LLM 正在挑赢家：PostHog 41 倍流量后的 AEO 实操七条

一句话数据

PostHog 来自 LLM 的流量在过去两年增长了 41 倍。 每个季度都在刷新纪录，没有放缓迹象。

如果你是像我一样的怀疑派，下一句一定是："WELL, BUT DOES IT CONVERT?"

是的，转化率比几乎所有其他渠道都好。

我不告诉你这些是为了自夸（好吧，也许有一点）。我告诉你这些是因为反命题同样成立：PostHog 有 14 个产品，但（很遗憾）不是所有产品都被 LLM 以同等规模或速率推荐。 大多数模型知道我们做产品分析、session replay、error tracking、feature flags，但承认我们还做 data warehouse、AI observability、logs 等的就少很多。

你的产品大概也一样。要改变这点，你需要踏入 AEO（Answer Engine Optimization）这个玄学新领域——作为 PostHog 负责这事的人，过去一年我学到了很多。

1. LLM 知道你是谁吗？

第一步是弄清楚你到底有没有被提到。

• 打开 ChatGPT、Claude、Gemini（确保 memory 关掉或用隐私模式）
• 跑 3-5 个真实客户会用的基础 prompt，比如"最佳 X 工具"、"Y 的替代品"、"推荐的 Z 产品"。具体化反而不如泛化有用。
• 看你在哪里出现、缺哪里、或者被错误描述

想要更靠谱的判断，就选这一年新出来的几十个 AEO 工具之一。**一个合格的工具每天会替你跑几百个 prompt，**给你一份更清晰的 LLM 可见度图景，跨模型、跨时间。

不要想太多，选一个预算舒服且匹配你日常工作流的工具。

模型既依赖训练数据（往往来自 6 个月前），也依赖搜索。要进局，你的产品需要出现在 LLM 正在找的地方。

2. SEO 没死，只是换了个工作

最不性感但最明显的建议：传统 SEO 的多数招数还是有效。

好的结构、清晰的写作、语义化 HTML、内链、加载快、直接回答问题别埋在 400 词"In today's fast-paced digital landscape"下面——这些全仍然重要。

关键洞察不是"SEO 死了，AEO 万岁"，而是 SEO 和 AEO 喝着同一口井的水，区别是怎么喝。

现在消费单位是 chunk 不是 page。你的内容需要可被分块引用，不只是作为整体有用。

AEO 行业基本同意的 checklist 长这样：

• 可扫读——小标题、短段落、该用列表的地方用列表
• 自然语言——像一个人在跟另一个人解释某事那样写
• 直接回答问题——"什么是 X"就在第一句说清楚，支撑内容往后放
• 为检索而结构化——H2 就是真问题，定义能独立成段，summary 表格，清晰数据，FAQ
• 具体——模型偏爱带具体细节的内容（真实数字、命名工具、具体场景）超过模糊手势。"Most teams hate GA4" 没人记得；"73% of teams using GA4 fantasize about leaving" 才能被引用。（我编的。Google 法务别 @ 我……大概也八九不离十。）

我不假装我在这重新发明轮子；上面这些在 2019 年也算好 SEO 建议。**只是现在 stakes 更高了，**而且我们有 hindsight 来背书。

剧透：如果想知道这些长啥样……你正在读的就是。

3. 选战场

如果上面"基本面"听起来让人失望，你不是一个人。

大多数人读完这种 list 立刻想知道还有啥能做的——幸运的是 AEO 不缺支线任务：

• 优化你的 Reddit 存在感
• 认领 Wikipedia 页面
• 做 YouTube 策略
• 登上传统媒体
• 追一个 2023 年某人在 Medium 写的 outranking 你产品页的博客

有种底层压力让你想出现在所有可能影响 LLM 怎么聊你的地方——确实，它们都可能。这就是问题所在。

当你不知道到底什么在喂模型，**一切都是潜在输入，**意味着你时间表上一切都是候选。

我最终认定的规则是：先扫干净自家院子。 让 owned 内容真的好是第一步。其他都往后排。

那不是说永远不管别的——是说有精力把它做好的时候再做，别慌着做别家产品有个 Reddit 帖而你没有。

4. 戳破 bullshit，尤其是你自己的

这个行业从来没有像今天这样容易当骗子。 "我把 prompt 可见度提升 50 倍"说出来轻飘飘——前提是你自己选的 prompt——天知道有没有人真问过那些。

"谁是带铜色头发、左髋有胎记的最佳巴西-加拿大内容营销人？"我的天是我自己！

我优化结果让它是我。AEO 划时代的工作。 看到我做了什么没？

在没有真实 prompt 流量数据（也请别拿 clickstream 的故事来糊弄我）的世界里，也就没有确定的结果。

整个学科基本靠假设和 vibe 撑着。可以（我们还早），但这意味着你的工作是在你进的每个房间里做最诚实的人。

这意味着质疑一切，尤其是让你好看的东西。 当你自己 dashboard 告诉你点好事，对它怀疑 double；告诉你坏事时也一样。

供应商给你看 case study，问 50 遍——**base 是什么？怎么量的？**特别盯防"we tracked it"被伪装成"we caused it"——很多"AEO 影响力"case study 是把相关性打扮成因果。

