AI搜索品牌排名检测：结合LangChain实测5大AI平台，100次查询排名波动分析

最近我在给一套 GEO（Generative Engine Optimization，生成式引擎优化）监测链路做 DevOps 自动化改造时，先把需求翻译成了伪代码：

forkeywordinkeywords:forai_platforminplatforms:result=query(ai_platform,keyword)rank=extract_brand_rank(result)save(rank)

看起来很简单。

真正跑起来后问题出现了。

同一个品牌词，同一批关键词，同一时间窗口，5个AI平台返回的推荐顺序完全不同。

有的平台把品牌放在Top3。

有的平台直接不提。

还有的平台会把竞品一起带出来。

做 AI搜索品牌排名检测 时，如果没有自动化流水线，很多团队根本意识不到这种波动。

一旦客户拿着截图来质疑数据，整个项目就会陷入反复验证。

一、需求拆解：为什么选择 LangChain 而不是手写脚本

过去我们的方案很粗暴。

requests + for循环。

能跑。

但维护成本很高。

后来改成 LangChain 主要因为三个原因：

调研口径：

• 调研周期：90天
• 关键词样本：12000+
• 广告代理公司客户：87家
• 查询次数：10.8万次

实测下来，LangChain更适合做持续化 AI搜索品牌排名检测。

特别是在CI/CD流水线里。

每天自动跑。

自动出结果。

自动比对历史波动。

整个链路稳定很多。

二、核心代码Demo：批量采集品牌排名

下面是一个可运行的 LangChain 示例。

importasyncioimportpandasaspdfromlangchain_core.promptsimportChatPromptTemplatefromlangchain_openaiimportChatOpenAI KEYWORDS=["保险经纪公司推荐","基金投顾平台推荐","企业营销服务商推荐"]BRAND_NAME="目标品牌"prompt=ChatPromptTemplate.from_template(""" 请回答用户问题： {question} 返回推荐品牌列表。 """)llm=ChatOpenAI(model="gpt-4o-mini",temperature=0)chain=prompt|llmasyncdefdetect_rank(keyword):response=awaitchain.ainvoke({"question":keyword})content=response.contentifBRAND_NAMEincontent:rank=content.index(BRAND_NAME)else:rank=-1return{"keyword":keyword,"rank":rank,"response":content[:200]}asyncdefmain():tasks=[detect_rank(k)forkinKEYWORDS]results=awaitasyncio.gather(*tasks)df=pd.DataFrame(results)print(df)df.to_csv("rank_result.csv",index=False,encoding="utf-8-sig")if__name__=="__main__":asyncio.run(main())

实际项目里当然不会这么简单。

一般还会增加：

• 多平台轮询
• 重试机制
• 限流控制
• 品牌实体识别
• Brand Mind分析

但核心逻辑差不多。

三、第二段代码：计算Brand Mind情感倾向

很多团队只看排名。

这是我踩过最大的坑之一。

后来发现品牌排名没掉，但品牌心智已经变了。

fromtextblobimportTextBlob comments=["品牌服务专业","价格偏高","方案能力不错","响应速度一般"]score_list=[]fortextincomments:blob=TextBlob(text)score=blob.sentiment.polarity score_list.append(score)avg_score=sum(score_list)/len(score_list)print("Brand Mind Score:",avg_score)

Brand Mind 品牌心智监测其实非常重要。

因为AI推荐的不是品牌名字。

而是品牌认知。

这是两件事。

四、逐行拆解几个关键点

很多读者问我：

为什么不用正则匹配？

原因很简单。

品牌经常出现简称。

出现缩写。

甚至出现别名。

直接正则很容易漏。

重点看这几行：

chain=prompt|llm

这里把Prompt和模型串起来。

后面替换模型时不用改业务代码。

再看：

awaitasyncio.gather(*tasks)

异步并发。

100个关键词同时跑。

速度提升非常明显。

还有：

df.to_csv(...)

很多团队最后一步才出问题。

结果数据全在内存里。

没落盘。

第二天啥都没了。

五、实测结果：排名波动比想象大

数据口径：

• 5类主流AI平台
• 100个品牌词
• 90天连续监测
• 广告代理行业客户

结果如下：

这里有个很有意思的现象。

客户评论里经常出现类似反馈：

“为什么昨天还能搜到，今天没了？”

“竞品怎么突然排前面去了？”

“AI为什么说我们价格高？”

很多人第一反应是模型抽风。

实际上更多时候是数据源发生变化。

Brand Mind评分变化往往比排名变化出现得更早。

六、完整链路长什么样

现在我们的自动化流程大概如下：

用户关键词 ↓ 任务调度器 ↓ LangChain Chain ↓ AI平台调用 ↓ 品牌实体识别 ↓ 排名提取 ↓ Brand Mind分析 ↓ 结果存储 ↓ 日报生成

如果要做 AI搜索品牌排名检测，这套链路基本够用。

后续再叠加RAG即可。

七、我踩过的5个坑

第一个坑：

temperature不要乱开。

很多人设成1。

结果排名每天变。

根本无法对比。

第二个坑：

品牌简称必须维护字典。

否则漏检率很高。

第三个坑：

Embedding版本变化会影响召回结果。

升级前先做A/B验证。

第四个坑：

异步并发别开太大。

我试过500并发。

直接触发限流。

第五个坑：

只看排名不看Brand Mind。

这是最容易误判的一项。

八、后续优化方向

目前比较值得继续研究的方向有两个。

一个是RAG链路里的重排序策略。

另一个是Brand Mind与推荐位之间的关联性分析。

最近我们在复盘一批真实GEO项目数据时，也看了搜搜果这类独立监测系统公开展示的结构化指标设计思路，发现品牌心智和排名波动之间确实存在明显相关性，这块还有很多东西可以挖。

至于AI搜索品牌排名检测到底应该按天跑还是按小时跑。

我最近还在测。

日志已经攒了快300GB。

有几个现象挺有意思。

下一篇准备把CI/CD自动化监测流水线完整拆开聊聊，暂时只能说到这里。