كيفية قياس الظهور في أنظمة الذكاء الاصطناعي من دون نسبة الفضل إلى llms.txt
تبلّغ Google Search Console وBing الآن عن أجزاء من ظهور الذكاء الاصطناعي. ولا يقدّم أي منهما إسناداً لـ llms.txt، لذا قِس الإشارات المبلّغ عنها والجلب المتحقق منه والإحالات بصورة منفصلة.
آخر تحديث:
تحدي القياس
أصبحت تقارير الظهور في بحث الذكاء الاصطناعي متاحة، لكنها ليست تقارير إسناد لـ llms.txt. وتعرض Google Search Console ظهوراً مختاراً في ميزات البحث التوليدي وDiscover لدى Google.
وتعرض Bing Webmaster Tools الاستشهادات عبر تجارب الذكاء الاصطناعي التي يدعمها. ولا يتضمن أي
تقرير حقلاً يقول إن مرة ظهور أو استشهاداً تسبب فيه هذا الملف.
لذلك فالسؤال الصحيح ليس «هل نجح llms.txt؟» بل أي حدث قابل للرصد تغيّر، وفي أي منتج، وخلال أي فترة، وما التفسيرات المنافسة المتبقية. فالجلب والإحالة والاقتباس وجودة الإجابة ملاحظات منفصلة.
نهوج القياس الأربعة الرئيسية هي:
- تقارير الطرف الأول، حيث تتيح المنصة المعنية ذلك.
- سجلات الخادم, دليل مباشر على أن عميلاً متحققاً منه جلب ملفك.
- حركة إحالة من الذكاء الاصطناعي، وهي الزيارات التي يمكن رصد مُحيلها في أدوات التحليلات لديك.
- فحوص يدوية موثّقة, وملاحظات قابلة لإعادة الإنتاج للإجابات وعناوين URL المقتبس منها.
- مراقبة العلامة التجارية، وقياسات من جهات خارجية يمكنك فحص منهجيتها.
استخدم تقارير الظهور في الذكاء الاصطناعي من الطرف الأول
أعلن Google عن تقارير أداء مخصصة للذكاء الاصطناعي التوليدي في Search Console في يونيو 2026. وعند النشر، قال Google إن التقارير تُطرح على مجموعة فرعية من المواقع وقد تعرض مرات الظهور وعناوين URL الظاهرة والبلدان والأجهزة للبحث والنطاقات الزمنية. استخدمها عندما يكون التقرير موجوداً في موقعك، ولا تستنتج نتيجة عند غيابه.
يعرض Bing AI Performance Dashboard إجمالي الاقتباسات ومتوسط الصفحات المقتبس منها وعبارات استعلام
الإسناد ونشاط الاقتباس على مستوى الصفحة والاتجاهات. وتقول Bing صراحةً إن مقاييس الاقتباس هذه لا
تدل على الترتيب أو السلطة أو الأهمية أو الموضع داخل إجابة معينة. ولا Bing ولا Google تقول إن هذه
المقاييس تنسب الفضل إلى llms.txt.
تحقّق من سجلات خادمك
سجل وصول الخادم هو السجل المباشر لطلب إلى /llms.txtيمكنه عرض المسار المطلوب،
والوقت، والمُحيل، وعنوان IP، ووكيل المستخدم المعلن. قبل تسمية برنامج زحف، تحقّق من الطلب عبر
طريقة التحقق من الهوية الموثّقة لدى المزوّد عندما يكون ذلك مهماً.
- ما إذا كان عميل متحقق منه قد جلب الملف.
- كم مرة عاد العميل المتحقق منه خلال الفترة التي قستها.
- ما فئات العملاء المعلنة الممثلة في بياناتك.
ابدأ بأدوار وكلاء المستخدم الموثّقة بدلاً من معاملة جميع الأسماء المرتبطة بالذكاء الاصطناعي كأنها متكافئة:
OAI-SearchBot, روبوت OpenAI الموثّق لـ ChatGPT Search.-
GPTBot, روبوت OpenAI الموثّق للمحتوى الذي قد يستخدم لتدريب النماذج الأساسية. -
ChatGPT-User، وهي زيارة من OpenAI بدأها المستخدم، وليست زحفاً آلياً للويب ولا إشارة إلى أهلية البحث وفقاً لـ OpenAI. - لا تستخدم الوكلاء المعلنين الآخرين إلا بعد التحقق من وثائق المزوّد الحالية الخاصة بهم.
