# 策展 · X (Twitter) 🔥

> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)

> 作者：PostHog (@posthog) · 平台：X (Twitter) · 日期：2026-06-12

> 原始來源：https://x.com/posthog/status/2065133771817619628

## 中文摘要

# 大型語言模型正在篩選贏家。以下是如何成為其中之一的方法。

在過去兩年裡，我們來自大型語言模型（LLM）的流量成長了 41 倍。每一季都創下新高，且完全沒有放緩的跡象。

![LLM 流量在過去 24 個月內呈現爆發式增長，從最初接近零的水平一路攀升至超過 40k，而對比的基準線則持續維持在接近零的極低水平。](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/fdb3c9dc5346552c.jpg)

<details class="chart-data"><summary>展開數據表</summary><table><thead><tr><th></th><th>起始 (APR)</th><th>最低 (JUN)</th><th>結束 (2026)</th></tr></thead><tbody><tr><td>LLM 流量</td><td>約 2k</td><td>約 0</td><td>約 41k</td></tr><tr><td>黑色基準線</td><td>約 0</td><td></td><td>約 0</td></tr></tbody></table></details>

如果你像我一樣是個懷疑論者，你可能正準備問：「好吧，但這真的能轉換成業績嗎？」

是的，確實可以。而且效果比我們目前擁有的幾乎任何管道都好。

![LLM 轉換率在過去 24 個月中呈現顯著增長趨勢，從 2024 年 4 月的約 1% 攀升至 2026 年初的超過 20%，而基準線則持續維持在接近 0% 的極低水準。](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/dfecab6ceac6f643.jpg)

<details class="chart-data"><summary>展開數據表</summary><table><thead><tr><th></th><th>起始 (2024年4月)</th><th>最佳 (2026年2月)</th><th>結束 (2026年2月)</th></tr></thead><tbody><tr><td>LLM 轉換率 (藍線)</td><td>約 1%</td><td>約 21%</td><td>約 21%</td></tr><tr><td>基準線 (黑線)</td><td>約 0%</td><td></td><td>約 0%</td></tr></tbody></table></details>

我告訴你這些並不是為了炫耀（好吧，或許有一點點）。我告訴你，是因為反過來的情況也成立。

PostHog 目前有 14 款產品，而且還在增加中，但（遺憾的是）並非每一款產品都能以同樣的規模或頻率被大型語言模型推薦。雖然大多數模型因為我們的產品分析、工作階段重播（session replay）、錯誤追蹤和功能旗標（feature flags）而認識我們，但較少模型知道我們也提供資料倉儲、AI 可觀測性、日誌等更多功能。

這很可能也是你產品面臨的情況。要改變這一點，需要深入研究一個神祕的新領域：答案引擎優化（Answer Engine Optimization, AEO）。作為過去一年在 PostHog 負責這項工作的人，我從中學到了很多。

# 1. 大型語言模型甚至知道你的存在嗎？

你的第一步應該是確認你是否被提及。

1. 前往 ChatGPT、Claude 和 Gemini（請確保已關閉記憶功能或處於隱私模式）。

1. 執行 3 到 5 個真實客戶會使用的基本 Prompt，例如「最佳 X 工具」、「Y 的替代品」或「推薦的 Z 產品」。在這裡，過於具體的描述反而沒什麼幫助。

1. 看看你在哪裡出現、哪裡遺漏，或者哪裡被誤解了。

如果你想要更穩健的觀點，可以挑選過去一年內推出的數十種 AEO 工具之一。一個不錯的工具每天能為你執行數百個 Prompt，這能讓你更清楚地了解隨著時間推移以及在不同模型中，你的大型語言模型能見度如何。

別想太多，選擇一個預算合適且符合你日常分析工作流程的工具即可。

![PostHog 發布了一張關於 AEO（AI 體驗優化）工具的幽默排名圖，強調市場上產品同質性高。](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/5fb6dd44e5fb4e17.jpg)

<details class="chart-data"><summary>展開畫面重點</summary><div class="me-note">圖片標題為「CHOOSING AN AEO TOOL: a definitive ranking」（選擇 AEO 工具：權威排名），右上方有 PostHog 的品牌標誌。畫面中以手繪風格的框格列出了 11 個工具名稱，分別為：
- Profound
- Peec AI
- AthenaHQ
- Otterly.AI
- goodie
- Bluefish
- scrunch
- rankscale
- Gauge
- daydream
- Writesonic
右下角有一個虛線框格標示「+47 MORE LAUNCHED THIS WEEK」（本週又推出了 47 個）。
圖片底部文字為「they’re all about the same, just pick one」（它們大同小異，隨便選一個就好）。
這張圖以諷刺手法呈現 AI 工具市場過度飽和、產品功能高度同質化的現象。</div></details>

