。 头部达人报价高、档期紧，新品牌很难拿到合作机会；中小达人愿意尝试新品牌、性价比更高，用几个中小达人测试内容方向，找到有效的卖点和视频形式之后，再考虑往上谈更大的达人。

第四步，把有效的内容形式沉淀成模板。 不管是自己做账号还是找达人，一旦发现某种呈现方式（比如"痛点+使用场景"的短视频结构）转化好，就把它变成可复制的模板，持续产出，而不是每次都从零摸索。

四、真实时间线和容易踩的坑

从注册店铺到第一笔真实订单，通常需要几周时间跑通资质审核、物流和上架流程，这个阶段不产生收入是正常的。内容能不能起量本身也有不确定性，同一款产品，不同的内容切入点，效果可能差很多，需要多测几版才能找到有效的方向。

容易踩的坑：

只囤一款产品的大量库存。 内容驱动的电商，爆不爆量有偶然性，押注单一产品容易在没起量时占用大量资金。

忽视售后和物流时效。 跨境物流本身周期长，一旦达人内容带火了订单，发货跟不上会直接影响评价和复购，前期就要把物流方案压力测试清楚。

只看达人粉丝数，不看内容匹配度。 粉丝多不代表带货转化好，达人的内容风格和粉丝画像跟产品是否匹配，比单纯的粉丝量更重要。

TikTok Shop 这条路的核心逻辑是：内容能不能打动人，比店铺资历更重要。这对没有历史积累的新卖家是难得的公平起点，但也意味着不能靠堆库存和铺量取胜，得真正花心思在内容和选品的匹配度上。

英文写作 / Ghost-writing 怎么接单：不是母语者，也能靠内容赚美元

Fri, 14 Aug 2026 14:00:00 +0800

之前在《拒绝内卷，人在国内赚美元的8种副业》里提过，海外对英文内容写作的需求非常旺盛：博客文章、LinkedIn 内容、邮件 Newsletter、电子书，大量个人和企业愿意为高质量内容付费。就算不是英文母语者，只要内容质量过关，一样能接到单，而且现在有 AI 辅助，写作效率能大幅提升。

这篇把"怎么接到第一单"拆细一点。

一、两条路径，收费结构差别很大

直接接写作外包： 在 Fiverr、Contra、LinkedIn 上展示写作能力，主动给播客主、博主、SaaS 创始人发 Cold Email，提供"先做一篇样稿看效果"的服务。初期单篇文章报价 $50-$200，用来建立信誉，稳定合作后可以升级到按月包干。

Ghost-writing（幕后代写）： 很多在 Twitter/X 或 LinkedIn 上有大量粉丝的 KOL，其实有幕后写手帮他们写内容。Ghost-writer 的收费往往比普通内容写作高很多，月包服务通常在 $500-$3000 之间，且是长期合作。

两条路径的核心区别在于：写作外包是按篇结算，客户关心的是单篇内容质量；Ghost-writing 是按月结算，客户买的是"稳定复刻我的表达风格、持续产出"这个能力，信任门槛更高，但一旦建立起来，收入也更稳定。新手建议先从写作外包起步积累样稿和评价，再往 Ghost-writing 转。

二、母语不是决定因素

很多人一想到英文写作就先卡在"我不是母语者"这一步，实际上决定客户愿不愿意付钱的，从来不是语法有没有小瑕疵，而是这几件事：

你懂不懂这个行业。 一篇讲 SaaS 增长的文章，客户更在乎的是你有没有真正理解冷启动、留存、定价这些概念，语言只是载体。

你能不能持续交付。 客户找写手最怕的是断更和拖稿，稳定按时交付比文笔惊艳更容易留住客户。

你的风格能不能被复刻。 尤其是 Ghost-writing，客户要的是"读起来像我自己写的"，这需要花时间研究客户过往的内容，提炼出对方的表达习惯，而不是套用自己的写作风格硬写。

AI 辅助工具能解决语法和表达层面的问题，但行业理解和风格研究这两件事，还是要靠自己做。

三、怎么找到第一个客户

先建一个小作品集，不用等"准备好了"再开始。 挑一个自己有积累的细分领域（比如 AI SaaS、个人成长、独立开发），写 3-5 篇高质量的样稿放在个人网站或 Notion 页面上，这就是最基础的信任凭证。如果本身有在做内容账号，作品集可以直接从已发布的内容里挑，参考《AI博主搞钱，主要靠这6种方式》里提到的，持续产出本身就是在积累信任资产。

主动出击比等平台派单更快。 在 LinkedIn 上找目标客户（播客主、独立创始人、正在扩内容团队的小 SaaS），发一封简短的 Cold Email：说清楚你能提供什么、附上 1-2 篇最相关的样稿链接、提议先免费或低价做一篇试稿。冷启动阶段，试稿是打开信任最快的方式。

平台接单作为补充渠道。 Fiverr、Contra 这类平台自带流量，但竞争也大，前期报价压得低是正常的，把它当成积累评价和作品集的渠道，而不是长期主力收入来源。

四、怎么定价

刚起步时不要纠结"应该报多少钱"，报低价（$50-$100/篇）先换来第一批真实评价和案例，这比空等一个"合理价格"的客户更有效率。

有了 5-10 篇稳定交付的记录之后，价格可以按这个节奏往上调：单篇写作外包涨到 $150-$300；开始尝试月包模式，报价参考交付内容的数量和复杂度，而不是按篇数简单相乘；如果转向 Ghost-writing，价格要单独谈，因为客户买的是长期稳定关系，而不是单次交付。

海外 Affiliate 营销新手起步指南：不用做产品，靠内容赚美元佣金

Fri, 14 Aug 2026 13:00:00 +0800

之前在《拒绝内卷，人在国内赚美元的8种副业》里提过海外 Affiliate 营销：帮某个产品引流，用户通过专属链接购买后，拿一笔佣金。不需要自己有产品，不需要处理客服和交付，只需要专注内容和流量。

这个模式听起来门槛很低，但真正做起来，卡住大多数人的不是"怎么申请 Affiliate 账号"，而是选错赛道、内容太薄、佣金结构没算清楚。这篇把起步路径拆细一点。

一、先搞清楚佣金结构，这决定了你该选什么产品

Affiliate 项目大致分三类，佣金结构差别很大，直接决定了你能不能靠内容站长期变现。

软件 / SaaS 类： Semrush、Ahrefs、Notion、Shopify 这类都有 Affiliate 计划，佣金通常是订阅金额的 20%-40%，且是持续佣金：用户每续费一个月，你继续拿一个月。这类是内容站最理想的推广对象，因为收入会随存量用户慢慢累积，不用不断拉新单。

教育类： Coursera、Udemy、MasterClass 这类在线课程平台，单次购买佣金在 $10-$50，一次性到账，没有后续复利。

金融和工具类： 海外信用卡、投资平台、税务工具，单次成功转介佣金能到 $100-$200，金额诱人，但审核门槛和转化门槛也更高，通常要求内容站本身有一定权重和真实流量。

新手起步优先选第一类。持续佣金意味着即使你停更几个月，之前写的内容还在继续产生收入，容错空间比一次性佣金大得多。

二、真正决定成败的是赛道，不是平台

很多人第一步就走偏：先注册了一堆 Affiliate 账号，再想"内容写什么"。顺序反了。

Affiliate 内容站能不能起来，取决于你选的细分方向够不够垂直。"科技工具推荐"这种大而泛的方向，要跟无数已经做了五年以上的老站竞争 Google 排名，新站几乎没有机会。真正可行的是往细了切，比如"Notion 教程"、"独立开发者工具推荐"、"远程团队协作工具对比"，细分到"这个方向我能比 90% 的人写得更具体、更有实操经验"的程度。

判断一个赛道值不值得做，看两件事：这个细分领域里，目标产品的 Affiliate 佣金结构好不好（优先持续佣金）；你能不能对这个领域的用户痛点讲出比官方文档更具体的东西。两者都满足，才值得投入时间做内容。

三、起步的完整路径

第一步，选 3-5 个要重点推广的产品，不要一次性铺开几十个。选的时候只看两点：佣金结构（持续 > 一次性）、产品本身你是不是真的用过、能不能写出具体的使用场景。推广自己都没用过的产品，内容会很快露馅。

第二步，把内容站的信息架构定下来。 核心是几篇"评测/对比"类文章（比如"A 工具 vs B 工具，该选哪个"），加一批"怎么用"类教程文章，教程文章负责引流和建立信任，评测对比文章负责放置 Affiliate 链接完成转化。纯静态站+对搜索引擎友好的结构就够用，选型可以参考《做出海营销网站，CMS 到底怎么选》。

第三步，做 SEO，让内容持续从 Google 拿免费流量。 这是"边睡觉边赚钱"能成立的前提。如果流量要靠持续投放广告获取，Affiliate 这点佣金覆盖不了获客成本。工具选择可以参考《谷歌SEO工具：Ahrefs、Semrush、SimilarWeb，有啥区别》，起步阶段用免费额度做关键词和竞品内容调研就够。

第四步，正确埋链接、追踪转化。 每个 Affiliate 项目都有专属追踪链接和后台报表，链接要放在用户读到"这段内容真的解决了我的问题"之后，而不是硬塞在文章开头。同时留一份自己的记录表，按产品分别记录点击量和转化量，这是判断"该加码哪个产品、该放弃哪个产品"的唯一依据。

四、真实的时间线，以及最容易踩的坑

诚实地说，Affiliate 营销不是"边睡觉边赚钱"的起点，是终点。前几个月大概率是持续写内容、没有明显收入的阶段。Google 需要时间收录和建立对新站的信任，这个过程通常是以月为单位，不是以周为单位。

最容易踩的三个坑：

GEO 可见度判定助手升级：不只告诉你「有没有被提到」，还告诉你下一步做什么

Fri, 14 Aug 2026 12:00:00 +0800

GEO 可见度判定助手刚上线时，能回答的问题很单一：把一条 ChatGPT 或 Perplexity 的回答粘进来，告诉你这一条里，品牌有没有被提及、排第几、有没有被引用。

用了一段时间后，一个新问题冒出来了：测得越多，越不知道该怎么看这堆结果。

10 条记录里，3 条提到了，7 条没提到，这算好还是不好？某个引擎总是不提，是巧合还是真的有问题？光靠翻测试记录表，答不出来。所以这次升级加了四个板块，核心思路是把工具从"查一次"变成"能持续用来做判断"。

一、汇总记分卡：把单条结果变成有统计意义的结论

单条判定只能说"这一次出现了"，汇总记分卡回答的是"整体表现怎么样"：可见率、被引率、检索命中率、SOV（按记录是否出现计 1，不按提及次数，避免一条啰嗦回答刷高份额）、自家与竞品的出现率对比、平均位次、按引擎拆开看的覆盖矩阵。

有个细节是刻意设计的：样本量不足 5 条，或者单个引擎不足 3 条时，卡片会显示"样本不足"，而不是硬算一个百分比给你。1 条记录里出现了 1 次，不该被读成"可见率 100%"。这种情况下宁可不给结论，也不给一个会误导决策的假结论。

二、行动建议：告诉你问题出在哪一层，不是只报个分数

记分卡说清楚了"现状如何"，但更常被问到的是"那我该做什么"。行动建议板块按结果分布自动匹配诊断，目前有 9 条规则，覆盖这几类典型情况：

样本不足：先去测试计划矩阵把问题和引擎补够，再看结论
可能是可抓取性问题：一半以上测试里 AI 既没提到你、检索层也很少命中，大概率不是内容不行，是 AI 压根没找到你，会指向 robots.txt / llms.txt / IndexNow 这类地基问题
被抓到了但没被采信：AI 检索到了页面，却没把内容用进正文，多半是内容不是"答案优先"的写法
被引用了但品牌名没进正文：官网链接被当来源用了，但用户读回答时未必注意到你是谁
提到了但排得靠后：品牌确实出现，但平均位置偏后
某个引擎明显掉队：整体表现和某个引擎差距很大，说明这个引擎的主要信息源里你没铺到
竞品占了你的位置：有竞品出现率比你高，该去查它是从哪些渠道被引用的
判不出引用层：「无引用数据」占比高，通常是复制方式漏了来源信息，不是 AI 真的没引用
表现健康：大部分测试都被提及，提醒你继续做周期性监测，AI 推荐本身有天然波动

每条建议都配了具体动作和对应的站内打法文章链接，不是甩给你一个"再优化一下内容"就完事。

三、引用来源情报：AI 到底在从哪抄答案

这一块单独拎出来，是因为它回答的是一个跟"我怎么样"完全不同的问题：AI 在这个话题上，实际引用的是哪些网站？

工具会把所有测试记录里出现过的第三方域名汇总、按命中次数排序，并标出"品牌官网 / 竞品官网 / 第三方渠道"。默认只看第三方渠道，因为这份清单本质上就是一份"该去铺内容的渠道列表"。如果某个评测网站或社区经常被 AI 引用来回答你这个赛道的问题，那就是值得优先争取露出的地方。

四、测试计划矩阵：让"测了多少"变成可控的事

前面三个板块都依赖一个前提：样本量够。但手动一条条测很容易漏，也不知道自己到底测全了没有。

测试计划矩阵解决的就是这个问题：把客户可能会问的问题列成清单，工具自动生成"问题 × 引擎"的矩阵，点还没测过的格子会直接预填好问题和引擎、跳到测试步骤。凑够样本量、覆盖主力引擎之后，前面三个板块给出的结论才站得住。

五、顺带解决的两个老问题

测试记录以前是刷新就没了，现在改成本地持久化（localStorage，跨会话累积，上限 200 条），关掉浏览器再回来，之前的记录还在，记分卡才有可能积累出有意义的样本。

这个网站，有我对 AI Marketing 的所有探索

Fri, 14 Aug 2026 11:00:00 +0800

最近，我发现一个很明显的问题：很多人开始用 AI 做营销，但大多数用法还停留在：

"帮我写一篇文案" "帮我做一张图片" "帮我生成一份活动方案"

这些当然有用，但如果只是这样用，AI 很快就会变成一个"高级代写工具"。

真正能拉开差距的，其实是把 AI 放进完整的营销流程里。比如：

怎么判断一个活动值不值得做？
怎么拆用户画像，而不是凭感觉写人群？
怎么把一篇内容拆成多个平台版本？
怎么让内容更容易被 AI 搜索引用？
怎么设计小团队能跑起来的自动化工作流？
怎么评估 AI 到底有没有提升 ROI？

我把这些问题整理成了一个网站：aimarketinglift.com。

一、里面不只是文章

里面有 AI Marketing 相关的深度文章，也有一些我觉得对营销人有用的工具和 Skill：

GEO 可见度判定助手，批量粘贴 ChatGPT / Perplexity 回答，自动判定品牌有没有被提及、排第几、引用来源是谁
Google SEO 诊断 Skill 和 GEO 诊断 Skill，分别给一个网址，直接输出诊断报告
公众号 Markdown 编辑器、AI 使用水平测评、AI 营销成熟度测评
Campaign Brief 生成器、用户画像生成器、营销 ROI 计算器、UTM 参数生成器、营销漏斗计算器

九个工具加两个 Skill，都是我在做具体项目时真的用得上、才顺手做出来的，不是为了凑数。

二、我的想法不是做一个"AI 工具导航站"

工具太多了，今天火一个，明天又换一个，导航站的价值会一直被新工具稀释。

真正重要的是：你知道在什么营销任务里，该怎么用 AI，把它变成一个可复用的流程。

比如做内容增长，不只是让 AI 写文案，而是：

先明确用户是谁，再找到真实痛点和搜索问题，再生成内容 brief，再拆成多平台内容，再用数据判断哪些内容值得继续放大。

这套流程跑顺了，AI 才真的能帮你省时间、提升质量，而不是制造更多看起来很忙的内容。

三、适合谁看

如果你是：

营销人 / 内容运营，想用 AI 提升执行效率
小团队负责人，想建立可持续的 AI 营销体系
一人公司 / 自由职业者，用 AI 扩大个人杠杆

可以去看看有没有能直接用上的。我也会持续把自己研究 AI 营销、GEO、自动化工作流的内容整理进去。希望它不只是一个网站，而是一个给营销人用的 AI 落地工具箱。

我做了一个 Google SEO 诊断 Skill：9 个维度检查网站健康度

Fri, 14 Aug 2026 10:00:00 +0800

最近帮一些朋友看官网和独立站时，发现一个很常见的问题：很多人做完网站之后，只会问"好不好看"，但很少系统检查：

Google 能不能正常抓取？
robots.txt 有没有挡住重要页面？
sitemap 有没有更新？
canonical 有没有写对？
标题和描述会不会被截断？
页面有没有结构化数据？
移动端体验和 Core Web Vitals 有没有问题？
内容够不够让搜索引擎和 AI 理解？

这些东西单独看都不难，但加在一起很容易漏。所以我把一套 Google SEO 诊断流程整理成了一个 Skill，叫 google-seo-audit。

一、它做的事情很简单

你给它一个网址，它会按模块帮你检查网站的 SEO 健康状况，并输出一份比较像顾问报告的诊断结果。

它会看这些维度：

技术 SEO
页面内容
结构化数据
内链结构
移动端体验
AI SEO
外链引用
搜索表现
索引覆盖

二、为什么要把这些凑在一起查

我做这个不是想把 SEO 说得很玄，恰恰相反，我越来越觉得：SEO 最有价值的地方，不是"技巧"，而是帮你发现网站和用户、搜索引擎之间的断点。

比如一个网站内容写得很好，但没有 sitemap。

比如一个产品页转化不错，但没有结构化数据。

比如一个官网品牌很强，但 AI 根本不知道它是谁、提供什么，这块可以再单独用一个专门看 AI 可见性的 Skill 深挖，google-seo-audit 里的"AI SEO"维度只是先给个初筛信号。

比如页面看起来很漂亮，但移动端加载很慢。

这些问题不一定马上毁掉排名，但会一点点消耗内容本来该有的价值。

三、适合谁用

如果你也在做官网、独立站、内容站、SaaS 网站，或者正在研究 AI SEO，可以拿它做一次基础体检。

不一定要追求满分，先知道问题在哪里，就已经比盲目改页面强很多。希望它能帮到正在认真做网站的人。

我做了一个 GEO 诊断 Skill：看看你的网站为什么不被 AI 引用

Fri, 14 Aug 2026 09:00:00 +0800

做内容和官网优化，已经不能只盯着"搜索排名"了。

以前我们问的是：

用户在 Google / 百度搜关键词，能不能搜到我？

现在必须多问一句：

用户在 ChatGPT、Perplexity、DeepSeek、豆包、Google AI Overviews 里问问题时，AI 会不会引用我？

这就是这两年大家开始讨论的 GEO。它关心的不是你排第几名，而是：

AI 在回答问题时，会不会把你当成可信来源。

比如用户问：

"适合制造业的 ERP 系统有哪些？"
"企业出海数字化方案怎么选？"
"AI SEO 工具有哪些推荐？"

如果 AI 的回答里没有你，或者只提竞品，那你就算传统 SEO 做得再好，也正在错过一个新的流量入口。

一、GEO 容易聊成玄学

很多人一聊 GEO，三句话就飘了：

"多发内容。" "做品牌声量。" "写得更权威一点。"

这些话都对，但都太虚了。

真正要落地，得先回答一个更具体的问题：你的网站，到底具不具备被 AI 引用的基础条件？

所以我做了一个 geo-audit Skill。

它不帮你写文章，也不生成一堆提示词。

它做的事情很简单：把一个网址丢进去，直接诊断这个网站当前的 AI 可见性基础。

二、它具体查什么

第一，AI 爬虫能不能访问你的网站。

GPTBot、ClaudeBot、PerplexityBot、Bytespider、Baiduspider-ai，这些爬虫有没有被 robots.txt 挡在门外？很多网站不是内容不行，而是从第一步就不让 AI 进来。

第二，你有没有给 AI 准备机器可读的入口。

sitemap、llms.txt、canonical、清晰的页面结构。AI 引用网页时，非常依赖这些结构信号。你可以这样理解：网页不只是给人看的，你还要给机器一份"阅读说明书"。

第三，页面有没有结构化数据。

Organization、Article、FAQPage、Product、BreadcrumbList 这些 Schema，你的页面上有几个？一个页面如果没有作者、没有发布时间、没有品牌实体、没有 FAQ 结构，AI 很难判断它是不是一个可靠的答案源。

第四，内容是不是容易被摘取。

没有AI工作经验，怎么转型AI营销？

Wed, 12 Aug 2026 16:00:00 +0800

很多传统营销人转不了AI营销，并不是因为不会用AI工具，而是做了很多年营销，依然拿不出一项证据，证明自己能用AI解决真实的营销问题。

经常看到类似的困惑：

“我做过品牌和市场，怎么转AI增长？”
“没有AI公司的工作经历，连面试机会都拿不到。”
“岗位都要求有经验，但没有岗位，怎么获得经验？”

这就形成了一个恶性循环：没有AI工作经历 → 找不到AI营销岗位 → 没有机会积累项目 → 继续缺少AI工作经历。

破解这个循环，有效方式不是继续学习AI工具使用，而是先从自己熟悉的营销工作里，完成一个真实的AI项目。

一、如何开始项目

不要从陌生领域开始，先改造你正在做的工作。不同背景的市场人，可以从这样的项目开始：

做内容：用AI完成一次选题、生产、发布和数据复盘
做品牌、公关：搭建行业信息监测与传播选题系统
做投放：用AI生成多组创意，并进行小规模测试
做用户运营：整理用户反馈，输出需求分类和行动建议

不需要一开始就做复杂的Agent，也不需要为了转型而放弃过去的行业经验。你要做的，是把已有经验和AI结合起来，完成可以展示的案例。

二、案例要保留这些证据

一个完整的AI营销案例要保留：任务—交付—验证—复盘。

原来遇到了什么问题？
你使用AI完成了哪些环节？
交付了什么？
哪些地方经过人工判断和修改？
效率、质量或业务数据有什么变化？
下一次准备怎么优化？

完成项目以后，再把它整理成内容。

这时，你发布的就不再是“我又发现了一个AI工具”，而是：“我如何用AI解决了一项真实营销问题。”这样的内容既是经验分享，也是公开作品集。

三、用案例证明四件事

工具只能证明你会操作，项目才能证明四件事：

你懂业务：你知道要解决的不是“怎么使用AI”，而是获客、内容、转化、投放、品牌或者用户增长问题
你能设计工作流：你知道哪些环节交给AI，哪些环节必须由人判断，而不是只会让AI生成一段文案
你能完成交付：可以拿出报告、内容、落地页、广告素材、用户研究或者营销方案，而不是停留在Prompt演示
你能验证结果：你会对比项目改造前后，在效率、质量、流量、线索或转化方面发生了什么变化

总结

所以，传统营销人转型AI营销，缺的从来不是AI工具使用技能，真正缺的是一个可以被看见、被验证、被复用的真实项目。

先做项目，再把项目变成内容；先留下证据，再谈职业转型。

Marketing人如何用AI，跳出Dirty Work困局？

Wed, 12 Aug 2026 14:00:00 +0800

做Marketing的人应该都懂：工作里真正把人耗空的，很多时候不是想策略、做创意，而是前后那一大堆不得不做的Dirty Work。

活动结束了，要到处找方案、素材和数据做复盘
不同平台导出的表格格式不一样，要重新清洗和对齐
用户评论、访谈和客服记录堆在一起，要逐条整理
看完行业报告，还要重新提炼重点
同一份内容换个平台，又得重新调整结构和表达

每件事单独看都不难，但它们特别碎，而且一件接着一件。等资料终于整理完、数据终于对上、报告终于写好，真正需要做分析和判断的时候，脑子已经没电了。

所以用了一段时间AI以后，我越来越觉得：AI适合替Marketing人接手的，可能不是写文案，而是这些又重复、又耗时、结果还能检查的Dirty Work。

我重点在把下面5类Dirty Work交给AI做第一轮处理。

一、复盘底稿整理

以前做一次营销活动复盘，第一步不是分析，而是先到处找资料。现在我会先把这些内容交给AI，让它帮我：

对齐原定目标和实际结果
恢复整个campaign timeline
整理中途做过的调整
汇总不同渠道和素材的表现
标出数据变化和缺失信息
生成复盘报告的基础框架

AI先帮我还原“发生了什么”，它不是替我完成复盘，而是先把复盘需要的底稿准备好。

我需要做的，是结合真实业务背景判断为什么发生、哪些结论可以成立，以及下一轮应该测试什么。

二、数据清洗与对齐

不同平台导出来的数据，字段名称、日期格式和统计口径经常完全不一样。同一个指标，在不同渠道甚至可能不是同一回事。

现在我会先向AI解释每一列代表什么、哪些数据可以比较、什么情况算异常，再让它协助：

合并不同渠道的表格
统一字段和数据格式
处理重复值、空值和异常值
生成Excel公式或者处理代码
输出一份data cleaning说明

但关键数字和统计口径，我还是会回到原始后台核对。底层数据如果是错的，后面的分析做得越完整，反而越容易把人带偏。

三、用户反馈整理

用户评论、客服记录和访谈资料里，经常藏着非常有价值的信息。问题是数量一多，人很容易只记住几个表达特别强烈的案例，把个人印象当成用户共性。

我现在会让AI先按照固定维度整理：

使用场景
核心痛点
购买顾虑
选择或放弃的原因
用户原话
信息来源

这一步有个关键：不要只让AI总结观点，一定要保留用户原话和出处。

AI负责把反馈变成可以分析的材料，Marketing人还要回到真实语境里寻找洞察。

四、消化长内容

行业报告动不动几十页，播客、访谈和知识类长视频经常一两个小时。很多标题看起来信息量很大，完整看完却发现大部分只是熟悉观点的重复。

现在我会先把报告或者视频文字稿交给AI，让它帮我：

提炼核心观点和关键数据
区分事实、观点和案例
标出真正有新意的部分
判断哪些内容与当前项目有关
保留原文页码或视频时间位置
列出需要继续核实的问题

如果整理后发现只是重复内容，我就不继续看了。如果里面有值得深入的部分，再跳到对应页面或者时间位置认真看。

五、跨平台内容适配

以前一份内容发完以后，想同步到其他平台，经常等于重新做一遍。长文需要完整逻辑，图文笔记需要快速进入问题，短视频需要更口语化的表达……

现在我会先让AI提取原内容里不能改变的核心观点，再根据不同平台完成第一轮adaptation：

长文章整理成图文笔记
项目案例改成长文章
书面内容转换成口播脚本
长视频拆出多个短内容角度
根据平台调整标题、封面和表达节奏
检查改写后有没有偏离原意

AI负责处理重复的结构调整和语言转换。

我需要判断的是：这个平台上的用户真正关心什么，哪些内容值得保留，以及什么表达更自然。

总结

这段时间的体感是：AI真正降低的，是信息处理成本，而不是营销判断的门槛。

我从 AI 点进自己的网站，GA4 却显示 Direct

Tue, 11 Aug 2026 16:00:00 +0800

最近我一直想弄清一件事。

ChatGPT、Perplexity、DeepSeek 这类 AI 工具会在回答里放入网站链接。用户点开链接以后，网站确实多了一次访问。GA4 能不能认出这名用户来自 AI？

这个问题会直接影响 GEO 的效果判断。如果 GA4 认不出来，报表里的 AI 流量就会偏低。可我不想靠猜，于是自己模拟了一次完整访问，看看 GA4 会留下什么记录。

一、我做了一次最简单的测试

我先打开 GA4 的实时报告，确认过去五分钟没有活跃用户。接着切到另一个标签页，在 AI 工具里问了一个相关问题。回答里出现了指向我网站的链接，我点击链接进入网站，再马上切回 GA4。

活跃用户从 0 变成了 1。落地页也对，session_start、page_view、scroll 和 user_engagement 几个事件都正常触发。至少在这次测试里，GA4 看见了这次访问，网站埋点也在正常工作。

随后我看到了一个很扎眼的结果。实时报告里的"按首次用户来源划分的活跃用户"显示为 Direct，1 人，占 100%。

我当时很容易把两件事连在一起。刚刚从 AI 点击进入网站，GA4 又显示 Direct，那么这次 AI 点击大概被算成了 Direct。

这个判断下得太快了。

二、那张卡片回答的是另一个问题

我后来查了 Google Analytics 的官方说明。GA4 实时报告里的这张卡片使用用户范围的维度。所谓"首次用户来源"，指的是 GA4 最早通过什么渠道获得这名用户。

它回答的是这名用户第一次怎么来的，不能直接说明眼前这次会话的来源。

举个很简单的情况。一名用户第一次直接输入网址访问，过几天又从 AI 回答中的链接回到网站。他的首次用户来源仍可能显示 Direct。只看这张卡片，我们无法确认第二次访问的来源。

这也改变了我对这次实验的判断。

活跃用户增加、落地页正确、互动事件触发，这些信息足以确认 GA4 收到了访问。实时报告中的"首次用户来源为 Direct"，还不足以证明当前这次 AI 点击被归入 Direct。

