十年前，"我的品牌在搜索里表现如何？"有一套成熟的答案：排名、点击率、外链、Core Web Vitals。如今，新版本的问题——"我的品牌在 AI 搜索里表现如何？"——却没有对应的答案。大多数品牌既缺少衡量它的工具，也没有解释它的框架，更没有改进它的工作流。
根据 Forrester《2026 数字商务趋势》报告，来自对话式 AI 平台的引荐流量是 DTC 品牌增长最快的获客渠道，年同比增长 40% 以上。然而，只有不到 12% 的企业营销团队表示自己有一套量化的方式来追踪 AI 可见性。
Agentic Page 的 ACCC 评分体系正是为了填补这个空缺。一套百分制、四维度、可审计、可导出 PDF 的评分，把"AI 可见性"从一段模糊的叙事变成一个工程问题——它可以被分配给具体的团队、挂钩到季度目标，并一步步加以验证。
挑战：AI 可见性正成为下一个增长 KPI——但没有一把尺子
- 购买旅程正在迁移。越来越多消费者在 ChatGPT、Perplexity 和 Claude 内部就完成了"了解 → 对比 → 列入候选"，抵达购买页面时早已做好决定。
- AI 爬虫流量正在加速。在大多数 DTC 网站上，GPTBot、PerplexityBot、ClaudeBot 与 Google-Extended 在 12 个月内增长了 3–10 倍。
- 竞争对手正在抢占地盘。在每个垂直领域，如今都有三到五个"AI 原生友好"的品牌主导着引用——挤压在位者的声量份额。
为什么现有工具帮不上你
- SEO 工具衡量关键词排名、外链与域名权重——这些信号无法干净地映射到 AI 的排序机制上。
- 性能工具如 Lighthouse，衡量的是人类能否看到页面，而非 AI 能否读懂它。一个加载飞快但重度依赖 JS 的页面，对人类看起来完美无缺，却只给 AI 爬虫留下一堆空的 div。
- 内容审计工具检查拼写与标题层级——而不会从 AI 爬虫的视角判断你的差异化卖点是否被埋在三级标签页之后。
解决方案：ACCC，一套为 AI 时代而生的百分制评分体系
ACCC 从四个维度为你的网站打分，总分 100 分。它会运行 10 多项核心检查，每项返回三种判定之一：通过 / 需优化 / 不通过。
A | 可访问性（Accessibility）
AI 爬虫究竟能不能访问到你的网站？涵盖：robots.txt 是否放行 GPTBot、PerplexityBot、ClaudeBot、Google-Extended；sitemap.xml 的完整性；HTTP 状态码；CDN/WAF 规则是否未拦截 AI 爬虫。
C | 可爬取性（Crawlability）
一旦进入页面，AI 能否在有限的 token 预算内读到你想让它读的内容？涵盖：页面加载速度与 SSR 比例；JavaScript 依赖比例；关键信息是否未被藏进动态组件（标签页、手风琴、轮播）；token 效率。
C | 内容结构（Content Structure）
AI 读到的内容是否结构化、可解读、可被引用？涵盖：关键信息是否位于页面前 20%；URL 语义；H1/H2/H3 层级；结构化数据覆盖度（Schema.org、FAQ、Product、Article、HowTo）。
C | 内容质量（Content Quality）
内容本身是否值得被引用？涵盖：EEAT（作者身份、资质、来源引用）；信息完整度；内容时效性；差异化清晰度；跨平台实体占位（X、LinkedIn、Medium、Pinterest、YouTube）——这是一个多域矩阵，为 LLM 在 QDF 式检索中所利用的时效性与权威性提供来源。
落地：诊断 – 优化 – 验证的闭环
- 第一阶段 — 诊断：ACCC 给出一个百分制的基线评分，并精确定位每一个阻碍 AI 可见性的问题。
- 第二阶段 — 优化：诊断结果会自动驱动 AI 镜像站（AI Mirror Site）的生成策略。每个问题都对应一个具体的修复动作。
- 第三阶段 — 验证：流量监测（Traffic Monitoring）追踪 AI 搜索、索引与训练流量，以及品牌曝光与引用趋势——回答那个问题："这套做法究竟有没有奏效？"
团队实际上是如何使用 ACCC 报告的
- CMO / 数字化负责人：把 ACCC 总分当作 AI 可见性的北极星 KPI。设定年度目标，按季度汇报。
- 网站 / 前端 / SEO 团队：把四个维度拆分给各执行团队——可访问性交给运维/基础设施，可爬取性交给前端，内容结构交给 SEO 运营，内容质量交给品牌/内容编辑。
- 代理商 / 品牌咨询公司：把 ACCC 当作标准化的交付物——项目启动时出基线，项目结束时出最终报告。
怎样的 ACCC 分数才算"好"？
- 优秀 | 85–100：AI 可读性强，具备有竞争力的引用潜力。在非品牌词、长尾使用场景以及清单式提示中都处于易被引用的有利位置。
- 良好 | 70–84：达到基线及格线，仍有优化空间。核心内容可被读取，但在结构化数据、EEAT 与差异化上还有提升余地。
- 一般 | 50–69：存在明显损害 AI 可见性的问题。典型情况：robots.txt 拦截、首屏内容依赖 JS、关键卖点被埋进标签页里。
- 较差 | 0–49：存在需立即处理的严重问题。AI 爬虫无法获取到可用内容。在 AI 回答中几乎等同于隐形。
根据 Agentic Page 的服务数据，大多数中大型品牌在首次扫描时落在"一般"到"良好"区间。在经历一个完整的优化周期后，它们会稳定地进入"优秀"区间。
给认真对待 AI 可见性的品牌的关键要点
- 采用同一把尺子。没有一个量化的分数，"AI 可见性"就无法被分配、设定目标或验证。
- 先诊断，再优化。靠猜测去做修复的成本，远高于做一次基线扫描的成本。
- 把它当作一个闭环来对待。ACCC → 镜像站 → 流量监测。一次性的审计撑不过 LLM 的更新周期。
- 占据你的跨平台实体矩阵。在 X、LinkedIn、Medium、Pinterest 和 YouTube 上同名的主页档案，为 LLM 在 QDF 检索中所利用的多域时效性提供来源。
- 追踪点击后的信号。引用只是入场券。停留时长与会话深度决定了你能否留在 RAG 池里。