而当诚实的答案是"我还不知道"，说那个。

这会省掉你在一个自己骗自己的谎上建战略带来的诸多痛苦。

5. 你可以直接……问

我不太擅长"不知道"这件事，所以我绕过去了。我们加了一个条件问题到 onboarding 流程：每当有人说他通过 AI 听说我们，我们就问他们用了什么 prompt。

让我意外的是，人们会回答。 详细地。有时是长长长长段落的详细。

现在我们有关于那些真正把人引到我们这的 prompt 的一手数据——真人打出的真句子，带着真信用卡。

**截至今天，9,214 条，**而我们只做了 3 个月。

每天早上，我们 PostHog 的 Slack 自动化从昨天注册的用户提交的 50–100+ 真 prompt 拉个报告。PostHog AI 帮我识别模式、挖有用的 nugget，直接喂回我们的策略。

这是个了不起的反馈循环。 最棒的是它花大约 0 美元搭起来，却成了我整个 reporting 栈里最有价值的战略输入之一（如果不是最的话）。

它也是个无过滤用户心声的金矿，我爱死这点了。

最赞的是一个用户在 Fortnite 语音聊天里得知的 PostHog——具体是跟一个达斯维达 NPC 聊分析 Fortnite 经济。我经常想他。

6. AEO reporting 是块拼图，不是张床单

没有单一数据源能讲完整的故事。 至少现在没有。

• Referrer 流量抓得到一些，但很多东西没正确打标
• Self-reported attribution抓更多，但不一定每个人都回答
• Bot analytics（谁在爬你、多频繁、为啥）帮你理解模型看到了什么——这是和"模型在说什么"不同的问题
• Prompt visibility 工具告诉你模型在说什么，但只对你想到要追踪的 prompt 而言

每个数据源都能被戳穿。

烦吗？非常烦。过去十年干净的（差不多干净的）attribution 宠坏了我们——做增长、营销、分析的人都习惯了一个一切都对得上的 dashboard。AEO 短期内给不了你。

如果你是 founder 看团队汇报这事，给他们点 graceful；如果你就是汇报的那个人，godspeed。

**那意味着不报了吗？**不是。有时候你就得在只有胶带和梦的时候把故事讲出来。

好消息是MCP 让这事容易了不止一个台阶。如果你的数据源有 MCP，你的 agent 可以从每个里面取数据，帮你看到更大的图。

我的 agent 从 Gauge 拉 prompt visibility；从 Google Search Console 拉 clicks、impressions、rankings；从 PostHog 拉流量、转化、产品级拆分、self-attribution 调研、还有 prompt 那部分的质性数据。

**它不是魔法，也不总清晰，**但比在 4 个 tab 之间复制粘贴祈祷数字对得上强太多了。

7. 准备推翻重来

几个月后我意识到我们追踪了几百个 AI 生成的 prompt，它们跟真实人实际用来找到我们的 prompt 几乎没重叠。（我怎么发现的？见 #4 和 #5。）

这意味着 6 个月的历史数据像牛奶一样过期了。

当你干这么新的学科，**任何数据都显得神圣，**所以向我和团队承认我们的数据需要被丢弃是颗难咽的药。如果有 playbook 可以 defer 会容易点；没有。

但我们还是重新开始了，新方法已经在产出比老方法有用的数据。

Zoom out 同样的原则套用到 AEO 的其他所有东西。模型每周在变；上周还没的功能能完全重塑你以为已经搞懂的格局。今天的 win 明天可能不是 win。

我想说的是：adaptability 不是 nice-to-have。在成熟渠道，执着于 v1 是低效；在 AEO 这种新渠道，执着是致命的。

关键不是怕它，是预期它会发生。

作者：Natalia Amorim，PostHog 内容营销经理。

翻译

这文章里最有杀伤力的不是 7 条建议，是 #4 和 #7 的组合：

1. 你自己 dashboard 告诉你好事的概率 = 你自己骗自己的概率
2. 6 个月数据可以一刀切扔掉，因为追踪对象根本就是错的

当一个学科没有真实 prompt 流量数据、没有 ground truth、因果与相关性都分不清的时候，最大的竞争优势就是诚实。

这是 AEO 行业目前的样子。它不永远是。但**等到 ground truth 出现（来自 MCP、来自 MCP-fed agent、来自 self-reported 一手数据）时，**诚实从竞争优势变成入场券。

SOTA Sync 自己在做的事就是 AEO 实践：

如果 Sam 想做 SOTA Sync 自身的增长：

• #1 现在就可以做：把 SOTA Sync 当成 LLM 用户的候选推荐源，看哪些文章被高频 cite
• #5 现在就可以做：在 PM Research / SOTA Sync 群入口加一句"你从哪个 prompt 找到我们"
• #6 现在就可以做：把 Google Search Console + GSC Insights + 飞书 Bitable + 文章阅读数据通过 MCP 拼起来

如果做，今天就能开始。SOTA Sync 已经是 7 条里的 4 条半。