Google 也在官方说明里提醒，实时报告为了尽快显示数据，只做有限的归因分析。要判断来源，获取报告里的处理后数据更可靠。

AI 今天推荐你，不代表明天还推荐你

Mon, 10 Aug 2026 10:00:00 +0800

有个老板跟我说，他让市场部去查了一下 AI 怎么介绍他们公司。

市场部回来汇报：查过了，ChatGPT 推荐了我们，排在第二，没问题。

老板很满意，觉得这事可以放一放了。

一个月后我让他自己再问一遍同样的问题。

这次他们排第四，而且中间多了一个从没听说过的竞品。

他问市场部怎么回事，市场部又去查了一遍，这次排回第二了。

三次问，三个结果。

到底信哪次？

答案是：都不能单独信。

一、这不是 bug，是 AI 的工作方式

很多人以为 AI 像数据库，问一个问题就给一个固定答案。

不是的，AI 每次回答都是重新生成的。

同样的问题，它可能换一个角度切入，换一批素材拼接，甚至换一种语气。

有时候提到你，有时候不提。有时候参数写对，有时候写错。

这不是它出了故障，它就是这么运作的。

问题是，你不知道哪次是「正常水平」，哪次是「偶然波动」。

你看到它提了你一次，高兴了一天；第二天再问没提，又慌了。

靠单次结果做判断，你的情绪会被 AI 的随机性牵着走。

二、那怎么办

方法很土，但有用：多问几次，数一数。

同一个问题问五次，它提到你几次。

五次里有四次都提了，那大概率是稳的。

五次里只有一次提了，那那一次大概率是偶然。

五次里提了两三次，说不准，得再看看。

重点不是某一次的答案写了什么，而是五次放在一起，你大概站在什么位置。

三、一个更实际的做法

真要搞清楚自己的状态，光重复同一个问题还不够。

你得准备一批问题，不是一个，是十个、二十个。

每个都是你的客户真正会问的。然后每个问题都跑一遍，把结果记下来：提了还是没提、说对了还是说错了。

跑完之后看总数，二十个问题里，提到你几次？说对了几次？说错了几次？

这个总数，比任何一次的答案都可信。

因为单个问题的答案会变，但二十个问题的总体表现是相对稳定的。

你要的不是「这个问题 AI 怎么说我」，而是「这一批问题加在一起，AI 大概把我当什么水平」。

四、那些说不准的怎么办

跑完第一轮你会发现，结果大概分三类：

有些是稳的。 不管问几次，AI 都会提到你。这类不用管，是你的基本盘。

有些是稳定缺席的。 问了好几次，一次都没提。这类也不用纠结，短期内大概率改不了，先放着。

最值得关注的是中间那批：有时候提，有时候不提。 这些说明 AI 在犹豫，你的信息在它那里属于「有，但不确定要不要用」。

这批才是你真正该花精力的地方。

处理起来也简单：那些「有时候提有时候不提」的问题，过一段时间再问一轮，看它是变稳了还是变没了。

如果连续两轮都提了，说明在变好。如果连续两轮都没提了，说明在变差。

第一轮管分类，第二轮管趋势。 两轮下来，你手里的信息就从「感觉上好像还行」变成「我知道哪几个点是稳的、哪几个点在滑、哪几个点有机会」。

五、有一个前提不能动

不管跑多少轮，有一件事必须守住：问题不能换。

很多人第一轮跑完觉得结果不理想，第二轮换了一批「更容易被提到」的问题。

结果当然好看了，但你没法跟上次比。

问题定下来就不要动，哪怕有几个你觉得出得不好，也留着。

下次用同样的问题跑，才能看出变化。改问题的冲动，以后每次都会有，每次都得忍住。

六、这件事的真实成本

如果你只是想知道个大概，十个问题，三个 AI，每个问两次，总共六十次对话，一个下午能搞定。

比起 AI 不提你，更怕的是它提了但说错了

Mon, 10 Aug 2026 09:00:00 +0800

大多数品牌在意的是：AI 有没有推荐我。

但其实还有一种更糟的情况，就是 AI 提到你了，但说的是错的。

常见的几种错法：

把停产的产品说成在售： AI 的信息来源有时间差，半年前的网页、两年前的评测，它分不清哪个是最新的。你的老型号可能在某篇旧稿里参数写得最全，AI 就优先引用了。

把竞品的功能安在你头上： 特别是同品类、名字相近的品牌之间。AI 在总结信息的时候会张冠李戴，参数搞混、功能归错，它自己不会标注「这条我不太确定」。

价格报错： 你去年做过一次促销，某个渠道页面还挂着打折价。AI 抓到了，客户记住了，来了直接问「你们官网怎么比 AI 告诉我的贵了三成」。

把你归到错误的类目里： 你做的是企业级产品，AI 把你当成消费级推荐。客户期待不对，售前沟通成本翻倍。

这些错你自己不知道，因为你从来没去看过 AI 怎么说你。

你关心的是有没有被提到，但没查过提到的那些话里，哪句是对的，哪句是错的。

一、这件事难受的地方

不是错本身，是你不知道错了多久。

搜索引擎时代，你的官网信息更新了，搜索结果里旧信息会慢慢被新的替掉。

虽然不快，但方向是对的。

AI 不一样，它的答案来自一个你看不见的信息池，你不知道它用了哪篇文章、哪个网页、哪段数据。

你改了官网，不代表 AI 下次回答就会跟着改。

而且不同的 AI 用的信息源不同，可能 A 改过来了，B 还在说旧的。

更麻烦的是，客户不会告诉你「我是从 AI 那听说的」。

他就是来买东西，带着一个他认为正确的认知。

你的销售得先花时间纠正，然后还得解释为什么 AI 说的是错的，这个过程本身就在消耗信任。

你以为的销售流程是：介绍产品 → 解答疑问 → 成交。

实际变成了：先否定客户从 AI 那得到的结论 → 重建信任 → 再走正常流程。

多出来的那一步，每一个销售、每一单都在付成本。

二、怎么知道 AI 到底说错了什么

办法很笨，但管用。

拿你产品最核心的五个事实，去问 AI，看它说的对不对。

什么叫核心事实？

就是说错了会直接影响成交的那种：在售型号、关键参数、价格区间、适用场景、资质认证。

然后在主流 AI 各问一遍。每个事实，只看三种结果：

DeepSeek、Kimi、智谱、MiniMax，各有什么优势？

Fri, 07 Aug 2026 00:00:00 +0800

提到中国的原生AI大模型公司，DeepSeek、Kimi、智谱和MiniMax，是目前最有代表性的四家。

那么，它们究竟各有什么优势，以及如何选择呢？

DeepSeek正在让复杂推理和代码能力变得更便宜；Kimi希望把几十份资料变成一份可以直接使用的报告；智谱试图把AI真正接入企业的知识库和业务系统；MiniMax则想从脚本开始，一路生成画面、配音和音乐。

它们表面上都在做大模型，实际比拼的是四种不同的优势。

一、DeepSeek：强在脑力和性价比

DeepSeek最鲜明的标签是推理、代码、开放模型和便宜的API。

最新的DeepSeek V4分为Pro和Flash两个版本，都支持思考模式、工具调用和约1M上下文。

Flash速度更快、价格更低，适合处理大量常规任务；Pro能力更强，更适合复杂推理、代码和长程Agent任务。

如果你需要分析复杂问题、写代码、排查程序错误，或者批量处理大量文本，DeepSeek通常是一个不错的选择。

对于开发者和企业来说，它最大的吸引力是：模型足够强，调用成本又比较低，适合成为AI应用和智能体的底层"大脑"。

不过，DeepSeek的重点仍然是模型能力。

如果你希望AI自动搜索资料、整理文件、生成Word或PPT，它在完整任务交付方面不一定像Kimi那么顺手。

视频、语音和音乐也不是它目前的核心方向。

简单来说，DeepSeek适合解决"需要动脑"的问题。

二、Kimi：强在资料处理和任务交付

Kimi早期凭借长文本能力出圈，很多人第一次使用它，就是上传论文、合同、报告或者几十份PDF，让它帮助总结和分析。

但现在，Kimi已经不只是一个长文本工具，而是在向搜索研究、代码和Agent办公发展。

Kimi K2.6支持文本、图片和视频输入，拥有256K上下文，也能完成思考、工具调用和长程代码任务。

它真正擅长的，是把一个相对完整的知识工作交付出来。

例如，你可以让Kimi搜索一个行业的公开资料，阅读相关报告，比较几家公司，最后整理成一篇文章、一份研究报告或者一套PPT。

整个过程不只是回答问题，还包括搜索、筛选、理解、组织和输出。

如果你不准备自己接API，只想把资料交给AI，让它帮你做出一份相对完整的结果，Kimi通常会更省心。

当然，长文本已经不是Kimi独有的优势。

现在DeepSeek和智谱也拥有几十万甚至百万级上下文。

Kimi真正的竞争力，正在从"能读多少字"变成"能不能把任务顺利做完"。

三、智谱：强在全栈能力和企业落地

普通用户对智谱的感知可能没有DeepSeek和Kimi那么强，但在企业市场，智谱是一家很难绕开的国产大模型公司。

原因是它没有只押注一个聊天模型，而是建立了比较完整的产品线。

GLM-5.2负责文本、代码和长程Agent；GLM-5V负责理解图片和视频；GLM-Image、CogView和CogVideoX负责图片与视频生成；GLM-OCR可以解析文档和图片；AutoGLM则在探索用AI操作手机和应用。

智谱的开放平台还提供知识库、模型精调、推理、评测和智能体开发等能力。

企业需要的通常不是一个"很会聊天的AI"，而是让AI能够读取公司资料、连接业务系统、调用现有工具，并进入客服、销售、研发和内部办公流程。

这正是智谱的优势。

如果把DeepSeek比作一台高性能发动机，那么智谱更像一套已经准备好接入企业的AI工具箱。

它未必有某一个特别容易出圈的标签，但产品线比较全，做企业知识库、智能客服和国产智能体时，经常会进入候选名单。

四、MiniMax：强在声音、视频和多媒体内容

MiniMax走的是一条明显不同的路线。

它不只做文本模型，还同时布局视频、语音、音乐和角色互动。

M2.7负责文本、代码和Agent，海螺Hailuo负责视频生成，Speech可以完成语音合成和声音克隆，Music能够生成音乐和歌曲，Talkie等产品则面向虚拟角色和陪伴场景。

这意味着MiniMax想提供的，不只是一个聊天机器人，而是一套多媒体内容生产能力。

例如，制作一条营销视频时，可以先用文本模型整理创意和脚本，再用海螺生成画面，用Speech完成配音，最后用Music生成背景音乐。

如果只是日常问答和写文章，MiniMax不一定是第一选择。

但只要任务涉及短视频、广告素材、配音、音乐、数字人或者虚拟角色，它的差异就会非常明显。

简单来说，MiniMax擅长把一个文字想法变成可以看、可以听的内容。

五、应该怎么选？

如果主要做逻辑分析、代码和API应用，可以优先考虑DeepSeek；
如果经常查资料、读PDF、写报告和制作办公文件，Kimi会更加顺手；
如果要搭建企业知识库、智能客服或者国产智能体，可以重点考察智谱；
如果要制作视频、配音、音乐和虚拟角色，MiniMax更有优势。

这四家公司也不一定非要四选一。

例如，做一篇行业内容时，可以先让Kimi搜索和整理资料，再用DeepSeek检查逻辑、补充分析；需要把文章改成视频时，可以继续使用MiniMax生成画面和声音；如果要把整套流程接入企业系统，再考虑智谱的知识库和智能体能力。

Codex 额度不够用？这个设置值得试试

Thu, 06 Aug 2026 00:00:00 +0800

如果你是 ChatGPT Plus 用户，经常用 Codex 写内容、整理资料或者处理文件，可能已经遇到过一个问题：

任务还没做几个，可用额度就开始紧张了。

但同样是 Plus 套餐，选择不同模型，可用次数的差距可能非常大。

以 OpenAI 当前公布的使用范围为例，Sol 每5小时大约可以发送10—100条本地消息，而 Luna 大约可以发送250—2,000条。

虽然实际消耗还会受到任务复杂度、上下文和工具调用等因素影响，但对于大量日常任务，换成 Luna，通常能明显提高可用次数。

更重要的是：不用升级套餐，也不用进入复杂的配置页面。

只需要花10秒钟，把日常模式改成：

GPT-5.6 Luna＋极高推理

这样既能利用 Luna 更高的使用额度，又能通过"极高推理"尽量提高结果质量。

下面我以 ChatGPT Plus 用户为例，演示具体怎么设置。

不同套餐、账号和客户端版本的模型选项及使用额度可能有所不同，请以自己的界面显示为准。

一、Plus 用户怎么设置？

不需要进入配置页面，也不需要额外打开隐藏选项。

直接在 Codex 聊天界面，点击输入框下方的模型名称：

模型选择 GPT-5.6 Luna；
推理强度选择极高；
速度保持"标准"即可。

就这么简单。

Plus 用户当前能看到的推理强度是：轻度、中、高、极高，选择"极高"即可。

二、为什么这个组合更省额度？

真正省额度的不是"极高推理"，而是 Luna。

OpenAI 对 Luna 的定位就是快速、高频、低成本，适合目标明确、可以重复执行的任务。

以 OpenAI 当前公布的 Plus 计划使用范围为例：

GPT-5.6 Sol：每5小时大约可发送10—100条本地消息；
GPT-5.6 Terra：每5小时大约可发送25—200条；
GPT-5.6 Luna：每5小时大约可发送250—2,000条。

也就是说，如果你原来一直使用 Sol，换成 Luna 后，可用次数会明显增加。

花钱做 GEO 前，先避开这 12 个坑

Tue, 04 Aug 2026 00:00:00 +0800

AI 搜索热度很高，GEO 服务商越来越多。

问题是，这个市场还很新，口径不统一，品牌主很容易把"做了很多动作"误当成"产生了可验证的结果"。

本文不评价任何供应商，只从一个角度出发：一项 GEO 服务，能不能复现、能不能审计、能不能验收。

先说明我对 GEO 的理解：它不是操控 AI 排名，也不是让某个模型"记住"品牌，而是通过网站、内容、实体信息和第三方信号建设，降低品牌在 AI 搜索中"找不到、说不清、说错了"的概率。

一、承诺类问题

1. 承诺"保排名"

典型说法："帮你做进 ChatGPT 前三推荐""两周内 AI 必提你的品牌"。

生成式回答不是固定榜单。问题措辞、模型版本、是否联网、地区和对话上下文都会影响结果。

OpenAI 自己也明确表示无法保证最高位置。服务商可以优化可控因素，却无法替模型承诺名次。

应对：要求对方交出完整测试方案，固定问题集、平台、模型版本、日期、语言、地区，以及同一问题的重复测试次数。

你应能用同样条件自行复测，而不只能看对方挑出来的结果。

2. 承诺"几天见效"

典型说法："7 天见效""发一篇文章就能提升 AI 可见度"。

新内容能否影响 AI 搜索，涉及抓取、索引、检索、来源选择多个环节，不同平台更新速度不同。

被检索到不等于进入训练数据，被引用不等于模型权重改变。

把这条链路简化成"发内容—AI 学会—品牌排名提升"，本身就不严谨。

应对：要求把"可控交付"和"结果观察"分开写。

技术修复、内容发布可以承诺完成时间；效果观察应写清基线、复测频率和目标指标，不能把观察窗口包装成结果保证。

3. 一套方案号称覆盖所有平台

典型说法："一次优化，覆盖 ChatGPT、Perplexity、Gemini、豆包、元宝全平台。"

不同 AI 产品使用的模型、检索方式、来源展示和内容生态并不相同。

同一套网站修改可以作为基础动作，但不能自动等于"全平台都优化了"。

应对：要求按平台说明三件事：测哪些问题、当前答案主要引用哪些来源、准备采取哪些对应动作。

如果所有平台的答案都是"把同一批内容发到更多地方"，这是批量分发，不是平台化策略。

二、测量类问题

4. 只用截图证明效果

截图最多证明某个时点出现过某个结果，无法说明测试条件，也无法排除只展示成功样本的情况。

应对：要求保留每次测试的完整记录，问题、平台与模型、测试时间、语言地区、是否联网、原始回答、引用来源和重复轮次。

支持分享链接的平台可附链接，但链接本身也只是快照，不能替代结构化记录。

5. 用一两条问题代表整体结果

典型说法："我们测过了，AI 已经提到你了。"实际只跑了一两条自拟问题。

单条问题只是一个样本，尤其是"这个品牌是做什么的"这类带品牌名的问题，只能测信息是否能被找到，不能证明用户在非品牌词场景下会遇见它。

应对：要求说明问题来自哪里。优先级较高的来源是销售咨询、客户访谈、客服记录、站内搜索和竞品比较场景，而不是为了容易测出品牌而临时编的问题。

问题数量不是关键，覆盖真实意图才是。

6. 把"提及、推荐、引用"混在一起统计

典型说法："你的网站被 AI 引用了 15 次。"但报告里没说品牌是否出现在正文、是否真的被推荐。

WorkBuddy、Claude Cowork、ChatGPT Work，到底有什么区别？

Mon, 03 Aug 2026 11:00:00 +0800

腾讯有 WorkBuddy，Anthropic 有 Claude Cowork，OpenAI 又上线了 ChatGPT Work。

三个产品，名字都跟"干活"有关，定位也高度相似。

都不满足于陪你聊天，而是希望你交代一句，它就能自己规划、调用工具，最后交付文档、表格、PPT或者研究报告。

乍一看，它们似乎是同一种产品。

但仔细比较就会发现，三者虽然正在快速靠近，当前的产品重心仍然不同。

先说它们在解决什么问题

以前我们使用AI，基本上是这样的：

我问 → AI回答 → 我复制粘贴 → 我继续干

现在这三个产品想做的是：

我说清目标 → AI自己规划、自己执行 → 我审核结果

从"问答机器"升级成"执行型智能体"，这是它们共同的方向。

区别主要在于：它们从哪里获取工作资料，通过什么工具执行，以及最终更适合哪一种工作环境。

一、WorkBuddy：从微信里就能指挥的打工人

WorkBuddy 是腾讯推出的全场景AI办公工作台。

它最有辨识度的地方，不只是模型，而是对国内办公环境的适配。

用户可以通过微信向 WorkBuddy 发送任务，远程控制电脑上的客户端。

WorkBuddy 会使用电脑里的本地文件、运行环境、凭证和工具执行任务，再把进度和结果同步回微信。

不过，这不等于电脑可以关机。

如果任务需要使用本地文件和电脑环境，WorkBuddy 客户端必须保持运行，电脑也要联网。

需要长期执行任务时，官方建议准备一台常开电脑。

除微信外，它还支持企业微信、QQ、飞书和钉钉等消息入口，也在加强腾讯文档、ima知识库和腾讯乐享等生态连接。

WorkBuddy 支持多模型切换，也提供自定义模型配置。

相比让普通用户自己研究复杂提示词，它提供了预置专家、Skills、任务模板和界面化的模式选择，降低了上手门槛。

它同样支持定时自动化，可以按设定时间生成日报、周报或整理数据。不过，这类任务目前主要依赖本地客户端执行。

简单来说：

WorkBuddy 更适合主战场在国内，工作资料主要在本地电脑、微信和腾讯办公生态里的用户。

二、Claude Cowork：擅长复杂知识工作的执行者

Claude Cowork 最早在2026年1月以研究预览形式推出，产品思路来自 Claude Code：以前程序员可以把一个开发任务交给 Claude Code，现在非技术用户也可以把研究、数据分析、文件整理和报告制作交给 Claude Cowork。

比如你可以告诉它：

"分析这个文件夹里的访谈记录和销售数据，找出三个关键问题，再整理成一份汇报材料。"

它会读取授权的文件、拆解任务、运行工具，并在需要时协调多个子智能体并行工作，最后交付一份可供审核的成果。

不过，"Cowork 完全在本地运行，文件不会上传云端"已经不是准确描述。

现在 Cowork 的远程会话默认运行在 Anthropic 服务器。

真正会用AI的人，都在学怎么当领导

Mon, 03 Aug 2026 10:00:00 +0800

用AI要像领导一样。

但真正的领导，不是等员工交稿后，才开始挑毛病。

在任务开始之前，他就已经想清楚了：

这件事要不要交出去？
应该交给谁？
做到什么程度才算合格？
哪些地方可以自由发挥？
哪些地方绝对不能出错？

所以，领导式用AI，不只是会提问，而是做好下面5件事。

一、先定目标：到底要AI交付什么

不要只说："帮我做一份竞品分析。"

要说清楚这份分析准备给谁看；用来做什么决策；需要哪些信息；以及以什么形式交付。

目标不清楚，AI只能猜。

只能得到一份内容很多，但无法支持决策的报告。

二、做好分工：不同任务交给不同AI

选AI就像选人，不是永远把任务交给"能打的那个"，而是看它适不适合。

查资料、找来源：交给具备搜索能力的AI

发散选题、想创意：交给通用模型

复杂分析、制定策略：交给推理能力更强的模型

重复且流程固定的工作：交给Skill或Agent

对外发布、客户沟通、重要决策：AI辅助，人来拍板

模型名称一直会变，但选择逻辑不会变：任务越复杂，越需要推理；流程越固定，越适合自动化；风险越高，越需要人参与。

三、决定松紧：不是所有任务都要管得严

有些事情要管松一点。

比如头脑风暴、标题创意、内容角度、视觉方向。

这时候不要规定得太严，要让AI多发散、多尝试。

有些事情则必须管严。

比如数据、事实、引用来源、客户信息、预算、合同和对外发布内容。

这些地方要设置清晰边界，要求AI提供依据，并由人确认。

一套很好记的原则是：创意上放松，事实上管严；低风险放权，高风险收权；路径可以放松，目标必须管严；过程可以交给AI，结果必须由人验收。

四、设置检查点：不要等到后面才发现跑偏

真正的领导既不会事无巨细地盯着，也不会把任务扔出去后完全不管。

复杂任务最好拆成几个节点：先确认方向，再确认结构，然后生成完整结果。

比如让AI写一篇文章，可以分成：选题判断 → 内容提纲 → 核心观点 → 完整初稿 → 事实检查 → 定稿。

如果提纲阶段就跑偏了，就没必要让它继续写三千字。

五、交付验收：会挑毛病，也要会给反馈

AI第一次交付的，通常只能算初稿。

验收时可以检查5件事：

目标有没有跑偏；
事实能不能验证；
逻辑是否成立；
表达是否具体；
结果能不能直接使用。

但挑毛病不是只说一句："感觉不太行，重新写。"

有效的反馈应该说明：哪里有问题、为什么有问题、哪些内容保留、哪些内容删除，以及下一版按照什么标准修改。

真正会用AI的人，不是在和一个聊天机器人对话。

而是在管理一支由不同模型、工具、Skill和Agent组成的AI团队。

你不需要亲自完成所有工作。

但你要知道该把什么事交给谁、什么时候放权、什么时候收权，以及什么结果才算合格。

未来真正稀缺的，可能不只是使用AI的能力，而是组织AI完成工作的能力。

张雪把火锅店老板问住了：别人为什么到你的店里吃火锅？

Mon, 03 Aug 2026 09:00:00 +0800

刷到一段张雪和火锅店老板的对话，时间不长，却把很多生意人的问题说透了。

张雪一开始就问老板："你能不能讲清楚，别人为什么要到你的店里来吃火锅？"

老板明显没有准备好，只能含糊地说，大家来吃火锅大概有几种原因。

张雪没有让他绕过去，而是继续追问：“你自己都不知道为什么，别人怎么会来吃你的火锅呢？”

这句话听起来有些不客气，但对于一个已经开店做生意的人来说，这其实是最基本的问题。

你可以说自己是全重庆食材最新鲜的，可以说价格最便宜，也可以说服务最好，但无论如何，总要给顾客一个来你这里吃饭的理由。

老板想了一会儿，终于说：“我们这里的味道和风景真的还挺好。”

张雪马上反问：“风景已经摆在这里了。味道好，你怎么告诉别人你的味道好？”

老板这才承认，自己对流量不是很敏感。

问题也在这一刻彻底暴露出来。

老板知道自己的店位置不错、风景很好，也相信火锅味道不差，可这些都只是老板自己的感受。

他没有想过顾客从哪里知道这家店，为什么愿意专门过来，又凭什么相信这里的味道比其他火锅店更好。

重庆不缺火锅店。顾客可以去商场里的连锁店，可以去朋友推荐的老店，也可以在点评软件上找一家评价更高、距离更近的店。

仅仅一句“我们味道和风景都不错”，根本不足以让顾客改变原来的选择。

对话最后，张雪说得更加直接。

老板可能觉得房租已经交了半年，店也已经开起来了，无论如何都应该再坚持一段时间。

但张雪告诉他，房租交了半年，不代表就要勉强再撑半年。

如果问题没有解决，继续撑下去并不会自动带来客人，回去睡觉可能都比这样硬撑更有价值。

她看着眼前的店说：

“这么好的地段，这么好的风景，今天就三桌人，还走了一桌，你这撑个卵啊，撑都没有意义了。”

这句话真正扎心的地方，不是语气有多重，而是市场已经用结果给出了答案，老板却还在用“地段很好”“风景很好”“房租已经交了”安慰自己。

地段好，只能说明别人更容易看到这家店；风景好，只能成为用餐体验的一部分；味道好，如果顾客不知道、不相信，也没有人愿意主动传播，那就只是老板的自我评价。

一家火锅店能不能活下去，最终看的不是老板投入了多少，而是有没有顾客愿意进门、付钱，然后再来一次。

房租、装修和已经投入的时间都属于过去，不能成为继续做下去的唯一理由。

我们总喜欢鼓励创业者坚持，仿佛只要坚持得足够久，就一定会迎来转机。

但坚持只有在方向正确时才有价值。

如果连顾客为什么选择你都没有想明白，那么所谓的坚持，很可能只是在延长错误。

这段对话谈的是一家火锅店，其实也像极了很多一人公司的状态。

很多人会说，我学会了很多AI工具，做了一个漂亮的网站，也在小红书、公众号和视频号持续更新，我的服务能力其实也不错。

这些就像火锅店老板说的好地段、好风景和好味道，都是自己拥有的条件，却不一定是客户愿意付钱的理由。

客户不会因为你学了很多工具就来找你，也不会因为你已经坚持更新半年就购买你的服务。

他真正关心的是：你能帮我解决什么问题？为什么我要找你，而不是找别人？你过去有没有把这件事做成过？

所以，一人公司在做网站、做内容、开发产品和寻找流量之前，也应该先回答张雪问火锅店老板的那个问题：别人为什么要到你这里来？

如果这个问题讲不清楚，就不要急着用更多内容和流量掩盖它。

因为流量只能放大一个已经成立的购买理由，不能凭空创造客户需求。

先给客户一个选择你的理由，再把流量带进来。

否则，再漂亮的网站、再先进的工具、再长时间的坚持，最后可能都只是在陪你硬撑。

关于企业做GEO，我被问得最多的8个问题

Sat, 01 Aug 2026 00:00:00 +0800

过去一年，我持续研究和测试GEO，也和一些企业讨论过它的实际价值。

我发现，大家最大的顾虑不是"要不要做"，而是：

做完以后，能不能证明真的有效？

这篇文章整理了企业在评估GEO时最关心的8个问题。

能确认的，我会给出明确结论；证据还不充分的，我也会说明边界。

一、GEO的效果是不是测不准？

同一个问题换个时间问，AI给出的答案可能不一样。不同监测工具的数据，也可能互相矛盾。

这是不是说明GEO根本测不准？

先说结论：

单条Prompt的结果确实不稳定，但这不代表GEO完全无法测量。

AI回答会受到模型版本、联网状态、用户历史、语言、地区和查询改写等因素影响。

如果测量方法只是"问一次、截张图"，结果当然不可靠。

更合理的方式，是把单次测试变成一套可重复的监测流程。

建立核心测试集

根据企业的业务复杂度，设置一批真实客户可能提出的问题。

例如，可以覆盖：

信息型：这类产品是做什么的？
对比型：A和B有什么区别？
推荐型：适合某类企业的产品有哪些？
品牌型：某个品牌适合谁？
场景型：特定团队、地区和预算下应该怎么选？