大型語言模型和你的 AEO 工具會揭示一個事實：你幾乎肯定不在你想要的位置（我們也不在）。這並不代表你沒救了，這正是這篇文章接下來要探討的重點。

模型依賴它們的訓練資料（通常是 6 個月前的資料）以及搜尋結果來產生回應。為了進入這場遊戲，你需要讓你的產品出現在大型語言模型正在搜尋的地方。

你該怎麼做？

# 2. SEO 沒有死，它只是換了份工作

這是最不性感但最顯而易見的建議：大多數傳統的 SEO 仍然有效。

良好的結構、清晰的寫作、語意化的 HTML、內部連結、快速的載入時間，以及直接回答問題，而不是將答案埋在 400 字的「在當今快節奏的數位環境中……」這類廢話之下，這些依然重要。

這裡的重點不是「SEO 已死，AEO 當立」。而是 SEO 和 AEO 喝的是同一口井的水，差別在於它們飲用的方式不同。

現在，消費的單位是「區塊（chunk）」，而不是「頁面」。你的內容需要能夠被拆解引用，而不僅僅是作為一個整體才有價值。

這意味著業界目前公認的「AEO 檢查清單」看起來像這樣：

- **讓內容易於掃描**：使用子標題、短段落，以及在適合的地方使用清單。

- **使用自然語言**：像是一個人在向另一個人解釋事情那樣寫作。

- **直接回答問題**：如果有人問「什麼是 X」，請在第一句話就告訴他們。支援性的背景資訊放在後面。

- **為檢索而結構化**：將 H2 標題設為實際的問題、提供可獨立存在的定義、使用摘要表格、清晰的資料以及常見問題集（FAQ）。

- **具體一點**：模型偏好包含具體細節（真實數字、具名工具、特定情境）的內容，而非模糊的描述。「大多數團隊討厭 GA4」是容易被遺忘的；「73% 使用 GA4 的團隊幻想著離開它」則是可被引用的。（這是我編的。Google 法務團隊，別找我麻煩……反正這大概是真的。）

我不會假裝我在這裡發明了什麼新東西；我剛列出的每一點在 2019 年也會被視為良好的 SEO 建議。只是現在賭注更高了，而且我們有事後諸葛的優勢來支持這些觀點。

劇透一下：如果你正在尋找這方面的實作範例……你現在正在閱讀的這篇文章就是。

# 3. 選擇你的戰場

如果上述的「基本功」聽起來讓你覺得沒什麼了不起，你並不孤單。

大多數人讀到這樣的清單時，會立刻想知道還有什麼可以做的——幸運的是，AEO 有無窮無盡的支線任務可以進行：

- 優化你在 Reddit 上的表現

- 認領你的維基百科頁面

- 建立 YouTube 策略

- 在傳統媒體上爭取曝光

- 追蹤並處理那篇某人在 2023 年寫在 Medium 上、排名卻高於你產品頁面的部落格文章

有一種潛在的壓力，讓你覺得必須出現在每一個可能影響大型語言模型如何談論你的平台上——沒錯，它們確實都可能產生影響。這就是陷阱所在。

當你不知道是什麼在餵養這些模型時，一切都可能成為潛在的輸入，這意味著一切都可能成為你時間的競爭者。

我定下的規則是：先打掃好自己的家。確保你擁有的內容本身就很棒是第一步。其他一切都是後話。

這並不代表永遠忽略那些額外的事情；這意味著當你有能力把它們做好時再去做，而不是因為恐慌競爭對手有 Reddit 討論串而你沒有，就急著去跟風。

# 4. 戳破廢話，尤其是你自己的

在這個產業，現在是成為江湖郎中最容易的時代。當你自己選擇了那些 Prompt 時，要說「我將 Prompt 能見度提升了 50 倍」簡直太容易了——而且天知道是否真的有人問過這些問題。

「誰是那位擁有銅色頭髮、左臀上有胎記的巴西裔加拿大內容行銷專家？」天啊，是我！

我優化了搜尋結果，讓它變成我。真是開創性的 AEO 工作。

看到我做了什麼嗎？

在一個沒有真實 Prompt 流量資料的世界裡（拜託，別拿點擊流的傳說來跟我爭論），也沒有所謂的決定性結果。

![一張以「改變我的想法」迷因格式呈現的圖片，探討點擊流數據與提示詞工程之間的關係。](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/cdef2bb2347496a8.png)

