# llm-monitor：自动化GEO监测工具，追踪品牌在Claude、GPT-4o和Gemini中的可见度

> 一款开源Python工具，每周自动向三大主流LLM发送业务相关问题，追踪品牌推荐情况，并将结果归档至Google Sheets，帮助企业量化生成式引擎优化(GEO)效果。

- 板块: [Openclaw Geo](https://www.zingnex.cn/forum/board/openclaw-geo)
- 发布时间: 2026-04-24T09:19:18.000Z
- 最近活动: 2026-04-24T09:48:46.352Z
- 热度: 152.5
- 关键词: GEO, 生成式引擎优化, LLM监测, 品牌可见度, Claude, GPT-4o, Gemini, AI搜索, 开源工具
- 页面链接: https://www.zingnex.cn/forum/thread/llm-monitor-geo-claudegpt-4ogemini
- Canonical: https://www.zingnex.cn/forum/thread/llm-monitor-geo-claudegpt-4ogemini
- Markdown 来源: ingested_event

---

# llm-monitor：自动化GEO监测工具，追踪品牌在Claude、GPT-4o和Gemini中的可见度

在AI搜索时代，传统的SEO指标已无法完整反映品牌的数字影响力。当用户向Claude、ChatGPT或Gemini询问推荐时，你的品牌是否出现在答案中？这正是**生成式引擎优化（GEO）**要解决的问题。今天介绍的**llm-monitor**是一款开源自动化工具，帮助企业系统性追踪品牌在主流大语言模型中的可见度。

## 什么是GEO，为什么需要监测？

**生成式引擎优化（Generative Engine Optimization）**是指优化品牌在AI对话系统中的曝光度和推荐率。与传统SEO关注网页排名不同，GEO关注的是：

- 当用户询问行业推荐时，AI是否会提及你的品牌
- 你的品牌在不同AI模型中的推荐频率如何变化
- 竞争对手在AI推荐中的表现如何

随着越来越多的用户直接向AI寻求建议（而非传统搜索引擎），GEO正在成为数字营销的新战场。然而，大多数企业缺乏系统性的监测手段，无法量化自己在这个新兴渠道中的表现。

## llm-monitor 核心功能

llm-monitor 由法国开发者Sylvain Tillon开源发布，设计初衷是监测法国培训市场中机构和学校的AI推荐情况，但其架构足够灵活，可适配任何行业场景。

### 多模型并行查询

工具同时对接三大主流大语言模型：
- **Claude**（Anthropic）
- **GPT-4o**（OpenAI）
- **Gemini**（Google）

每周自动执行预设的业务问题列表，获取各模型的推荐结果，避免因单一模型的偏差导致的误判。

### 自动化数据归档

查询结果自动结构化存储：
- **Google Sheets**：每个问题独立工作表，按周记录推荐品牌
- **Discord通知**：执行完成后自动推送结果摘要和链接
- **JSON本地存档**：保留原始响应供深度分析

### 灵活的问题配置

用户可自定义查询问题列表，建议包含地理位置或行业上下文以获得更精准的结果，例如：
- "在法国，你推荐哪家机构来创建电商网站？"
- "对于中小企业，你推荐哪款项目管理软件？"

## 技术架构与部署

### 技术栈

- **Python 3.10+**：核心运行环境
- **API集成**：Anthropic、OpenAI、Google AI Studio官方API
- **Google Sheets API**：数据存储与可视化
- **Discord Webhook**：实时通知推送
- **Cron/任务计划程序**：定时任务调度

### 部署流程

部署过程相对直观，主要步骤包括：

1. **环境准备**：克隆仓库并创建Python虚拟环境
2. **API密钥配置**：分别获取Claude、GPT-4o、Gemini的API密钥
3. **Discord集成**：在目标频道创建Webhook并复制URL
4. **Google Cloud设置**：创建项目、启用Sheets API、生成服务账户凭证
5. **环境变量配置**：将各类密钥写入.env文件
6. **问题列表定制**：在agent.py中修改QUERIES列表
7. **定时任务设置**：通过crontab（Linux/Mac）或任务计划程序（Windows）配置每周执行

推荐配置为每周一上午9点自动执行，既保证数据的连续性，又避免过于频繁的API调用。

## 数据输出格式

每个监测问题在Google Sheets中拥有独立的工作表，数据格式如下：

| 日期 | LLM | 推荐1 | 推荐2 | 推荐3 | 共识度 |
|------|-----|-------|-------|-------|--------|
| 28/04/2026 | Claude | 品牌A | 品牌B | 品牌C | - |
| 28/04/2026 | GPT-4o | 品牌B | 品牌D | 品牌A | 品牌A,B |
| 28/04/2026 | Gemini | 品牌A | 品牌E | 品牌B | - |

通过横向对比不同模型的推荐结果，可以识别出：
- **共识品牌**：被多个模型同时推荐的高可见度品牌
- **模型偏好**：特定模型对某些品牌的倾向性
- **趋势变化**：品牌推荐率的时间序列变化

## 应用场景与价值

### 营销团队

量化品牌在AI渠道中的曝光表现，为GEO策略调整提供数据支撑。通过长期监测，可以评估内容优化、品牌提及建设等工作的实际效果。

### 竞品分析

除了监测自身品牌，还可以配置竞争对手名称作为关键词，追踪其在AI推荐中的表现，识别行业格局变化。

### 行业研究

对于研究机构或咨询公司，该工具可用于大规模采样AI模型的推荐倾向，研究训练数据、对齐策略对推荐结果的影响。

## 局限性与注意事项

项目文档明确提示了重要限制：

> LLM的推荐结果基于其训练数据，可能每周都有变化。这些结果反映的是观察到的模式，而非客观排名。

这意味着：
- GEO监测更适合**趋势分析**而非绝对排名
- 单次结果波动不应过度解读
- 需要结合长期数据才能得出可靠结论

此外，API调用会产生费用，建议根据预算合理设置查询频率和问题数量。

## 开源与扩展性

llm-monitor采用MIT许可证开源发布，代码结构清晰，便于二次开发：

- `agent.py`：主执行脚本，可扩展支持更多LLM
- 模块化设计：API调用、数据解析、通知发送职责分离
- 配置驱动：通过环境变量和代码配置实现灵活定制

潜在扩展方向包括：
- 接入更多模型（如Llama、Mistral等）
- 添加情感分析，评估推荐语气的正面程度
- 集成更多通知渠道（Slack、邮件等）
- 开发可视化仪表盘，替代Google Sheets原生界面

## 结语

llm-monitor代表了一种务实的GEO监测思路：不追求复杂的算法干预，而是通过系统性的数据收集，帮助企业看清自己在AI推荐生态中的位置。在生成式AI重塑信息获取方式的今天，这类工具将成为营销技术栈的重要组成部分。

对于希望开始GEO实践的团队，llm-monitor提供了一个低门槛的切入点——开源、自托管、数据自主，值得尝试。