- 综合排序
- 最热优先
- 最新优先
触有数据监控 AI 搜索可见性—GEO 品牌监控实战指南
深圳市艾德曼网络科技有限公司推出的 “触有数据” 工具，正以精准的数据监控能力，帮企业破解 AI 搜索可见性难题，掌握品牌影响力主动权。 依托数字化运营能力，平台致力于打通商业生态全链路，助力品牌、企业、商家及内容服务商，在 AI 搜索领域快速抢占可见性与排名优势，实现业务增长突破。 GEO 的核心是让品牌 “被 AI 说出”，这需要建立系统化的监控体系。触有数据实现了豆包、DeepSeek 等六大主流 AI 平台的全域覆盖，打破数据孤岛，为品牌构建 360 度 AI 搜索视图。 其独创的六大核心指标，更将抽象的可见性转化为可量化数据，成为实战优化的 “导航仪”。实战第一步是建立监控基线。通过触有数据自定义品牌关键词库，同步追踪 AI 可见率、情感倾向等指标。 持续监控与迭代是长效关键。触有数据支持秒级数据更新与自动预警，当品牌提及量骤降或负面情感升温时，可即时推送提醒。同时其信源引用分析功能，能识别高权重发布渠道，让内容优化有的放矢。
57810编辑于 2025-11-05从“盲猜”到“可量化”——AI可见性测量体系搭建思路
但用户与AI的对话交互，很多不会生成可索引的URL或反向链接。品牌在被谈论，但常规工具没有在记录。技术选型依据：从“排名思维”转向“分布思维”摆在面前的有两条思路。思路A：继续用传统排名思维。 参考相关研究（如GEO领域关于测量不确定性的论文），核心观点是：AI可见性需要基于重复抽样来评估，将可见性表征为分布而非单点结果。我们选择了思路B。 建议建立监控结果与内容团队的流转机制。可复用的思路思路一：不追求“精确数值”，追求“可置信趋势”。AI可见性很难做到“精度测量”。 监控→归因→内容优化→再监控，这个闭环比任何单一工具都重要。❓开放问题：关于AI搜索可见性测量，你所在的团队目前使用什么方法？采样规模和频率是如何确定的？欢迎在评论区分享。 话题标签：#AI可见性测量#GEO实战#企业架构#内容策略#数据驱动决策
18700编辑于 2026-06-03- 来自专栏技术杂记
RabbitMQ 监控9
Note: 如果不启用 rabbitmq_management 那么在管理界面里是看不到新节点 File descriptors 、Socket descriptors 、 Erlang processes 、 Memory 、 Disk space 、Info 等相关状态的
45120编辑于 2022-02-09 - 来自专栏网络安全与可视化
网络监控与网络可见性的异同？目的？
3、网络监控与网络可见性的异同 网络监控和网络可见性相似，但服务目的不同。网络监控主要关注网络停机或链路饱和等问题。 一旦您的网络监控软件发现问题，它就会发出警报，让您知道有什么需要注意或需要修复。网络监控的主要目的是确保数据包不断移动。 另一方面，网络可见性则更进一步。 这种无处不在的可见性可以帮助您了解网络上所有数据的移动，并在出现问题之前找出哪些应用程序可能会带来风险，从而确保网络安全。简单地说，网络监控帮助您处理已知问题，而网络可见性帮助您处理未知问题。 网络可视化方案选项包括但不限于可见性设备（网络数据包代理，网络分路器等，有助于监控、保护和优化本地流量）和虚拟节点（提供公共和私有云的网络可见性）。 为了保证网络的正常运行，网络监控和可视性是重要的工具。具有可见性的质量监控可以帮助网络管理员更有效地工作，从而减少停机时间、提高安全性和节省时间。
1.6K31发布于 2020-04-23 - 来自专栏GEO：数字营销新篇章
企业必用的5大AI可见性监控平台：决胜AI时代的品牌曝光战
本文将深入解析GEO优化（生成式引擎优化）这一新兴赛道的底层逻辑，并重点介绍企业在2025年提升品牌曝光度和AI可见性必用的5大AI可见性监控平台，帮助企业构建AI时代的竞争壁垒。 GEO：企业AI可见性的“必答题”—— AI可见性监控的时代变革1.1 什么是AI可见性监控平台（GEO）？它与传统SEO工具有何根本区别？ 1.3 如何科学评估AI可见性监控工具？（模拟FAQ格式）选择一个权威、专业的AI可见性监控平台至关重要。 --------------------------------------------------------------------------------企业必用的5大AI可见性监控平台深度解析与应用场景以下是根据 • 平台选择的重要性： 在选择AI可见性监控平台时，企业应首先明确自身需求与目标，重点关注服务提供商的技术实力、平台覆盖范围和效果监测体系。