我目前会根据项目范围设置约15—25个真实客户可能提出的高价值问题，但这不是行业标准。

企业规模、产品数量和客户决策复杂度不同，问题数量也应该不同。

核心问题在一个测试周期内保持不变，方便前后比较；同时保留少量动态问题，用来反映市场和客户需求的变化。

减少测试干扰

每条问题尽量使用新对话或临时对话，并记录：

平台和模型
测试日期
使用语言
账户或测试地区
是否启用联网搜索
完整问题文本

这些操作不能消除模型波动，但可以减少个性化和上下文差异，让不同轮次更有可比性。

对全部问题重复测试

全部核心问题至少测试2—3轮，统计每个问题实际出现品牌的频率。

对于不同轮次差异较大的问题，再增加测试次数。

最终看的不是"这条Prompt排第几"，而是：

品牌提及率
推荐率
官网引用率
描述准确率
竞争对手出现情况

例如，品牌在固定测试集中的提及率从15%提高到40%，代表出现了方向性变化。

但它仍需要结合重复测试、引用来源和业务数据判断，不能直接等同于商业成功。

GEO测量的不是一个固定排名，而是一组问题中的出现概率和变化趋势。

二、被AI提到了，不等于产生业务结果吧？

这个质疑是对的。

提及次数、引用数和 AI Share of Voice，只能回答"品牌有没有出现"，不能直接回答"出现以后产生了什么价值"。

目前主流工具仍然很难覆盖跨平台、跨会话和零点击场景的完整因果归因。

但对部分高客单价、长决策链的B2B企业来说，进入用户的初始考虑名单，本身就是一个值得观察的中间结果。

传统搜索更像争夺用户会点击的入口。

AI搜索则可能在用户正式访问官网之前，就开始影响他对供应商的认识：

这个品牌属于什么类别？
它适合哪类企业？
它和竞品有什么区别？
它是否值得进入候选名单？

进入候选名单不保证成交，但长期缺席可能意味着后面的营销和销售需要额外克服一道认知门槛。

评估时，应该把指标分成三层。

第一层：AI可见度

品牌有没有被提及
有没有被列为推荐选项
有没有引用官网
AI对品牌的描述是否准确

第二层：用户行为

AI平台带来的引荐访问
品牌词搜索变化
直接访问变化
产品页、案例页和对比页访问

第三层：业务结果

注册
资料下载
询盘
销售机会
成交

GA4可以观察来自chatgpt.com、perplexity.ai等平台的引荐访问，但它只能覆盖成功携带来源信息并触发统计的访问，无法代表所有AI影响。

工具、Skill、Agent，到底有什么区别？

Sat, 01 Aug 2026 00:00:00 +0800

很多人还是分不清工具、Skill、Agent。

看起来都是"让 AI 帮忙干活"，但它们到底有什么区别？什么时候该用哪个？

先不管那些复杂定义，记住三句话：

工具：帮你完成一个明确动作； Skill：让 AI 按照一套方法做事； Agent：围绕一个目标，连续把事情推进下去。

下面用几个实际例子讲清楚。

一、工具：把某个动作做掉

公众号 Markdown 编辑器就是一个典型的工具。

你写好了文章，把 Markdown 粘进去，它帮你转成公众号排版、调整标题和引用样式、预览效果、一键复制到后台。

你给它内容，它给你排版结果。就这么简单。

它不会主动问你这篇文章为什么要写，不会判断选题值不值得做，更不会跑去帮你研究资料。

它只负责一件事：把文章排好版。

所以，工具解决的是一个边界清晰的问题。

需要搜资料，用搜索工具；需要生成图，用图片工具；需要排版，用编辑器。各干各的，互不越界。

有一点容易误解：工具不是只能用一次。 恰恰相反，一个好工具会被反复使用，持续解决同一种明确的问题。

二、Skill：把一套方法交给 AI

假设你想检查一个网站为什么没有被 ChatGPT、Perplexity 这类 AI 产品提到或引用。

你对 AI 说一句"帮我看看这个网站的 GEO 做得怎么样"，它大概率会给你一堆泛泛而谈的建议。

但如果你给它一个 GEO 诊断 Skill，结果就完全不一样了。

一个设计比较完整的 GEO Skill 会告诉 AI：先检查网站能不能被 AI 爬虫正常访问，再看品牌和产品信息有没有讲清楚，然后检查页面结构是否方便 AI 理解，判断内容里有没有事实、数据和引用依据，最后按严重程度整理问题并给出修改建议。

这里真正有价值的，不是某一个检查动作，而是背后那套完整的诊断方法。

Skill 就像一份交给 AI 的工作手册，里面可以放操作步骤、判断标准、专业知识、提示词、脚本、模板、参考案例。

一个普通 AI 有了这份手册，就能按照相对固定的方法去检查不同网站。

所以可以这样理解：

工具让 AI 能做这件事，Skill 告诉 AI 怎么把这类事做好。

Skill 不是一个新的 AI 模型，也不是一个独立员工。

它更像是把一个有经验的人用的方法，整理成 AI 可以重复执行的 SOP。

市场人提升AI能力，值得做的16个实战项目

Wed, 29 Jul 2026 00:00:00 +0800

很多市场人学习AI的方式，是收藏提示词、研究新模型、尝试各种AI工具。

看起来每天都在学习，但回到真实工作中，依然主要用AI写文案、做摘要、生成图片。

工具换了一批又一批，真正的营销能力却没有明显提升。

问题不在于学得不够多，而在于没有完成真实项目。

判断一个市场人的AI使用水平，不应该只看他会多少工具，而应该看三件事：

能不能用AI解决真实的营销问题
能不能把一次操作沉淀成稳定流程
能不能用数据证明最终结果

因此，我整理了16个适合市场人的AI实战项目，并按照难度从低到高排列。

一、用AI完成单点任务

这一阶段的目标，是从"会和AI聊天"，升级到"能用AI完成一项具体工作"。

01. 用AI复盘一次营销活动

选择一场已经结束的营销活动，把活动方案、执行记录、投放数据和用户反馈整理出来，让AI辅助分析：

哪些动作真正有效
哪些判断出现了偏差
数据中有哪些异常
活动失败的主要原因
如果重新做一次，应该改变什么

不要只让AI生成一份格式完整的总结。

真正有价值的练习，是让AI提出假设、解释依据，再结合真实业务进行验证和纠正。

项目完成后，应该形成一份有数据、有判断、有后续动作的活动复盘报告。

02. 搭建AI内容复用工作流

选择一篇原始内容，将它分别改写成：公众号文章、小红书图文、短视频脚本、朋友圈内容、邮件内容、网站FAQ等。

这个项目的重点，不是让AI机械地压缩字数，而是理解不同平台的传播逻辑。

同一个核心观点，在小红书需要突出冲突和收藏价值，在公众号需要提供完整推理，在短视频中则需要快速进入主题。

项目完成后，应该形成一套固定的内容复用流程，并记录内容生产时间和不同平台的表现。

03. 搭建AI营销数据周报

将网站、社交平台、内容和广告数据集中到一张表中，让AI辅助完成：数据清洗、环比和同比分析、异常指标识别、变化原因推测、核心结论总结、下一周行动建议等。

但自动生成一份周报，并不等于完成项目。

真正有效的营销周报应该回答三个问题：发生了什么？为什么会发生？下一步应该做什么？

项目完成后，周报至少应该减少人工整理时间，并帮助团队更快发现问题和做出行动。

04. 完成一次AI落地页优化实验

选择自己的产品、服务或真实业务页面，让AI辅助分析：

目标用户是谁
用户最关心什么
页面结构是否清晰
核心卖点是否具体
用户为什么没有行动
FAQ是否覆盖主要顾虑

然后重新设计首屏标题、价值说明、信任证明和行动按钮。

项目不能停在"生成了一个新版本"。还需要通过真实用户测试、小规模投放或转化数据，验证优化是否有效。

完成这一阶段，意味着你已经可以给AI提供足够的上下文，拆解任务，修改结果，并产出可以直接使用的营销成果。

二、用AI完成研究和实验

进入第二阶段后，AI不再只是帮助执行任务，还需要参与信息处理、用户洞察和营销实验。

05. 完成一次AI竞品营销分析

选择5—10个竞争对手，系统整理：产品定位、目标用户、定价方式、核心卖点、内容主题、广告创意、落地页结构、用户评价等。

AI可以负责整理、分类和对比，但最终必须形成三个判断：

竞争对手普遍在做什么
市场中还存在哪些空白
自己接下来可以测试什么

否则，它仍然只是一份资料汇总，而不是营销分析。

06. 搭建个人AI选题雷达

很多人不是不会写内容，而是不知道应该写什么。

一套AI选题雷达可以持续从以下来源收集素材：

工作中遇到的真实问题
客户经常提出的问题
用户评论和私信
行业案例
平台变化
历史内容数据
最近完成的项目

再按照用户需求、内容差异、证据强度、传播潜力和商业相关性进行评分。

AI可以负责整理、聚类和初步评分，人负责决定哪些选题值得投入时间。

这个项目的完成标准，不是积累几百个标题，而是选出一批高价值选题，真正发布并通过数据验证。

企业做GEO，最怕没人负责

Mon, 27 Jul 2026 00:00:00 +0800

很多企业开始做GEO后，都会卡在同一个问题：

SEO说，这是内容优化。品牌说，这是品牌管理。公关说，这是媒体传播。

最后，每个部门都参与了一点，却没有人真正对结果负责。

最近看到Axios提出一个很现实的问题：GEO到底归谁管？

这个问题会出现，是因为GEO和过去的SEO不太一样（两者的核心异同我在这篇里拆过）。SEO主要关心官网能不能被搜索、页面能不能获得排名。但AI如何描述一家企业，看到的不只有官网，还可能包括媒体报道、行业评测、社区讨论、客户评价和其他公开资料。

所以，任何一个部门单独负责都不完整。交给SEO，可能只优化了网站；交给内容团队，可能只增加了文章；交给公关，可能只增加了媒体曝光；交给品牌，可能只统一了对外话术。

我的判断是：GEO可以多人参与，但必须由一个人负责。

这个负责人不需要包办所有工作。他的任务是确定企业希望在哪些问题中被AI提到，组织不同部门补齐信息，并持续检查AI最终如何描述公司。

具体可以这样分工：

一、营销负责人：对最终结果负责

确定最重要的用户问题、竞品和业务目标。

例如：

用户问什么问题时，我们希望被提到？
AI现在如何描述我们？
竞品为什么出现，而我们没有？
提及、推荐和引用分别做到什么程度？

二、SEO和内容团队：管好企业自己的信息

负责官网内容、主题结构、产品页面、案例、FAQ和可访问性。

目标不是批量写"给AI看的文章"，而是让真实用户和AI都能快速理解：我们是谁、解决什么问题、适合谁、与竞品有什么不同。

三、品牌和公关团队：管好外部世界如何描述企业

AI对品牌的理解，不一定只来自官网。媒体报道、行业榜单、创始人采访、合作伙伴页面和第三方评价，都可能影响品牌在AI答案中的呈现。

品牌与公关需要保证这些公开信息真实、清晰、口径一致。

四、产品、销售和客服：提供真实事实

客户最常问的问题、购买顾虑、使用场景、成功经验，通常不在营销团队手里。

但这些信息恰恰决定了企业内容是否具体、可信，是否值得被引用。

所以，GEO不能只靠写手和SEO完成。

五、那企业到底应该让谁负责？

我的建议是：

企业类型	建议负责人
小公司	营销负责人或创始人负责
内容驱动型公司	内容或SEO负责人牵头
品牌驱动型公司	品牌负责人牵头
大型企业	CMO负责结果，建立跨部门协作机制

重点不是负责人的职位叫什么，而是必须有人持续回答四个问题：

我们希望在哪些问题中出现？
AI现在如何描述我们？
哪些来源正在影响这个答案？
下个月应该补什么信息？

其中第 2 个问题，AI 现在到底怎么描述你、有没有把你放进推荐名单，可以用 GEO 可见度判定助手直接实测，把 ChatGPT / Claude / Perplexity / Google AI 概览的回答粘进去就能看清品牌有没有被提及、排第几、竞品是谁。

如果这四个问题目前没有人负责，那么企业真正缺少的，可能不是一套GEO工具，而是一个明确的GEO负责人。

总结

GEO不是SEO换了一个新名字，它更像是企业在AI时代的"公开信息管理"。可以多人参与，但不能无人负责。

你们公司如果开始做GEO，会把它交给哪个部门？

我做了一个 GEO 可见度检测工具：看看你的品牌有没有被 ChatGPT 提到

Thu, 23 Jul 2026 00:00:00 +0800

GEO 的第一步不是优化，是先看清现状。这一步最容易被跳过，也最容易做得很痛苦。

你在 ChatGPT 里问了十几个问题，拿到十几段回答，然后开始用肉眼一段一段抠：品牌被点名了吗？是正文直接推荐，还是只引了官网链接？出现在开头还是末尾顺带一提？竞品冒出来几个？我排在它们前面还是后面？这次的结果又该记在哪？

问一条还行。

当你要覆盖多个关键词、多类场景，还得跨周对比时，这些散落的聊天记录和临时表格会迅速失控。

你花了大量时间测，却沉淀不下能对比的数据。

所以我做了个免费小工具：GEO 可见度判定助手。

把 ChatGPT 的回答粘进去，快速判断你的品牌在这条回答里表现如何。

不装软件、不连 API，打开即用。

一、它帮你判断什么

品牌进没进正文

这里有个关键区分：被检索到、被引用、被正文推荐，是三件不同的事。

你的网页可能进了 ChatGPT 的检索范围，却没能成为最终答案的一部分。

所以工具会把状态分开标：

正文直接提及品牌
正文没提但引了官网链接
只在来源/检索信息里出现
完全没出现
缺引用信息，暂时无法判断

"正文提及"和"仅被引"必须分开算，这两者对你的实际价值天差地别。

品牌出现在哪个位置

被提到还不够，ChatGPT 推荐十个品牌，你排第九和排第一，是两回事。

工具会判断品牌落在回答的前段、中段还是末尾；如果是推荐列表，排在第几项。

你看到的不再只是"有没有"，而是"出现得怎么样"。

竞品出现了没有

提前填好你想盯的竞品，判定后工具会列出：哪些竞品被提及、它们的先后顺序、各自出现几次、你和它们的位置差。

做 GEO 不能只盯自己。

很多时候更值得研究的问题是：同样的问题，为什么 ChatGPT 推了竞品，没推我？

官网有没有成为引用来源

有些回答不写品牌名，却引了你的官网。

这说明你的内容可能已经进了 AI 的信息来源，只是品牌实体还不够清晰，或内容没进最终回答。

工具会单独识别官网链接，不会把这种情况粗暴归成"完全没出现"。

把每次结果存下来

可以连续录入多条记录，直接复制回 Excel 或导出 CSV，保留提及状态、位置、竞品顺序和引用链接。

这样你是在一点点建自己的 GEO 测试表，而不是测完就散。

二、怎么用

三步：

填品牌名、官网域名、要盯的竞品；
在 ChatGPT 里问一个真实用户会问的问题；
复制完整回答，粘进工具判定。

选题上，优先测购买、比较、推荐、解决方案这四类问题，它们最接近最终决策。

比如"适合中小企业的 CRM 有哪些""中国出海 SaaS 怎么做英文 SEO""A 品牌和 B 品牌怎么选"。

中文站和英文站的 AI 爬虫画像，我一对比发现完全是反的

Wed, 22 Jul 2026 00:00:00 +0800

上次打开 Cloudflare 的 AI Crawl Control 面板看完中文站的数据后，我顺手把手上另一个英文站也点开看了看。本来只是习惯性检查一眼，结果两组数据一对比，发现完全是反过来的。

一、中文站：搜索引擎爬虫是主力，AI 原生爬虫靠后

过去 24 小时，这个站总共来了 54 次 AI 爬虫请求，全部放行，0 次失败。按公司拆开看：

Google（Googlebot）：19 次
Microsoft（BingBot）：16 次
ByteDance（Bytespider）：13 次
Anthropic（ClaudeBot）：4 次
OpenAI（GPTBot）：2 次

Google 和 Microsoft 两家占了六成以上，真正意义上的"AI 原生爬虫"，ClaudeBot、GPTBot，反而是访问量最少的那一档。

二、英文站：AI 原生爬虫反而是主角

同样是过去 24 小时，另一个英文站的画像完全反过来了。总请求 46 次，比上一周期涨了 64.3%，同样是 0 次失败：

OpenAI（GPTBot）：18 次
Anthropic（ClaudeBot）：15 次
Google（Googlebot）：11 次，比上一周期暴涨 266.67%
Microsoft（BingBot）：2 次，降了 50%

GPTBot 和 ClaudeBot 加起来占了七成以上，Google 排第三，Bing 几乎可以忽略，和中文站的顺序正好倒过来。

为什么你的 AI 额度越用越快？搞懂这个能省一半

Tue, 21 Jul 2026 00:00:00 +0800

同样开了会员，为什么有人的 AI 额度一天到晚用不完，你却经常聊几轮就提示"额度不足"？

不是你订阅的档位低，大概率是你用错了方式。

这事我最近踩得很深。

有一次额度掉得飞快，问题刚发出，瞄了一眼额度用了 14%，没聊几轮，进度条却已经 80% 了。

查清原因之后才发现：AI 的额度，根本不是按"你说了几句话"算的。

搞懂它的计费机制，能让你的额度多撑一倍不止。

一、对话越长，每一句越贵

这是所有人都忽略的核心机制。

你可能以为，我发一条消息，就消耗一条消息的量。

真实情况是每次你发新消息，AI 都要把前面所有的对话内容重新读一遍，才能接着回答。

这意味着什么？

一场对话刚开始时，你问一句，它只需要处理这一句，很便宜。

但当对话进行到很长之后，你哪怕只发一个"好的"，它背后处理的其实是"前面几万字的全部内容 + 你这句好的"。

所以同一句话，在对话开头发和在对话结尾发，消耗完全不同。

越长的对话，后面每一轮都在为前面的所有内容重复付费。

这就是为什么你"感觉没聊几轮"，额度却掉得快，那几轮各自都背着整场对话的重量。

二、还有三个偷偷吃额度的动作

除了对话长度，这几件事也在悄悄加速消耗：

发图片

图片的处理成本比纯文字高得多。你随手截个图让 AI 看，消耗可能顶好几段文字。如果一场对话里传了大量截图，额度掉得快很正常。

让 AI 生成长内容

让它写一篇几千字的文章、做一份完整方案，输出的内容本身也算量。生成得越多、越长，消耗越大。

反复修改

你让它改一版、再改一版、又改一版，每改一次，它都要把整篇内容和前面所有的修改要求重新读一遍。改十次的消耗，远不止改一次的十倍。

三、省额度的五个实招

搞懂机制，省法就很清楚了。

一个话题结束就开新对话

当一件事聊完了（比如一篇文章写完了、一个问题解决了），别在原对话里接着聊下一个新话题。

开一个新窗口，它就不用再背前面那一大堆历史，每一轮又变回便宜的状态。

很多人习惯从早到晚泡在一个对话里聊所有事，这是最烧额度的用法。

养成"一事一对话"的习惯，额度立刻耐用一倍。

图片能少传就少传

能用文字说清楚的，就别截图。确实需要传图时，一次传关键的一张，别连发一堆。

大任务一次说清楚

要让 AI 写东西、做方案，尽量一次把需求描述完整，减少来回返工。

每返工一轮，都要重读全文。想清楚再说，比说了再反复改省得多。

简单问题别用最强的模型

大多数 AI 工具有不同档位的模型。问个小问题、查个信息、改个错别字，用轻量档就够了，消耗低；需要深度创作、复杂推理时，再切换到最强档。

杀鸡不用牛刀，额度能省不少。

长对话适时"打包重启"

如果一个话题实在很长必须继续，可以让 AI 先把目前的结论总结成一段话，你复制出来，开个新对话把这段总结贴进去接着聊。

这样新对话只需要背"一段总结"，而不是"整场历史"。

如果你用的是 Codex/GPT-6，还有一批更具体的省额度办法，可以看GPT-6 Astra 太烧 Token，官方给出的 7 个省额度办法。

用了这么久 Codex，我才发现第一步就用错了

Mon, 20 Jul 2026 00:00:00 +0800

我最近才发现，自己用了这么久 Codex，其实第一步就用错了。

以前我开任务的时候，经常不管三七二十一，直接在默认的 New project 里开始。

一开始没什么问题。

因为任务少，随便搜一下还能找到。

但用久了以后，问题就出来了。

网站运营的任务在里面；社媒内容的任务在里面；Obsidian 个人知识库的任务也在里面。

结果就是：New project 变成了一个大杂烩。

真正麻烦的是，后来我想把「个人知识库」相关的任务，统一移动到新的「个人知识库」项目里，才发现做不到。

至少在我现在用的 Codex 里，旧任务不能像普通 ChatGPT 项目聊天那样，直接复制或移动到另一个项目。

一个 Codex 任务不只是聊天记录，它还绑定了当时的项目路径、工作目录、文件上下文，甚至可能有 Git 状态。

所以你一开始在哪个项目里开任务，后面它大概率就留在那里。

这件事给我的教训是：用 Codex，不要一上来就提问。

第一步应该是先判断：这个任务属于哪个项目？

比如：做网站，就进网站项目；做内容选题，就进内容项目；做个人知识库，就进个人知识库项目。

这样每个项目下面沉淀的任务，才会自然变成一个项目历史，而不是散落在一个默认文件夹里。

如果你已经像我一样，把很多任务都放进了 New project，也不是完全没救。

我的补救方式是：给每个大主题建一个索引任务。

比如「个人知识库任务索引」，里面记录旧任务标题、thread_id、所属路径、核心用途。

以后不是从侧边栏硬翻，而是先回到索引任务，再通过任务 ID 找。

所以我现在对 Codex 的理解变了。

它不只是一个 AI 问答框，更像一个按项目沉淀工作记录的系统。

你项目选错了，后面任务越多，管理成本就越高。

用 Codex 之前，先别急着问问题，先选项目。

谷歌SEO工具：Ahrefs、Semrush、SimilarWeb，有啥区别？该怎么选？

Mon, 20 Jul 2026 00:00:00 +0800

如果你刚开始做 SEO，第一件让人头疼的事就是工具选择。

别人说 Ahrefs 外链最准，又说 Semrush 内容工具最强，还说 SimilarWeb 才是"看竞品"的神器。你一搜索价格，发现三家都不便宜，英文界面还挺吓人。

新手往往一瞬间就会冒出一个问题："我到底该从哪个开始？必须付费吗？免费版能做什么？"

今天把这三个工具讲清楚，让你知道：哪一个适合你？你该先用免费功能练什么？付费后又能带来哪种质变？

一、Ahrefs：专注 SEO 的"显微镜"

适合追求排名、外链、内容差距分析的人。

很多人对 Ahrefs 的第一印象就是：贵。但了解它的人知道，它贵得有理由。

Ahrefs 是三款工具里最"纯 SEO"的，它不做广告分析、不做市场洞察，也不管社交媒体。它专注做一件事：把网站的 SEO 真相毫无保留地展示给你。

尤其是两个核心领域：关键词难度（KD）更接近真实排名逻辑，外链数据全球领先。

如果你打算做内容站、博客站、信息站，或任何靠 SEO 吃饭的业务，Ahrefs 是你迟早要学的工具。

免费功能

Ahrefs 真正良心的一点，是它提供了一套对新手非常友好的免费工具。你不用付费，也可以：

用免费"关键词生成器"挖长尾词：输入一个词，它会告诉你相关搜索量和建议词，非常适合新站选题；
用免费"反向链接检查器"查任意网站的外链：用于感受一下竞争站是靠哪些链接撑起来的；
使用 Ahrefs Webmaster Tools 免费监控自己的网站：这非常关键，只要你验证网站，就能免费看到你的关键词排名、外链结构、网站 SEO 技术问题（可跑审计）、页面表现，几乎相当于一个"我刚建站就有的 SEO 仪表盘"。

付费功能

付费 Ahrefs 会让你第一次感受到什么叫"真正的 SEO 数据"：

Keyword Explorer 能挖到几乎所有长尾关键词；
能看到整个行业的 SERP 结构；
可以拆某个网站的 Top Pages，知道对方靠什么词吃饭；
外链过滤器、锚文本分布、链接增长曲线，让你真正理解"为什么别人能排上去"。

如果你是 SEO 纯技术流、内容站站长、独立站负责人，Ahrefs 是你的核心战斗工具。

二、Semrush：广告、内容、营销的一体化平台

适合内容运营、营销增长、独立站、想"一站式管理数据"的人。

国内 GEO vs 海外 GEO，两套完全不同的打法

Sun, 19 Jul 2026 00:00:00 +0800

做一个小实验。

拿同一个问题，比如"项目管理工具哪家好用"，分别去问 ChatGPT 和豆包，然后看两边的引用来源。

两份来源清单，几乎没有交集。这不是巧合。

国内和海外的 GEO，是建立在两套完全不同的内容生态上的两个游戏。

规则不同，打法不同，连生效速度都不同。把一边的经验搬到另一边，大概率白干。

今天把这两套打法摆在一起讲清楚。

一、根本差异：开放网络 vs 平台围墙

海外 AI 引擎活在开放网络上。ChatGPT、Perplexity 的检索管线抓的是整个公开互联网：你的官网、Wikipedia、Reddit、G2、行业媒体。

数据也很集中，行业统计显示前 15 个域名占了全部 AI 引用的近七成，Reddit 一家的跨引擎引用频率约 40%。

国内 AI 引擎活在平台生态里。每家背后站着谁，信源就偏向谁。

豆包高度依赖头条、抖音等字节系内容；
元宝对微信公众号文章的引用率最高；
百度 AI 青睐百家号和知乎；
千问常引 IT 之家、CSDN 这类技术站；
DeepSeek 和 Kimi 偏好搜狐、网易等资讯平台的长图文。

看出区别了吗。

海外的信源版图是"少数超级节点加你自己的官网"，国内的信源版图是"各家平台自己的内容池"。

这直接决定了官网的地位。

海外，官网是 GEO 的主阵地，你的内容质量、结构化数据、可抓取性，都在自己地盘上解决。

国内，官网只是配角，真正的战场在公众号、头条号、知乎、百家号这些第三方渠道上，你的品牌能不能被 AI 提到，很大程度取决于这些平台里有没有足够多提到你的内容。

二、打法差异：修官网 vs 铺渠道

生态不同，动作清单就完全不同。

海外 GEO 的核心动作，是把自己网站的信号质量做上去。

内容按"定义先行"结构写，每段单独抽出来都能回答一个明确问题；
往内容里注入三类可信度信号，即引用来源、统计数据、专家引语，这是普林斯顿大学受控实验验证过的方法，可见度提升最多 40%，而关键词堆砌被证伪无效；
技术上保证 AI 爬虫能抓到，服务端渲染、结构化数据、robots 放行；
站外只需要重点经营少数几个超级节点，比如 Reddit 的真实讨论、G2 的评价、Wikipedia 的实体。

国内 GEO 的核心动作，是在各平台铺会被 AI 引用的内容。

AI 爬虫来我网站狂吃 404，我用两招才把它们喂饱

Fri, 17 Jul 2026 00:00:00 +0800

前几天看 Cloudflare 后台，一个数字把我吓了一跳：AI 爬虫的失败请求暴涨 1500%，过去 24 小时 94 个请求里，48 个失败了。

一半以上的请求在失败。我的第一反应是：出事了，是不是哪次部署把页面搞坏了？

排查完发现，真相完全相反。这不是事故，是机会。分享一下过程，你的网站大概率也有同样的问题。

一、先排除自己的问题

失败请求的常见原因是页面挂了。所以第一步，我把 sitemap 里全部 82 个页面逐个测了一遍状态码：全部 200，没有一个坏页面。标签页、RSS、www 跳转也全部正常。

网站本身是健康的。那这 48 个失败是怎么来的？

二、切到 4xx 视图，真相出来了

Cloudflare 的 AI Crawl Control 面板里有个「指标」页，可以按状态码筛选请求。切到 4xx 视图，失败大户排行一目了然：

GPTBot：9 次
百度：9 次
OAI-SearchBot：7 次
ChatGPT-User：6 次
BingBot：5 次
其他爬虫：12 次

看出问题了吗？失败排行前几名里，OpenAI 系的爬虫占了 22 次。而且所有爬虫的 404 集中在同一个时间点，像是约好了一起来撞门。

它们在找什么？

三、AI 爬虫有自己的「惯例路径」

对照请求路径，答案很清楚。AI 爬虫访问一个网站时，除了抓内容页，还会按惯例请求几个标准文件：

/llms.txt：给 AI 爬虫的站点说明书，GPTBot、OAI-SearchBot 都会主动找它；
/favicon.ico：老牌惯例路径，几乎所有爬虫都会请求；
/apple-touch-icon.png：同上。

我的网站一个都没有。于是每个来访的 AI 爬虫，都在这些路径上吃了一嘴 404。

做了几个月 GEO，我发现这活儿一大半是数据分析

Wed, 15 Jul 2026 00:00:00 +0800

疯狂研究了 GEO，我以为日常会是研究内容怎么写、AI 喜欢什么样的表达。

真做起来发现，每天花时间最多的事是：设计测试集、控制变量、跑查询、记数据、算比率、画趋势。

营销的活儿，干着干着变成了数据的活儿。

后来我想明白了，这不是我干偏了。

GEO 的数据浓度是结构性的，这个领域天生如此。

原因有两个。

一、没有人喂你数据，所有数据都得自己造

做 SEO 的人其实被惯坏了。

Google Search Console 把展示、点击、排名喂到嘴边，排名工具一查一个准。

数据是现成的，从业者只需要盯着数据做优化。

GEO 没有这个待遇。

ChatGPT 不会告诉你它引用了你几次，Perplexity 没有站长后台，没有任何官方渠道告诉你"品牌本月在 AI 回答里出现了多少次"。

想知道？自己测。

怎么测？

设计一组模拟真实用户的测试问题，固定下来，逐个引擎跑，记录品牌有没有出现、出现在回答的什么位置、引用了哪个页面、竞品排在你前面还是后面。

然后算提及率、算声量份额、和上个月对比。（这套采集和判定，我做了个 GEO 可见度判定助手来批量跑：把 AI 回答粘进去，自动判定提及、位置、引用 URL 和竞品排序。）

发现没有，这一整套动作（设计样本、控制变量、采集、清洗、统计、对比）就是一个标准的数据分析流程。

只不过对象从用户行为变成了 AI 的回答。

在 SEO 里，测量是别人给的；在 GEO 里，测量本身就是工作。

二、AI 的"善变"，逼着你学会统计思维

还有一个更根本的原因：AI 的回答是非确定性的。

同一个问题，问五次，可能五个答案。今天推荐你，明天可能就换了名单。

这在传统搜索里不存在，Google 的排名再怎么波动，也不会一天变五次。

这个特性会逼着你放弃很多直觉做法。

比如，你不能拿一次提问的结果当结论。

老板问一次 ChatGPT 没看到自家品牌就开始焦虑，这个场景我见得太多了：单次结果就是随机的，不作数。

那怎么办？

测试集固定下来反复测，看的是几十条问题汇总出来的比率，不是单条的结果；
每个月用同一套题复测，看的是趋势线，不是某一天的快照；
对结果飘忽的问题多测几次取频率，对结果稳定的问题不浪费力气。

