bingdadaGoogle Search Console 的生成式 AI 性能报告不提供查询级数据，但 AI 对话片段会以普通查询形式出现在性能报告中。SEO 从业者可通过正则表达式、API 全量导出或机器学习模型等方法提取这些隐藏的 AI 查询，实现 AI 模式流量的有效追踪。
随着生成式 AI 在搜索中的深度整合，SEO 从业者面临一个全新挑战：如何准确衡量 AI 模式（AI Mode）和 AI 概览（AI Overviews）带来的流量价值？2026 年 6 月，Google 在 Search Console 中正式推出生成式 AI 性能报告，为站长提供了 AI 功能展示次数的官方视图。然而，这份报告存在明显局限——它仅提供界面数据，不开放 API 接口，且完全隐藏了触发 AI 展示的具体查询词。
从实际使用情况看，Search Console 的生成式 AI 报告更像是一个“黑箱”：你可以看到 AI 功能展示了多少次，却无法得知用户是通过什么查询触发了这些展示。笔者在 2026 年 8 月 11 日对自有属性的验证表明，无论是 Search Analytics API 还是 BigQuery 批量导出，均无法获取生成式 AI 的查询级数据。这意味着，通过官方渠道，AI 模式流量的关键词分析几乎无从下手。
有趣的是，社区发现了一个“漏洞”：真实的 AI 对话片段——包括“yes go on”这样的确认回复、后续追问、甚至完整的粘贴提示词——正以普通查询的形式出现在性能报告中。SEO 专家 Anastasia Kourou 在 LinkedIn 上分享了这一发现后，Google 的 John Mueller 确认这些数据一直存在于性能报告中，并指向了官方文档。这个“泄露”为追踪 AI 流量提供了新的可能性。
面对这一数据缺口，SEO 社区迅速开发出多种提取 AI 查询的方法。以下是目前最主流的四种方案：
性能报告界面将表格限制在 1000 行以内，对于大型网站而言，大部分查询数据在开始分析前就已经被隐藏。Glenn Gabe 的解决方案是绕过界面，通过 Analytics Edge 工具在 Excel 中调用 Search Analytics API 拉取完整查询集，再借助 Claude 对列表进行整理和 AI 模式查询标记。这种方法适合重度依赖 Excel 工作流的用户，能够将全量数据纳入熟悉的操作环境。
Jean-Christophe Chouinard 则从报告内部入手。他在 2026 年 8 月 14 日发布了一个正则表达式，可直接在性能报告的查询过滤器中标记对话式字符串。该正则基于他掌握的 LLM 常见提示词数据，与 GSC 中 AI 概览出现前的罕见字符串进行比对构建，涵盖提示动词（write、draft、generate 等）、问候语、确认回复、拒绝和后续追问等模式。将其粘贴到过滤器中，即可在已打开的报告内即时查看结果。
Amin Foroutan 开发的免费 Chrome 扩展为 Search Console 数据增加了高级图表、注释和 AI 助手功能，支持一键 API 访问。不过，该工具目前没有针对 AI 模式的特定过滤器，更多是作为数据可视化增强工具使用。
笔者开发的 Search Console MCP 内置了 genai_conversation_queries 工具，BigQuery MCP 则对批量导出数据运行相同的检测器。这两种方案均在本地运行，数据仅在用户与 Google 之间传输，安全性较高。它们的优势在于自动化和规模化，能够为每一行数据添加查询级标签，但需要一定的技术配置能力，适合技术型用户。
仔细审视上述方法，可以发现一个共同缺陷：无论是正则表达式还是基于规则的排序，都难以可靠地捕捉边缘情况，如排名追踪器探测、代理框架提示、粘贴字符串或“my location is”等位置探测查询。此外，这些方法主要针对英语设计，对于泰米尔语回复或印地语-英语混合字符串（Hinglish）等非英语内容，往往无法有效标记。
要实现对跨语言、包含机器生成字符串的查询进行准确分类，传统方法几乎无能为力。这正是训练机器学习模型的必要性所在。笔者决定构建一个专门的检测器来解决这一问题。
检测器的架构分为两部分：确定性规则负责处理精确类别（如回复痕迹、追踪器探测、代理框架提示），而训练模型则负责处理对话式、长尾和普通查询之间的模糊边界。
