十个误区
被提到，就等于被推荐
不等于。我们的存证里，有一个站点在 30 条回答里被提到 26 次，官网却只被引用 12 次。提及、推荐、引用是三件事，必须分开统计；混在一起，只会高估自己。
AI 拒答，就等于我被排斥了
不等于。拒答、未提及、未推荐是三种不同的观测。有的品类会出现成批拒答（例如成人用品），这只能说明样本内的回答行为，不能证明用户看不到你，也不能直接归因为「被针对」。
静态体检分数高，AI 就会推荐我
不会因此推荐。静态规则检查与真实 AI 回答是两类证据：分数说明公开信号齐不齐，不说明模型怎么回答、为什么回答。
加了 Schema 或 llms.txt，就一定被收录
不一定。它们帮机器明确结构与来源，但不保证抓取、收录、引用或推荐。llms.txt 更是社区提案，目前没有已核实证据表明主流 AI 产品会读取它。
「保证 AI 排名第一」的服务值得买
没有人能控制模型答案。凡是承诺固定名次、保证提升比例的服务，先要它出示可回溯的原始回答存证；拿不出来，就是空话。
测一次就是最终结论
不是。模型、时间、地区与题目表达都会影响回答，结论只代表当次样本。整改后要同条件复测，才有对照；没测到的改善，不能写成成果。
品牌在行内有名，AI 就会想起我
不一定。我们的存证里，一个业内知名度较高的站点，在 30 条品类回答里只被提到 4 次。行内有名，不等于买家不带品牌名提问时会被想起。
网页能打开，机器就读得懂
两回事。认证编号只放在图片里、关键信息挤成一大段文字、正文与标记声明不一致，机器都可能读不到或拆不清楚。
AI 引用了谁，谁说的就是对的
引用来源可能是零售平台、竞品官网或媒体文章，不代表官方口径。官网不被引用，话语权就在别人手里——这正是要做实体确权的原因。
出现 0%，就全完了
0% 只能解释为本次样本中的结果：本次模型、本次题目、本次时间条件下没有被提及。它不能推断所有用户都看不到你，也不能推出以后都不会。先扩大样本、分层统计，再下判断。