固定样本、聚合指标、区分信号和噪音、用趋势代替单点。

这些不是营销技巧，是实验设计。

AI 的非确定性，把每个认真做 GEO 的人都逼成了半个统计学家。

三、但别被"数据分析"四个字吓住

说到这里，可能有人开始打退堂鼓：我一个做内容的，数据基础一般，是不是玩不了这个？

恰恰相反。这是我最想讲的部分。

GEO 的数据工作，九成是最基础的描述统计：计数、算比率、看分布、画趋势线。

GEO 到底怎么做？从「能被抓到」到「被推荐」的一张路线图

Tue, 14 Jul 2026 00:00:00 +0800

很多人问我 GEO 到底怎么做，是不是有什么玄学技巧。

其实没有。GEO 拆开看，是一条有严格先后顺序的链路：三层地基，下面一层没打好，上面一层的努力就会打折。大部分人做不出效果，不是不够努力，而是跳了步：地基没打好就冲内容，内容结构不对就砸站外声量。

我用一个开店的比方，你立刻就懂：第一层是把门打开让客人能进来；第二层是货架上有人要的货、还得摆得让人一眼看到；第三层是让街坊邻里都愿意推荐你这家店。 顺序不能反。

一、第一层地基：先让 AI 能抓到你（可达）

这是"通过 / 不通过"的开关，也是所有人最容易忽视的一层。

AI 的答案不是凭空来的，是从索引里检索出来的：ChatGPT 走 Bing 索引、Gemini 走 Google、Perplexity 自己爬。所以第一件事，是确保你在这些索引里、且允许 AI 爬虫进门：

提交 Bing 和 Google（尤其别漏 Bing，ChatGPT 靠它）；
sitemap 交上去；
robots.txt 别拦 AI 爬虫，Cloudflare 这类平台也别默认帮你拦；
有条件就开 IndexNow，更新即时被抓。

判断标准很简单：AI 爬虫能 200 抓到你的页面，你在 Bing / Google 搜自己搜得到。这层做完就是做完了，不是持续投入。（具体三步操作，我在上一篇《想让 ChatGPT 推荐你的网站》里写了。）

门没开，后面全白搭。

二、第二层：让内容值得被引用（供给）

门开了，客人进来了，货架上得有他要的东西，还得摆得让他一眼看到。这层分两半，缺一不可。

第一半：内容本身要对着真实需求。 你写的东西，得是真有人在 AI 里问的问题。怎么找？看用户真实怎么问 AI（是完整问句，不是关键词）、看竞品的差评、看社区里反复出现的抱怨、看长尾搜索词。写一个没人问的题，哪怕被抓到了也没有用，因为永远不会有人的提问匹配到它。

第二半：内容结构要"可被提取"。 AI 是按段落切块检索的，它要的是能独立成立、可以直接摘走的答案。所以：

答案前置：第一段就把结论给出来，别铺垫半天；
自包含段落：每一段拎出来单独看也成立，不依赖上下文；
善用 Q&A、清单、对比表：这些结构最容易被 AI 整段引用；
小标题对应真实问句：让 AI 一眼知道这段在回答什么。

判断标准：把你的任意一段话单独拎出来，它能不能独立回答一个具体问题？

这一层是持续投入的主战场。具体怎么做，我把答案前置、Q&A 微页面、结构化数据、多点声量等打法拆成了一份GEO 10 大核心打法清单，可以对照着补。

做100个产品，不如做出1个代表作

Tue, 14 Jul 2026 00:00:00 +0800

最近经常看到一些 AI 创业者晒数据：用了多少亿 Token、写了多少行代码、一个月上线了多少个产品。

这些数字看起来很厉害，也很容易制造一种"进展飞快"的感觉。但仔细想想，它们证明的只是一个人做了很多事，却不一定证明他做成了什么。

Token 消耗量是成本数据，代码行数是工作量，产品数量是发布记录。它们都是过程指标，不是结果。

真正重要的问题是：你有没有一个能被用户记住、能代表你的标杆产品？

一、产品做得多，不等于做得好

快速做产品当然有价值。尤其是在 AI 时代，开发成本大幅下降，一个人几天就能做出一个最小可用产品。通过不断尝试，我们可以测试不同需求、积累开发经验，也更容易找到真正有潜力的方向。

但问题在于，很多人一直停留在"做出来"的阶段：上线一个产品，发几条内容，发现数据一般，很快又去做下一个。产品越做越多，主页上摆满了项目，却没有一个真正进入用户心智。

最后看起来很忙，实际上什么也没有沉淀下来。

所以，做多个产品可以是一种探索方式，但不能成为最终目标。探索之后，必须收敛。你需要从这些尝试中选出最有潜力的一个，持续打磨，把它做成自己的代表作。

二、什么才算标杆产品？

标杆产品不一定功能最多，也不一定收入最高，但至少要满足四个条件。

第一，解决一个明确的问题。 用户看到产品，就能迅速理解它是为谁服务、解决什么问题，而不是需要你解释半天。

第二，有真实用户持续使用。 不是产品发布当天获得几十个点赞，而是过了一段时间，仍然有人回来使用，甚至愿意主动推荐给别人。

第三，能产生可验证的结果。 它可能帮助用户节省时间、提高收入、获得流量，或者完成过去无法完成的工作。结果越清晰，产品价值越容易传播。

第四，能够代表你是谁。 当别人想到这个产品时，会自然想到你；当别人遇到类似问题时，也会主动把你的产品推荐给他。

这时候，产品才不只是一个工具，而是你在市场中的一个位置。

三、一人公司更需要标杆产品

对于一人公司来说，标杆产品的价值远远不止收入。

它首先是一份能力证明。你不需要反复介绍自己会什么，产品本身就是最有说服力的案例。

它也是一个稳定的内容来源。你可以持续分享开发过程、用户反馈、增长实验、失败复盘和行业判断。一个真正持续迭代的产品，足以支撑几十甚至上百期内容。

它还会成为用户入口和信任资产。用户可能先因为一篇内容认识你，再通过产品验证你的能力，最后购买你的服务、课程或其他产品。

于是，一个完整的商业闭环就形成了：做出产品 → 获得用户 → 积累案例 → 输出内容 → 建立信任 → 带来更多用户。

这比不断发布新项目，更容易形成长期复利。

四、别急着做下一个

如果已经做了多个产品，不妨重新检查一遍：

哪个产品解决的问题最明确？
哪个产品的用户反馈最强？
哪个产品有人反复使用？
哪个方向最适合长期积累？

找出答案后，先不要急着开启下一个项目。给自己三到六个月，围绕一个核心场景持续优化：和用户交流、解决关键问题、积累真实案例、验证获客方式。

不要只追求功能数量，而要追求用户结果；不要只记录上线次数，而要记录留存、付费和推荐。

总结

AI 让"做出一个产品"变得越来越容易，但也因此让"做成一个产品"变得更加稀缺。

别人最终记住的，不是你消耗了多少 Token，也不是你上线过多少项目。而是：你真正解决了什么问题，帮助了哪些人，最后做成了什么。

先做出一个标杆产品，再谈产品矩阵。

至于怎么给客户一个非你不可的理由，可以看别人为什么要到你这里来。

想让 ChatGPT 推荐你的网站？我先做了这三件几乎零成本的事

Tue, 14 Jul 2026 00:00:00 +0800

做 AI 营销这行，我一直想解决一个问题：怎么让自己的网站，出现在 ChatGPT、Perplexity、Gemini 给用户的推荐答案里？

这两天我把自己的站认真捋了一遍，做完发现，最关键的三件事，几乎零成本，一个下午就能全做完。但大部分人根本没做，因为方向找错了。分享给你。

一、先搞清楚：AI 的答案到底来自哪里

在动手之前，必须先明白一件事：这几个 AI 引擎"查资料"的地方完全不同。

Perplexity：自己实时爬取全网、排序、引用。
ChatGPT（搜索模式）：主要靠 Bing 的索引，加上 OpenAI 自家爬虫。
Gemini / Google AI Overviews：走 Google 索引。
豆包 / DeepSeek / Kimi（中文场景）：各自的搜索 + 知乎、公众号生态。

看出关键了吗？ChatGPT 的答案来自 Bing。 而几乎所有人做 SEO 都只盯着 Google，从来没管过 Bing。这就是最大的、也最容易补的一个漏洞：你不在 Bing 里，ChatGPT 就搜不到你。

还要分清两场游戏：一是被"训练进"模型（长期、靠全网被反复引用，急不来）；二是被"实时检索并引用"（快、可控，是真正该发力的地方）。下面三步，全是为了第二件事。

二、第一件事：把网站提交进 Bing Webmaster Tools

这是回报最高、最被忽视的一步。

打开 Bing Webmaster Tools（bing.com/webmasters），它提供两条路：

从 Google Search Console 一键导入（最省事，前提是你验证过 GSC）；
手动添加：填域名，下载一个 BingSiteAuth.xml 验证文件放到网站根目录，回来点 Verify。

我本来想走导入，结果它提示"没找到 GSC 站点"（多半是授权账号对不上）。没纠结，直接手动：把验证文件传到网站根目录，一分钟验证通过。

验证完，别忘了提交 sitemap（后台 Sitemaps → 填 你的域名/sitemap.xml）。我这边提交后几分钟，Bing 就发现了全站 79 个页面、0 错误。收工。

调研了几十个赚钱的独立产品，我总结了这套推广打法

Mon, 13 Jul 2026 00:00:00 +0800

上一篇聊了怎么挖需求，这一篇聊聊：找到需求、做出产品之后，怎么把它推出去？

研究了 Marc Lou、Pieter Levels 和大量 Indie Hackers 案例后，我发现：两年前流行的"发布标准答案"，已经不够用了。

一、先有受众，再发产品

很多人以为，成功的独立产品都是"产品足够好，所以突然火了"。事实往往相反：产品发布之前，已经有一群人在等。

Marc Lou 长期在 X 上公开开发过程、收入和失败经历。每次推出新品，他面对的不是一群陌生人，而是一群已经参与过产品旅程的人。这才是他获客成本极低的根本原因。

不过，也不要被"17 天做到百万 ARR"之类的故事误导。Pieter Levels 在 PhotoAI 之前，花了近十年做过几十个产品。真正可复制的不是一夜爆红，而是：持续发布、提前积累受众，并在投入推广前验证用户是否愿意付费。

二、Build in Public，关键不是精致

公开构建仍然是独立开发者最重要的推广杠杆之一。

分享开发截图、真实收入、失败复盘和用户反馈，不需要每条内容都精心制作。增长来自持续出现，而不是偶尔发一篇"大作"。

但这里有个陷阱：Build in Public 最容易吸引来的，往往是其他开发者。如果你的产品卖给开发者，这套闭环非常顺畅；如果目标客户是律师、销售或电商卖家，粉丝增长可能并不会变成收入。

所以，开始之前先问一句：我正在吸引的人，是不是未来会买产品的人？

三、社区深度参与，比发布平台更能转化

Product Hunt 可以带来曝光，但曝光不等于客户。

一项针对 387 个产品发布的研究显示，Indie Hackers 深度参与帖的转化率达到 23.1%，Product Hunt 只有 3.1%。原因很简单：用户更愿意相信一段真实旅程，而不是一张精心包装的宣传海报。

正确的社区打法不是空降发广告，而是先花 2-4 周回答问题、分享经验、帮助别人，再发布自己的故事。记住三个原则：

旅程帖比宣传帖有效
具体数据比空泛观点可信
90% 的内容帮助别人，10% 自然带到产品

四、Reddit × GEO，是2026年的新变量

Reddit 不只是社区渠道，也正在成为 AI 搜索的重要信息源。

当用户向 ChatGPT、Perplexity 或 Gemini 询问"最好的某类工具"时，模型会参考大量真实讨论。它们不只看一篇高质量内容，还会观察一个品牌是否在不同帖子中被反复、一致地提到。

这意味着推广逻辑正在变化：过去做 SEO，是让 Google 看见你；现在做 GEO，还要让 AI 反复遇见你。

那些拿到结果的独立开发者，都是怎么挖掘需求的

Mon, 13 Jul 2026 00:00:00 +0800

很多人做产品，第一步是问自己："我还能做一个什么产品？"然后列想法、研究功能，甚至还没接触用户就开始写代码。

但研究 Pieter Levels、Marc Lou 和 Indie Hackers 社区的大量案例后，你会发现：能够连续做出盈利产品的人，并不是更会想点子，而是建立了一套稳定的"痛点采集管道"。他们只做三件事：监听、挖矿、验证。

一、别急着想产品，先找反复出现的问题

大多数人先想 idea，再证明市场需要它。成功的独立开发者恰好相反：先找到真实问题，再判断是否值得做成产品。

Pieter Levels 做出 Nomad List，不是因为突然想到了数字游民这个概念，而是因为他自己就在旅行和远程工作，亲身经历过选择城市、比较成本和寻找同类的麻烦。

判断一个痛点值不值得做，可以看两个标准。

第一，用户能否用一句话说清楚为什么付费。"帮助你了解竞争格局"更像维生素；"竞争对手开始招聘投放工程师，我们每周一把变化告诉你"才像止痛药。

第二，问题是否反复发生。一次性问题需要不断寻找新客户；嵌在日常工作流里的问题，才可能让产品变成用户离不开的基础设施。

二、监听：去用户抱怨的地方

需求通常藏在用户的吐槽、求助和临时解决方案中。固定关注 3-5 个目标社区，记录这些表达：

"有没有更简单的工具？"
"现在的软件太贵，我只能用表格。"
"要是有人能自动完成这一步就好了。"
"我试了几款产品，还是解决不了。"

社区监听还能顺便完成预验证：把问题描述出来，看有多少人回复"我也是"。

真正能带来转化的，往往不是介绍产品的宣传帖，而是准确说出用户困境的问题帖。被反驳也有价值，它能告诉你问题不成立，还是表达没有打中。

三、挖矿：找到问题背后的付费信号

1. 从竞品差评里挖需求

G2、Capterra、Trustpilot 上的一星、二星评论，是免费的需求说明书。这些评论来自已经付过钱、却对结果失望的用户，意味着市场和付费意愿已经初步得到验证。

可以收集多个竞品的 200 条左右差评，交给 AI 分析：出现频率最高的痛点、反复被提到的缺失功能、用户正在使用的替代方案、对价格和迁移成本的讨论。

G2 更适合成熟的 B2B 工具；面向开发者和创业者的产品，Reddit 等社区往往更接近真实使用场景。

2. 从搜索词里挖主动需求

每个搜索词背后，都是一个主动举手说"我有这个问题"的人。可以从低竞争、高意图的长尾词入手，尤其关注 how、what、why、best、alternative 等疑问词。

如果某个细分话题的搜索结果主要被 Wikipedia、Amazon 等综合网站占据，也可能意味着还没有垂直玩家系统解决它。但这只是调查信号，仍需继续验证付费能力。

3. 从竞品夹缝里找定位

独立开发者最适合切入的，通常是企业软件太贵、太复杂，Excel 又太乱的地带。例如，独立水电工不需要昂贵的企业排班系统，只想在手机上完成报价、预约和收款。

垂直产品不一定功能更多。只要理解行业流程、使用用户的语言，就能让对方产生"这就是为我做的"这种感觉，从而获得更高的转化和定价空间。

四、验证：72小时内让用户行动

找到痛点后，不要马上写代码。

第一天，把痛点写成一句话：

当X发生时，你正在损失Y；我通过Z帮你解决。

然后搭建一个简单落地页。

第二天，把问题发到 2-3 个目标社区，不要宣传功能，只描述困境，观察用户是否产生共鸣。

第三天，检查真实行动：留下邮箱、预约沟通、加入等待名单，或者直接预付费。

具体数字会因产品和渠道而变化，但原则始终一致：用户说喜欢，不等于需求成立；愿意付出时间、数据或金钱，才是真正的验证。

五、装配一台"需求雷达"

每周用两小时完成四件事：监听社区讨论，分析竞品差评，检查长尾搜索机会，再把所有候选需求按照：

"AI回答不了的词"根本不存在，2026年做站选词的两张地图

Sat, 11 Jul 2026 00:00:00 +0800

前几天刷到一条X上的帖子：信息类内容被Google AI Overview吃掉了，未来做站的核心是教人选"AI回答不了的词"，还给了两个"安全词"示范："buy X near me"和"X vs Y which to buy"。

方向听着没毛病，但一查数据就翻车："X vs Y"恰恰是AI Overview触发率最高的题型，高达95.4%（Seer Interactive，2026年4月，基于49,353个查询）。把触发率最高的词型当成"安全区"推荐出去，等于把人直接送进火坑。

这条推代表了一种流行但只对了一半的思路：躲AI选词论。真相是：在Google，确实还有一批AI回避的词，但那是一块正在缩小的浮冰；在ChatGPT/Claude/Gemini的世界里，"AI答不了的词"约等于不存在，存在的只有"AI答完之后用户仍然必须离开的时刻"。选词策略得换成两张地图分开打。

一、Google的回避区，还在，但在缩小

Google和聊天机器人有一个本质区别：Google有广告收入要保护、有Maps要导流、有法律责任要规避，所以会主动在某些词上不出AI Overview。Ahrefs分析了1.46亿个SERP、86个关键词特征，能画出这张回避地图：

导航词：只有0.09%触发AIO，搜品牌名就是要去那个网站。品牌词触发率（13.1%）也明显低于非品牌词（24.9%）
本地/到店意图词：只有7.9%触发，但点击流向的是Google Maps，内容站吃不到
交易/实时词：订票预订接近零触发，电商类约4%，答案在现实世界里，不在语料里
有广告在场的词：哪怕只有一条付费广告，AIO出现率就下降约25%
短头部词：单词查询只有9.5%触发，7词以上长尾问句反而高达46.4%

两个反直觉的坑要记住。YMYL不是保护区：医疗类查询AIO触发率高达44.1%，是基准线的两倍多，别把"AI不该答"当成"AI不答"。这张地图在动态收缩：交易类查询触发率10个月从2%涨到14%，导航类也从0.74%涨到10.33%。今天的回避词，12个月后可能就被覆盖，得按季度监控，不能选一次吃三年。

底层规律就一句话：AI回避的不是"难的词"，而是"答案不在文本里的词"，需要去个地方、做个动作、查个实时状态，或者Google自己要靠它赚广告费。知识综合类问题，不管多专业，AI都会答。

二、Chatbot没有回避词，只有交接点

换到聊天机器人，问题得改写。Chatbot没有广告要保护，没有Maps要导流，X vs Y、YMYL、医疗、金融，它全答。ChatGPT平均查询长达23个词，Google只有4个词，用户去那里就是要一个完整答案的。

所以"AI不敢答的词"在Chatbot世界约等于不存在，真正的问题变成：AI答完之后，什么时刻它不得不把用户交还给你的网站？ 五个交接点：

交易执行点：下单、订房、注册必须去目的地完成，不过ChatGPT Instant Checkout正在把"下单"也搬进对话框，这道墙不是永久的
实时与私有数据：库存、动态价格、账户状态，答案住在你数据库里，网站不可替代
验证型点击：Perplexity引用点击率有18-22%，明显高于Google AIO，因为它把引用摆在最显眼位置，但SparkToro测算只有12-18%的引用真正产生点击，大部分曝光是零点击的
工具与交互体验：计算器、模板、产品本身，AI能描述工具但不能"是"那个工具
大额/高信任决策：B2B采购、高客单服务，AI引荐流量转化率约11.4%，是自然搜索（5.3%）的两倍多

AI引荐流量目前只占全网流量约1%，但两年涨了16倍，ChatGPT占大头。这是典型的"量小、增速快、意图极高"渠道，该用转化和品牌影响去衡量，不该看流量占比。还有一块测不到的冰山：AI提及品牌但用户不点击时，这部分曝光最终会变成品牌词搜索，被GA4计入"Google organic"，只看referral数字永远会低估AI渠道的真实价值。

三、策略改写：从躲AI到两线作战

把两张地图叠起来，2026年的选词策略其实就三条。

Google战线，回避+争取引用双轨并行。 低触发区继续吃传统点击；高触发区别撤退，要优化到被AIO引用，被引用的品牌能多拿35%自然点击、91%付费点击。排名第一不等于被引用，2026年排名第一只有17-54%概率被AIO引用，引用率是需要单独追踪的新指标。

Chatbot战线，成为被推荐的那3-5个名字。 AI每次只推荐3-5个品牌，不像Google给10条蓝链，每次提及的价值被急剧放大。抓手就是AI最爱引用的页面：产品文档、定价页、对比页、深度指南，恰好是本来就该做好的底部漏斗内容。

持有AI无法内化的交接资产。 交易闭环、私有数据、在线工具、产品本身，AI能综合一切公开文本，但不能替你发货、不能报你的实时库存。内容会被吃掉，资产吃不掉。

总结

回到开头那条推：它说下一个三年，核心是教人选"AI回答不了的词"。更准确的说法是：下一个三年，核心是搞清楚AI在哪一步必须把用户交给你，然后把那一步做成你的资产。 躲是躲不过三年的，被引用和被交接，才是长期仓位。

做出海营销网站，CMS 到底怎么选

Sat, 11 Jul 2026 00:00:00 +0800

前几天有人问我一个问题：你这网站的 CMS 当初是怎么选的？

我发现自己答不上来完整的决策过程，选的时候没留记录，现在只能倒推"为什么这个选择是对的"。正好借这个机会把这件事讲清楚，尤其是对做出海营销网站的人，这个选择比想象中重要。

一、先说结论：我用的是"纯静态 + Hugo"

aimarketinglift.com 整站是纯静态 HTML/CSS/JS，没有数据库，没有后端服务，托管在 Cloudflare Pages 上，推送代码到 Git 仓库就自动部署。唯一例外是内容库（博客）部分，用 Hugo 把 Markdown 编译成静态 HTML，编译产物直接提交进 Git，本质上还是纯静态文件。

没有 WordPress，没有 Headless CMS，甚至没有 Node.js，除了 Hugo 这一个二进制文件。

二、出海营销网站，跟国内网站的 CMS 诉求不一样

如果做的是面向海外用户或者 AI 搜索引擎的营销站，CMS 选型要多考虑几件国内网站不太在意的事：

全球访问速度：海外用户分布在各大洲，服务器离用户远，动态渲染的网站（每次请求都要服务端算一遍）延迟会很明显。静态文件配合 Cloudflare 这类全球 CDN，就是把页面提前算好放在离用户最近的节点，打开速度天然更快。

被 AI 搜索引擎抓取的难易度：GEO（生成式引擎优化）越来越重要，ChatGPT、Perplexity 这些 AI 爬虫抓取网页时，纯静态 HTML 最容易解析，不需要执行 JS、不需要等数据库查询，内容直接在 HTML 里。用重度依赖前端渲染的技术栈（比如纯客户端渲染的 SPA），反而可能让 AI 爬虫抓不到真实内容。

安全维护成本：WordPress 常年是被攻击最多的 CMS 之一，插件漏洞、暴力破解后台密码、SQL 注入，一人公司没有精力天天盯着打补丁。纯静态站点没有数据库、没有登录后台给别人爆破，攻击面直接少了一大截。

三、我当初排除掉的两条路

排除 WordPress：功能最全，插件生态最大，但要装 PHP 环境、数据库，需要持续维护安全补丁，托管成本也比纯静态贵。对于内容不需要多人协作后台、也不需要复杂电商功能的营销站来说，这些能力大多用不上，却要一直背着维护成本。

排除 Headless CMS（比如 Contentful、Sanity）：内容和展示分离，写内容有可视化后台，理论上体验更好。但代价是要额外接一层 API、多一个第三方服务依赖、通常还有按量计费。对一人公司来说，多一个"服务商挂了我的网站内容就取不出来"的风险点，性价比不高。

四、纯静态生成器里，为什么是 Hugo 不是 Astro

静态生成器里最常见的是 Hugo、Astro、Jekyll、Next.js 静态导出这几种。核心区别是要不要引入 Node.js：

网站改版删掉了 GA 代码，五周后才发现

Sat, 11 Jul 2026 00:00:00 +0800

前几天在看 GA 后台数据，随口问了自己一句：这些数字准不准？

一查，查出一个事故。

一、事情是怎么发现的

起因很简单：把 Search Console 的点击数据和 GA 的用户数放在一起看，发现对不上，这个正常，两个工具统计口径本来就不一样，我还专门写过一篇文章解释这件事。

但顺着这个话题继续往下查，我做了一件之前没做过的事：打开首页源代码，搜一下 GA 的追踪 ID。

没搜到。

首页，全站最重要的一个页面，完全没有 Google Analytics 代码。

二、复盘：GA 是怎么丢的

翻了一下 Git 提交记录，时间线很清楚：

5 月 13 日：全站添加 Google Analytics，首页当时是有的
6 月 4 日：首页做了一次视觉大改版，把整个页面的 <head> 部分重写了一遍。改版当天的提交记录里，能清楚看到 GA 那几行代码被删掉了
6 月 4 日之后，一直到我发现问题：首页的源码里，GA 代码就一直是空的，中间没有任何一次提交把它加回来过

原因很典型：大改版容易把"看起来不重要"的代码顺手删掉。GA 那几行脚本混在一堆 meta 标签和 CSS 里，改版时重写 <head>，删除的时候没人特意留意它，加回来的时候也没人想起要补。而且这种问题不会报错、不会白屏、页面看起来完全正常，所以能一直没人发现。

三、更奇怪的是：丢失期间数据没有真的归零

复盘到这里，我以为故事就讲完了。结果去 GA 后台把时间范围精确设成"6月4日-7月10日"（也就是理论上完全没有 GA 代码的这段时间），发现首页这段时间还是有 72 次浏览记录。

这个和 Git 历史对不上，代码层面这段时间应该是 0。

最合理的解释是缓存：Cloudflare 的边缘节点，或者部分回头访客自己浏览器的缓存，在改版之后一段时间里，可能还在继续返回改版前的旧版页面（那个版本里 GA 代码还在）。直到缓存自然过期，或者被后续的新部署刷新掉，这部分"漏网"的访问才会真正停止被追踪。

所以真实情况更麻烦：不是"这5周数据完全没有"，而是"这5周的数据残缺不全、命中率不确定"，比彻底没有数据更难处理，因为你没法简单地把这段时间标记为"无效数据"直接排除，你甚至不知道哪些是真实数据、哪些是缓存的巧合。

四、审计之后，发现了更大的坑

首页的问题让我不放心，干脆把全站 147 个页面挨个查了一遍 GA 代码。结果比预想的严重得多：

GSC 说40次点击，GA 却说129个用户，到底该信谁

Fri, 10 Jul 2026 00:00:00 +0800

前几天检查自己网站的数据，发现一个很反直觉的现象。

Search Console 里选"1个月"，总点击次数显示 40。

转头打开 Google Analytics，同样是这段时间，活跃用户数显示 129。

同一个网站，同一段时间，一个说 40，一个说 129，129 还比 40 大三倍多。第一反应是：是不是哪个工具的数据错了？

答案是：都没错。这是两个工具从设计上就在统计完全不同的东西。

一、先说结论：口径不同，不是数据出错

Search Console 只统计一件事：用户在 Google 搜索结果页上，点击你的链接跳转过来的次数。

Google Analytics 统计的是：不管从哪个渠道来的，只要访问了网站，就算一次。

所以 GSC 是"全部访问"里的一个子集，GA 是"全部访问"的总数。GA 比 GSC 大，是完全正常的方向，不是异常。

二、GSC 是个"单一渠道计数器"

GSC 的点击数据只覆盖 Google 自然搜索这一个入口。别的所有入口，它统统看不见：

用户直接输入网址访问
别人在别的网站/公众号/社群分享了你的链接
用户通过 Bing、百度这些别的搜索引擎找到你
用户在 ChatGPT、Gemini 这类 AI 对话里看到引用链接后点击

这些渠道带来的访问，GSC 完全不记录，因为它天生只负责"Google 搜索"这一件事。

三、GA 是个"全渠道汇总器"

Google Analytics 不管流量从哪来，只要产生了会话，都会被计入。打开我自己网站的渠道分组数据看一下，这段时间 338 次会话是这样拆分的：

渠道	会话数	活跃用户
Direct（直接访问）	173	112
Organic Search（自然搜索）	151	14
Unassigned（未分类）	15	7

注意这里的 Organic Search 活跃用户只有 14 个，跟 GSC 的 40 次点击已经是同一个量级了（时间窗口没完全对齐，但差距不大）。而占大头的 Direct（112 个用户），根本就不在 GSC 的统计范围内。

