LLM Mention Tracking

在一组固定的提示集上，追踪某个品牌及其域名在 ChatGPT 和 AI 搜索引擎中被提及的频率——以及这份声量份额与具名竞品相比如何、随时间如何变动。审计是一张快照，而这是周期性的读取：面板和竞品列表保持冻结，这样每次运行都可与上一次比较。

这是一个 enhanced skill：它通过 UnifAPI 读取实时公开数据。交付物是一个趋势，而非单个数字，所以价值来自按节奏在一个不变的面板上运行它。

用 UnifAPI 获取实时证据

这是一个 enhanced skill：它通过 UnifAPI 读取实时公开数据。用 unifapi skill 连接（OAuth MCP），然后发现这些 GEO 操作。它们全是 POST；每次运行都用完全相同的方式传入 engine（google / chatgpt）、location 和 language，这样趋势才是真实的变动，而非配置漂移。

• 跨标记分组的声量份额——核心读取 — geo/mentions/cross-aggregated-metrics 跨 标记分组 比较提及：把品牌放进一个分组、把每个具名竞品各放进它自己的分组，调用就会直接返回正面对决份额。这是追踪器的引擎——每个节奏都用完全相同的方式运行它，输出的 diff 就是 SoV 趋势。
• 面板级提及 — geo/mentions/search（target = 最多 10 个实体的数组：品牌域名 + 每个竞品）按提示捕获每个实体是否被提及以及在哪些回答中——为聚合份额提供细粒度支撑。
• 汇总 — geo/mentions/aggregated-metrics 在一次调用中把整个 target 集上的提及汇总起来（计数、AI 搜索量、被引用域名），当你只需要总计时，比逐提示 SERP 更便宜。
• 引用 vs 名字露出 — geo/serp（target = 品牌域名，is_target 标志）确认某次提及是一个真正的 被引用来源（一个链接），还是只是正文中的名字露出。引用是更强的信号；用单独一行追踪它们。
• 谁在爬升 — geo/mentions/top-domains 为该集合排出被引用最多的域名；逐次运行地 diff 这份列表，是「哪个竞品在上升」最快的读取。
• 按需求加权 — geo/keywords/search-volume 按 AI 搜索需求为每个提示加权，让 SoV 反映那些承载流量的提示。在创建面板时拉取一次并跨各次运行复用（每季度重新拉取）。

UnifAPI 只读公开数据。为成本行保留每个 billing 块。

工作流

（如果存在，先读 .agents/product-marketing.md / .claude/product-marketing.md——复用品牌、域名和竞品集，让面板与其他一切匹配。）

1. 固定面板——一次，然后冻结它。 锁定一组稳定的提示（10–30 个）、品牌 + 域名，以及具名竞品（共 ≤10 个实体——mentions/search 的 target 上限），并为每个实体分配一个固定的 分组标签 供 cross-aggregated-metrics 用。逐字存储这个面板；它在各次运行之间绝不能变，否则趋势就断了。现在按提示记录 AI 搜索量（geo/keywords/search-volume）并复用它。
2. 运行份额读取。 用锁定的分组标签调用 geo/mentions/cross-aggregated-metrics，一次性得到品牌对每个竞品的份额。用逐提示的 geo/mentions/search 为细粒度面板做支撑、用 geo/mentions/aggregated-metrics 做汇总；对每个（提示 × 平台 × 实体）记录：被提及（是/否）和被引用为来源（是/否，经由 geo/serp/is_target）。
3. 计算声量份额。 应用下面的 SoV 评分表，按平台和总体分别计算，把被引用的位与名字露出分开。
4. 与上次运行做 diff。 加载上次运行存储的数字并计算增量：哪些提示让品牌增加/丢失、哪个竞品爬升了（diff geo/mentions/top-domains）、SoV 净变化。盖上运行日期，并注明 AI 回答因会话而异。
5. 持久化这次运行，让下次运行能与它做 diff。趋势表每次运行增加一列；分组标签和提示永不改变。

声量份额评分

SoV 在 固定面板 上计算，这样它在各次运行之间可比较。对每个被追踪的实体：

mention SoV(entity)  = entity mentions / Σ mentions(all tracked entities)   [per platform + overall]
citation SoV(entity) = entity cited-slots / Σ cited-slots(all tracked entities)
weighted SoV(entity) = Σ_p [entity mentioned on p ? volume_p : 0] / Σ_p [any tracked entity mentioned on p ? volume_p : 0]

计数规则（每次运行保持完全一致）：

• 即使被多个引用提及，也把一个实体在每个（提示 × 平台）中 只计一次——避免冗长回答带来的膨胀。
• 一个 被引用位 = 存在 is_target/引用链接。一次 名字露出 = 在正文中具名、无链接。两者都追踪；引用 SoV 是头条，提及 SoV 是先行指标。
• 从分子和分母中都丢弃两个引擎都没有渲染出 AI 回答的（提示 × 平台）单元。
• 加权 SoV（按 AI 搜索量）是主要头条；同时报告未加权的。

输出

先放趋势，因为重点是变动。

头条： "Brand citation SoV [this run] X% vs [last run] Y% (Δ +/−Z pts) across N panel prompts; [competitor] climbed from A% to B%." 带运行日期和面板规模。

声量份额——本次运行：

对比此前各次运行的趋势（每次运行一列；这就是交付物）：

变动说明： 本次运行品牌增加/丢失的提示、哪个竞品在爬升（来自 top-domains diff），以及 SoV 净变化。

速赢清单： 品牌 被提及但未被引用（仅名字露出）的提示——模型知道你，你只需要可抽取的结构来赢得链接。

成本： UnifAPI 消耗的记录，或最佳估算。每个数字都带它的运行日期。

推演示例

面板：20 个提示，品牌 acme.dev，竞品 g2.com、rivalapp.com，US/English，每月节奏。六月运行经由 geo/mentions/cross-aggregated-metrics（三个冻结的分组标签）+ geo/mentions/search + geo/serp：Acme 在 50 个被追踪的被引用位中被引用了 9 个 → 引用 SoV 18%，比五月的 16% 上升（+2 pts）——由一次内容修复后赢得 "best [category] for startups" 驱动。g2.com 在 top-domains diff 上从 48% 滑到 47%。三个提示显示 Acme 被名字露出但未被引用 → 速赢可抽取性清单。

护栏

• 只读：它度量并报告一个趋势。它绝不发帖、播种提及、编辑内容或触碰任何账户——操作者自己的助手运行任何后续。
• AI 回答是非确定性的，因会话、地区和时间而异。把每次运行当成一个带日期的样本；在宣布一个方向之前先跨 ≥3 次运行 做趋势——不要过度解读单个增量。
• 在各次运行之间保持面板和竞品列表恒定。 更改提示、增加一个竞品或切换引擎/语言区会破坏可比较性——如果面板必须改变，就重置趋势基线并说明。
• 把引用 SoV 与提及 SoV 分开；只报告其一会掩盖一半的画面。
• AI 搜索量是公开数据估算；ChatGPT 引擎仅 US/English——对其他市场标为 N/A，而非零。

相关 Skills

• ai-visibility-audit：一次性、诊断性的版本，它解释提及为什么缺失并为面板播种。它的 references/geo-methodology.md 持有共享的被引用位计数规则，以及这个追踪器速赢列所依赖的缺失成因（Structure / Authority / Presence）决策树。
• ai-answer-gap：把品牌缺席的提示变成一份排好优先级的内容待办清单。
• unifapi：共享的数据 skill（连接 MCP，发现这个追踪器读取的 GEO 操作）。