Skip to content

AEO / GEO 工具全景：輸入面、流量面、輸出面——從 isitagentready 到 aeo-radar 到 Profound

2026年4月21日 1 分鐘
首頁 › marketing
TL;DR AEO/GEO 工具不是單一類別，而是三個面向：輸入面（網站有沒有準備好給 AI 讀）、流量面（AI bot 實際爬了多少）、輸出面（品牌在答案裡怎麼被提到）。這篇把三面向、從開源自架到商業 SaaS 的工具一次攤開。
#aeo#geo#ai-visibility#brand-monitoring#open-source#self-hosted#llm#ai-seo#cloudflare#agent-readiness#llms-txt#mcp#ai-crawler#gptbot
目錄
  1. 輸入面：網站本身準備好給 AI 讀了嗎
    1. 整體健檢
    2. llms.txt 專門工具
  2. 流量面：AI bot 實際爬了你多少頁
  3. 輸出面：品牌在 AI 答案裡被怎麼提到
    1. 開源自架
    2. 商業 SaaS：光譜從 free tier 到六位數企業合約
    3. Citation 專門工具（比 mention 更細的顆粒度）
  4. 資源目錄：盤點時的 meta 層
  5. 共通架構（輸出面工具）
  6. 選型建議
  7. 整體來說
  8. 參考資料

AEO / GEO 工具這兩年從「SEO 廠商延伸功能」冒出一整個獨立類別。動機很直接：Google 搜尋仍然重要，但越來越多使用者直接問 ChatGPT、Perplexity、Gemini、Claude，得到一段合成過的答案——而答案裡有沒有你的品牌、排第幾個、引用了誰的內容，傳統 SEO 指標完全看不到。

但「AEO 工具」其實是個很鬆散的詞。實際拆開會發現它涵蓋三個完全不同的面向：

  • 輸入面：你的網站有沒有準備好讓 AI agent 讀取（你能完全控制）
  • 流量面：AI bot 實際爬了你多少頁（你能觀察但不能控制）
  • 輸出面：AI 生成答案時怎麼提到你（你只能影響）

這篇按三個面向盤點工具地圖，再拉出共通架構和選型建議。

輸入面：網站本身準備好給 AI 讀了嗎

這是唯一你能 100% 控制的層。工具分兩類：整體健檢、與 llms.txt 單點工具。

整體健檢

isitagentready.com（Cloudflare 出）是目前最完整的輸入面健檢。貼網址、選 Content Site / API / All Checks，掃出一份分數報告，檢查四個面向：

  • Discoverability：robots.txt、sitemap、llms.txt
  • Content：Markdown content negotiation、結構化資料
  • Bot Access Control：AI 爬蟲宣告（AI-usage directives）
  • Capabilities：MCP endpoint、OAuth、Agent Skills、agentic commerce

Cloudflare 公布的掃描統計很狠——全網站只有 4% 宣告 AI 使用偏好、3.9% 支援 Markdown 協商。定位類似「給 AI agent 用的 Lighthouse」，免費、不用註冊。

llms.txt 專門工具

驗證器（貼網址掃 llms.txt 格式）：

開源產生器（爬你網站、生出 llms.txt）：

llms.txt 本身還是 proposed standard，2025 年開始大量網站跟進，但 Cloudflare 的掃描顯示實際採用率還很低——所以這是很容易搶先建立優勢的一塊。

流量面：AI bot 實際爬了你多少頁

這是最容易被忽略的類別。傳統 GA / Plausible 預設會過濾掉 bot 流量，所以 GPTBot、ClaudeBot、PerplexityBot 每天爬你幾千頁，你在儀表板上看不到。

Cloudflare 的 server log 研究顯示，ChatGPT-User 一小時可以爬 2,400 頁。對重視內容資產的站，這個數字直接關係到「AI 有沒有看到你」——跟輸入面的 llms.txt 設定是一體兩面。

幾個新興的專門工具：

DIY 派可以直接從 access log 撈，搭 ELK / Grafana / Datadog。User-Agent 特徵清單（GPTBot、ChatGPT-User、ClaudeBot、PerplexityBot、Google-Extended、CCBot…）各家官網都有文件，不難做。

輸出面：品牌在 AI 答案裡被怎麼提到

這是 AEO/GEO 工具最擁擠的戰場，也是這篇一開始出發點（aeo-radar 就在這層）。

開源自架

核心賣點都一樣：不要每月 $200–$500 給 SaaS，資料和 prompt 留在自己機器上。差異在技術棧和資料取得方式。

aeo-radar 用 Playwright 每天 headless 爬 AI 介面、不需要 API key，抓回來的答案交給 Claude CLI 做結構化萃取（品牌是否被提到、情感、競品、引用來源），存進 SQLite，Next.js 16 + Ant Design 畫儀表板。繁中先行、主打非英文市場是明確的取捨——英文市場已經紅海，非英文市場的 AEO 資料反而是商業 SaaS 長期忽略的縫隙。

AICMO/ai-cmo 是完成度更高的開源選項，Vue + Python + TypeScript，Docker 一鍵起，明確支援 ChatGPT / Gemini / Perplexity / Claude 四家。定位接近「開源版 Profound」，但需要自己帶 OpenAI + Vertex AI 憑證。

danishashko/geo-aeo-tracker 技術棧跟 aeo-radar 最像（Next.js 16、TypeScript、Recharts），功能面比較滿——13 個分頁、6 個 AI 模型同追蹤、6 階段 SRO 分析、引用機會掃描、競品 battlecard。資料面用的是 Bright Data 的 Web Scraper API，優點是不用自己維護反爬策略，缺點是 Bright Data 不免費。

sarahkb125/llm-brand-tracker 走的是另一條路——不直接爬 AI 介面，而是呼叫 OpenAI API，自動爬你的品牌網站、用網站內容產生一批 prompt 去問 ChatGPT。優點是合法乾淨、不擔心反爬；缺點是你拿到的是「API 版 ChatGPT 怎麼看你」，跟網頁版使用者看到的有落差——網頁版有即時搜尋、API 沒有。