AI博主搞钱，主要靠这6种方式

Tue, 07 Jul 2026 00:00:00 +0800

近期，很多 AI 博主都在晒上半年收入。我发现真正赚钱的 AI 博主，很少只靠一条收入线。

他们通常是把 6 层收入叠起来：流量只是入口，信任才是资产。

平台分成只是零花钱，后面的产品、服务、商单，才是大头。

今天拆一遍：每一层怎么赚、适合谁、普通人能不能做。

一、平台分成：顺手赚，别当饭吃

这是最容易被新手高估的一层。

图文流量主、视频激励、创作分成，本质都是平台按曝光、播放、互动给你发钱。

它的好处是门槛低。坏处也很明显，规则随时变，单价不稳定，天花板普遍不高。

关键是平台分成奖励的是"流量"，不是"信任"。

所以它适合用来覆盖工具费、测试选题，不适合当主收入。

定位：零花钱。

二、联盟/分销：0粉也能开始

这一层被很多人低估了。

你推荐自己真实在用的 AI 工具、SaaS、插件、课程，只要用户通过你的链接购买，你就能拿佣金。

它不一定需要大粉丝量，关键是场景要准。

不要写"快去用这个工具"，要写"我用这个流程，把选题效率提高了 3 倍，里面用到这个工具"。

工具不是主角，解决问题的流程才是主角。

定位：最低门槛的变现练习。

三、付费订阅/会员/专栏：最稳的现金流

知识型 AI 博主，真正稳定的收入往往来自这里。

免费内容负责建立信任。付费内容负责交付更深的东西：模板、案例库、工作流、拆解合集、会员社群、专栏内容。

比如：100 个会员 × 50 元/月，就是每月 5000 元的稳定现金流，而且老用户续费的成本，远低于重新获客。

定位：从流量博主变成知识资产。

四、自己的产品：天花板最高

这层包括课程、训练营、Prompt 库、模板包、自动化工具、SaaS、小工具。

但重点不是"我要做个产品"。重点是先卡住一个窄场景。

比如：不是"AI提效"，而是"帮跨境电商做客服自动化"。

赛道越窄，你越容易被记住。越容易被记住，转化越高。

定位：最难，但复利最大。

五、商单/品牌赞助：单笔金额高

对很多账号来说，真正的大额收入来自商单。

AI 工具公司、SaaS 公司、出海工具、效率工具，都需要精准触达买家。

如果你的粉丝不是泛泛的"爱看AI新闻"，而是明确的： AI工具买家、内容创作者、营销人、跨境卖家、创业者。

那你的账号就有商业价值。1 万垂直高质量粉，有时比 10 万泛粉更值钱。

定位：靠精准受众换预算。

六、咨询/服务/代运营：把权威变成高客单

当你持续输出专业内容，最自然的结果就是有人私信你： "能不能帮我做？" "能不能给我咨询一下？" "能不能带我跑一遍？"

这就是咨询、陪跑、代写、代运营、定制方案的入口。

这类收入不靠平台规则，而靠你在内容里展示出来的判断力和交付能力。

内容越专业，越容易吸引高质量客户。

定位：高客单，但需要真交付。

总结

高手通常不是只做一层。

网站部署在 Cloudflare 的注意了，你可能正在拒绝 AI

Sun, 05 Jul 2026 00:00:00 +0800

近期，查了下自己网站的配置，发现一个问题。你的网站可能也中招了，自查方法在下面。

一、先说下背景

Cloudflare 是全球最大的网站托管和加速服务商之一，大量独立开发者和中小网站都跑在它上面。

2025 年 7 月，它做了一个影响深远的决定：新接入的网站，AI 爬虫从"默认放行"改成"默认管控"。

现在你往 Cloudflare 上加一个域名，表单里会出现一块"管理 AI 自动程序访问"：三个下拉选项（搜索、代理、训练），下面还藏着一个不起眼的小开关。

绝大多数人的操作和我一样：保持默认，下一步，部署上线，睡觉。

坑，就埋在那个默认开着的小开关里。

二、三个完全不同的角色

要看懂这个坑，得先分清 AI 爬虫的三种身份。用图书馆打个比方：

搜索爬虫是图书管理员：它把你的网站编进目录，方便别人搜到你。这是老朋友了，Google 干了二十年。

AI 代理是读者：有人问 ChatGPT"某某工具好不好用"，AI 现场跑来翻你的网页，引用你的内容回答问题。这是新时代的流量入口。

训练爬虫是学生：它把你的内容"背下来"，内化成下一代大模型的知识。今天被它学走的内容，明天就是新模型脑子里"天生就知道"的东西。

三个下拉的默认值其实问题不大：搜索放行、代理放行、训练只在有广告的页面拦截，没广告的站等于不拦。

真正的问题是第四项："在 robots.txt 中设置阻止训练的偏好"，默认开启。

开着它，Cloudflare 会往你的 robots.txt 里注入一份黑名单：OpenAI 的 GPTBot、Anthropic 的 ClaudeBot、Google 的 Gemini 训练爬虫、喂养大量开源模型的 CCBot，全站禁入。

三、爬虫还在来，你以为没事

我一开始也怀疑：后台明明显示 AI 爬虫天天来访问，说明没被挡啊？

这正是这个坑最阴险的地方：爬虫来了，不等于内容会被学走。

robots.txt 里那句 ai-train=no，翻译成人话是："你可以来看，但不许背下来。"

OpenAI、Google、Anthropic 这些大厂的训练管线，都会遵守这个声明，抓回去的内容，在进训练集之前就被过滤掉了。

结果就是一种温水煮青蛙的状态：AI 搜索今天还能引用你（短期没事），但明年、后年发布的新模型，"天生"就不认识你（长期出局）。

四、Cloudflare 自己都"承认"了

更有意思的是那个开关下面的一行英文小字：

Does not guarantee that bots will be compliant to robots.txt.

如何用 AI 研究竞品推广打法，看这 7 个地方

Fri, 03 Jul 2026 00:00:00 +0800

想了解一家公司怎么做推广，不要只搜公司名。也不要直接问 AI："这家公司推广怎么样？"

更好的方式是：互联网找证据，AI 帮你整理线索，最后由你做判断。

可以从这 7 个入口入手。

一、官网：看它到底想卖什么

先看首页、产品页、价格页、案例页。

重点不是"官网写得好不好"，而是看它反复强调什么：它卖给谁？主推什么场景？解决什么痛点？反复出现哪些关键词？它更像卖给大客户、中小团队，还是个人用户？

这里可以直接把官网网址丢给 AI，让它帮你提炼核心卖点和目标用户。

但要注意：官网只能代表"它想怎么介绍自己"，不一定代表真实推广效果。

二、搜索结果：看它有没有做 SEO

去 Google / 百度 / 必应搜：公司名、产品名、品类词、品牌词 + 教程 / 价格 / review、竞品名 + 对比 / 替代品。

如果你能搜到很多教程页、榜单页、对比页、案例页，说明它可能在主动做搜索流量。

可以直接用 SEO 工具跑一份诊断报告，看：网站有没有内容矩阵、关键词覆盖怎么样、有没有教程页对比页案例页、网站结构是不是为搜索流量设计的。

SEO 看的是：它有没有在用内容承接用户的主动搜索需求。

三、社媒账号：看它想影响谁

看小红书、公众号、视频号、抖音、B站、LinkedIn、X、YouTube。

不要只看粉丝量，要看：它在跟谁说话、内容是教育用户还是展示品牌、有没有固定栏目、最近 30 天有没有更新加速、互动是真用户问题还是泛泛点赞。

这里可以把它最近几十条内容标题整理给 AI，让 AI 帮你分类。

你要看的不是"它发了什么"，而是：它想把用户的认知往哪个方向带。

四、广告痕迹：看它有没有买流量

可以看：Google Ads Transparency Center、TikTok Creative Center、Meta Ads Library、小红书搜索广告位、应用商店广告位。

重点看它反复投什么：主打哪个痛点、面向什么人群、落地页引导什么动作、广告素材有没有重复、是不是一直在强调同一个卖点。

这里 AI 可以帮你归纳广告文案里的高频卖点。

广告很重要，因为公司愿意花钱反复投的内容，往往比官网口号更接近真实推广重点。

五、内容矩阵：看它是否系统化推广

很多公司不是只靠一个账号推广，而是在铺一套矩阵：品牌账号、创始人 IP、员工账号、客户案例、行业报告、教程文章、测评内容、KOL 合作。

AI 热点爆火前，通常会经过这 6 层

Thu, 25 Jun 2026 00:00:00 +0800

等一个话题出现在微博热搜，第一批解读往往已经发完了。等百度指数和 Google Trends 明显抬头，搜索结果里也已经有了一批教程、测评和问答。

如果你的信息入口只有热搜榜和趋势工具，做内容时自然容易慢半拍。它们记录的是一段时间内已经发生的搜索和讨论，适合判断热度有没有扩大，很难帮你找到刚出现的信号。

我把一个 AI 热点从出现到爆开的过程拆开看，大致会经过六层。看懂它传到了哪里，比多刷几个榜单更有用。

一、源头刚刚出现

一款新产品在 X 上发布，Reddit 出现第一批讨论，YouTube 博主放出测评，或者 GitHub 上一个项目的关注量突然增长。

这时，知道它的人还很少，现成的中文资料也不多。很多信息停留在产品说明、演示视频和开发者讨论里，普通读者很难迅速看懂。

这一层最早，风险也最大。产品可能不好用，讨论也可能很快停下来。创作者需要自己查官网、试产品、核对价格和使用条件。只看一张截图就下判断，很容易把短暂的新鲜感当成趋势。

二、国内小圈子开始讨论

很快，即刻、V2EX、知识星球、微信群和各种 AI 社群里会出现截图、翻译与试用反馈。第一批信息敏感的人已经发现它，并开始判断这件事有没有继续传播的可能。

这个阶段很适合观察。源头已经有人帮忙找到，基础信息也多了一点，大众内容平台却还没有大量跟进。你有时间试用，也有机会做出第一批中文解释。

三、内容平台开始解释

话题随后进入公众号、小红书、B站、抖音和知乎。创作者开始回答几类最直接的问题。这是什么，怎么用，为什么突然有人讨论，国内有没有类似产品。

一个小圈子里的新鲜事，到了这里才逐渐变成普通人能够理解和转发的内容。传播速度会明显加快，内容之间的差距也开始拉开。有人只转述发布信息，有人已经做完试用，能说清它适合谁、哪里不好用。

四、搜索需求开始上升

读者刷到内容以后，会去搜索更具体的问题。国内能不能用，要不要付费，有没有邀请码，怎样注册，哪里能找到教程。

这些问题很重要。它们说明读者已经从围观走到尝试，搜索端却未必有足够好的答案。此时发布实测、教程和常见问题，往往还能占到不错的位置。文章也更容易获得持续阅读，因为它解决的是一个明确问题。

五、趋势工具出现变化

等到百度指数、Google Trends、新榜或其他数据工具显示变化，话题已经积累了一批讨论和搜索。数据可以帮你确认热度的范围、变化速度和相关词，却很难帮你抢到第一批内容机会。

此时还可以写，选题需要更具体。通用介绍已经很多，读者会更关心真实体验、产品对比、使用成本和具体场景。

六、大量内容集中跟进

全网开始批量写同一个话题，SEO 内容迅速铺开，相关课程和社群也跟着出现。信息不再稀缺，一篇普通介绍很容易淹没在相似内容里。

到了这一层，速度带来的优势已经很小。作者只能靠更完整的测试、更好的案例，或者别人没有处理过的问题赢得读者。

七、最合适的时间在第二层到第四层

第一层有机会，也有较高的验证成本。第六层更加确定，内容供给已经很拥挤。对大多数个人创作者来说，第二层到第四层通常更合适。

国内小圈子已经开始讨论，大众平台还没有铺开。社交平台出现信号，搜索结果仍然不多。评论区里已经有人提问，现有内容又没有给出好答案。

这段时间通常很短。发现以后先别急着写"某产品火了"，可以用几个信号判断它值不值得跟。

先看互动有没有突然异常。一个平时只有几十个赞的账号，某条内容突然获得几千个赞。一个陌生概念在二十四小时内被不同账号反复提起。这种变化比单个大号的高互动更有参考价值。

再去读评论区。有人开始问链接、价格、国内能否使用和教程，说明兴趣正在变成行动。把这些问题记下来，文章结构往往也就有了。

内容里如果带着源头链接，就沿着链接查看官网、产品定价、创始人账号和更新记录。这样可以判断它有没有真实产品，也能减少转述中的误差。

接着搜一遍国内平台。社交平台已经有人讨论，小红书、微信搜一搜和知乎却找不到像样的解释，内容需求正在出现，供给暂时没有跟上。

最后判断自己能否写出一篇真正有用的内容。可以实测，可以做教程，常见问题也值得系统整理。只有情绪和立场的话题，热度过去后通常很难留下搜索价值。

下次遇到一个突然冒头的 AI 产品，可以先做四件事。找到最早的发布和讨论，查清产品能否使用，再去国内平台看已有内容，最后从评论区收集具体问题。

做完这一轮，你大概就知道它传到了哪一层，也知道该写一篇快速介绍、上手教程，还是等试出结果以后再写案例。

如果想让这套"找热点、判断在第几层"的流程半自动化，可以用AI 营销热点 Skill 聚合多源信号。

Marketing人疯狂用AI半年，分享6个使用场景

Tue, 16 Jun 2026 00:00:00 +0800

疯狂用AI半年后，我的变化不是"写东西更快了"。

而是很多原来停在脑子里、备忘录里、收藏夹里的想法，开始能被更快地整理、判断、验证和落地。

刚开始我也跟很多人一样，疯狂试各种工具、各种prompt。

但后来发现，如果只是把AI当聊天框用，产出的东西很容易变成"看起来像样，但落不了地"的demo。

真正有用的，不是某个神奇工具。而是把AI接进自己的真实工作系统里。

接下来，我分享6种用法：

一、搭建个人知识库

AI有个问题，就是它不是不会写，而是不知道你的上下文。

它不知道你做过什么项目，踩过什么坑，哪些判断被验证过，哪些观点只是当时拍脑袋。

所以我用Obsidian沉淀自己的工作资料和思考，再配合Codex做整理、提炼和调用。

我的知识库会放：

文章摘录
项目背景
用户洞察
关键决策
成功案例
失败假设

这样AI不再只是一个临时聊天框，而更像一个能回看我工作上下文的策划助手。

我现在越来越觉得：想让AI输出高质量内容，前提是你要先给它高质量上下文。

二、长内容预处理

这个习惯帮我省了很多时间。

现在知识类长视频、播客、访谈太多了。很多标题看起来都很有信息量，但完整看完可能要半个小时到两个小时。

我现在会先把视频文稿丢给AI，让它帮我做三件事：

提炼核心观点
标出真正有新意的部分
判断哪些内容和我当前问题有关

如果AI整理完发现只是熟悉观点的重复，我就不看了。如果里面有值得深入的部分，我再跳到对应时间段认真看。

对marketing人来说，信息摄入不是越多越好。更重要的是快速判断：这条信息和我正在解决的问题有没有关系。

三、广告投放分析

以前我看投放数据，更多是盯着CTR、CVR、CPC、CPA这些指标涨跌。但很多时候只能看到"结果变差了"，却很难快速判断到底是素材问题、人群问题、落地页问题，还是预算和出价策略的问题。

现在我会让AI参与第一轮投放分析。比如把广告计划、素材表现、转化数据、投放时间、不同渠道数据整理给它，让它帮我先拆几个方向：

哪些素材只是点击高，但转化差
哪些人群包消耗快，但质量不稳定
哪些创意角度可能已经疲劳
哪些投放波动可能和预算调整有关
哪些结论还需要补数据，不能直接下判断

我觉得AI真正降低的，是投放复盘的分析门槛。

它帮你从"看指标涨跌"，往"拆假设、找变量、做下一轮测试"推进一步。

四、信息结构化

Marketing工作里有大量看似简单、但很耗人的信息处理：看竞品、看用户评论、看行业报告、整理访谈、做会议纪要、把零散观点变成结构化判断。

过去这些工作很容易变成"我看了很多"，但没有沉淀出真正能用的洞察。

现在我会让AI做第一轮加工：提取重复观点、归类用户痛点、整理决策链路、找出遗漏问题。

比如问：

"从品牌增长角度，提炼3个可验证机会。"
"哪些观点对我们这个价格带无效？"
"如果要做种草，哪些内容值得测试？"

问题越具体，AI越像助手。问题越空泛，AI越像复读机。

五、AI辅助做视频

以前我对视频内容一直有点抗拒。

不是不知道视频重要，而是它的链路太长了：选题、脚本、分镜、素材、剪辑、字幕、封面、发布文案。

每一步都不算特别难，但叠在一起，就很容易让人放弃。

现在我会用AI搞定以下环节：

撰写脚本
生成动画
生成srt字幕
制作封面

这对我来说不是"AI替我做视频"。

而是它把视频创作里消耗启动能量的部分拆掉了。

六、借助AI开发产品

以前很多想法会停在脑子里：想做一个网站、一个小工具……

但因为开发成本、沟通成本、试错成本太高，很多东西还没开始就结束了。

现在借助AI工具，我可以更快把想法做成一个能跑的版本：

个人网站
营销工具
营销Skills
营销模版

这些东西不一定一开始就完美，但它们能快速从"想法"变成"可验证的东西"。

对我来说，这个变化很大。因为marketing很多时候缺的不是创意，而是把创意快速落地并验证的能力。

AI不是低质量信息的放大器。你给它低密度材料，它很难凭空生成高密度洞察。

真正拉开差距的，可能不是"会不会用某个AI工具"，而是你有没有能力把自己的工作拆成AI能参与的节点。

如何用Obsidian + Codex，把一张截图变成内容选题

Thu, 11 Jun 2026 00:00:00 +0800

你平时看到这种截图，是不是也会顺手保存一下？

比如这张关于马斯克建议的截图。

大多数人的做法是：保存，然后忘掉。

但我现在会把它丢进 Obsidian，再让 Codex 帮我整理成三样东西：一条笔记、一个选题、一个内容草稿。

个人知识库真正的问题，不是你有没有收藏资料。

而是这些资料最后有没有被使用。

如果一张截图只是躺在相册里，它只是素材。

但如果它能变成你的想法、选题和文章，它才算进入了你的知识系统。

所以我现在的流程很简单。

看到一张图，先不分类，先放进 00 Inbox。

一、第一步：存进 Inbox

这里是我的 Obsidian 文件夹结构。

我现在只保留几个核心文件夹：

00 Inbox，放临时收集。
01 Notes，放正式笔记。
02 Topics，放内容选题。
03 Outputs，放最终输出。
还有一个 assets，专门放截图和图片。

注意，这一步不要纠结分类。

先让它进入系统。

二、第二步：补 idea 和 output

接下来，我只补两句话。

第一句是 idea

也就是这张图给我的启发是什么。

比如：马斯克这句话提醒我，长期目标不一定只靠更久的耐心，也可以靠压缩时间、倒逼行动。

第二句是 output

也就是它可以变成什么内容。

比如：可以写一篇小红书笔记：如何用 6 个月完成你的 10 年计划？

这两句话很关键。

因为截图本身只是信息，idea 才是我的判断，output 才是它的用途。

三、第三步：让 Codex 整理

然后我会让 Codex 来处理这条 Inbox 记录。

谷歌广告账户架构拆解：从流量全景到实操搭建

Mon, 08 Jun 2026 00:00:00 +0800

很多人一上来做谷歌广告，就开个PMAX，把所有产品丢进去，然后等Google的AI帮你跑。

效果好不好？有时候还行。但你根本不知道钱花在哪了，哪些词在转化，哪些流量是垃圾。

我理解的Google Ads账户架构，核心就一句话：冷热流量分开打，每种广告类型干它该干的事。

一、先搞懂Google的流量版图

很多人对Google Ads的认知还停留在"搜索广告"。

但Google早就不只是搜索引擎了，它是一张覆盖全网的广告网络。

Google的三大流量入口：

Google搜索： 用户主动搜关键词，意图最强。这是Google的基本盘，也是大多数人最熟悉的广告场景。
GDN展示网络（Google Display Network）： 覆盖Gmail、合作网站、App等渠道。用户没在主动搜索，但Google根据他们的兴趣和行为推送广告。核心价值是"海量曝光"。
YouTube： 视频内容消费场景。适合品牌种草和产品展示，用户处于"逛"的状态。

在这三大入口之下，Google通过Gmail、Chrome、Google Maps、Android等产品矩阵，持续采集用户的兴趣偏好和行为数据。

这些数据就是Google广告系统的燃料，它决定了你的广告会被推送给谁。

搞清楚这张流量版图，你才能理解后面每种广告产品到底在哪个池子里捞人、捞的是什么人。

二、账户架构的核心逻辑：冷热分流

搭Google Ads账户之前，先想清楚一个问题：你要抓的流量是"冷"的还是"热"的？

	冷流量	热流量
定义	用户不认识你，没有购买意图，需要你去主动触达	用户已经知道你或有明确需求，正在主动找你
目标	拓新客，做增量	守住已有流量，提高转化效率

不同温度的流量，用不同的广告产品去接。这就是整个账户架构的底层逻辑。

下面逐一拆解每种广告类型在这个架构中的角色。

三、冷流量：拓新客，做增量

1. PMAX（Performance Max），下漏斗自动化转化机器

PMAX是Google目前主推的"全渠道AI投放"产品。

你只需要提供素材和转化目标，Google的算法会自动把广告分发到搜索、展示、YouTube、Gmail、Maps等所有渠道，帮你找到最可能转化的用户。

听起来很美，但有一个巨大的坑：PMAX会偷吃你的品牌流量。

如果你不做任何限制，PMAX会把大量预算花在搜你品牌名的用户身上。因为这些用户转化率最高，算法当然爱投他们。

结果就是：报表上ROAS很好看，但实际上你花钱买的是本来就会来买的人，没有带来任何新增量。

关键操作：

排除品牌词和品牌变体词。 这是PMAX投放的第一步，不是可选项。
PMAX本质是个黑盒，你看不到它具体投了哪些关键词、哪些人群。所以需要配合其他campaign来交叉验证效果。
它的核心定位是"下漏斗"，侧重转化和成交，不要指望它做品牌认知。

2. Cold Search ，长尾关键词拓新

Cold Search是传统搜索广告的一种用法，专门针对那些搜品类词、功能词、问题词的用户。

他们有明确需求，但还不认识你的品牌。

比如一个做户外背包的品牌，Cold Search要投的不是"XX品牌背包"，而是"徒步背包推荐""登山包哪个好""40L背包轻量化"这类长尾词。

关键操作：

按品类/利润分Group： Group 1投高利润品类，Group 2投中等品类，Group 3投长尾测试词。不同Group给不同出价和预算，方便精细化管理。
重点盯Search Term报告： 你投的是关键词，但用户实际搜的可能完全不同。Search Term报告告诉你真实触发的搜索词是什么，及时做否定词排除。
关注新客占比： 如果Cold Search的点击全是老客，说明关键词选得不够"冷"，和品牌词重叠了。
搭配Cold DSA（动态搜索广告）： 让Google根据你网站的内容自动匹配用户搜索，补充你想不到的长尾词机会。

四、热流量：守住阵地，最大化转化

1. Brand Search ，品牌防御

用户已经在搜你的品牌名了，这是你最忠实的流量。

「一人公司商业模式」线上年入百万的实操指南

Sun, 07 Jun 2026 00:00:00 +0800

在个体经济崛起与 AI 技术普及的双重浪潮下，"一人公司"逐渐成为新风潮。个人依托 AI 工具和互联网平台，完全可以靠一己之力创造丰厚收入。

如果你是个普通人，不甘心于只是上班，想借助 AI 搞点自己的东西，那么，这期内容会很适合你。

"一人公司"这条路，到底该怎么走？

是先研究赛道、做定位？还是把手上的资源梳理一下，想着做什么产品？还是赶紧开个账号做内容、搞流量？或者去加圈子、混人脉？又或者买一堆课，开始猛学？

这些当然都重要，但是如何把它们有效地串起来，打造出一套可持续的赚钱系统更为重要。

接下来，从思维定位、方向选择、产品设计、流量获客、转化交付五个方面，详述一人公司实现年收入百万的可落地商业模式。

一、商业认知与定位

首先需要个人具备企业家般的思维方式，将自己当作一家公司来经营。自己要掌握主动权，当你不知要干什么的时候，生活就会逼着你去做你不喜欢的事。

战略思维

树立清晰的目标和定位，为自己设定业绩指标和发展规划。可以先给自己定个大致规划，比如，到第 3 个月赚够每月生活费，第 6 个月收入和工资持平，一年时间每月收入达到工资的 2 到 3 倍。这种目标导向有助于明确努力方向，激励自身持续成长。

资源整合能力

善于利用外部资源和工具弥补一人之限。个人需要成为"全栈型"人才，既懂产品又懂营销，但并非事事亲力亲为。可以充分运用第三方服务和合作伙伴，如使用现有平台发布产品、借助自由职业者协助非核心工作，以及采用自动化工具替代人工重复劳动。通过整合技术、渠道、人脉等资源，个人也能构建起小型"业务生态"。

持续学习与迭代

互联网环境瞬息万变，新技术新风口层出不穷。个人必须保持开放心态，不断更新商业认知。例如，及时掌握 AI 工具、新媒体运营技巧等，以提升效率和竞争力。同时要勇于试错、小步快跑，在实践中快速迭代模式。

个人 IP 打造

一人公司往往即是个人品牌。个人需明确自身的优势专长，树立专业形象，打造独特的个人 IP。这要求在细分领域深耕，输出高质量内容和观点，形成行业影响力。个人 IP 的信任背书将极大降低获客难度，为商业转化打下基础。

总之，在心态上要有经营一家公司的格局和严谨，自我驱动，善于借力他人之长，快速适应变化。这种商业思维的升级是成功的前提。

二、热门与可持续的方向选择

选择正确的业务方向是成功的一半，一人公司常见且可持续的盈利方向包括：

知识付费

将专业知识和技能包装为付费内容出售。例如，制作在线课程、电子书、付费音频、会员专栏等。知识付费市场依然火热，大众愿意为高质量内容买单。

聚焦自己精通的领域，解决用户刚需痛点；通过知乎、微信公众号等分享干货吸引粉丝，再将其转化为付费学员。

很多人靠卖课实现了月入数万的收益，可见知识付费变现的威力。关键是内容过硬、持续输出，并善用平台的付费功能（如知乎盐选、微信付费阅读等）。

虚拟产品销售

出售数字化的虚拟产品，几乎零库存成本且可无限复制，适合个人规模化盈利。虚拟产品范围很广，包括电子资料（PDF 教程、模板、音乐/音效素材）、软件插件、游戏道具、设计素材等。

例如，摄影师卖预设滤镜、程序员卖自己开发的 App 或脚本、设计师卖 PPT/简历模板，都属于此类。

选择自己能够产出的数字产品类型，保证质量独特性。制作完成后，可在各大数字商店或社区销售，如小红书、淘宝/咸鱼、应用商店、付费素材平台等。营销上可提供免费试用或样品吸引用户，通过用户评价和口碑扩散来提高销量。

电商（一人网店）

个人通过电商平台销售实物商品，也是常见途径。关键在于选择轻资产模式，减轻一人运营负担。

无库存模式： 采用一件代发/代发货方式，不囤货不物流。第三方供应商负责生产和发货，个人负责开店、营销和客服。这样投入小风险低，只要选品和营销得当，毛利可观。例如，在淘宝/拼多多开店卖定制 T 恤，用户下单后由工厂直接发货给客户，自己赚取差价。

小众精品模式： 聚焦利基市场，出售单一类型的特色产品，量小而精。例如手工皮具、原创周边、小批量定制产品。自己负责设计和市场，生产可外包代工。通过内容电商方式，在抖音、小红书等展示产品故事，吸引精准顾客下单。

无论哪种模式，个人电商要善于利用物流外包和现成平台规则，让自己专注于产品选品和营销策略。做好私域客户的维护复购，同样能累积百万级年销售额（例如将老客户拉入微信群定期团购）。

SaaS 工具/软件产品

在以前，开发软件只能程序员来搞。如今，随着 AI 技术普及，技术门槛降低，开发成本降低，普通人也可以加入，只需一台电脑和云服务，就能上线产品获利。

个人可以开发软件或在线工具提供订阅服务。如果软件切中痛点，即使小而美也能有稳定付费用户。例如，利用业余时间开发手机应用，上线后通过应用商店订阅获取被动收入。

从自身擅长的技术出发，选择细分市场开发"小而精"的应用或插件。可以先做 MVP 测试市场反馈。收费模式可采用订阅制或一次性授权。

AI时代做内容：一半写给AI，一半写给用户

Sun, 07 Jun 2026 00:00:00 +0800

以前写内容，主要写给人看。标题吸引人，开头有痛点，正文有价值，结尾引导转化。

但现在，内容和用户之间多了一个"中间人"，搜索引擎、推荐算法、各种AI搜索和大模型。

用户问"哪个AI营销工具比较好用""这个品牌靠谱吗"，AI会先理解、筛选、总结，再把它认为值得看的内容呈现给用户。

用户还没看到你，AI已经替他筛过一遍了。

所以现在做内容有一个核心变化：内容不只是写给用户看的，也要写给AI看。

两者要的东西完全不同，混在一起，内容就出问题。

要么像说明书，结构完整但没人愿意读；要么很有情绪，但AI根本不知道你在讲什么。

一、给AI看的，是结构、事实和关系

AI不靠感觉理解你，它靠清晰的信息结构。

它需要知道：你讲什么主题？解决什么问题？适合谁？有没有案例和方法？内容能不能被总结、引用、归类？

给AI看的内容，重点不是文采，而是清晰。

比如你写一篇AI营销工具评测，AI需要识别出：评测的是哪类工具？覆盖哪些产品？核心功能和适用场景是什么？定价怎样？和竞品有什么差异？

这些信息越清楚，AI越容易理解和推荐你。

反过来，如果全是情绪和观点，AI可能知道你在聊"AI工具"，但分不清你讲的是写作工具、设计工具还是投放工具。

二、给用户看的，是场景、共鸣和信任

最后做决定的还是人。用户不会因为你结构完整就信你。

"该工具支持多模态内容生成，集成主流社媒平台API，具备A/B测试和数据看板功能。"

