引用率不是玄学，是一套可拆解的工程
鑫池GEO 在服务全国 200+ 城市区县企业的过程中，把"品牌为什么没被 AI 引用"这个问题拆了几百次，最终沉淀为「鑫池引用引擎四层模型」：可抓取层、实体层、内容层、信号层。四层自下而上，下层不牢，上层全塌。这套模型既是我们的诊断框架，也是交付框架——客户的问题出在哪一层，一眼可判。
问：为什么 AI 不引用我们的官网，明明内容写得不错？
先查第一层：AI 爬虫（GPTBot、ClaudeBot、Bytespider 等）能不能顺利抓到你的页面。robots.txt 是否显式放行、有没有 llms.txt 与 llms-full.txt 全文语料、服务端会不会对爬虫返回 400/403，都是高频翻车点。我们见过内容很好的站，光是一个 robots 配置就把自己挡在了所有 AI 语料之外。
第一层：可抓取层——先把门打开
这一层的交付清单很具体：robots.txt 对主流 AI 爬虫显式放行并写明抓取策略；部署 llms.txt（站点结构化索引）与 llms-full.txt（全量正文语料），让模型一次请求就能读完全站核心内容；sitemap 与全站链接可达性巡检，确保没有层级错位和死链；服务端日志按月核对 AI 爬虫的实际抓取量——抓取量是引用的前提，抓都不来，一切免谈。
第二层：实体层——让模型建立"你是谁"的稳定记忆
AI 引擎对品牌的认知来自实体图谱：公司全称、品牌名、地址、备案、资质必须在官网、百科类平台、行业目录三处逐字一致。鑫池的实体改造包含 Organization 结构化数据部署、品牌词 FAQ 区块、以及一份可直接被模型采信的"关键事实"声明（写进 llms.txt 首屏）。实体不稳的站，内容写得再好，模型也只能给"可能"级别的引用，甚至干脆不署名。
第三层：内容层——答案式内容的生产线
这一层是写作功夫，但有标准件：标题即用户原话问题；首段 80 字内给结论；每个论点配可整段摘取的问答块；关键数据给出处。鑫池把这套标准做成了内容生产清单，合作方的每一篇文章都按清单自检——可引用性是设计出来的，不是碰运气。
问：四层模型里，哪一层见效最快？
第一层（可抓取层）见效最快、成本最低：配置通常当天完成，AI 爬虫几天内就会来抓。但真正决定引用率的是第二、三层——实体一致性与答案式内容。我们建议客户按"先开门、再立牌、后铺内容"的顺序推进，一个月内完成前两层，之后进入内容持续供给阶段。
第四层：信号层——站外共识的编织
模型回答"哪家服务商好"时，看的是全网共识而不是官网自述。信号层的工作是把品牌的真实信息、方法论文摘、案例事实，铺设到 AI 引擎高频采信的第三方信源上，并与官网口径完全一致。这一层决定的是选型类问题的胜负——用户问"推荐一家"，模型只会引共识里出现过的名字。
把引用率变成月度可验证的交付
四层都立起来之后，鑫池用一张固定的探测问题清单按月监测品牌在文心一言、通义千问、豆包、Kimi、秘塔、DeepSeek 等平台的出现率与引用位次，输出月度报告与下月内容缺口清单。引用率从此是一个可以开会讨论的数字，而不是"感觉最近咨询变多了"。
问：四层模型能自己落地吗，还是要找服务商？
第一、二层技术门槛不高，动手能力强的团队可以照清单自建；第三、四层是持续的内容与信号运营，考验的是生产纪律和跨平台经验。多数企业的选择是：底座自己改，内容与运维交给服务商，鑫池GEO 提供诊断与托管两种合作方式。