إذا كنت تشغل Nginx أو Apache، فيبدو grep بسيط للسجل هكذا:
# Nginx access log, filter for llms.txt requests from AI crawlers
grep "llms.txt" /var/log/nginx/access.log | grep -E "GPTBot|ClaudeBot|PerplexityBot|OAI-SearchBot"لا تحوّل تطابق وكيل المستخدم إلى ادعاء بأن نموذجاً قرأ الملف. فالطلب الذي جرى التحقق منه يؤكد الجلب، ولا يؤكد التحليل أو الاحتفاظ أو التدريب أو الترتيب أو الاقتباس أو التأثير في إجابة.
راقب حركة الإحالة من الذكاء الاصطناعي في GA4
يمكن للمُحيل أن يبيّن وصول زائر من نطاق منتج ذكاء اصطناعي معروف. وقد يكون إشارة تجارية مفيدة،
لكنه لا يحدد وحده الإجابة أو المطالبة أو عنوان URL المقتبس أو دور llms.txt. ويختلف
التعامل مع المُحيل أيضاً حسب المتصفح والتطبيق وإعداد الخصوصية.
في Google Analytics 4، أعدّ مقارنة أو استكشافاً يقسّم الجلسات حسب المُحيل المطابق لهذه النطاقات:
perplexity.aichat.openai.comوopenai.comclaude.aicopilot.microsoft.comgemini.google.com
تابع هذا الجزء بمرور الوقت، ودوّن تغييرات المحتوى والمنتج والقياس المادية. والتغيير المستمر ملاحظة تستحق التحقيق، لا إسناداً إلى ملف واحد: فالمحتوى الجديد والطلب وتحديثات النموذج ومعالجة الإحالة كلها قد تؤثر في السلسلة.
افحص الصفحات المقصودة أيضاً. فهذا قد يخبرك بالصفحات التي تتلقى إحالات يمكن رصدها، لكنه لا يثبت
سبب اختيار منتج ذكاء اصطناعي لها أو ما إذا كان إدراجها في llms.txt
كان مهماً.
اختبر دقة الاقتباس
يمكن للفحص اليدوي أن يكشف ما إذا كان منتج معين يقدّم إجابة مفيدة في تاريخ معين. استخدم أسئلة تمثّل احتياجات حقيقية للعملاء، وحافظ على ثبات الصياغة، وسجّل المنتج والتاريخ والإجابة وعناوين URL المستشهد بها. لا تصف النتيجة بأنها تجربة مضبوطة إلا إذا ضبطت المتغيرات الأخرى.
أمور محددة ينبغي فحصها:
- هل الادعاءات الواقعية حول منتجك دقيقة؟ (مثل مستويات الأسعار الصحيحة، وأسماء الميزات الصحيحة، ومسارات نقاط نهاية API الصحيحة)
- هل يُستشهد بصفحاتك كمصادر عند صلتها بالموضوع؟
- هل تستند الإجابة إلى معلومات حالية أم تعكس معلومات قديمة؟
- هل يُستشهد بصفحات المنافسين بدلاً من صفحاتك في أسئلة ينبغي أن تتصدرها؟
كرّر الفحص نفسه فقط حيث يتاح لك المنتج وطريقة الوصول. واحتفظ بالملاحظات الخام، بما فيها حالات عدم وجود نتائج، قبل تغيير موقع موثّق وبعده.