没错，但没感觉。

换一种写法："我之前每篇推文花两小时，用了这个工具后初稿十分钟出来，剩下时间花在调方向和改细节上。省下来的不是时间，是心力。"

用户会想："对，我也是这样，每天耗在初稿上，根本没精力想策略。"

这就是给用户看的内容，不讲概念，讲真实场景。

用户为什么焦虑、为什么犹豫、为什么看完不行动，这些AI可以帮你整理，但不一定替你判断。

真正打动用户的不是信息量，而是理解力。

三、只服务一边，都会出问题

只写给AI：结构完整、定义清晰，但读起来像百科词条。

用户不是来背参数的，他可能正纠结"老板让我选一个AI工具，试了五个都差不多"。

你的内容没回应这些真实问题，看几眼就走了。

只写给用户："AI工具太多了选不过来""花了钱订阅用两天就吃灰"。

共鸣有了，但整篇停留在感受层面，没方法没案例，AI不知道你在提供什么价值，用户也只是点个赞就过去了。

四、正确做法：用结构写给AI，用表达写给用户

我现在越来越认同一个原则：

用结构写给AI看，用表达写给用户看。

主题要明确，给AI看的。开头要有痛点，给用户看的。
小标题要清楚，给AI看的。语言要像人话，给用户看的。
内容要有定义，给AI看的。案例要具体，给用户看的。
文章要有FAQ，给AI看的。结尾要有行动建议，给用户看的。

你不是在写两篇内容，而是在一篇内容里同时照顾两种阅读方式。

AI负责理解你、推荐你、引用你。用户负责判断你、信任你、选择你。

五、落地清单：每篇内容发布前检查一遍

给AI看的部分：

标题是否清楚表达了主题？
小标题是否结构清晰？
关键概念有没有定义？
有没有说明适用人群和场景？
有没有步骤、清单、表格、FAQ？
有没有案例、数据或事实依据？
有没有和相关主题建立联系？
有没有可以被AI直接引用的总结句？

给用户看的部分：

开头有没有真实痛点？
语言是不是人话？
有没有具体场景？
有没有讲用户正在经历的问题？
有没有真实案例或经验？
有没有你的判断，而不只是搬运信息？
看完以后，用户知不知道下一步该做什么？
用户会不会觉得"这个人懂我"？

写给 AI 的这半部分，怎么落地成完整的 GEO 打法，可以对照GEO 10 大核心打法清单。

GEO终于有官方数据了，谷歌正在测试新报告

Sun, 07 Jun 2026 00:00:00 +0800

最近看到一个消息，我觉得做SEO、内容营销、独立站、出海网站的人都应该关注。

Google开始在Search Console里测试一个新报告：生成式AI搜索表现报告（Search Generative AI Performance Reports）。

以后你在Search Console里，不只能看传统搜索的点击、曝光、CTR、排名，还能看到你的网站内容在Google AI搜索功能里的曝光情况。

包括AI Overviews、AI Mode，以及Discover里的生成式AI功能。

Google Search Console 生成式AI功能表现报告（Beta）

Google官方在2026年6月3日发布公告，表示这些新报告会先向部分网站开放测试，帮助站长理解自己网站在生成式AI搜索功能里的可见性。

这不是一个普通的小功能更新。

它真正重要的地方在于：GEO这件事，开始从"概念讨论"进入"数据观察"阶段了。

一、以前做GEO，问题是什么？

现在网上讲GEO的内容已经很多了，有人说要写FAQ，有人说要做结构化数据，有人说要提升E-E-A-T，有人说要让内容更适合被AI总结，有人说要做品牌提及、权威引用、语义覆盖。

这些方向都没错。

但问题是：你做完之后，很难知道到底有没有效果。

你写了一篇文章，优化了标题、目录、段落结构，补充了案例、数据、来源。

然后呢？

它有没有出现在AI Overviews里？有没有被AI Mode引用？有没有在生成式搜索结果里获得曝光？哪个页面被展示了？哪个国家看到得更多？移动端和桌面端有没有差异？

过去这些问题很难回答。

大多数时候只能靠人工搜索，或者靠第三方工具猜。

但人工搜索有很大的随机性，不同地区、不同账号、不同设备、不同时间，结果都可能不一样。

所以过去很多GEO工作，说白了有点像"黑箱优化"：你知道方向可能是对的，但不知道反馈在哪里。

二、现在Google开始给反馈了

这次Search Console里新增的生成式AI表现报告，目前最核心的数据是：Impressions（曝光量）。

也就是你的网站链接，有多少次出现在Google的生成式AI功能里。

根据Google的说明，这个报告可以按页面、国家、设备、日期等维度查看。

Search类型的报告覆盖AI Overviews和AI Mode，Discover也有对应的生成式AI表现报告。

这就很关键了。一旦有了曝光数据，站长至少可以开始回答几个问题：

哪些页面更容易被AI搜索展示？
哪些主题更容易进入AI结果？
哪些国家市场对你的内容更友好？
内容改版之后，AI搜索曝光有没有变化？
传统SEO流量下降时，AI搜索曝光是不是在上升？

当然，这个报告目前还不完整。核心数据是曝光，不是点击，也不是提示词，更不是"AI到底引用了你哪一句"。

所以别把它理解成完整的GEO分析工具。

但哪怕只是曝光，也已经是一个非常重要的开始。

因为只要Google官方开始给数据，就说明这件事不再只是行业自嗨的概念，而是在进入Google自己的产品体系。

三、还有一个更值得关注的开关

这次除了报告，还有一个功能很关键：Search Generative AI Control。

简单说，站长可以决定：要不要让自己的网站链接和内容出现在Google的生成式AI搜索功能里。

默认是允许。

选择允许，你的网站内容可以出现在AI Overviews、AI Mode、Discover的生成式AI功能里，也可能作为AI回答的依据，获得曝光和流量。

选择排除，你的网站内容就不会出现在这些功能里，也不会从中获得曝光或流量。

如何在业余时间，打造属于自己的一人公司

Sun, 07 Jun 2026 00:00:00 +0800

很多人都有一个共同的困惑：我很想做自己的事，但我还没准备好辞职。

这其实是非常健康的想法。大多数成功的一人公司创始人，在最初并不是"裸辞"起步的，而是利用业余时间慢慢摸索、验证、积累，等到时机成熟再跳出去。

在这篇文章里，我想和你聊聊，如何在不放弃现有工作的前提下，用业余时间一步步打造属于自己的一人公司。

一、找到你的"独门绝技"

一人公司的起点，是找到你真正能为别人提供价值的东西。

很多人一开始就想找"有前景的赛道"，但真正可持续的方向，往往来自于你自己的积累，你的工作经验、你解决过的问题、你身边人反复来咨询你的那个领域。

什么是"独门绝技"

独门绝技不是说你要比全世界所有人都厉害，而是你能做到比目标用户好。

比如你是一位在外企工作了 5 年的市场经理，你对 ToB 内容营销的理解，已经远超绝大多数刚创业的小老板。对他们来说，你就有独门绝技。

你可以从三个维度去梳理：

擅长做什么（技能）： 比如 Excel 数据分析、用户访谈、设计 PPT、写文案、代码开发……

比别人多懂什么（经验）： 比如你做过完整的产品从 0 到 1，你踩过出海建站的坑，你做过一线大厂的 BD……

解决过什么问题（成果）： 比如你帮公司从 0 做到 2000 万 GMV，你独立开发了一款有几千用户的小工具……

三者交叉出来的，就是你的"独门绝技"。

如何验证方向是否可行

在花大量时间建设之前，先用最低成本验证一下：

去相关社区（知乎、小红书、微信群）搜索有没有人在问这类问题
告诉 3-5 个可能的目标用户你能做什么，看他们的反应
试着做一个小的免费服务或内容，看有没有人主动来找你

如果有人愿意为此付费哪怕一分钱，就说明方向成立。

二、定位你的"客户"

找到自己能做什么，只是第一步。接下来要想清楚：你要为谁服务？

这个问题看起来简单，但很多人在这里犯错：要么目标太宽泛（"我要帮所有中小企业做营销"），要么盯着自己能做什么、却忘了想清楚客户是谁。

理想客户的三个特征

有需求，有痛点： 他们有一个具体的问题要解决，或者有一个明确想实现的目标。

有能力付费： 这不是嫌贫爱富，而是商业现实。一个月入 3000 元的学生和一个年营业额 300 万的创业者，对同类服务的预算是完全不同的。

有获取渠道： 你能找到他们，他们也能找到你。他们活跃在哪个平台，你就要去哪里。

画出你的理想客户画像

试着用一段话描述你的典型客户：

"他是一个刚开始创业 1-2 年的内容创业者，做知识付费，月流水在 5-20 万之间，最近苦恼于如何系统化提升内容质量，没有时间从头学，但愿意为省时省力的解决方案付费。"

越具体越好。不同的客户，对应的问题、价格、服务方式都完全不同。

三、利用业余时间慢慢来

业余时间做副业，最大的挑战不是能力，而是时间管理和节奏感。

全职工作 + 副业同步推进，如果没有好的节奏，很容易进入"白天上班精疲力竭，晚上做副业却毫无产出"的死循环。

给副业划出固定时间

不要等"有时间"再做。永远会有更紧急的事抢走你的时间。

拒绝内卷，人在国内赚美元的9种副业！

Sun, 07 Jun 2026 00:00:00 +0800

国内卷不动了怎么办？

有一个答案，很多人还没认真考虑过：出海赚美元。

不是让你移民，不是让你去国外工作，而是利用互联网，坐在国内，把你的技能或产品卖给海外用户，用 RMB 的成本，赚 USD 的收入。

这条路，AI 时代之前就存在，但 AI 时代之后，门槛更低了，机会更多了。

下面是 9 种人在国内也能做到的赚美元副业，每一种都有人在做，都已有可参考的路径。

一、AI 搭网站：接海外建站外包

以前做网站要会写代码，现在借助 AI 工具（Cursor、Claude Code、v0、Bolt），任何人都可以快速搭建出一个看起来像模像样的网站。

而在海外，尤其是欧美的中小企业主和创业者，对于"有人帮我做个网站"有大量稳定需求，而且他们愿意付的价格，用人民币换算完全是暴利。

如何入手

选择平台接单： Fiverr、Upwork 是最主要的接单平台。注册账号，做好 Profile，展示你的作品，设定合理的起步价（初期可以低一点，先跑量积累评价）。

找到细分方向： 不要说"我做所有类型网站"。选一个细分方向，比如"SaaS Landing Page"、"Coaching/Course Website"、"Local Business Website"，专注做，更容易被精准客户找到。

工具组合： 用 Webflow 或 Framer 做设计感强的落地页；用 WordPress + Elementor 做 SEO 友好的内容站；用 Next.js + Vercel 做轻量级 SaaS 展示站。AI 辅助开发，效率提升至少 3 倍。

一个中等复杂度的网站项目，在 Fiverr 上的行情在 $300-$1500 之间。做熟之后，一个月接 3-5 单，月入 $1000-$5000 完全现实。

怎么选细分方向、怎么在 Fiverr / Upwork 起步接单，完整拆解在《用 AI 接海外建站外包怎么起步》里。

游戏站、工具站、内容站，到底哪种适合独立开发者搞钱？

Sun, 07 Jun 2026 00:00:00 +0800

AI时代，人人都是开发者。哪怕不会写一行代码，只要你会用点AI工具，也能拉个网页出来。

在这个背景下，游戏站、工具站、内容站，是现在独立开发者最常走的三条路，但每条路的风景和陷阱，都挺不一样的。

一、游戏站：高投入，高风险，但也可能高回报

开发游戏站，通常来说是成本最高的。你想啊，从游戏设计、前端后端开发、美术资源、服务器搭建到后期维护，投入成本相对较高。

即便是小游戏，也得考虑游戏的趣味性、bug 修复和版本迭代。如果你想做大型游戏，那成本更是天文数字了。

推广难度方面，游戏站可以说难上加难。现在市面上的游戏太多了，玩家的选择也多，你的游戏怎么才能脱颖而出？

除了本身游戏质量要过硬，你还需要在渠道推广、社群运营、广告投放上下功夫，这些都是实打实的投入。如果游戏本身不够吸引人，玩家留存率低，那推广的钱可能就打水漂了。

至于变现手段，游戏站还是挺多的，主要有以下几种：

游戏内购：这是最常见的，比如卖皮肤、道具、会员等。
广告变现：在游戏中插入广告，通过点击或展示来赚钱。
付费下载：用户需要付费才能下载游戏，这种模式对游戏质量要求更高。
订阅制：提供付费订阅服务，比如按月或按年付费玩游戏。
虚拟货币：有些游戏会发行自己的虚拟货币，玩家可以通过购买或游戏内活动获取。

如果你是独立开发者，想做游戏站，我的建议是从小切入，先做一些轻量级、玩法新颖的小游戏。

不要一开始就想做大制作，那会把你拖垮。可以考虑H5游戏或者微信小游戏，这些门槛相对较低，也更容易快速迭代。

在推广上，可以多利用社交媒体和短视频平台，分享游戏开发过程和有趣的游戏片段，吸引早期用户。最重要的是，要找到一个你真正热爱并且擅长的游戏类型，这样才能有动力坚持下去。

二、工具站：实用为王，细水长流

工具站的开发成本通常会比游戏站低不少，但具体还得看工具的复杂程度。一个简单的计算器或者文件转换工具，可能一个人花几天就能搞定。

但如果是一个功能强大、交互复杂的专业工具，比如在线图片处理或者项目管理工具，那开发成本就上来了，需要投入更多时间在功能设计、代码优化和用户体验上。

不过相比游戏站，它不需要大量的艺术资源和复杂的物理引擎。

推广难度嘛，工具站主要看你的工具是否解决了用户的痛点。如果你的工具是市场上稀缺的、或者比现有工具更好用、更便捷，那推广起来相对容易。

用户会因为需求而主动寻找你的工具，口碑传播也是非常有效的方式。但如果你的工具可替代性太强，或者市面上同类产品太多，那推广起来就需要花更多精力去突出你的特色和优势。

工具站的变现手段也比较清晰：

付费订阅/高级功能：这是最常见的模式，免费提供基础功能，高级功能需要付费解锁。
广告变现：在工具中嵌入广告，但要注意不要影响用户体验。
按使用量付费：比如提供 API 接口，用户根据调用次数付费。
捐赠：如果你的工具非常实用，有些用户可能会自愿捐赠支持。

独立开发者做工具站，最好的切入点是从你自己的需求出发，或者发现身边朋友遇到的实际问题。当你为解决一个真实痛点而开发工具时，你就能更好地理解用户需求。

你可以先开发一个 MVP（最小可行产品），然后根据用户反馈不断迭代。

推广方面，可以多利用行业论坛、技术社区、知乎等平台分享你的工具，并提供详细的使用教程。提供免费的基础功能来吸引用户，再考虑付费高级功能，这样用户更容易接受。

三、内容站：长期积累，内容为王

内容站的开发成本是三者中最低的。搭建一个基本的博客或者资讯网站，可能用 WordPress 这样的建站工具就能很快搞定。

主要成本在于域名、服务器和一些主题插件的费用。但真正投入大的是内容的创作，这需要你持续输出高质量、有价值的内容。

推广难度方面，内容站是长期积累的过程。你不能指望一上线就有大量用户涌入。你需要通过 SEO 优化、社交媒体分享、与其他内容创作者合作等方式来增加曝光。

更重要的是，你的内容要能吸引人，有深度、有观点、有价值，才能留住用户，形成忠实的读者群。这是一个需要耐心和毅力的过程。

内容站的变现手段主要有：

广告联盟：比如 Google AdSense，通过展示广告赚取收益。
付费内容/会员订阅：提供独家、高质量的付费内容，或者会员专属特权。
联盟营销/电商导购：推荐相关产品或服务，通过销售提成赚钱。
知识付费：出售电子书、线上课程、咨询服务等。
品牌合作/软文推广：与品牌合作发布推广文章。
用户打赏：如果你的内容深受喜爱，用户可能会选择打赏支持。

如果你想做内容站，首先要明确你的内容方向和受众。找到一个你真正感兴趣并且有知识积累的领域，这样你才能持续输出优质内容。

不要盲目追热点，而是要深耕一个细分领域，成为这个领域的专家。在内容创作上，除了文字，也可以考虑图片、视频、音频等多种形式。

推广方面，初期可以多在社交媒体、问答平台等地方分享你的内容，并积极与读者互动，建立社群。记住，内容站的成功在于内容的持续高质量输出和与用户的深度连接。

总结

独立开发者在 AI 时代做网站，工具站和内容站的门槛相对更低，风险也更可控，更适合初期尝试。它们更注重实用价值和长期积累。

游戏站虽然诱人，但对资源和资金的要求高，除非你对某个游戏类型有极深的理解和独特的创意，并且有足够的资金支持。

无论选择哪种类型，最关键的还是找到你热爱并且擅长的领域，这样才能在遇到困难时坚持下去。AI 确实能帮你提高效率，但最终决定网站成功的，还是你对用户需求的理解，以及你是否能持续提供有价值的东西。

如何去除 HTML 的 AI 味，提供两个思路，亲测有效

Sat, 06 Jun 2026 00:00:00 +0800

你用 AI 生成过网页吗？

不管你用的是 Claude Code、Codex，还是别的什么工具，生成出来的东西，大概率长这样：

蓝紫色渐变背景，三个圆角卡片并排站，每张卡片顶上顶一个 emoji，底下一个"了解更多"按钮，hover 上去还要放大一下。

换个工具再试？换个 prompt 再来？结果还是差不多，一眼 AI。

这不是代码水平的问题，AI 写的代码结构清晰，命名规范，甚至比很多人写得好。

问题出在审美上。AI 有一套自己的"审美制服"，不管谁来用，穿出来都是同一个样子。

今天不聊设计理论，就聊两个实操思路，帮你把这身制服脱掉。

一、截图复刻

去 AI 味最直接的办法，不是学设计，而是学"抄"。

你不需要自己懂设计，你只需要知道自己觉得什么好看。

找到一个你喜欢的网页，截个图，网页比较长的话就截长图，扔给 AI，告诉它"照这个风格来"。就这么简单。

为什么截图比给网址好用？

因为你给 AI 一个 URL，它拿到的是源代码，不是视觉画面。

它看到的是一堆 HTML 标签和 CSS 属性，不是你眼里那个"好看的页面"。

而截图是直接把你看到的东西给它看，AI 能从图里读出配色、排版、间距、字体风格这些视觉信息，还原度高得多。

截图要截完整页面

不要只截一小块局部。

AI 需要看到整体的设计语言，上下怎么排列、模块之间怎么衔接、留白在哪里，而不是一个孤立的按钮或卡片。

可以多张截图混搭

你喜欢 A 网站的排版，但更喜欢 B 网站的配色？

两张截图都扔进去，告诉 AI "排版结构参考 A，配色参考 B"。

AI 能理解这种混搭指令。

截图之外，加一句话点出你最在意的

比如"我最喜欢这个页面的留白感"或者"主要参考它的配色克制"。

一句话就够了，帮 AI 抓住你的审美重点，而不是让它自己猜。

如果你能用文字描述，效果更好

截图是基础，但如果你还能拆解出"它为什么好看"，写进 prompt 里，AI 的还原度会更上一层。

比如："通栏布局，大面积留白，配色以黑白为主搭配一个橙色强调色，字体大小对比强烈，标题极大正文极小，动效克制。"

能描述到这个程度，AI 基本没有空间启动它的默认审美了。

去哪里找好的参考？

比如，QODEinteractive、Godly等，或者直接去你喜欢的品牌官网。

养成一个习惯，日常浏览时看到好看的网页就截图存下来，慢慢积累自己的"审美素材库"。等到你需要让 AI 做页面的时候，从素材库里挑一张扔过去就行。

用 AI 搭建个人网站，"国内站"和"海外站"到底有什么区别？

Sat, 06 Jun 2026 00:00:00 +0800

2026 年，个人网站不再只是电子名片。

它是你的内容资产库、搜索入口、AI 可见性入口、商业转化入口。

公众号、小红书、视频号、抖音等社交媒体平台当然要做，但那是租来的店铺。

你的独立站，才是你自己的地基。

建网站真正难的不是代码，而是从第一天就想清楚：你服务谁，怎么被找到，怎么建立信任，最后怎么收钱。

同样是用 AI 搭个人网站，面向国内用户和面向海外用户，从第一步买域名开始，路线就已经分叉了。

不只是服务器放在哪儿的问题。

域名在哪里买、用什么后缀、托管平台怎么选、要不要备案、能不能收款、搜索引擎能不能抓到、AI 能不能引用到你……

很多地方都不一样。

一、域名

国内建站：在国内服务商买可备案域名

如果网站主要面向国内用户，优先在腾讯云、阿里云这类国内服务商购买域名。

后缀优先选 .com、.cn 或 .com.cn。

真正影响备案顺不顺的，不是后缀本身，而是：

域名后缀是否在备案支持列表里
注册商是否被国内备案系统认可
域名是否完成了实名认证
实名信息是否和备案主体一致

所以如果打算走国内备案，不建议在 GoDaddy、Namecheap 这些境外注册商买域名。

不是不能用，是后面可能多一道"转入国内注册商"的麻烦。

对小白来说最省事的路线：域名、DNS、备案都放在同一个服务商。少折腾，少踩坑。

费用大概几十到一百多一年。注册时要实名认证，公司主体用营业执照，个人主体用身份证。

这一步很像办证，不只是买东西。

海外建站：优先 .com，注册商选 Cloudflare 或 Namecheap

面向海外用户，域名优先选 .com，全球用户熟悉、信任感强、后续接支付和广告平台都更自然。

注册商可以选 Cloudflare、Namecheap、Porkbun 或 Spaceship。

如果你打算用 Cloudflare 全家桶（Pages + DNS + CDN），直接在 Cloudflare 买域名最顺。

Cloudflare Registrar 采用成本价模式，注册和续费价格一致，不会首年便宜续费翻倍。

但有一个限制：域名必须使用 Cloudflare 的 DNS，不能指向其他提供商。

如果你想把 DNS 托管在别处，就选 Namecheap 或 Porkbun。

海外注册通常不需要上传身份证，但要填真实信息、完成邮箱验证、开启两步验证和自动续费。

国内买域名，要想着后面的备案。海外买域名，要想着后面的品牌、DNS 和收款。

二、网站搭建

到了真正搭网站这一步，国内和海外的差别反而不大。

如何使用 Obsidian + Codex，搭建个人知识库

Tue, 02 Jun 2026 00:00:00 +0800

AI 时代最明显的感受是：

信息太多，知识更新太快，收藏越来越多，但真正沉淀下来的越来越少。

每天刷到很多文章、工具、观点、方法论，当下觉得很有用，转头就找不到了。收藏夹越来越满，脑子反而越来越乱。

搭一套自己的个人知识库，很有必要。

让它们这样分工：手机 Obsidian 快速记录，Mac Obsidian 阅读和轻量编辑，Codex 整理复盘生成内容，iCloud 同步。

目标不是把资料"存起来"，而是让碎片信息可以被复盘、连接，最后变成自己的判断和输出。

一、核心思路和分工

我没有一开始就做复杂分类。

借鉴了 Andrej Karpathy 的一个笔记思路：先 append，再 review。

也就是：先把想法快速丢进去，不急着分类。等每周复盘时，再看哪些想法值得保留、升级、连接。

很多想法不需要马上整理。真正重要的东西，会反复出现。

工具分工

手机 Obsidian：快速记录，随时捕捉想法
Mac Obsidian：阅读和轻量编辑
Codex：整理、复盘、生成内容
iCloud：跨设备同步

二、我的 Obsidian 文件夹结构

00 Inbox       所有临时想法先放这里
01 Daily       每日笔记
02 Projects    正在推进的项目
03 Areas       长期关注领域
04 Resources   书、文章、视频、课程
05 Notes       正式的原子笔记
06 MOCs        主题地图
07 Outputs     文章、方案、报告等产出
08 Codex       AI 协作区
99 Templates   模板

结构不用复杂，能用起来才是关键。

三、重要的入口笔记

我建了一个主入口：00 Inbox/_append-and-review

AI越强，营销人越要回到一线

Sun, 31 May 2026 00:00:00 +0800

最近翻到一句老话：

"宰相必起于州部，猛将必发于卒伍。"

意思不复杂，能当宰相的人，往往是从地方治理里熬出来的；能打仗的猛将，也多是从普通士兵里拼出来的。

以前读，觉得这是讲用人、讲仕途。但放到今天的营销环境，尤其是AI时代，我反而觉得它说中了一个要害。

因为营销人的工作方式，正在被重写。

写文案，AI能写。做海报，AI能做。拆选题、生成方案、总结数据，AI都能上手。过去要花半天、一天甚至几天的活，现在几分钟就能出初稿。

于是很多人产生了一种错觉：营销是不是越来越简单了？是不是掌握几个工具、背几个Prompt，就能成为厉害的营销人？

真正做过营销的人都知道，不是这么回事。

AI让执行变快了，但没让市场变简单。

它能把一句话写得更顺、一份方案做得更全、一张图做得更好看，但它替你判断不了：

客户到底为什么不买？销售为什么推不动？线索看着一大堆，为什么不成交？内容阅读量不错，为什么没人咨询？广告点击率还行，为什么转化稀烂？一个卖点你觉得很高级，客户为什么压根不在乎？

这些问题不在工具里。它们在一线。

一、AI时代最稀缺的，不是生成能力，是判断力

过去做营销，差距主要在执行。谁文案写得快、谁PPT做得溜、谁懂投放后台、谁会搭活动，这些都是看得见的能力差。

AI出现后，这些基础执行能力被迅速拉平了。不会写文案，让AI先写；不会拆选题，让AI先拆；不会搭方案，让AI先起框架。

这是好事。但问题也来了：当所有人都能更快出内容、出方案、出物料，真正拉开差距的，不再是"谁生成得快"，而是"谁判断得准"。

因为AI给你的东西，通常看着都不差，结构完整、语气流畅、标题也像模像样。

但它打不打动客户？帮不帮得上销售成交？解不解决用户真正关心的问题？推不推得动业务结果？这些AI自己判断不了。

一个不懂客户的人，用AI写出来的文案，只是更流畅的空话。一个不懂业务的人，用AI生成的方案，只是更漂亮的PPT。一个不懂销售的人，做出来的物料，销售根本不愿意用。

所以AI时代营销人的核心能力，不是"会不会用AI"，而是：你有没有足够真实的一线判断，去指挥AI。

二、营销里的"州部"，是客户、销售和市场现场

"宰相必起于州部"，翻译到营销里就是：真正优秀的营销负责人，不该只从会议室、PPT和口号里长出来，而该从真实的市场现场里长出来。

营销的"州部"是什么？

是客户现场，是销售反馈，是投放后台，是官网数据，是评论区，是咨询记录，是成交复盘。是那些看着碎、看着杂、看着不高级，却最接近真实市场的地方。

比如销售跟你说"这批线索不精准"，你不能停在抱怨销售不跟进，而要追下去：不精准在哪？行业不对？岗位不对？预算不对？需求阶段不对？还是客户压根没看懂我们是干嘛的？

再比如一篇内容阅读量不错却没转化，你不能只说"效果还可以"，而要拆：看的人是不是目标客户？标题吸引来的是不是对的人？正文有没有建立信任？有没有讲清下一步动作？

这些AI能帮你整理，但前提是，你自己知道该问什么。

很多营销动作失败，不是执行不努力，是一开始就判断错了：

你以为客户在意功能强大，客户真正担心的是团队会不会用。你以为客户想看行业趋势，客户真正想知道的是眼前的问题怎么解。你以为市场需要更多线索，销售真正缺的是更清晰的客户画像和更好用的转化物料。

这些判断，都是从一线长出来的，不是坐在办公室里想出来的。

三、营销里的"卒伍"，是那些最基础的执行现场

"猛将必发于卒伍"放到营销里也很妙，能带队打仗的人，最好先知道战场长什么样。

很多人一上来就谈品牌战略、全域增长、用户心智、AI营销体系。这些当然重要，但没做过基础执行，很容易变成纸上谈兵。

你没亲手写过转化型文案，就很难判断一句话为什么不成交。你没看过投放后台，就很难理解流量质量差在哪。你没跟过活动现场，就不知道客户当场问的问题，和你方案里写的完全是两码事。你没做过销售物料，就不懂销售为什么不用市场部的资料。你没盯过线索流转，就不明白市场和销售为什么总互相嫌弃。

这些活看着不高级，却构成了一个营销人真正的"战场感"。做过SEM的人更懂搜索意图，做过SEO的人更懂内容资产，做过运营的人更懂用户为什么停留、收藏、转发或直接划走。

所以营销人不怕从基础岗位起步。怕的是一直只会执行，却从没从执行里长出判断；更怕的是没碰过一线，就急着谈战略。

真正成熟的营销人，不是把大词讲得漂亮，而是能把大词翻译成具体动作：用户听得懂的话，销售用得上的物料，渠道跑得动的内容，数据能验证的结果。

四、为什么AI越强，越需要一线经验？

很多人以为AI会替代营销人的经验。我反而觉得，AI会放大经验的差距。

因为AI更像一个执行团队，而不是一个真正懂你业务的负责人。你给它清楚的判断，它帮你放大；你给它模糊的判断，它就帮你生成一堆看着完整、实则很虚的东西。

比如你只说"帮我写一篇产品推广文案"，它会给你一篇结构完整、语言流畅但极其平庸的稿子。

但如果你告诉它：目标客户是B2B企业市场负责人；他们的痛点是线索多但质量差；销售常抱怨市场给的客户没预算；客户真正关心的不是功能，而是能不能帮他们建立线索评分和销售跟进机制；这篇内容别硬推产品，先讲清市场和销售为什么在线索质量上互相甩锅。