1.9K10编辑于 2025-09-24 - 来自专栏Java技术栈
深度好文 | Java 可重入锁内存可见性分析
就是通过可重入锁的保护并行对共享变量进行自增。 突然想到一个问题：共享变量 count 没有加 volatile 修饰，那么在并发自增的过程当中是如何保持内存立即可见的呢？ 上面的代码做自增肯定是没问题的，可见 LOCK 不仅仅保证了独占性，必定还有一种机制保证了内存可见性。 可能很多人和我一样，对 LOCK 的认知是如此 “理所应当”，以至于从没有去思考为什么。 Happens-before 对于 volatile 关键字大家都比较熟悉，该关键字确保了被修饰变量的内存可见性。 LOCK prefix 会触发 CPU 缓存回写到内存，而后通过 CPU 缓存一致性机制（这又是个很大的话题），使得其它处理器核心能够看到最新的共享变量，实现了共享变量对于所有 CPU 的可见性。 总结 针对本文开头提出的内存可见性问题，有着一系列的技术依赖关系才得以实现：count++ 可见性 → volatile 的 happens-before 原则 → volatile 底层 LOCK prefix
1.4K20发布于 2018-06-04 生成式AI重塑信息获取方式：如何测量AI搜索可见性？指标、样本与可复现方法详解
因此，仅仅关注品牌在搜索引擎中的排名位置，已经不足以衡量品牌在AI生态中的可见性。品牌需要一套全新的测量体系，来回答三个核心问题：测量哪些指标、需要多大的样本、如何保证测量过程可复现。 二、测量哪些指标：AI搜索可见性的核心指标体系AI搜索可见性的测量需要从三个维度展开：品牌是否被AI“看见”、是否被AI“推荐”、是否被AI当作可信“信息来源”。 四、如何保证测量过程可复现：实体识别、语义判定与评分逻辑可复现性是测量体系可信的基础。只有规则透明、过程可审计，不同团队在不同时间点执行相同测量流程才能得到可比的结果。 FAQ问：AI搜索可见性测量与传统SEO排名测量有什么本质区别？ 问：AI搜索可见性指标能直接反映品牌的市场份额或销量吗？答：不能。
16000编辑于 2026-06-05- 来自专栏look Java
# 9 dubbo 监控中心
9 dubbo 监控中心 我们在开发时，需要知道注册中心都注册了哪些服务，以便我们开发和测试。 图形化显示注册中心的中 服务列表 我们可以通过部署一个 web 应用版的管理中心来实现。 zookeeper 启动 dubbo-server 服务方后，刷新管理端，服务注册成功，只是没有消费者 点击服务名，进入服务提供者页面 把消费者也运行起来，刷新服务，显示正常 查看消费者 2 监控统计中心 -- 让监控 去注册中心 自动找服务 --> <dubbo:monitor protocol="registry"/> 然后重新启动项目 浏览器访问 localhost:8080
32600编辑于 2023-12-07 - 来自专栏yeedomliu
《Prometheus监控实战》第9章 日志监控
第9章 日志监控 虽然我们的主机、服务和应用程序可以生成关键指标和事件，但它们也会生成日志，这些日志可以告诉我们其状态的有用信息 特别是对于没有设置监控或者不容易进行监控的遗留应用程序，有时重写、修补或重构该应用程序以暴露内部状态的成本绝对不是一项有利的工程投资 ，或者还可能存在监控上的技术限制。 P<hostname>[0-9A-Za-z\.:-]+) / + # %h /(?P<remote_logname>[0-9A-Za-z-]+) / + # %l /(? P<remote_username>[0-9A-Za-z-]+) / + # %u /\[(? P<http_version>HTTP\/[0-9\.]+)" / + # \"%r\" /(?P<request_status>\d{3}) / + # %>s /((?