هذا الفحص النوعي محدود، لكنه يستطيع الإجابة عن سؤال عملي: في الظروف التي سجلتها، هل قدّم المنتج للمستخدمين معلومات دقيقة عن عملك؟
تتبع ذكر العلامة التجارية في مخرجات الذكاء الاصطناعي
ظهرت عدة أدوات خارجية لتتبّع ذكر العلامات التجارية في الإجابات المولّدة بالذكاء الاصطناعي. واعتباراً من أوائل 2026، يضم هذا المجال منتجات مبكرة تركز على مراقبة مدى تكرار ظهور علامتك التجارية ودقة ظهورها في إجابات الذكاء الاصطناعي. وتعمل هذه الأدوات عادةً بتنفيذ مجموعة من الاستعلامات عبر عدة مساعدات للذكاء الاصطناعي وتجميع النتائج.
لا تزال هذه الأدوات في مرحلة مبكرة وتختلف منهجياتها. وإذا كنت تفكر في استخدام إحداها، فقيّم الاستعلامات التي تنفذها، وأنظمة الذكاء الاصطناعي التي تختبرها، وكيف تعرّف «الذكر». وتتطور هذه الفئة بسرعة، لذا تحقّق من توافر الأدوات الحالي وقت القراءة.
ما الذي تمنحك إياه هذه الأدوات ولا تمنحه الفحوص اليدوية: بيانات الحجم والاتجاه عبر الزمن، من دون الحاجة إلى تنفيذ استعلامات يدوية متكررة.
إنشاء خط أساس
قبل إجراء تغييرات على llms.txt (أو نشره للمرة الأولى)، أنشئ خط أساس عبر كل مقياس:
- سجلات الخادم: لاحظ التواتر الحالي لجلب زواحف الذكاء الاصطناعي إلى
/llms.txt(أو صفراً إذا لم تنشر واحداً بعد) وإلى صفحاتك الأساسية. - حركة الإحالة من الذكاء الاصطناعي: سجّل حجم جلساتك الأسبوعي الحالي من Perplexity وChatGPT وClaude ومحيلات مماثلة في GA4.
- دقة الاستشهاد: أجرِ فحوصاً يدوية على 5 إلى 10 أسئلة شائعة عن علامتك التجارية. وسجّل جودة الإجابات والصفحات التي جرى اقتباسها، إن وُجدت.
اختر فترة مقارنة تناسب تكرار بياناتك وحجمها. اذكر الفترة في التقرير، ثم قارنها بخط الأساس من دون افتراض موعد تحديث كل منتج خارجي لفهرسه أو إجاباته.
ما لا ينبغي الخلط بينه وبين الأثر
بعض المقاييس التي يسهل الخلط بينها وبين أثر llms.txt:
- مقاييس Google Search Console. تعرض Google الآن ظهوراً مختاراً في الذكاء الاصطناعي التوليدي للخصائص المؤهلة، لكنها تقول إن البحث يتجاهل llms.txt. ولا تنسب هذه المقاييس تغييرات الظهور أو الترتيب إلى الملف.
- الزيادات المباشرة في الحركة. المستخدمون الذين يكتبون عنوان URL الخاص بك مباشرةً في متصفح لا يأتون من استشهادات الذكاء الاصطناعي. وهذا المقياس غير مرتبط.
- حجم حركة الروبوتات وحده. تشهد بعض المواقع أحجاماً كبيرة من حركة برامج الزحف الآلية التي تأتي من زواحف الذكاء الاصطناعي. ولا يعني جلب برنامج زحف لصفحتك أن محتواك ظهر في إجابة مولّدة بالذكاء الاصطناعي. حجم الزحف لا يساوي حجم الاستشهاد.
- تقلبات قصيرة الأمد. يتغير سلوك نظام الذكاء الاصطناعي مع تحديثات النموذج وتحديث فهرس الاسترجاع وتغييرات شركات الذكاء الاصطناعي. وقد لا يكون لتغيير قصير الأجل في حركة الإحالة من الذكاء الاصطناعي أي علاقة بـ llms.txt.
واصل القراءة
- هل يعمل llms.txt؟، وتقييماً صريحاً للأدلة حسب حالة الاستخدام.
- شرح زواحف الذكاء الاصطناعي, وافهم أي روبوتات تجلب ملفاتك.
- llms.txt وSEO، وما يفعله وما لا يفعله لترتيب البحث.
- المدقّق، احرص على توافق ملفك مع المواصفة قبل تتبع الأثر.