<details class="chart-data"><summary>展開畫面重點</summary><div class="me-note">圖片中有一位男士坐在戶外桌邊，桌上的看板寫著：「Clickstream data is prompt volume fan fiction. CHANGE MY MIND」。這句話意指將點擊流數據（Clickstream data）視為提示詞量（prompt volume）的「同人小說」（fan fiction），暗示兩者之間存在某種虛構或過度解讀的關聯。</div></details>

整個領域大多建立在假設之上，並靠著「感覺」在運作。這沒關係（我們還處於早期階段），但這意味著你的工作是在你所在的每個房間裡，成為最誠實的那個人。

這意味著要質疑一切，尤其是那些讓你看起來很棒的事情。當你自己的儀表板告訴你一些恭維的數據時，要比它告訴你壞消息時更加懷疑。

當供應商向你展示案例研究時，請追問：相較於什麼基準？是如何測量的？特別要注意那些把「我們追蹤到了」偽裝成「我們造成的」案例——許多「AEO 影響力」的案例研究，其實只是把相關性包裝成了因果關係。

當誠實的答案是「我還不知道」時，就直接說出來。

這將為你省去很多痛苦，這些痛苦通常源自於你基於自己編造的謊言所建立的策略。

# 5. 你可以直接……問

我不擅長「不知道」這件事，所以我繞過了它。我們在引導流程（onboarding flow）中增加了一個條件性問題：每當有人說他們是透過 AI 聽說我們時，我們就會問他們使用了哪個 Prompt。

令我驚訝的是，人們真的會回答。而且很詳細。有時甚至是長篇大論的細節。

現在，我們擁有了第一手資料，知道哪些 Prompt 真正引導人們來到我們這裡。這是由擁有真實信用卡的真實人類所輸入的真實句子。

截至今天，確切數字是 9,214 個（而且我們才剛開始做 3 個月）。

![PostHog 註冊流程中的問卷調查介面，詢問用戶獲知管道及搜尋關鍵字。](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/f294a2afbb8d1c54.png)

<details class="chart-data"><summary>展開畫面重點</summary><div class="me-note">圖片顯示一個網頁表單，包含兩個選填欄位：
1. 「Where did you hear about us? (optional)」：輸入框中填寫了「ChatGPT」。
2. 「What prompt or search led you to PostHog? (optional)」：輸入框中填寫了「What is the best error tracking tool?」。
下方附有說明文字：「Paste the prompt or search queries if you remember, even roughly」。</div></details>

每天早上，我們的 PostHog Slack 自動化程式會發送一份報告，包含前一天註冊的使用者所提交的 50 到 100 多個真實 Prompt。PostHog AI 協助我識別模式並提取有用的資訊碎片，我再將這些資訊直接回饋到我們的策略中。

![根據 PostHog 的統計，在引導用戶註冊的 LLM 提示詞中，以 Claude 作為推薦來源且提及「analytics」的提示詞帶來最多註冊人數（3人）。](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/128a7b374adef62a.jpg)

<details class="chart-data"><summary>展開數據表</summary><table><thead><tr><th></th><th>SERIES</th><th>REFERRAL_SOURCE</th><th>TOTAL SUM</th></tr></thead><tbody><tr><td>analytics</td><td>signed up (first user in org)</td><td>claude</td><td>3</td></tr><tr><td>Implement lightweight event telemetry in Lovable</td><td>signed up (first user in org)</td><td>Claude</td><td>2</td></tr><tr><td>"What tech would be good for this product"</td><td>signed up (first user in org)</td><td>Codex told me</td><td>1</td></tr><tr><td>"what's the best analytics tool for a vercel / nextjs site?"</td><td>signed up (first user in org)</td><td>Perplexity</td><td>1</td></tr><tr><td>AB testing websites</td><td>signed up (first user in org)</td><td>Claude</td><td>1</td></tr><tr><td>Account sign up tracking</td><td>signed up (first user in org)</td><td>Claude</td><td>1</td></tr></tbody></table></details>

這是一個很棒的回饋迴圈。最棒的部分是，它的設定成本幾乎為零，而且它已經成為我整個報告堆疊中最（如果不是唯一）有價值的策略輸入。

這也是一個未經過濾的使用者想法的金礦，我非常喜歡。

最棒的是那位在《要塞英雄》（Fortnite）語音聊天中發現 PostHog 的使用者，他當時正在跟一個達斯維達（Darth Vader）NPC 討論如何分析《要塞英雄》的經濟系統。我經常想起他。