14.2K43发布于 2019-12-19 企业品牌进入AI可见性诊断阶段
一、为什么AI可见性诊断成了刚需？很多企业此前对AI可见性的认知，还停留在“手动问几个大模型看看有没有提到品牌”的浅层次测试阶段，但这种人工抽样的方式，完全覆盖不了真实用户的全场景需求。 更关键的是，AI可见性的动态变化逻辑和传统SEO完全不同：搜索引擎排名以天为单位波动，而大模型的认知权重会随着训练数据迭代、实时联网内容补充持续更新。 异常预警与溯源分析：系统可自定义阈值，当品牌在某类场景的提及率低于预设值时自动触发告警，同时反向溯源该场景下AI推荐的竞品品牌，分析其信息源分布特征，为后续内容优化提供明确方向，替代过去模糊的“多铺内容 三、诊断落地后要避开的三个常见误区很多企业做完首次AI可见性诊断后，第一反应是批量生成营销软文铺向全网，试图快速拉高品牌提及率，这恰恰是最致命的错误。 从搜索引擎优化，到货架电商运营，再到今天的AI可见性诊断，品牌的数字化竞争始终跟着用户的决策入口迁移。现在提前搭建常态化的AI可见性诊断能力，本质上是为未来3年的用户心智争夺，拿到最基础的入场券。
7910编辑于 2026-06-29- 来自专栏Sun
可扩展多组件监控方案
1、背景 项目开发中经常会用到很多外部组件，比如mongo、mysql、redis等，虽然在公有环境中使用云上的组件一般都会有完整的监控视图，但是有些项目是部署在私有环境中，使用的都是自建组件 ，没有完整的监控视图，其次，业务侧也希望将所有组件收归到一起进行统一的监控管理，这样就需要业务侧有一个多组件的监控平台，并且能够方便进行扩展。 3、初始方案 Prometheus+grafana工作原理是由prometheus定期拉取其配置的exporter进程的监控数据，然后grafana视图读取prometheus中的监控数据展示出来 Prometheus拉取数据有特定的协议，因此monitor需要汇聚所有exporter的监控数据后按照同样的协议发送给prometheus。 .png mysql监控图.png
82420发布于 2021-11-23 AI 搜索时代的网站可见性机制变化
网站的可见性，本质上等于“排名位置×摘要吸引力×点击率”。但AI搜索正在改变这一前提。 GEO的技术底座至少包括：第一，页面必须可抓取。不要让防火墙、CDN、反爬策略、登录墙误伤正常搜索爬虫。第二，页面必须可索引。 内容必须可抓取、可索引、可理解、可分类。第三类是AI系统和未来的AIAgent。内容必须具备清晰的语义边界、可提取的事实、明确的实体关系和可操作的信息结构。 这意味着网站优化会从“搜索可见性”进一步扩展到“机器可操作性”。语义化HTML、清晰的按钮文案、可访问性树、表单标签、价格和规格的结构化表达，都会变得更重要。传统SEO解决的是“用户能不能找到你”。 从SEO到GEO，变化的不是优化的本质，而是可见性的定义。过去，可见性意味着“用户搜索时能看到你”。现在，可见性意味着“AI回答时不能绕开你”。未来，可见性还可能意味着“AI替用户行动时必须经过你”。
11500编辑于 2026-06-25- 来自专栏一猿小讲
监控一哥Prometheus你可认识？
一种是通过让应用加入Clinet lib类库集成 Prometheus，然后向PushGateway推送监控指标的数据。 思考 Prometheus server 背后，肯定要维护一份监控的目标对象 targets，不然怎么知道从哪儿拉取数据呢？实践中再进行体会吧，先知道这层是干啥的就行了。 数据应用层，我粗略的把这块划分为报警管理和监控数据展示两大应用。 其中报警管理，是指 Alertmanager 依据配置，对接收到的 alerts 进行处理，发出告警；监控数据展示主要是进行监控指标数据的展示，常用的组件是 Grafana（这又是个啥玩意？ 到这应该对监控一哥普罗米修斯有了全新的认识，以后在技术选型的时候不妨也稍微考虑一下他，本次主要是搞懂理念，关于实战部分咱们单独开篇去讲。