它给你的东西，就完全是另一个量级。

所以AI不是没用，恰恰相反，它非常有用。但它的价值，取决于你输入的判断质量。你越懂客户，它越能帮你写出有效内容；你越懂转化，它越能帮你优化落地页和话术；你越懂一线，它越能把一个真实洞察，放大成内容、广告、物料、活动和转化路径。

这就是AI时代营销人的新分工：不是你亲自做所有事，而是你负责判断方向、提炼洞察、设计策略，再让AI帮你放大执行。

前提是，你得有东西可判断，你真的见过客户的犹豫，听过销售的抱怨，看过数据的波动，经历过内容的冷场，也复盘过转化的失败。否则，你只是把AI当成一个更高级的内容生成器。

五、别只问哪个AI工具好用，先问自己有没有真实输入

现在很多营销人特别爱问：哪个AI写文案好？哪个做图好？哪个生成方案好？哪个适合做自动化？

这些可以问。但更重要的问题是：

我整理过客户的常见问题吗？记录过销售最常碰到的异议吗？复盘过成交客户为什么买、流失客户为什么不买吗？看过内容数据背后的真实原因吗？把一线反馈沉淀成可复用的知识库了吗？

如果这些都没有，换再多工具，也只是换种方式生产空话。

AI时代真正值钱的营销知识，不只是模型、框架、方法论，更是那些极具体的一线信息：客户原话、销售反馈、失败案例、成交原因、异议清单、竞品对比、渠道数据、转化路径、内容表现。

这些越具体，AI越能帮你放大；越模糊，AI越容易生成废话。

所以未来优秀的营销人，很可能不是"最会写Prompt的人"，而是"最会把真实业务经验结构化的人"。他能把客户问题变成选题库，把销售异议变成话术库，把成交案例变成内容资产，把投放数据变成优化方向，把市场反馈翻译成产品和销售都听得懂的语言。

这才是AI真正能放大的东西。

六、营销不是把话说漂亮，是把市场打下来

回到那句话："宰相必起于州部，猛将必发于卒伍。"

它提醒的不是"基层比高层重要"，也不是"执行比战略重要"。它真正想说的是：一个人没经历过真实场景，就很难形成真正可靠的判断。

放到AI时代的营销里，就是：别只迷信工具，别只迷信方案，别只迷信漂亮内容，更别以为AI生成得越快，营销就越厉害。

营销的本质没变，理解客户、表达价值、建立信任、推动转化。AI能提效率，但替不了你靠近客户；能生成内容，但替不了你判断市场；能帮你做方案，但替不了你承担结果。

所以真正厉害的营销人，依然要从一线长出来。去听销售怎么说，去看客户怎么拒绝，去翻评论区在问什么，去看投放数据哪里断了，去复盘线索为什么没转化，去判断用户到底是真需求还是假兴趣，然后，再用AI把这些真实洞察放大。

到那时，AI才不是一个"内容生成器"，而是你的执行团队、研究助理、创意伙伴、增长放大器。

所以这句话，放到今天或许可以改成：

优秀的营销人，必起于市场一线；真正会用AI的增长高手，必发于真实业务现场。

AI时代，不缺会生成内容的人。缺的是懂客户、懂业务、懂转化，还能用AI把这些能力放大的人。

营销不是把话说漂亮。营销是把用户看懂，把产品讲清，把市场一点点打下来。

现在公司招数字营销，到底在招什么人？

Sat, 30 May 2026 00:00:00 +0800

最近看了一批数字营销相关岗位，越看越明显：现在公司招的，已经不是传统意义上"只看渠道能力"的数字营销人才了。

以前做数字营销，可能会SEO、会投广告、会写内容、会看点数据，就已经算比较完整了。

但现在不一样了。

很多岗位的要求已经变成了：

要懂SEO，还要懂GEO；
要会投广告，还要能优化ROI；
要会做内容，还要懂产品营销；
要会看数据，还要能解释业务结果；
要会用AI，还要能把AI放进营销工作流；
最好还懂海外平台、英文内容、B2B转化。

尤其是科技公司、AI公司、SaaS公司、智能硬件公司，这个趋势特别明显。

一、AI工具能力已经变成基础项

但注意，公司要的不是"会用ChatGPT写文案"的人。

它们真正想要的是：你能不能用AI提升整个营销流程的效率。

比如用AI做关键词研究、竞品分析、用户评论整理、内容大纲、英文润色、FAQ生成、Fact-check、落地页文案测试。

会用AI，不等于有AI营销能力。

能把AI放进真实业务流程里，才是优势。

二、海外数字营销需求越来越强

现在很多岗位都在招海外数字营销、英文SEO、全球官网增长、AI海外市场相关岗位。

背后其实很简单：越来越多中国科技公司都在出海。

所以未来数字营销人不能只懂国内投放和内容，还要懂Google、Meta、LinkedIn、TikTok、YouTube、Reddit、海外SEO、英文内容、本地化表达。

尤其B2B出海，英语不是简单能读写，而是能用英文做营销表达。

三、SEO正在升级成SEO + GEO

以前做SEO，核心是关键词排名。

现在还要考虑：品牌能不能被ChatGPT、Gemini、Perplexity这类AI回答提到、引用、推荐。

所以岗位里开始出现：GEO、AI Search、Schema、FAQ结构、AI可理解内容、Authority建设。

未来做官网增长，不只是为了让Google收录你，还要让AI看懂你。

四、广告投放不再只是会操作后台

现在企业不太缺"会投广告后台的人"，它们更关心：

预算怎么分？
CPL多少？
转化率多少？
ROI有没有提升？
线索最后有没有进入销售漏斗？

所以面试时，如果只说"我投过Google Ads"，其实不够。

更重要的是你能不能讲清楚：投了多少钱、投了哪些渠道、怎么测试素材、怎么优化落地页、最后带来了多少有效线索。

五、官网正在变成数字营销主战场

很多岗位都在强调：官网增长、Landing Page、产品页、白皮书、客户案例、技术博客、帮助文档、转化率优化。

这说明官网不再只是公司介绍页，而是获客和转化系统。

尤其B2B公司，用户不会看一篇文章就下单。他要看解决方案、案例、FAQ、产品文档、对比内容，最后才可能留下线索。

所以未来懂官网增长的人，会越来越吃香。

六、内容营销正在升级成产品营销

以前内容营销可能更偏文章、公众号、社媒内容。

现在很多岗位已经要求你能做：产品价值定义、卖点提炼、客户痛点分析、Sales Kit、产品发布内容、客户案例、销售话术。

特别是B2B AI产品和科技产品，最难的不是写得漂亮，而是把复杂产品讲清楚。

你要能把技术功能翻译成客户听得懂的商业价值。

总结

现在的数字营销岗，正在从"渠道型市场能力"，升级成"增长型市场能力"。

未来更有竞争力的人，大概率不是单纯会投放、会写内容、会SEO的人，而是能把这些能力串起来的人：

用内容理解用户，
用渠道获取流量，
用数据优化转化，
用AI提升效率，
最后为业务增长负责。

所以如果你还在准备数字营销岗位，建议不要只包装自己"会SEO、会投放、会写内容"。

更好的方向是：我是一个懂AI时代官网增长、内容转化和B2B数字营销的人。

这个定位，会比传统数字营销候选人更有竞争力。

你最近看数字营销岗位，有没有感觉要求越来越复杂了？

Codex团队成员，教你如何蒸馏自己，附提示词

Tue, 26 May 2026 00:00:00 +0800

你有没有发现，每隔几天就在重复同一件事：整理竞品资料、写周报、清理 inbox、跑相同的数据查询，但就是懒得，或者不知道怎么，把它自动化？

OpenAI Codex 团队的 VB 最近分享了一个提示词，专门解决这个问题。

核心思路很简单：让 Codex 翻出你过去 30 天的操作记录，帮你找出值得打包的重复工作，然后直接给你造出来。

它会按顺序扫描你的 Codex 会话历史、Memory、Chronicle 记录，再对照你已有的工具，只在真正缺失的地方新建东西，不重复造轮子。

一、它怎么判断"值不值得造"

至少发生过 2 次，或明显会反复出现、成本高
有稳定的输入、可重复的步骤、清晰的完成条件
能明显提升速度、质量或一致性
现有工具没有覆盖到

二、能造出什么

Skill：可复用的工作流程 / Playbook
子代理：专项调查、有边界的专家角色
自动化：定期检查、报告、提醒、监控
跳过：太零散、太敏感、证据不足的活

三、输出格式

先给候选清单（证据、频率、置信度、推荐形式），只有高置信度的才真正去造。最后汇报：造了什么、跳过了什么、哪些需要更多证据。

四、如何操作

复制提示词粘贴到 Codex，记得开启"启用记忆"。

五、使用前注意 4 点

Chronicle 仅作线索用，不可盲信
别过度打包，宁缺毋滥
直接跳过一次性、模糊、敏感的工作
优先复用已有技能和代理

六、提示词

Look back over my recent work from the last 30 days, or all available history
if shorter, and identify repeated manual workflows worth packaging.

Use available evidence in this order:
- Recent Codex sessions and task summaries.
- Codex Memories and rollout summaries to find patterns repeated across sessions.
- Chronicle, if enabled, to spot repeated work outside Codex. Use Chronicle for
  discovery only; confirm important details in the relevant source system when possible.
- Existing skills, custom agents, and automations, so you reuse or extend what
  already exists instead of duplicating it.

Look broadly for work that is repeated, time-consuming, error-prone, context-heavy,
or benefits from a consistent process. Include workflows across coding, research,
writing, planning, communication, operations, analysis, and personal administration.

Only act on a candidate when it:
- occurred at least twice, or is clearly likely to recur and costly to repeat;
- has stable inputs, a repeatable procedure, and a clear output or stopping condition;
- would materially improve speed, quality, consistency, or reliability;
- is not already adequately covered.

Choose the smallest appropriate form:
- Skill: a reusable workflow or playbook.
- Custom subagent: a bounded specialist role or investigation task suitable for delegation.
- Automation: a scheduled or recurring check, report, reminder, or monitor.
- Skip: work that is too one-off, ambiguous, sensitive, or poorly evidenced to package.

First produce a compact shortlist with:
- repeated workflow
- supporting evidence and dates
- frequency/confidence
- recommended form: skill, subagent, automation, extend existing, or skip
- why it is or is not worth creating

Then create only the high-confidence missing items. Keep them narrow, practical,
source-aware, and easy to validate. Do not create speculative, overlapping, or
overly broad assets.

Finish with:
- what you created or extended
- what you deliberately skipped
- what needs more evidence before packaging

AI时代不被淘汰的人，都在叠加这三种能力

Sun, 24 May 2026 00:00:00 +0800

好像到处都是机会，但真正适合自己的机会并不清楚。

好像每天都很忙，但忙完之后，也没有形成真正的积累。

不是不想改变，而是不知道往哪变。

普通人真正值得长期投入的，是这三种能力：内容能力、AI 能力、出海能力。

一、内容能力

内容能力不是单纯发小红书、写公众号、拍短视频。

它的本质是：你能不能把一件事讲清楚，把自己的经验、观点、方法表达出来。

很多人不是没能力，而是不会把能力"内容化"。

做过项目，但不会复盘。踩过坑，但不会总结。有经验，但讲不出来。懂一个领域，但别人看不见。

你明明有价值，但没有被看见。

所以普通人一定要训练内容能力。

不一定要当博主，但至少要能证明自己，让别人知道你是谁、你懂什么、能解决什么问题。

二、AI 能力

AI 能力不是收藏一堆工具，也不是背几个提示词。

真正的 AI 能力，是把 AI 接入你的工作流。

写东西前，让 AI 帮你拆选题。做方案前，让 AI 帮你搭结构。学新东西时，让 AI 给你讲明白。做副业时，让 AI 帮你写文案、做页面、分析用户。复盘项目时，让 AI 帮你整理方法论。

AI 有价值的地方，不是替你完成一个动作，而是放大你的判断力和执行力。

但前提是，你自己得有方向。你没有判断，AI 只会给你普通答案。

三、出海能力

这里的出海，不是让你马上做跨境电商，也不是立刻去做海外公司。

对普通人来说，出海首先是一种视野。

不要只盯着国内平台，国内很多机会已经很卷了：内容卷、流量卷、副业卷、岗位也卷。

但 AI 出现后，普通人看海外机会的门槛变低了。

英语不好，可以用 AI 辅助翻译。不会调研，可以让 AI 分析海外用户讨论。不会建站，可以用 AI 辅助做工具网站。不会写英文内容，也可以让 AI 先出第一版。

你可以去看看海外用户在搜什么、讨论什么、买什么。

出海能力的第一步，不是马上赚钱，而是先打开信息差。

所以当你迷茫、不知道学什么的时候，不妨先围绕这三个方向积累：

内容能力，让你被看见

AI 能力，让你跑得更快

出海能力，让你看到更大的机会

以前以为 Marketing 容易，现在发现还是 Coding 容易

Sun, 24 May 2026 00:00:00 +0800

以前我也觉得，Marketing 好像比 Coding 容易。

毕竟 mkt 门槛低嘛，扫地阿姨路过都能点评一波：

"你这个标题不行" "这个海报不好看" "你是不是应该多发点短视频？"

以前听到这些话，我还真觉得挺有道理。

营销嘛，好像谁都能说两句。

写代码才是真的难，要懂框架、懂接口、懂数据库、懂部署，还要 debug 到怀疑人生。

但这几年自己做内容、做产品、做网站、做 AI 工具之后，我越来越发现一件事：

以前以为 Marketing 容易，现在发现还是 Coding 容易。

不是说 Coding 不难。

而是 Coding 再难，很多时候它的难是清晰的。

但 Marketing 的难，经常是模糊的、滞后的、没人告诉你原因的。

一、做产品更快了，但没有更好卖

这两年，AI 对写代码这件事的改变非常明显。

以前一个小工具，从想法到上线，可能要折腾几周。

现在有了 Claude Code、Codex 这类工具，一个 MVP 几天甚至几个小时就能跑出来。

页面能生成，功能能补全、Bug 能让 AI 帮你查、部署也有一堆现成教程。

对于很多独立开发者、内容创作者、产品经理来说，"做出一个东西"的门槛，确实被 AI 拉低了。

但问题是：产品做出来之后呢？

没人知道、没人访问、更没人付费。

你兴冲冲地上线了一个工具，结果后台安安静静。

你以为用户会被你的产品打动，结果用户连点进来的兴趣都没有。

这时候你会发现：AI 降低的是生产成本，但没有自动降低分发成本。

AI 让你更快把东西做出来，但它不会自动帮你获得用户注意力。

AI 能帮你写代码，但用户不会因为你"写得快"就买单。

二、Coding 的反馈很直接，Marketing 的反馈很模糊

为什么我现在反而觉得 Coding 更容易？

因为 Coding 的反馈通常很直接。

代码报错了，你知道哪里有问题；功能跑不通，你可以 debug；页面崩了，你可以修；接口不通，你可以查日志；上线之后，你也能很快验证它到底能不能跑。

Anthropic 这份创业手册，把「一人公司」讲透了

Sun, 17 May 2026 00:00:00 +0800

这两年，"一人公司"这个词越来越热。

一个人做产品、写内容、跑业务、接客户、看数据，听起来很自由，做起来你会发现：你不是在经营一家公司，你是在扮演一整个公司。

以前这件事几乎不现实。一家公司至少需要产品、技术、运营、市场、销售、客服，少一个环节都转不起来。

但 AI 出现之后，这个逻辑开始松动了。

Anthropic 最近发布了一份《The Founder's Playbook》，里面有一个判断，我觉得放到"一人公司"身上特别准：

创始人的角色，正在从"亲自干活的人"，变成"编排 AI 系统的人"。

未来的一人公司，不是一个人硬扛所有事，而是：一个人做判断，一群 AI 帮你执行。

一、一人公司真正缺的，不是工具，而是系统

很多人用 AI 的方式其实很碎：今天让 ChatGPT 写文章，明天让 Claude 改代码，后天让 AI 生成一张图，每次用完就结束了。

这还停留在"用工具"阶段。

真正的 AI 原生一人公司，是把 AI 放进整个业务流程里：

你有一个内容系统：AI 帮你监测热点、生成选题、写初稿、拆小红书图文、产出公众号长文；
你有一个产品系统：AI 帮你写需求文档、生成页面原型、写代码、整理版本更新；
你有一个增长系统：AI 帮你分析数据、总结规律、优化落地页、生成邮件话术；
你有一个客服系统：AI 帮你回复用户、分类反馈、提炼产品改进建议。

这时候，AI 更像是你的内容助理、产品经理、程序员、数据分析师的集合体。

而你真正要做的事，变成了：判断方向、提出问题、设计流程、验收结果。

这就是一人公司的新形态。

二、第一步：不要先做产品，先验证问题

很多人做一人公司，最容易犯的错误是：一有想法，马上开干。

看到某个工具火了，自己也做一个；看到别人卖课赚钱，自己也上线一个，忙了一个月，产品上线，没人用。

《The Founder's Playbook》里对这件事说得很直：在 Idea 阶段，最重要的不是做产品，而是验证问题。

也就是说，你要先搞清楚，这个问题真实存在吗？是不是足够具体？是不是高频发生？用户现在怎么应对？他们愿不愿意为更好的解决方案付钱？

比如，你不能只说"很多人不会做 AI 营销"。这句话太宽泛，没法验证。

要改成：中小 B2B 企业的市场负责人，想做 GEO 内容，但不知道怎么把传统 SEO 文章改造成适合 AI 搜索引用的格式，因此每周要花大量时间自己研究 ChatGPT、Perplexity 的回答逻辑。

这就具体了，具体才有验证价值。

对一人公司来说，这一步尤其不能省。你没有大团队，没有充足预算，没有很多试错空间。

Claude Code 和 Codex 怎么选？别再只看谁更强了

Sat, 16 May 2026 00:00:00 +0800

最近很多人问同一个问题：

Claude Code 和 Codex，到底选哪个？

如果只看功能介绍，它们好像差不多，都能读代码、改代码、解释报错、生成文件。

但真正用起来，你会发现它们根本不是一类工具。

Claude Code 像快刀，Codex 像参谋。

一个适合陪你快速干活，一个适合帮你把事情想周全。

所以，正确的问题不是"谁更强"，而是：我现在的项目，更需要哪种 AI 搭档？

一、一句话讲清楚区别

Claude Code 更像坐在你旁边的高级程序员。

你打开项目，它帮你看代码、改文件、修问题、跑命令。它适合深度参与一个项目，陪你一点点往前推进。

Codex 更像可以被你派活的工程助手。

你可以把任务交给它，修 bug、补测试、解释代码、做审查、拆解功能，它负责分析、给方案、再执行。

所以区别不只是"谁写代码更强"，而是：Claude Code 更偏深度陪跑，Codex 更偏任务委托。

二、使用体感：人狠话不多 vs 啰嗦但考虑全面

真正用几次之后，你会明显感觉到两者"性格"不一样。

Claude Code：人狠话不多，干活快

给它一个明确需求，它不会讲太多铺垫，而是很快进入状态：看项目结构，定位文件，判断原因，提方案，然后直接动手改。

就像那种很强的技术同事，你刚说"这个页面有点问题"，它已经开始翻代码了。你还在解释背景，它可能已经找到问题所在了。

这种体验非常爽，尤其适合修 bug、改页面、接明确功能、快速推进项目进度。

但它的问题也在这里：有时候太快了。

对有经验的人来说，这种快是效率。对小白来说，有时会有点慌，你还没完全看懂，它已经开始改文件了。

建议提前给它加一些规则：

"先告诉我修改方案，别急着改代码。"
"每次改动前，先列出会影响哪些文件。"
"遇到不确定的地方先问我，不要自己猜。"

加上这些规则，控制感会好很多。

Codex：啰里啰嗦，但想得更全

让 Codex 改一个功能，它通常不会马上冲进去改。

它会先分析：这个需求涉及哪些文件，有几种实现方式，哪种风险更小，改完怎么测试，出错了怎么回滚。

你只是想修一个报错，它可能先给你分析三种可能原因。你只是想让它干活，它可能先写一段执行计划。

听起来有点啰嗦，但对非专业用户来说，这份啰嗦就是安全感。

你至少知道它准备怎么做、会改哪些地方、有哪些风险、怎么验证结果。

如果说 Claude Code 是干活型选手，Codex 更像顾问型选手。

Claude Code 的优势是快，Codex 的优势是稳。

AI 时代，简历拼的不是包装，而是证据链

Fri, 15 May 2026 00:00:00 +0800

最近看到 Cursor 团队的 Lee Robinson 发了一条帖子，讲的是：如何让工程师的求职申请脱颖而出。

他不是站在"职业规划师"的角度说大道理，而是站在一个每天要审阅大量简历的人的视角，告诉你：什么样的候选人，会在几秒钟内被记住。

看完之后，我最大的感受是：

今天的求职，已经不是"写好一份简历"这么简单了。真正重要的是，你有没有搭建一条完整的证据链。

简历只是入口。个人网站、GitHub、LinkedIn、项目作品、公开表达、过往输出，才是别人判断你的第二层、第三层材料。

过去我们总觉得，求职就是写简历、投岗位、等面试。但现在，尤其是在 AI 和技术岗位里，招聘者越来越不只看你"说自己会什么"，而是看你有没有留下足够多的证据，证明你真的会。

一、简历要短，不是因为越短越高级

Lee 提到一个直接的建议：简历最好控制在一页。

很多人会误解成："一页简历才专业，两页就不行。"其实不是。

一页简历背后的逻辑，不是页数崇拜，而是注意力预算。

招聘者不是在慢慢欣赏你的自传。他是在大量候选人里快速筛选：这个人有没有重点？有没有相关经验？有没有拿得出手的成果？值不值得继续点开他的链接？

所以，一页简历不是为了显得"简约"，而是逼你做取舍。

✗ 别这样写	✓ 应该这样写
负责某某模块，参与某某项目，协助某某工作	解决了什么问题，用了什么方法，带来了什么结果

这才是简历里的有效信息。

二、个人网站，是你的"第二份简历"

Lee 还说，如果你的个人网站做得有用、有设计、有思考，会立刻超过 90% 的申请者。

这点特别值得重视。因为大多数人的简历都差不多，学历、公司、项目、技能栈，写来写去都像模板。但个人网站不一样。

它能展示你的判断力、审美、表达能力、项目沉淀，以及你到底是不是一个认真对待自己职业品牌的人。

对工程师来说，网站可以放项目、代码、技术文章、产品思考。对营销人来说，同样可以放：

你做过的增长案例
你写过的行业分析
你拆解过的营销玩法
你搭建过的工具或产品
你对 AI 营销、GEO、内容增长的理解

简历只能告诉别人：我做过什么。个人网站可以告诉别人：我是怎么思考的。这两者的差别很大。

三、GitHub、LinkedIn，不是摆设，而是背调入口

很多人投简历时会顺手放一个 GitHub 或 LinkedIn 链接。但问题是：链接不是装饰品，招聘者真的会点进去看。

Lee 特别提到，GitHub 不要堆满徽章、动图和花哨图片。对方想看的不是你会不会装饰主页，而是你的代码、项目和实际构建能力。

这句话翻译成所有职业都适用的版本就是：你的作品页不要像展板，要像证据库。

不要堆概念，不要堆形容词，不要堆"熟悉、精通、擅长"。你要让别人一眼看到：

你做过什么真实项目？
项目为什么值得看？
你的贡献是什么？
有没有可验证的结果？

LinkedIn 也是一样。放到国内语境，就是：你的小红书、公众号、即刻、知乎、个人网站、作品集，都可能成为你的"职业主页"。

别等到找工作时才开始补。你的职业资产，需要平时持续积累。

四、别群发简历，要为目标公司定制证据

Lee 还有一个关键建议：申请不同公司时，要定制你的申请材料。

如果你申请的是创业公司，学历背景可能没那么重要。如果你申请的是 AI 公司，那简历和项目里最好能体现你对 AI、Agent、产品变化的理解。

GEO 与 SEO：相同之处和不同之处

Fri, 15 May 2026 00:00:00 +0800

很多人一聊 GEO，就容易讲得很玄。

什么"AI 搜索时代来了""传统 SEO 要被颠覆了""品牌要进入大模型答案"……

这些话都对，但也都太空。

真正要落地，其实只需要先搞清楚一句话：

SEO 是让搜索引擎把你排上去；GEO 是让 AI 在回答里把你说出来。

这两件事不是割裂的。GEO 不是把 SEO 推翻重来，而是在 SEO 的基础上，把"被搜索到"升级成"被 AI 引用、推荐、解释、比较"。

Google 官方也明确说过，AI Overviews 和 AI Mode 并不需要一套特殊优化，SEO 基础仍然适用：页面要可抓取、可索引、内容要有帮助、结构化数据要与页面可见内容一致。

但问题在于：基础相同，不代表打法完全一样。

一眼看全

维度	SEO	GEO	关系
权威性	需要专业内容与外部背书	需要专业内容与外部背书	✅ 相同
及时性	持续更新更有优势	持续更新更有优势	✅ 相同
用户需求	围绕搜索意图写内容	围绕提问场景写内容	✅ 相同
内容结构	需要清晰层级与标题	需要可被 AI 提取的信息块	✅ 相同
核心目标	争搜索结果排名	争 AI 答案里的位置	❌ 不同
内容焦点	关键词优化	问题场景优化	❌ 不同
优化单位	整个页面的综合表现	可被引用的信息块	❌ 不同
外部信号	外链权重	多渠道一致认知	❌ 不同
核心指标	流量、排名、点击率	AI 提及率、推荐量	❌ 不同

一、相同之处

1. 都重视权威性

SEO 希望搜索引擎相信你是一个值得推荐的网站。GEO 希望 AI 相信你是一个值得引用的信息来源。

Claude、Claude Code、Cowork 到底怎么选？小白一次看懂

Thu, 14 May 2026 00:00:00 +0800

很多人第一次接触 Claude，都会被名字搞晕：

Claude、Claude Code、Claude Cowork，到底哪个是哪个？普通人该用哪个？不写代码的人，需不需要碰 Claude Code？

Claude 不是一个聊天工具，而是一套 AI 工作体系。Chat 负责对话，Cowork 负责执行任务，Claude Code 是上限最高的那个 Agent。

一、Claude Chat：最像 ChatGPT 的那个

你平时打开网页版或 App，输入问题让它回答，这就是 Claude Chat，也是绝大多数人接触 Claude 的入口。

适合做的事情很多：写公众号、做小红书文案、翻译资料、总结 PDF、分析内容、想选题、改简历、头脑风暴……

本质就是：你问，它答。

Claude Chat 更像一个会思考、会写作、会分析的 AI 助理。对普通人来说，这是上手最快、用途最广的入口，不需要任何技术背景。

二、Claude Cowork：不是聊天，而是一起干活

如果说 Chat 是"你问我答"，Cowork 就是把 Claude 从"聊天窗口"升级成"AI 同事"。

以前用 Claude，你要手动复制内容进去，让它分析、输出，再自己处理结果。

Cowork 更进一步，它运行在 Claude Desktop 里，可以直接访问你的本地文件、应用和浏览器，把复杂的多步骤任务从头做到尾。

你可以交代它：整理一个乱糟糟的文件夹、从一批资料里提炼报告、跨文件和网页做研究、每周定时拉数据填进模板……不需要你协调每一步，说清楚目标，它自己推进，做完交给你。

Cowork 的定位是：把强大的 Agent 执行力，包装成普通人也能用的界面。 不懂代码的人，同样可以有一个会自己干活的 AI 同事。

三、Claude Code：最强的那个 Agent，跑在终端里

Claude Code 经常被误解成"AI 写代码的工具"，其实不准确。

ChatGPT上线广告平台，AI 对话入口开始商业化

Wed, 06 May 2026 00:00:00 +0800

ChatGPT 开始认真做广告了。

这件事表面上看，只是 OpenAI 多了一个广告主平台：企业可以注册账号、设置预算、上传广告素材，然后把广告投放到 ChatGPT 的对话场景里。

但如果你是做营销的，就不能只把它理解成"又多了一个广告渠道"。

它真正代表的是：AI 对话入口，开始商业化了。

一、ChatGPT ads 到底是什么？

简单说，ChatGPT ads 就是出现在 ChatGPT 对话场景里的赞助广告。

用户向 ChatGPT 提问后，AI 会正常回答。回答结束后，下方可能会出现一个单独的广告模块，并带有明确的 Sponsored 标识。

这点很关键，因为 ChatGPT ads 不是"花钱让 AI 在答案里推荐你"。

OpenAI 官方明确说明：广告系统和聊天模型是完全分开的，广告主没有能力塑造、排序或改变 ChatGPT 的回复。广告是独立展示、清晰标注的付费位置，不是自然回答的一部分。

所以品牌要区分两件事：

GEO：让 AI 在自然回答里理解你、提到你、引用你，自然心智
ChatGPT ads：品牌付费出现在 AI 对话后的相关广告位，付费触达

就像做 Google：既要做 SEO，也要投 Google Ads。到了 AI 时代，很可能变成：既要做 GEO，也要投 AI Ads。

二、谁会看到 ChatGPT ads？

目前 ChatGPT ads 只向特定用户展示：

用户类型	是否看到广告
Free / Go 用户（美国、加拿大、澳大利亚、新西兰）	✅ 会看到
Plus / Pro / Business 付费用户	❌ 不展示
18 岁以下用户	❌ 不展示