# 6. AEO 報告是一條拼布被，而不是一條毯子

沒有單一的資料來源能說明完整的故事。至少目前還沒有。

![這是一張關於 AEO（AI 體驗優化）報告堆疊的示意圖，強調透過整合多種數據來源來拼湊出完整的分析故事。](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/3e42631f44d5d8eb.jpg)

<details class="chart-data"><summary>展開畫面重點</summary><div class="me-note">圖片標題為「YOUR AEO REPORTING STACK -hand stitched-」（您的 AEO 報告堆疊 -手工縫製-）。圖中將報告來源分為四個象限，並以紅線縫合在一起：

1. 左上（黃色）：REFERRER TRAFFIC（推薦流量），註解為「if you tagged it right」（如果您標記正確）。
2. 右上（藍色）：SELF-REPORTS（自我報告），註解為「if they answer the question」（如果他們回答了問題）。
3. 左下（綠色）：BOT ANALYSIS（機器人分析），註解為「what they see z what they say」（他們看到了什麼以及他們說了什麼）。
4. 右下（橘色）：PROMPT TRACKING（提示詞追蹤），註解為「only the prompts you thought to ask」（僅限您想到要詢問的提示詞）。

底部文字說明：「No single source covers everything. Stitch them together and tell the story anyway.」（沒有單一來源能涵蓋一切。將它們縫合在一起，並設法講述完整的故事。）右下角有 PostHog 的品牌標誌。</div></details>

- 參照流量（Referrer traffic）可以捕捉到一部分，但並非所有流量都有正確標記。

- 自我報告的歸因（Self-reported attribution）可以捕捉到更多，但並非每個人都會回答問題。

- 機器人分析（誰在爬取你的網站、頻率如何、為了什麼）能幫助你了解模型看到了什麼，這與模型「說了什麼」是不同的問題。

- Prompt 能見度工具告訴你模型說了什麼，但僅限於你想到要追蹤的那些 Prompt。

我們可以對這些來源中的每一個都挑出毛病。

這很煩人嗎？是的，非常煩人。過去十年相對乾淨的歸因讓我們被寵壞了——任何從事成長、行銷或分析工作的人，都習慣了一個所有數據都能對得上的儀表板。AEO 在短期內不會給我們這種便利。

如果你是一位創辦人，正在看著你的團隊嘗試報告這些數據，請給他們一些寬容；如果你是那個負責報告的人，祝你好運。

所以這代表你不該報告這些數據嗎？不。有時即使你手邊只有膠帶和夢想，你還是得把故事講出來。

好消息是，多虧了 MCP（Model Context Protocol），這件事已經變得容易多了。如果你的資料來源支援 MCP，你的 Agent 可以從每個來源獲取資料，幫助你看到更全面的圖景。

我的 Agent 會從 Gauge 獲取 Prompt 能見度資料；從 Google Search Console 獲取點擊、曝光和排名資料；並從 PostHog 獲取流量、轉換、產品級別分析、我們的自我歸因調查，以及用於定性分析的 Prompt 資料。

這不是魔法，也不總是那麼明確，但這絕對比在四個分頁之間複製貼上、祈禱數字能對得上要好得多。

# 7. 準備好從頭開始

幾個月後，我意識到我們正在追蹤數百個 AI 產生的 Prompt，但它們與真實人類用來找到我們的 Prompt 重疊度很低。（我是怎麼發現的？請參閱第 4 點和第 5 點。）

這意味著六個月的歷史資料就像過期的牛奶一樣。

當你在一個如此新的領域工作時，任何資料都顯得神聖，所以要向我的團隊和我自己承認我們的資料需要被捨棄，是一個很難吞下的苦果。如果有一本參考手冊可以遵循會容易得多；但並沒有。

但我們還是重新開始了，而新的方法產生的資料已經比舊方法有用得多。

拉遠來看，同樣的原則也適用於 AEO 中的其他一切。模型不斷在變化；上週不存在的功能可能會徹底重塑你以為已經掌握的格局。今天的勝利，明天可能就不再是勝利了。

我想說的是，適應力不是一種「有則更好」的特質。在成熟的管道中，執著於你的 v1 版本是低效的；但在像 AEO 這樣的新領域中，這可能是致命的。

關鍵不是害怕變化，而是預期它的發生。

作者：Natalia Amorim，PostHog 內容行銷經理

## 標籤

LLM, 產業趨勢, LLM