1.3K20发布于 2019-09-25 - 来自专栏知了一笑
监控平台SkyWalking9入门实践
简便快速的完成对分布式系统的监控； 一、业务背景 微服务作为当前系统架构的主流选型，虽然可以应对复杂的业务场景，但是随着业务扩展，微服务架构本身的复杂度也会膨胀，对于一些核心的业务流程，其请求链路会涉及到多个业务服务 少则三五个，多则十几个都很常见： 真实的业务场景远比图解复杂，在这种模式下当请求发生故障时，或者进行优化时，需要分析链路性能，追踪调用链路，排查和解决链路故障； 要完成上述流程，需要对请求的链路有完整监控 ，并且采集和分析各个环节的数据，这样才能清晰的理解系统的行为信息，比如耗时分析，故障原因发现，从而进行优化和解决；能实现这种能力的组件很多，这里来看看基于SkyWalking9的实践方式； 二、组件原理 Dskywalking.agent.service_name=account 这样全部的配置就完成了，依次启动skywalking相关服务，与这里配置的三个微服务，下面再来看看功能细节； 四、功能细节 1、服务监控 虽然在整个配置中没有显式的添加对MySQL的监控，但是skywalking依旧可以实现对服务中的数据库监控，对于这些指标细节不过多描述，可以自行查阅文档； 本篇文章只是站在开发的角度，总结skywalking
1.1K10编辑于 2022-11-30 AI可见性时代，我最近的八个观察
AI可见性营销（AI Visibility Marketing）还处在一个很早期的阶段。与SEO相比，它最大的不同在于，我们几乎无法看到模型内部究竟如何做出判断。 与其追求更多节点，不如先拥有一个真正重要的节点很多人一提到AI可见性，就开始思考应该发多少内容、覆盖多少平台。但至少目前，我看到的情况并不是这样。 因此，今天谈AI可见性的方法论，很多时候仍然只能建立在观察，而不是公式之上。2. Web4 对 Web2，并不友好如果说过去二十年的互联网属于内容分发，那么AI时代更像是在重新组织知识。 从SEO，到公众号，到短视频，到私域，再到今天的AI可见性。每一次技术变化，都伴随着新的课程、新的方法论，以及新的焦虑。行业总会迅速创造出新的概念，也总会有人迫不及待地开始售卖答案。 写在最后我越来越觉得，我们今天讨论AI可见性，真正值得关注的并不是某一种优化技巧，也不是某一个平台的新规则。更大的变化，是互联网正在经历一次价值排序的重构。过去，我们优化的是网页、关键词和流量。
7110编辑于 2026-07-01GEO优化：AI搜索时代品牌可见性的新战场
来看看AI给的答案……”越来越多的消费决策参考AI答案。尤其是刚刚结束的“双11”中，“XXX品牌的蒸锅怎么样？”“1岁宝宝两款玩具车该选哪个？” 与传统SEO关注关键词排名不同，GEO的目标是让品牌在AI生成的回答中被优先提及、引用或推荐，成为AI世界的“权威信源”。 合同中必须明确“数据可查看、可导出、可转移”，确保可实时查看全漏斗数据。3. 关注服务保障机制要求合同写明“国内AI平台算法重大更新”的触发条件、响应时效、补偿方案。同时，确保数据资产归属清晰，可附加“服务终止后可导出原始日志”的补充条款。5. 随着AI平台算法从“关键词匹配”向“意图链匹配”演进，GEO服务将逐步进化为“意图资产运营”。领先的GEO优化公司已开始将知识图谱、私域知识库与GEO系统打通，形成企业可复用的意图资产池。