这个逻辑很清晰：付费用户买的是更好的模型和体验，免费用户用注意力换取免费使用机会。

AI 在意的不是你的 Slogan，而是别人怎么复述你

Wed, 29 Apr 2026 00:00:00 +0800

在 AI 眼里，品牌自己说的话，是"主观陈述"；而大量用户反复说的话，才是"可引用证据"。

你说自己好 → 可能是营销；别人说你好 → 更像事实。这就是社会证明（Social Proof）在 AI 世界里的升级版。

一、人和 AI 的共同点：都更相信"别人怎么说你"

AI 的思路和人类几乎一模一样。它每天在干的事情，本质上是："除了你自己夸自己，这个世界上还有多少'独立的人类'，说过类似的话？"

二、AI 看"用户评价"，会重点观察哪三件事？

① 这句话，是不是"真体验"，而不是复制广告词？

❌ "高效便捷、多场景适配、性能强大。"

✅ "用了六个月，清洗真的就是 30 秒内搞定。跑步的时候戴着不会滑，出汗也还行。"

真实体验的信号：有时间维度（用了多久）、有场景（跑步/出汗）、有细节（30秒清洗）。

② 这句话，是只有一个人说，还是很多人都这么说？

当 AI 在不同时间、不同账号/平台、风格不同但核心意思一致地看到"适合新手"这个特征，它就会标记为："可能是该产品的真实属性。"这类标签会变成："可引用：该产品适合新手用户。"

③ 评价有没有"信息量"，还是只有星星？

❌ "⭐⭐⭐⭐⭐ 牛！" → 对 AI 几乎无价值

✅ "⭐⭐⭐⭐ 买它是因为预算不到 300 美元，又想喝意式。用了一年多，每天一杯，目前没坏过，就是清洗的时候要多拆一步，但还能接受。" → AI 会抽取：预算有限、耐用、清洁略有成本，标记为"可引用证据，而不是噪音"。

三、怎么把"用户说的话"，变成 AI 看得见的证据？

① 把散落在各平台的评论，搬回你自己的网站

设计「精选用户评价」「真实使用体验节选」等区块。关键：一定要是文本（不是图片），并附上时间/用途/使用时长等信息。

② 给用户评价加上 Review Schema（结构化）

{
  "@context": "https://schema.org/",
  "@type": "Review",
  "author": "Alice",
  "reviewBody": "我是第一次买咖啡机，新手也能用，每次只需要按一个按键。",
  "reviewRating": {
    "@type": "Rating",
    "ratingValue": "5"
  }
}

你是在对 AI 说："这些不是我写的，是用户写的，请按证据处理。"

GEO 写作核心：先给答案，再讲理由

Wed, 29 Apr 2026 00:00:00 +0800

你可能正有这种体验：文章写得比以前更认真、案例更多、截图更精美、SEO 流程一步不差。

结果后台一看流量在跌、点击在少、排名还在前排，点的人却越来越少。接着开始内耗："是不是我写得不够专业？"、"是不是大家根本不看文章了？"

其实大概率都不是。问题在于搜索玩法已经换代，你的内容逻辑还停在老版本。

一、以前的写法：逻辑很完整，结论很靠后

回想一下过去的写法：先铺垫背景，再讲趋势、讲观点、讲原理，然后一顿分析之后，在文末来一句："所以，综合以上，我推荐的是 XXX。"

这套逻辑在老 SEO 时代确实很好用，因为：

搜索引擎需要足够多的信息来判断你写的是什么
长内容、全覆盖、逻辑完整，是"优质页面"的信号
读者也习惯慢慢往下滑，一边看一边自己归纳结论

但今天多了一个"中间商"，AI。

二、现在的搜索：AI 先看，再决定要不要用你

用户现在在问的不是"咖啡机推荐"，而是"预算 300 美金，今年有什么好用、好打理的全自动咖啡机？最好适合租房党。"他们把问题丢给 ChatGPT、Google Gemini、DeepSeek 等。

AI 干的事是什么？它不会从头到尾看你的长文，它会飞快扫一眼你的开头，问自己三个问题：

这篇内容有没有一上来就把结论说清楚？
有没有一句话，我能直接剪下来当回答用？
有没有明确回答到用户的问题？

如果前三秒找不到这种"可引用金句"，AI 就会默默关掉你这篇，转身去引用别人。你后面写再多逻辑推演、案例拆解，它都看不到。

三、为什么要"先给答案，再讲故事"？

可以粗暴一点地理解：以前，人找答案；现在，AI 替人回答。

人是可以被你慢慢"养情绪"的，你先讲个故事、铺垫一下、卖个关子，读者可能会愿意跟着你走。但 AI 不吃这一套。

AI 不在乎你文笔好不好，它只在乎你"好不好剪"。

具体来说，它不需要完整的故事线，它需要的是"一句能代表你整篇文章立场的结论"，最好带上适用条件、对象是谁、为什么这个结论靠谱。

四、用买车的例子，感受一下差别

❌ 传统写法：结论埋在后面

"买车对很多人来说都是一件非常重大的决定，尤其是新手，更需要综合考虑安全性、品牌口碑、保养成本、油耗表现、驾驶体验……。所以，如果你是第一次买车，我会比较推荐 Toyota Corolla。"

AI 看完的内心 OS："你结论藏得太深了，我没空刨，你留着自己慢慢看吧。"

✅ GEO 写法：一上来就把牌摊开

"如果你是第一次买车的新手，我最推荐的入门车型是 Toyota Corolla。它在安全性、保养成本、油耗和驾驶门槛上，都对新手非常友好。下面我会详细讲讲为什么优先选它，而不是本田、现代或者其他品牌。"

AI 可以立刻剪一句："对于第一次买车的新手，Toyota Corolla 是非常适合的选择，因为它安全、好养、油耗友好、上手门槛低。"

你会发现内容本身没怎么变，只是把结论从"结尾"搬到了"开头"，瞬间就变成了 AI 爱用的"可引用素材"。

五、信息沟通的底层规则变了

可以把文章想象成一次"考试"，以前老师让你先写过程再写答案，现在 AI 直接说先把最终答案写在前面。

所以，一篇适配 AI 搜索的内容，最少要做到这三点：

开头就交代你是谁 / 面向谁：比如：做 B2B 的营销总监、刚入行的运营、新手独立开发者……
把结论讲清楚："在这种情况下，我推荐的就是 XXX / 最好的做法就是 YYY。"
后面再补充理由和细节：让 AI 有"更多素材可用"，让读者有"看下去的理由"

这套「先给答案，再讲理由」的思路，就是 GEO 里的答案优先写作。它只是 GEO 诸多打法中的一条，其余可以对照GEO 10 大核心打法清单逐条补齐。

为什么 100 个一问一句的小页面，胜过一篇 1 万字的终极长文？

Wed, 29 Apr 2026 00:00:00 +0800

AI 世界的"王炸"，不是 1 篇 3000 字长文，而是 100 个"一问一句"的小答案。

这不是 AI 不懂欣赏，而是，用户提问的方式、AI 回答的方式，都已经彻底"对话化"了。

一、搜索方式变了：从"敲关键词"到"跟 AI 聊天"

以前，人会在搜索框里敲：咖啡机推荐

现在更常见的是：

"预算 300 美元以内，有没有懒人也能用的全自动咖啡机？"
"飞利浦和德龙的入门咖啡机，哪个更适合新手？"
"胶囊机是不是智商税？长期用会不会特别贵？"

每一个人话问题，都是一个独立的搜索入口。

你写了一篇 3000 字"终极指南"，实际上能精准回答几个问题？大多数情况下：结构再清晰，也就主攻 1 个"大问题"。

但如果你把这篇长文拆成 30–50 个"小页面"，你一下子就变成：能占领 30–50 个搜索入口的答案提供者。

二、为什么 AI 特别偏爱 Q&A 微页面？

① 结构极度清晰，几乎不用猜

H1 标题 = 问题原句，第一段 = 一句话结论，后面 = 原因背景对比。对 AI 来说："谢谢你，连抽取顺序都替我设计好了。"

② 抽取成本极低：复制即可用

方案 A：从 5000 字里精选一句结论，顺逻辑补解释。方案 B：直接找到一问一答的 Q&A 页面，首段 + 理由组合即可。AI 也会选 B。对 AI 来说："好用 > 华丽"。

③ 长尾问题，远比你想象的多

为什么匿名博主写得再好，AI 也更爱引用机构与专家？

Wed, 29 Apr 2026 00:00:00 +0800

你的内容没被 AI 引用，很可能不是写得不够好，而是，AI 还不敢"站你这边"。

真正的问题只有一个：AI 还不确定你说的是不是真的，它不敢把你当"标准答案"讲出去。不是 AI 没看到你，而是，它暂时不敢引用你。

一、AI 引用谁，不是看谁写得好，而是看谁"更稳"

AI 在干的一件很关键的事是："如果我引用你，这句话翻车的风险大不大？"

👤 你是匿名作者？→ 有风险
📎 内容没有清晰来源？→ 有风险
🕸 网站几乎没人提起？→ 有风险
🎯 你的人设跟话题不匹配？→ 有风险

当 AI 面前有一堆候选内容，它会优先选："不一定最好，但最不容易出事的那个。"

二、AI 怎么判断你靠不靠谱？核心就是：EEAT

这套标准来自 Google，用来评估内容质量。

E — Experience（经验）：你有没有"亲手做过"？

AI 特别喜欢这类句式：

"我自己试过三台全自动咖啡机……"
"作为第一次养猫的人，我踩过这几个坑……"

可信度排序：真实经验 > 领域理解 > 生硬转述。

E — Expertise（专业）：你是不是"这个圈子里的人"？

同一句话，从不同人口里说出来，可信度完全不同。在重要内容旁边加：作者名、身份一句话总结、相关经验。

A — Authoritativeness（权威）：有没有人"替你背书"？

被别人引用越多的人，越容易继续被引用。你需要：出现在媒体报道、在论坛被转贴、在行业网站写专栏、被报告引用。

T — Trustworthiness（可信度）：你说的话，能不能被验证？

❌ "研究显示，苹果醋可以帮助减肥。"
✅ "根据 Mayo Clinic 2024 年的一项研究，苹果醋主要改善饭后血糖曲线，对体重本身影响非常有限。"

三、怎么让 AI 更信任你？3 个立刻能动手的小动作

✅ 给每篇重要内容，加一个"作者介绍小卡片"

示例：

你以为在发内容，其实是在给 AI 建「全网记忆图谱」

Wed, 29 Apr 2026 00:00:00 +0800

如果你只把内容丢在一个地方，AI 顶多"知道你存在"；当你在很多地方说同一件事，AI 才会开始"记住你"。

这不是运气，这是一个很朴素的规律：多点出现效应（Presence Bias / Omnipresence）

一、为什么"内容不能只发在自己的网站"？

因为 AI 在联网搜索时，不是只看你这一家。它会做一件关键动作：交叉验证（Cross-check）。

如果你的内容只出现在一个 domain 上，AI 的状态是："我知道有人这么说，但我不确定这是事实，还是这一个人在喊。"

注意这里有一个很重要的区别："只有你说对了" 和 "只有你在说"：这两句，对 AI 来说完全不是一回事。

而当同一个观点在多个平台、多种形态里反复出现，AI 的判断会慢慢变成："这不是一条孤零零的信息，而是一个被多次提及、语义一致的内容点。"

这一步，已经超出了传统意义上的 SEO，更接近于："为 AI 搭一个分布式的品牌信任网络"。

二、一个例子：同一句话，不同做法，差距巨大

✖ 做法 1：只发在自己网站

你在自家官网写了一篇 3000 字长文，AI 看到：一个 domain、一篇长文、只有你一个人在强调这个观点。结果：有机会被引用，但不稳定，容易被其他"更常出现的声音"挤掉。

✔ 做法 2：同一个观点，多点出现

同样的长文，同时出现在：Medium 精简版、LinkedIn 职业视角帖、Reddit/Quora 真实用户语气回答、行业媒体投稿、Newsletter、视频简介。

AI 多点出现后的判断："same topic, multiple contexts, consistent message → 很可能是真的 → 引用起来相对安全"

你不是在发内容，你是在有意识地训练 AI：'这类问题，记得来找我。'

三、这不是内容分发，这是在"教 AI 记住你是谁"

对人类来说，熟悉感是这样形成的：看到 1 次 → 知道存在 → 3 次 → 挺常见 → 7 次 → 可以参考 → 15 次 → 专家。

你把文章当“作品”，AI 把它当“有保质期的知识”

Wed, 29 Apr 2026 00:00:00 +0800

在 AI 搜索时代，写得不好 ≠ 没机会；但写得不错又长期不更新 = 很快被淘汰。

内容"写完"只是你上车；不持续更新，你很快就会被请下车。

一、AI 不是图书馆，是"实时世界模型"

传统 SEO 时代，大家都爱一次性写大而全，然后"佛系维护"，靠历史积累吃老本。

但 AI 搜索完全是另一套逻辑：AI 找的不是"最老的权威"，而是"最新、又相对可靠、风险最低的答案"。

内容有没有"保质期"，AI 看得比人还清楚。

二、两篇说同一句话，AI 为啥更愿意引用那篇"新"的？

两篇文章，内容几乎一样，差别只在：

文章 A：更新于 2022 年
文章 B：上次更新 2025 年 1 月

AI 肯定引用 B。原因：2022 年的评测，价格可能变了，型号可能停产，安全标准可能有变化，市面上可能出现了更好的替代品。AI 不会冒这个险。

以前可以是：写一次，吃三年。现在更像：你不更新，我就换别人。

三、内容圈正在悄悄出现一个新 KPI：更新频率

对 AI 来说，一篇页面如果很久没动过、外层看不到更新时间、sitemap 也不更新 lastmod，它就会把你默默放进"可能已经过期的内容"这一列。

于是同一话题，写得一般但更新勤快的，往往比写得很好但放养的，更容易被引用。

四、怎么让内容"看起来还活着"？一个很省力的三步法

① 每 60–120 天，让页面"动一动"

不用大修，可以是：加一个最新案例、更新一个数据或截图、替换过时型号、把年份从 2024 改成 2025 并补一句"为什么"、增加"今年的情况"一小段。

② 更新 AI 能看得见的"外层信息"

别只改正文，还要动这些：

页面的 last updated / 修改时间
页面模板里的 modified date
sitemap.xml 里的 <lastmod> 字段
RSS feed 的更新时间

这些是专门给 AI 和搜索引擎看的"心跳信号"。

光写给人看不够，还要写给机器看

Wed, 29 Apr 2026 00:00:00 +0800

如果你想让 AI 把你当"答案来源"，光写给人看不够，你的页面结构也要写给机器看。

前几篇解决的是「什么样的内容，更容易被引用？」这篇解决的是「怎样告诉 AI：这句不是闲聊，是可以当'事实'用的结构化信息？」答案就是：给内容加上 Schema.org 结构化数据。

一、为什么现在要给内容"加结构"？

一句话：AI 不是人，它不读文章，它是在"解析信息"。

你写"iPhone 15 大概卖 899 美元"，人能看懂，但 AI 只看到一行纯文本，没标注"这是价格"，没标注"这是产品名称"。但如果你加上 Schema 的 Product + Offer 标记，AI 立刻知道：产品名 iPhone 15、品牌 Apple、价格 899 USD。

你不是只在写一句话，而是在给 AI 一条"带标签的事实"。

二、这不是技术问题，而是"可信度"的问题

AI 在选引用来源时，心里的排序：

有结构化数据、来源清晰、字段标准的内容
有明确标签 / 表格 / 参数的半结构化内容
大段自然语言里夹杂着一些数字和名词的普通内容

Schema 不是"给 SEO 用的小玩具"，而是你对 AI 说的："这部分是事实，请优先当数据用。"

三、同一句话，有结构 vs 没结构，结果完全不一样

无结构版本："我们的软件有三个版本：基础版 $9/月，专业版 $29/月，团队版 $79/月。"能读懂，但 AI 提取成本略高，还怕搞错。

有结构版本：同样的定价信息写成 SoftwareApplication + 三个 Offer 对象，字段标准，AI 可以直接拎出来变成列表、表格、对比说明。

四、Schema.org 的作用

用一句人话说：它是专门给 AI 用的"翻译器"，把你的网站从"一篇文章"，变成"一份数据表"。

写内容让 AI 认识你，写文档才让 AI 听你的

Wed, 29 Apr 2026 00:00:00 +0800

那些被 AI 长期引用、甚至直接当成"默认解释"的网站，有一个共同点：他们不只是在"写内容"，而是在"公开、标准化自己的知识"。

AI 的真实诉求只有一句话："我不想猜，我想确认。"

一、内容 ≠ 知识库：AI 真正在找的是"官方说法"

你在官网写"我们的软件支持自动备份"，AI 认为这是"营销表述"。但如果你还有 API 文档、参数说明（auto_backup=true/false）、错误码、版本说明、使用场景限制、更新日志，AI 的感受就变成："这是一条可验证的官方事实。"

这就是差别：普通网站 = 信息来源；知识库 = 官方定义（Canonical Source）。

为什么问 AI 如何用 Stripe 做订阅收费，它直接给你 docs.stripe.com？因为那里结构清晰、字段标准、有版本记录、明确是官方说法，出错了可以追责。

二、你不需要变成 Stripe，但你可以变成"你领域里的小 Stripe"

AI 不在乎你是不是世界级大厂，只在乎："在这个小领域里，你是不是那个把话说清楚、写明白、负责到底的人？"你只需要让 AI 知道："关于这件事，以 TA 的说法为准。"

三、怎么让 AI 把你当"官方定义"？四步落地打法

① 把内容，从"文章体"改成"文档体"

拆成这些形态，让 AI 不需要"理解"，只需要"读取"：

参数：支持哪些选项？限制是什么？
表格：不同版本 / 套餐的对比
用例（Use Case）：适用人群 & 场景
版本说明：v1.0 / v1.1 差异
操作过程（Step-by-step）：1→2→3→4
对照表：A 做法 vs B 做法的区别

② 把文档放在清晰、稳定的"官方路径"下

/docs、/api、/help、/guide、/reference、/manual，当 AI 爬到这些路径，内心 OS 是："这不是随手写的内容，这是文档层级的东西。"

③ 给文档加上 TechArticle / HowTo 等结构化数据

视频让人喜欢你，文字才让 AI 真正记住你

Wed, 29 Apr 2026 00:00:00 +0800

在 AI 搜索时代，光有视频/音频，不算"知识"，只有变成可解析的文字，才算进入 AI 的世界。

对 AI 来说：它不是耳朵，它是解析器。它不会"听"，它只会"读"。

一、只有画面和声音，没有文字 = 在 AI 世界里几乎"隐身"

如果没有字幕文本、没有逐字稿/脚本、视频页面上没有结构化说明、也没有任何 Q&A 形式的文字，AI 的分类结果是：

media content (not text-indexed)
→ 可以当"你大概讲过这个话题"的证据
→ 但很难变成"引用你原话"的依据

观众记住了你，但在 AI 的知识库里，你几乎等于没出现。

二、当你把视频"翻译成文字"，AI 对你的态度会立刻变化

一旦你配上可抓取、可解析的"文字版本"，AI 就能：

🟢 抽取你的观点（哪句是结论）
🟢 提炼你的步骤（1、2、3 怎么做）
🟢 识别你的使用场景/适用人群
🟢 把关键句整理成"可引用答案"

你从"会讲的人"变成了"这件事的知识来源之一"。

三、为什么转成文字后，AI 会更偏爱你？

文字是 AI 的"结构化入口"：分句、打标签、标主题、按段拆分，AI 可以精准定位问题/答案/步骤
更容易看懂"你到底在干嘛"：拆成知识点，判断你讲得是否合理一致
能直接匹配用户的问句：你的文案越像 FAQ/How-To，它越容易匹配提问
更容易"引用+回溯"：可标出处、加版本、用 Schema 标记。视频是"内容"，文字是"证据"

四、三步，把你的视频/音频变成 AI 能用的"知识块"

步骤①：先把声音变成字

工具：YouTube 自动字幕、Whisper、Descript、ChatGPT 语音转写、CapCut 导出字幕。

要拿到：全部台词 + 大致时间轴 + 能看出逻辑分段的文本。

步骤②：把原始转录，变成"可引用的结构"

问题写得像聊天，AI 才知道怎么引用你

Wed, 29 Apr 2026 00:00:00 +0800

在 AI 搜索时代，你不是在给 AI 塞"关键词"，而是在喂它一整句"人话问题"。

上一篇我们说的是：不先给结论，AI 根本懒得引用你。这一篇要解决另一个更现实的问题：就算你给了结论，AI 也得知道，你到底是在回答谁、在回答什么问题。

这，就是为什么关键词策略正在从"词"，升级为"问题句子"。

一、关键词不够用了，它已经长成"问题句"

以前做 SEO，做关键词研究大概是这样的思路：搜索量越高越好、词越短越核心、越泛越"有想象空间"。

于是关键词都长这样：「咖啡机推荐」、「保险选择」、「婴儿推车品牌」

但你现在打开 ChatGPT、Perplexity、Kimi……你真的会只敲这三个字上去吗？大多数人的真实操作是这样的：

"预算 300 美元以内，有没有适合懒人的全自动咖啡机？"
"第一次当妈妈，婴儿推车到底怎么选？有轻便又不容易翻车的吗？"
"有没有那种生病可以理赔，但预算又不会太贵的保险？最好帮我对比三种方案。"

你看，所谓的"关键词"，已经自然长成了一整句问题，甚至带着一点情绪：焦虑（第一次当妈，怕买错）、懒（不想手动、不想折腾）、穷（预算有限，但又不想买垃圾）。

这些情绪，过去是看不见的，现在都写在问题里了。

二、AI 不是在数词，它在判断你要解决什么

人类这边输入的是：我是谁？我现在什么状况？我到底想知道什么？

AI 那边在做的是：你在什么场景？你最在乎的是什么？我要用什么结构来回答你比较合理？

你的内容越像在回答一个真实的人类问题，AI 就越容易把你当成"合适的答案来源"来引用。

如果你只堆词：咖啡机 / 推荐 / 全自动 / 新手 / 入门，AI 会觉得你在念标签。

但如果你的标题、首段长得像："预算 300 美元以内，新手想买一台不要折腾的全自动咖啡机，该怎么选？"

AI 会立刻知道：预算（300 美元以内）、人群（新手）、诉求（省心、不折腾）、类型（全自动咖啡机），这就非常"好剪好用"。

三、传统标题为啥不香了

传统 SEO 标题	GEO 时代更友好的标题
《2025 咖啡机推荐｜十大热门品牌与价位整理》	《预算 300 美元以内，有哪几款咖啡机值得新手入坑？》
《婴儿推车品牌推荐》	《北方城市、新手妈妈，婴儿推车要怎么选才不踩坑？》
《小白理财投资指南》	《工作三年存了 5 万，不敢乱投，小白理财怎么开始比较稳妥？》

关键词不是消失了，而是被塞进一整句自然语言里，带着场景、角色和意图一起出现，从"单词清单"变成"对话的一句话"。

四、别学工具堆词，学会把话说得像人

你不需要打开某个工具，疯狂往里丢词根。你只需要问自己一个问题："如果我是用户，我会怎么问朋友？"

关键词思路（过去）	对话句思路（现在）
婴儿推车品牌推荐	北方城市、新手妈妈，婴儿推车要怎么选才不踩坑？
小白投资理财	工作三年存了 5 万，不敢乱投，小白理财怎么开始比较稳妥？
留学中介对比	申请英国研究生，找留学中介的时候有哪些坑？怎么选才不被忽悠？

前者是"关键词"，后者是"生活里的语言"。当下的 AI，更偏爱后者。

AI怎么「选答案」？GEO 的底层逻辑

Tue, 28 Apr 2026 00:00:00 +0800

这两年你一定听过一句话："搜索框正在变成对话框。"以前大家在 Google 里搜关键词，比如"AI 写作工具推荐"。

现在更多人直接问 ChatGPT / Google Gemini / DeepSeek：

"我该选哪个工具？"
"A 和 B 有什么差别？"
"有没有更便宜的替代方案？"

入口一旦变成"生成式引擎"，营销的胜负手就变了：你不只是争一个"蓝色链接"的排名，而是在争 AI 的答案里会不会提到你、引用你、推荐你。

这就是 GEO（生成式引擎优化） 出现的原因。

一、生成式引擎到底怎么生成答案？

不同产品细节不一样，但大多数生成式引擎的流程都很像，可以理解成一条"流水线"：

1）先搞清楚：你到底想问什么？

它会先判断你的意图：你是在问定义？要步骤？要对比？要购买建议？还是想要一套可执行方案？

这一步会影响它后面怎么回答：要不要给清单？要不要给对比表？要不要带引用来源？

2）再找材料：它用哪两类知识来答你？

大体来自两块：

内部记忆（模型脑子里自带的）：训练时学过的常识、常见说法、典型品牌。这决定了它"默认会想到谁、默认怎么表达"。
外部证据（临时去查的）：很多产品会去搜网页、知识库、社区帖子，然后把搜到的内容喂给模型，让它基于这些材料总结。你看到的那种"带引用/带来源"的回答，通常更依赖这一步。

内部记忆决定它"偏向谁"，外部证据决定它"引用谁"。

3）然后筛选：哪些材料能进"候选池"？

外部检索回来的内容不会全部用上，通常会先筛一轮，比如：

跟问题相关吗？
来源靠谱吗？是不是权威站点？
写得清楚吗？能不能快速提取重点？
有没有拼凑水文、重复内容？
信息是不是过时了？

这一关非常关键：进不进候选池，往往比你写得多"文采飞扬"更重要。

4）最后生成：把材料组织成"像答案"的内容

模型会在候选材料里做总结、归纳、对比，然后还会经过：

安全策略过滤（敏感/风险内容不说）
质量与格式整理（更像答案，而不是链接堆）
有的产品还会有商业策略（比如某些内容优先级、广告位等）

二、GEO 的本质：在关键节点"加权"

把上面流程记住，你就会发现：GEO 不是玄学。它就是在影响流水线里几个关键概率。

我把 GEO 的目标总结成 3 个"概率"，你要做的就是把它们变大：

被检索到的概率：你的内容能不能被搜到、进入候选池？
被排到前面的概率：进了候选池，你能不能更靠前？
被引用/复述的概率：模型写答案时，会不会拿你当"骨架材料"？

GEO 就是让你更容易被找到、更值得被信任、更方便被摘抄。

三、基于机制，GEO 主要靠什么影响 AI 的答案？

你可以把 GEO 的发力点分成两层：

外部证据层（快）：影响"检索到什么、引用什么"
内部记忆层（慢）：影响"模型默认会想到谁"

A. 外部证据层：让你更容易被检索到、被引用

当你看到 AI 的回答里有来源、有引用、写着"根据某某文章"，说明它很依赖外部检索。这时你要做的，就是让自己变成"检索系统更愿意选的素材"。

做 GEO 之前，先搞清楚 AI 的「信息食堂」在哪

Tue, 28 Apr 2026 00:00:00 +0800

这两年，越来越多人开始研究 GEO（Generative Engine Optimization，生成式引擎优化）。

路径也很相似：

想被 ChatGPT 推荐，于是开始疯狂写官网长文
想进 Google 的 AI 搜索结果页，重构整套 SEO 架构
想让 AI 帮你"背书"，就拼命堆白皮书、案例、对比分析

但很快，几乎所有人都会遇到一个非常真实、也非常扎心的问题：

你写了很多内容，但在 AI 的答案里，根本没有你。

更让人困惑的是，你会发现 AI 引用的，可能不是那篇你花了最多时间打磨的官网文章，而是一段公众号里的总结、一条抖音视频里的观点、一个 X（推特）上的长线程。

于是很多人开始怀疑：是不是自己写得还不够专业？是不是内容深度还不够？

但真正的问题是，你写的内容，根本不在它"常去吃饭的地方"。

一、每个 AI 都有自己的「信息食堂」

很多人一开始就把 GEO 理解成"AI 时代的 SEO"，但这是一个非常容易把执行方向带偏的理解。

更准确的说法是：GEO 不是排名优化，而是"答案分发逻辑"的变化。

在生成式引擎里，AI 的工作方式更像一个编辑部，而不是搜索引擎：

它不会"全网扫一遍再决定用谁"
而是会先去几个固定、稳定、顺手的信息来源取材
再把这些内容拼装成答案
只有在必要时，才标注来源或给出链接

这些 AI 反复、频繁取材的地方，就是我说的信息食堂。

二、真正参与 GEO 的 AI 有两类

参与 GEO 的 AI 共性：在「公共生成式引擎」的答案中，被看见、被引用、被推荐。

这一定义，隐含了三个非常重要的前提：

答案是公共可见的：任何普通用户都可以问到
内容来源是竞争式的：你不出现，就一定会是别人
你无法手动指定答案来源：你只能"争取被选中"

⚠️ 因此，所有"我已经把资料接进去""我配置了 AI 知识库"的做法，严格来说都不属于 GEO，而是私域问答或内部搜索优化。

第一类：搜索增强型（证据引用型）

一句话总结：AI 会先检索，再生成答案，而且往往愿意给出处。

这类 AI 的共性非常明确：