Canonry是一个开源的AEO（答案引擎优化）运营平台，内置AI代理Aero，可自动监控网站在ChatGPT、Gemini、Claude和Perplexity等AI搜索引擎中的引用情况，检测排名回归问题，诊断原因并协调修复。

Canonry：面向AI搜索引擎的代理优先型AEO监控与运营平台\n\n## 背景：从SEO到AEO的范式转移\n\n传统搜索引擎优化（SEO）的核心目标是让网站在Google、Bing等搜索引擎的结果页面中获得更高排名。然而，随着ChatGPT、Claude、Perplexity等AI对话系统的普及，用户获取信息的方式正在发生根本性变化——他们不再点击十个蓝色链接，而是直接阅读AI生成的综合答案。\n\n这种转变催生了一个全新的优化领域：AEO（Answer Engine Optimization，答案引擎优化）。AEO关注的是如何确保你的内容能够被AI系统准确发现、理解和引用。与SEO关注关键词密度和反向链接不同，AEO更强调内容的结构化、权威性和语义清晰度。\n\n## Canonry平台概述\n\nCanonry是一个开源的AEO监控与运营平台，由AINYC团队开发。它的核心理念是"代理优先"（Agent-First）——平台内置了一个名为Aero的AI代理，能够自主完成从监控到修复的完整工作流程。\n\n### 核心功能特性\n\nCanonry提供了以下关键能力：\n\n1. 多引擎引用监控\n\n平台同时追踪网站在四大AI系统中的可见性表现：\n- ChatGPT：OpenAI的对话系统引用情况\n- Gemini：Google的AI助手覆盖度\n- Claude：Anthropic的AI系统表现\n- Perplexity：AI原生搜索引擎的索引状态\n\n2. 智能回归检测\n\n当网站在AI答案中的引用频率或排名出现下降时，Canonry会自动识别这种"回归"（Regression）现象，并触发诊断流程。这比传统的SEO排名监控更加复杂，因为AI系统的答案生成具有概率性和上下文依赖性。\n\n3. 自主诊断与修复协调\n\n内置代理Aero不仅发现问题，还能分析问题根源。它可以检测多种影响AEO表现的因素：\n- 结构化数据（Schema.org/JSON-LD）的完整性\n- 内容语义清晰度\n- 技术可访问性（AI爬虫能否正常抓取）\n- 品牌提及的一致性\n\n诊断完成后，Aero可以协调修复工作，无论是通过API调用还是生成详细的修复建议。\n\n4. 双模式交互设计\n\nCanonry支持两种使用模式：\n\n内置代理模式：用户通过CLI或Web界面与Aero对话，例如：\nbash\ncanonry agent ask my-project \"为什么上次运行失败了？推荐一个修复方案。\"\n\n\n自定义代理模式：开发者可以将Canonry作为后端服务，通过自己的代理（如Claude Code、Codex或自定义系统）调用其API。平台提供Webhook支持，可在关键事件发生时通知外部系统。\n\n## 技术架构与部署\n\nCanonry采用Node.js技术栈构建，要求Node.js版本不低于22.14。项目采用FSL-1.1-ALv2许可证发布，允许商业使用。\n\n### 快速开始\n\n安装和启动非常简单：\n\nbash\nnpm install -g @ainyc/canonry\ncanonry init\ncanonry serve\n\n\n初始化完成后，Web仪表板将在http://localhost:4100可用。用户需要提供各AI提供商的API密钥（OpenAI、Anthropic、Google等）以启用完整功能。\n\n### 项目配置\n\nCanonry使用YAML格式的配置文件（位于~/.canonry/config.yaml），支持多项目管理和环境变量注入。每个项目可以独立配置监控频率、关键词集合和通知规则。\n\n## AEO实践的核心洞察\n\nCanonry的设计体现了AEO领域的几个关键认知：\n\n1. 被动监控已不足够\n\n传统SEO工具可以被动等待搜索引擎爬虫访问，但AI系统的索引机制更加不透明。Canonry采取主动探测策略，通过模拟真实查询来评估可见性。\n\n2. 答案质量比排名更重要\n\n在AI答案中，被引用的内容质量直接影响品牌信誉。Canonry不仅统计引用次数，还分析引用上下文是否准确、完整。\n\n3. 修复需要跨职能协调\n\nAEO问题往往涉及内容团队、技术团队和市场团队的协作。Canonry的代理设计可以生成针对不同角色的修复指令，促进跨部门协作。\n\n## 应用场景与价值\n\nCanonry适用于多种场景：\n\n- 企业品牌管理：确保公司信息在AI答案中准确呈现\n- 内容营销优化：提升博客、白皮书等内容的AI引用率\n- 竞争情报分析：监控竞争对手的AI可见性表现\n- 技术SEO升级：识别阻碍AI爬虫的技术问题\n\n对于依赖有机流量的企业而言，Canonry提供了一种前瞻性的防御机制——在AI搜索彻底重塑流量格局之前，建立监控和优化能力。\n\n## 开源生态与社区\n\nCanonry作为开源项目，其代码托管在GitHub上，采用模块化架构便于社区贡献。项目标签涵盖了AEO、GEO、LLM、SEO等关键词，显示出其在生成式AI优化领域的定位。\n\n随着AI搜索引擎的快速发展，类似Canonry这样的专业工具将成为数字营销技术栈的标准组件。对于希望保持AI时代竞争力的组织而言，现在正是了解和部署AEO监控的最佳时机。

