如何在不把功劳归于 llms.txt 的情况下衡量 AI 可见性
Google Search Console 和 Bing 现在会报告部分 AI 可见性。两者都不提供 llms.txt 归因，因此应分别衡量已报告的信号、经验证的获取请求和引荐流量。
最近更新:
衡量难题
AI 搜索的可见度报告正逐渐出现，但它们并不是以下内容的归因报告： llms.txt。Google
Search Console 会报告 Google 生成式搜索和 Discover 功能中的部分可见性。Bing Webmaster Tools
会报告其支持的 AI 体验中的引用。两者都没有字段表明某次展示或引用是由此文件造成的。
因此，正确的问题不是“llms.txt 是否有效？”，而是哪个产品中的哪个可观察事件在什么时间段发生了变化，以及还存在哪些竞争性解释。文件获取、引荐、引用和答案质量是彼此独立的观察结果。
四种主要测量方法是：
- 第一方报告，前提是相关平台提供这些报告。
- 服务器日志，证明已验证客户端请求了你的文件的直接证据。
- AI 引荐流量，即在你的分析中可观察到来源的访问。
- 有记录的手动检查，可重复观察回答和引用的 URL。
- 品牌监测，方法可供审查的第三方衡量结果。
使用第一方 AI 可见性报告
Google 于 2026年6月 宣布在 Search Console 中推出专门的生成式 AI 效果报告。发布时，Google 表示这些报告正逐步向部分网站开放，可显示搜索中的展示次数、出现的网址、国家/地区、设备和时间范围。当您的资源中存在该报告时可以使用，但不要在报告缺失时推断任何结果。
Bing 的 AI Performance
信息中心会报告引用总数、平均被引用页面数、用于内容依据的查询词组、页面级引用活动和趋势。Bing
明确表示，这些引用指标并不代表排名、权威性、重要性，也不代表在单个答案中的位置。Bing 和 Google
均未表示这些指标会将功劳归因于 llms.txt.
检查服务器日志
服务器访问日志是请求以下资源的直接记录： /llms.txt。它可以显示
请求路径、时间、响应、来源页、IP 地址和声明的 user-agent。在需要识别爬虫时，
请先按照提供商记录的身份验证方法核实请求，然后再指明爬虫名称。
- 已验证客户端是否获取了该文件。
- 在测量期间，该已验证客户端再次访问的频率。
- 你的数据中代表了哪些已声明的客户端类别。
应从有文档记录的 user-agent 角色开始，而不是把所有与 AI 相关的名称都视为等同：
OAI-SearchBot，OpenAI 为 ChatGPT Search 记录的机器人。-
GPTBot，即 OpenAI 记录在案、用于抓取可能被用于训练基础模型内容的机器人。 -
ChatGPT-User，这是用户发起的 OpenAI 访问，并非自动网络抓取；根据 OpenAI 的说明， 它也不是 Search 资格信号。 - 仅在查阅其他已声明智能体各自最新的提供商文档后，才将其纳入。
如果您运行 Nginx 或 Apache，可以用如下简单的日志 grep 命令：
# 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"不要因为匹配到 user-agent 就声称某个模型读取了该文件。经过验证的请求 只能确认发生了抓取，不能确认解析、保留、训练、排序、引用或对回答的影响。
监测 GA4 中的 AI 引荐流量
引荐来源可以表明访问者来自可识别的 AI
产品域名。它可能是有用的业务信号，但仅凭这一点无法确定具体答案、提示词、被引用 URL 或 llms.txt。引荐来源的处理方式也会因浏览器、应用和隐私设置而异。
在 Google Analytics 4 中，设置比较或探索，按引荐来源匹配以下域名来细分会话：
