用途
该技能用于在 AI 可见性评分（AEO 评分）需要被信任、解释或质疑时进行审计。典型触发场景包括：评分意外下降（“为什么我们的 AEO 评分掉了”）、客户要求提供可见性数字的凭据、或某次扫描结果看起来异常。
主要能力
技能产出一条审计轨迹：聚合 → 贡献扫描 → 原始 AI 回答。核心原则是：绝不只凭聚合数字解释评分变化，必须先分解。
三步审计流程：
- 聚合（aggregate）——拉取顶层数字：该周期的可见性百分比、提及次数、扫描总数、平均情感。
- 分解（decompose）——把评分拆解为组成它的各次扫描结果：哪些扫描记录了品牌提及、哪些没有。评分下降通常在此定位——是某个引擎、某个国家或某个主题造成了损害，而不是“品牌”整体。
- 检查（inspect）——对任何异常扫描，调取完整记录：原始 AI 回答文本、每个提取字段、每个发现的引用。这一步把“我们失去了可见性”变成“引擎 X 在提示词 Y 上不再引用对比页面”。
使用方式
检查分析方法版本：每个结果都带有分析版本。在解读长期趋势之前，先确认该时间窗口内版本一致——方法变更可以解释与品牌实际地位无关的评分变化。版本边界比较是典型的误报来源。
审计的用途：
- 差异解决——某次扫描命中或未命中的原因，用原始回答定论，而非猜测。
- 竞品验证——在重复某项声明之前，确认竞争对手在同一批回答中实际如何出现。
- 客户报告——每个头条数字都有可审计的推导过程；无法出示凭据的评分无法通过采购审查。
适用场景
当可见性评分出现意外波动、客户想要凭据、或扫描结果看起来不对时使用。
限制与要求
- 必须在解读任何趋势之前验证分析版本一致性。
- 必须在质疑或解释单次扫描之前检查原始回答。
- 绝不在未指明哪些扫描驱动变化的情况下报告评分变化。
- 常见失败：在关键拆分上取平均——按引擎和按国家的变动在聚合中相互抵消，掩盖真实情况。
- 成功标准：每个报告的评分都能一直辩护到 AI 引擎实际写出的那句话。