97810编辑于 2025-11-12- 来自专栏云原生技术社区
回答关于Kubernetes 监控的 9 个问题
在 Kubernetes 中，你可以监控很多方面，但关键是要明确哪些监控点是至关重要的。 在最近的一次网络研讨会上，我们讨论了在 Kubernetes 平台上应该监控哪些内容、应遵循哪些最佳实践，以及为什么 Kubernetes 监控对于云原生应用开发如此重要。 监控可以帮助你发现哪些工作负载经常达到 CPU 和内存的阈值，从而相应地调整资源分配。要清楚地了解成本，需要分析工作负载在一段时间内的运行成本。 2. 如何选择监控工具？ 为什么 Kubernetes 平台中的监控至关重要？ 无论是否使用 Kubernetes，监控都是必不可少的。没有监控，你就无法了解应用环境的健康状况，也无法及时发现和解决问题。 9. Datadog 和 Splunk，哪个更适合用于指标监控？ 没有固定的推荐，但内部使用 Datadog，它在日志管理和 Kubernetes 指标集成方面表现出色。
64510编辑于 2024-07-18 AI时代的品牌可见性——从“被搜索”到“被引用”
核心逻辑的变化是：传统SEO衡量“排在第几位”，AI可见性衡量“AI是否信任并引用你”。 测量“被引用”的三个层面根据一些团队的实践，AI品牌可见性的测量可以拆解为三个问题：第一层：提及率——AI知道你的品牌吗？选定目标用户会问的核心问题，通过足够样本量统计品牌在AI回答中出现的频率。 工具选型思路：从业务需求出发市面上已有一些工具开始覆盖AI可见性监控。选择工具时，建议先回答以下五个问题：需要监控哪些AI平台？ （国内团队务必考虑豆包、DeepSeek、元宝等）需求是基础可见性监控，还是深度的引用分析与来源归因？报告的受众是谁——内部团队还是外部客户？预算是多少？从开源框架到企业级平台差距很大。 我最后跟他说：先把监控基线搭起来，知道起点在哪里，才有方向。我见过太多团队在焦虑中原地打转——担心被AI遗忘，担心竞品超前，却从未迈出第一步去测量自己的现状。
16810编辑于 2026-06-03- 来自专栏GEO：数字营销新篇章
28天实例揭秘：如何通过AI精准提升品牌可见性？
GEO方法论拆解：快速提升品牌曝光的四阶段蓝图该成功案例遵循了万悉科技精确的四阶段GEO方法论，这是一个可复用的 AI驱动 转型蓝图，帮助企业实现快速品牌曝光和搜索排名提升。 表二：GEO自动化内容生产效率对比2.4 阶段四: 持续监控与优化AI搜索算法变化快速（Google AI Overviews每4-6小时更新一次），持续的AI驱动监控是维持 搜索排名 的关键。 Autonomous Intelligence Loop：自主智能循环系统，能够连续监控、分析并自动实施改进，实现40%更快的AI搜索可见性。 该案例及其他试点数据证明，AI可见性能够带来高意图、高转化的线索。 通过快速实施 生成式引擎优化 策略，企业可以在竞争激烈的市场中抢占先机，建立可持续的竞争优势。万悉科技分享更多前沿资讯，欢迎交流合作！
74110编辑于 2025-10-22 - 来自专栏charlieroro
使用Prometheus监控bind9的DNS服务
内容如下，注意此处的用户和组使用与named程序相同的用户和组“named”。--web.listen-address为对外暴露的metric地址和端口，Prometheus从此处抓取bind_exporter的metrics；--bind.stats-url为本地bind服务绑定的地址和IP
2.7K10发布于 2020-03-24
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号