輕量選項還有 naikpratham-hub/LLM-Brand-Visibility-Analyzer 和 getcito。

商業 SaaS：光譜從 free tier 到六位數企業合約

純 AEO/GEO 廠商：

傳統 SEO 大廠延伸出的 AEO 模組：

SaaS 端的競爭焦點已經從「有沒有追 ChatGPT」變成「引用來源分析深度」「hallucination 偵測」「跨平台 share of voice 歸因」。純追蹤功能會越來越 commodity。

Citation 專門工具（比 mention 更細的顆粒度）

Mention（有沒有被提到）和 citation（有沒有被當引用來源、帶連結）是不同指標。專做 citation 追蹤的：

Chrome 擴充這類「人肉搜尋時順便記錄」的輕量工具，在還沒下手買 SaaS 的探索階段很好用。

資源目錄：盤點時的 meta 層

共通架構（輸出面工具）

把輸出面的開源專案拆開，會發現大家做的事情其實是同一套 pipeline：

[Prompt 清單] → [查詢 AI 介面] → [結構化萃取] → [儲存] → [儀表板]
     │              │                   │              │          │
  關鍵字        Playwright /         LLM-as-judge    SQLite /     Next.js
  品牌名        官方 API /            （Claude /      Postgres     React
  競品          Bright Data          GPT-4 /                       Recharts
                Scraper API          Gemini）

幾個設計決策會決定走哪條路：

資料取得方式：爬網頁版 vs. 呼叫 API。前者看到的是真實使用者體驗（含即時搜尋、引用連結），但要處理反爬、Cloudflare、Cookie 牆；後者穩定乾淨但跟使用者實際看到的有落差。aeo-radar 選 Playwright + 無 API key，賭的就是「前者比較真實」。

分析引擎：aeo-radar 用 Claude CLI，AiCMO 用 OpenAI + Vertex AI。選 CLI 的好處是不用再申請一套 API key、搭 Max 訂閱就能跑；選 API 的好處是可以上雲、多 worker 並行。

資料庫：SQLite 起手、提供 Postgres 選項幾乎是這類專案的預設。資料量大多是每日一次 × N 個 prompt × M 個模型，SQLite 撐一陣子沒問題。

多語言市場：目前開源場上繁中/日文/韓文覆蓋很薄，aeo-radar 繁中先行這件事在 SaaS 世界裡沒有對應者。

選型建議

按三個面向分開看：

輸入面（先做這層，CP 值最高）：

  • 先用 isitagentready 掃一次，把 llms.txt、robots.txt、MCP 能補的補齊
  • 想要產生 llms.txt，firecrawl/llmstxt-generator 開源跑一次

流量面（你自架分析就做）：

  • 自架：Matomo 5.8 起
  • 不想動基建：aibottracker.com 免費版
  • 重內容資產的站要開，才知道 GPTBot 有沒有在爬你

輸出面（實際看品牌在 AI 答案裡的樣子）：

  • 只想快速看一眼：HubSpot AEO Grader 免費試、Ahrefs Brand Radar（本來就訂）、AI Citation Tracker Chrome 擴充（搜尋時 highlight）
  • 長期自架：aeo-radar（繁中市場最順）、AiCMO（功能最完整）、geo-aeo-tracker（UI 最完整但要 Bright Data）
  • 做自己的 AEO 產品：讀 aeo-radar 和 AiCMO 的 source code，再掃 awesome list
  • 企業級：Profound 或 AthenaHQ
  • 單平台訂閱：Otterly.AI 或 LLMrefs
  • 要 citation 粒度：Am I Cited

整體來說

AEO 工具這個類別在 2025 上半年還是 SaaS 廠商的戰場，到 2026 年已經長出完整的三層生態——輸入面、流量面、輸出面各自有開源和商業選項。

最有趣的觀察是：輸入面和流量面反而比輸出面更被忽略。大家都在看「品牌在 AI 答案裡怎麼被提到」，但很少人先回答「我的網站 AI 讀不讀得到」「AI 有沒有在爬我」這兩個更基礎的問題。這兩層都是你能控制、能量化、且競爭強度遠低於輸出面的。

輸出面的開源方案倒是這兩年成熟得很快。aeo-radar 這種繁中先行、Playwright 無 key 爬取、Claude CLI 分析的組合，在兩年前連技術路徑都不存在——能這樣做是因為 headless browser、LLM CLI、Next.js App Router 這幾塊同時成熟。自己做一個 AEO 工具的進入門檻比看起來低很多：核心不是「寫爬蟲和儀表板」，而是「選對 prompt、選對分析邏輯、選對資料呈現方式」。工具只是殼。

參考資料

相關文章 · #aeo

你的 JSON-LD 和 schema 對 AI 搜尋引擎是隱形的嗎？各家管線拆解與 AEO/GEO 策略 1 min AI-Ready Content：把網站變成 AI 可讀的資料來源，完整指南 1 min goose：開源、跨平台、不鎖 LLM 的本地 AI Agent 1 min