perplexity.aichat.openai.com和openai.comclaude.aicopilot.microsoft.comgemini.google.com
持续跟踪这一细分数据，并标注重大的内容、产品和测量变化。持续变化是值得调查的观察结果，不能归因于单个文件：新内容、需求、模型更新和引荐来源处理方式都可能影响该序列。
还应检查落地页。这可以告诉你哪些页面获得了可观察到的引荐流量，但无法确定 AI
产品为何选择这些页面，也无法确定它们被纳入 llms.txt
是否发挥了作用。
测试引用准确性
手动检查可以揭示某个特定产品在某个日期是否给出了有用回答。 使用代表真实客户需求的问题，保持措辞不变，并记录产品、日期、回答和引用的 URL。 除非您控制了其他变量，否则不要将结果描述为对照实验。
需要检查的具体事项：
- 关于您产品的事实性声明是否准确？（定价层级是否正确、功能名称是否正确、 API 端点路径是否正确）
- 在相关情况下，你的页面是否会被引用为来源？
- 答案依据的是当前信息，还是反映了过时的信息？
- 对于本应由你占据优势的问题，引用的是否是竞争对手的页面而不是你的页面？
仅在你能够访问产品和访问方式的地方重复相同检查。保留原始观察结果，包括无结果情况，并记录在有文档说明的网站变更前后。
这种定性检查有其局限，但可以回答一个实际问题：在你记录的条件下，该产品是否向用户提供了与你的业务有关的准确信息？
跟踪 AI 输出中的品牌提及
已有多种第三方工具用于追踪品牌在 AI 生成回答中的提及情况。截至 2026 年初，该领域包括一些处于早期阶段的产品，重点监测您的品牌在 AI 回答中出现的频率和准确性。 这些工具通常会在多个 AI 助手上运行一组查询，并汇总结果。
这些工具仍处于早期阶段，采用的方法各不相同。如果您正在考虑使用其中一个， 请评估它会运行哪些查询、测试哪些 AI 系统，以及如何定义一次“提及”。 该领域发展迅速，请在阅读本文时检查工具的当前可用性。
这些工具能提供手动检查无法提供的信息：长期的数量和趋势数据， 而无需您反复手动运行查询。
建立基线
在修改你的 llms.txt（或第一次发布）之前，请先为每项测量建立一个 基线：
- 服务器日志： 记录当前 AI 爬虫获取
/llms.txt（如果尚未发布则记为零）以及关键页面的抓取次数。 - AI 引荐流量： 记录 GA4 中来自 Perplexity、 ChatGPT、Claude 和类似引荐来源的当前每周会话量。
- 引用准确性： 对你品牌的 5–10 个常见问题进行手动检查。 记录回答质量以及引用了哪些页面（如果有的话）。
选择符合数据频率和数据量的比较周期。在报告中注明该周期，然后将其与基准比较，不要假定各外部产品会在何时刷新索引或回答。
不要把什么误认为影响
一些容易与 llms.txt 影响混淆的指标：
- Google Search Console 指标。 Google 目前会为符合条件的资源报告部分生成式 AI 可见性，但 Google 表示 Search 会忽略 llms.txt。这些指标不会将可见性或排名变化归因于该文件。
- 直接流量增加。 用户直接在浏览器中输入你的 URL，并非来自 AI 引用。此指标与之无关。
- 仅看机器人流量。 一些网站会收到大量来自 AI 爬虫的机器人流量。 爬虫获取过您的页面，并不意味着您的内容出现在任何 AI 生成的回答中。 抓取量不等于引用量。
- 短期波动。 AI 系统的行为会随着模型更新、检索 索引刷新以及 AI 公司产品变化而变化。你的 AI 引荐 流量在短期内的变化，可能与 llms.txt 毫无关系。
继续阅读
- llms.txt 有用吗？，按使用场景对证据进行坦诚评估。
- AI 爬虫解析，了解哪些机器人正在抓取你的文件。
- llms.txt 与 SEO，它对搜索排名能做什么、不能做什么。
- 验证器，在跟踪影响之前，请确保文件符合规范。