模型基于 FacebookAI 的 xlm-roberta-base，该模型预训练覆盖 100 种语言，并在笔者标注的 Search Console 对话数据以及八种语言的合成数据上进行微调，包括代码混合的 Tanglish 和 Hinglish。经过超过 12 万条查询的验证和两次重新训练，模型的准确性和鲁棒性得到了充分保障。
| 方法 | 优势 | 局限 |
|---|---|---|
| Glenn Gabe：API+Excel+Claude | 全量查询清单，Excel 工作流集成 | 每次运行需手动排序，基于模式匹配 |
| Jean-Christophe Chouinard：自定义正则 | 报告内即时过滤，免费 | 仅支持英语模式列表 |
| Amin Foroutan：Visualizer | 无需导出即可图表化探索 | 无 AI 模式特定过滤器 |
| 笔者：MCP 服务器 | 自动化与规模化，每条查询带标签 | 需要 MCP 客户端和配置 |
在 Google 持续推进 AI 模式的同时，国内搜索引擎也在加速布局生成式 AI 与搜索的融合。百度文心一言已深度整合进搜索结果，提供 AI 概览式回答；阿里通义千问则通过夸克浏览器探索 AI 搜索的新形态。对于国内 SEO 从业者而言，虽然百度搜索资源平台尚未提供类似 Google 的生成式 AI 性能报告，但通过分析 AI 回答中出现的品牌提及、链接引用等间接指标，仍可窥见 AI 流量的一角。此外，DeepSeek、Kimi 等国产大模型的崛起，也在推动搜索生态向“答案引擎”演变，这要求 SEO 策略从关键词优化转向内容被 AI 理解和引用的能力建设。
登录 Search Console，导航到“效果”报告，在“搜索类型”筛选器中选择“AI 概览”或“AI 模式”。如果数据非零，说明你的页面已被 AI 功能收录。需要注意的是，该报告目前仅展示展示次数和点击量，不提供具体查询词。
不能。正则表达式基于预定义模式，对于非英语语言、代码混合语言、机器生成的异常字符串等边缘情况，漏检率较高。建议将其作为初步筛选工具，配合其他方法使用。
不太适合。MCP 方法需要安装 MCP 客户端、配置服务器，并具备基本的命令行操作能力。对于非技术用户，建议使用 Glenn Gabe 的 Excel 方法或 Jean-Christophe 的正则表达式，它们的学习曲线相对平缓。
目前 Google 官方确认这些对话片段一直存在于性能报告中，但并未承诺永久保留。考虑到 AI 搜索的快速演进，建议尽快建立自己的数据收集和监控机制，避免依赖单一数据源。
可以关注 Google 的 AI 概览官方文档，了解 AI 功能如何选择内容。同时，Search Console 帮助中心 提供了性能报告的基础使用指南。此外，监控品牌词在 AI 回答中的出现频率、分析 AI 引用来源的域名分布，都是补充性的分析维度。
Bingdada 是一个专注 SEO、GEO（生成式引擎优化）与 AEO（答案引擎优化）的内容平台，由资深内容编辑、SEO 技术工程师与 AI 研究专家组成的团队持续运营。我们追踪搜索引擎与生成式 AI 的最新动态，为读者提供准确、实用、可落地的方法论与行业洞察。
编辑团队：内容策划 · 技术编辑 · AI 研究组
网站：bingdada.com
© 2026 Bingdada. 保留所有权利。
Put your brand in the reader feed
In-article ad slots: high-attention moments perfect for product launches and event recruitment.
SEO & GEO 技术探索者，专注于搜索引擎优化和生成式引擎优化。
生成式AI市场模型正在改变航空业定价逻辑。本文解析其工作机制、跨行业应用潜力、国内发展现状及面临的挑战。
谷歌于2026年8月18日启动新一轮垃圾信息更新，全球范围影响排名。本文分析更新历史、对SEO的影响及应对策略，并探讨国内搜索引擎的相似挑战。
本文揭示了Search Console中隐藏的AI对话数据泄露现象，通过分析16个月的数据，将AI对话碎片分为七种类型，并提供了一套实用的分类方法，帮助SEO从业者理解和利用这些数据。
Get the latest SEO & GEO insights.
We respect your privacy. You can unsubscribe at any time.