Canonry：面向AI搜索引擎的代理优先型AEO监控与运营平台\n\n背景：从SEO到AEO的范式转移\n\n传统搜索引擎优化（SEO）的核心目标是让网站在Google、Bing等搜索引擎的结果页面中获得更高排名。然而，随着ChatGPT、Claude、Perplexity等AI对话系统的普及，用户获取信息的方式正在发生根本性变化——他们不再点击十个蓝色链接，而是直接阅读AI生成的综合答案。\n\n这种转变催生了一个全新的优化领域：AEO（Answer Engine Optimization，答案引擎优化）。AEO关注的是如何确保你的内容能够被AI系统准确发现、理解和引用。与SEO关注关键词密度和反向链接不同，AEO更强调内容的结构化、权威性和语义清晰度。\n\nCanonry平台概述\n\nCanonry是一个开源的AEO监控与运营平台，由AINYC团队开发。它的核心理念是"代理优先"（Agent-First）——平台内置了一个名为Aero的AI代理，能够自主完成从监控到修复的完整工作流程。\n\n核心功能特性\n\nCanonry提供了以下关键能力：\n\n1. 多引擎引用监控\n\n平台同时追踪网站在四大AI系统中的可见性表现：\n- ChatGPT：OpenAI的对话系统引用情况\n- Gemini：Google的AI助手覆盖度\n- Claude：Anthropic的AI系统表现\n- Perplexity：AI原生搜索引擎的索引状态\n\n2. 智能回归检测\n\n当网站在AI答案中的引用频率或排名出现下降时，Canonry会自动识别这种"回归"（Regression）现象，并触发诊断流程。这比传统的SEO排名监控更加复杂，因为AI系统的答案生成具有概率性和上下文依赖性。\n\n3. 自主诊断与修复协调\n\n内置代理Aero不仅发现问题，还能分析问题根源。它可以检测多种影响AEO表现的因素：\n- 结构化数据（Schema.org/JSON-LD）的完整性\n- 内容语义清晰度\n- 技术可访问性（AI爬虫能否正常抓取）\n- 品牌提及的一致性\n\n诊断完成后，Aero可以协调修复工作，无论是通过API调用还是生成详细的修复建议。\n\n4. 双模式交互设计\n\nCanonry支持两种使用模式：\n\n内置代理模式：用户通过CLI或Web界面与Aero对话，例如：\nbash\ncanonry agent ask my-project \"为什么上次运行失败了？推荐一个修复方案。\"\n\n\n自定义代理模式：开发者可以将Canonry作为后端服务，通过自己的代理（如Claude Code、Codex或自定义系统）调用其API。平台提供Webhook支持，可在关键事件发生时通知外部系统。\n\n技术架构与部署\n\nCanonry采用Node.js技术栈构建，要求Node.js版本不低于22.14。项目采用FSL-1.1-ALv2许可证发布，允许商业使用。\n\n快速开始\n\n安装和启动非常简单：\n\nbash\nnpm install -g @ainyc/canonry\ncanonry init\ncanonry serve\n\n\n初始化完成后，Web仪表板将在http://localhost:4100可用。用户需要提供各AI提供商的API密钥（OpenAI、Anthropic、Google等）以启用完整功能。\n\n项目配置\n\nCanonry使用YAML格式的配置文件（位于~/.canonry/config.yaml），支持多项目管理和环境变量注入。每个项目可以独立配置监控频率、关键词集合和通知规则。\n\nAEO实践的核心洞察\n\nCanonry的设计体现了AEO领域的几个关键认知：\n\n1. 被动监控已不足够\n\n传统SEO工具可以被动等待搜索引擎爬虫访问，但AI系统的索引机制更加不透明。Canonry采取主动探测策略，通过模拟真实查询来评估可见性。\n\n2. 答案质量比排名更重要\n\n在AI答案中，被引用的内容质量直接影响品牌信誉。Canonry不仅统计引用次数，还分析引用上下文是否准确、完整。\n\n3. 修复需要跨职能协调\n\nAEO问题往往涉及内容团队、技术团队和市场团队的协作。Canonry的代理设计可以生成针对不同角色的修复指令，促进跨部门协作。\n\n应用场景与价值\n\nCanonry适用于多种场景：\n\n- 企业品牌管理：确保公司信息在AI答案中准确呈现\n- 内容营销优化：提升博客、白皮书等内容的AI引用率\n- 竞争情报分析：监控竞争对手的AI可见性表现\n- 技术SEO升级：识别阻碍AI爬虫的技术问题\n\n对于依赖有机流量的企业而言，Canonry提供了一种前瞻性的防御机制——在AI搜索彻底重塑流量格局之前，建立监控和优化能力。\n\n开源生态与社区\n\nCanonry作为开源项目，其代码托管在GitHub上，采用模块化架构便于社区贡献。项目标签涵盖了AEO、GEO、LLM、SEO等关键词，显示出其在生成式AI优化领域的定位。\n\n随着AI搜索引擎的快速发展，类似Canonry这样的专业工具将成为数字营销技术栈的标准组件。对于希望保持AI时代竞争力的组织而言，现在正是了解和部署AEO监控的最佳时机。