先说清楚：这和传统 SEO 不是一回事
传统 SEO 时代，用户搜的是短词，比如"CRM 软件"。Google 有官方的关键词规划工具，你能直接看到每个词的搜索量。
AI 搜索时代完全变了。用户输入的是一整句话，甚至一段话，比如"我们是 50 人的 SaaS 公司，预算有限，需要一个能和飞书集成的 CRM，有什么推荐？"。而且 ChatGPT、豆包、Perplexity 这些平台不会公布用户输入了什么，没有官方的"提示词指数"可以查。
所以"用户在大模型里搜什么"这个问题，本身就需要用技术手段去解决。目前业内主流的做法，按数据来源可以分成五大类，共十五条具体路径。
＊＊类：从你自己已有的数据里挖
这是成本＊＊、最精准的起点。数据就是你的真实用户产生的，不需要额外采集。
方法一：网站搜索后台挖长查询
你的网站后台（比如 Google Search Console）里，已经存了大量用户搜到你网站时用的查询词。其中 10 个词以上的长查询，天然就是对话式的，和 AI 提示词高度相似。
做法是用正则表达式过滤，筛选以"怎么""什么""为什么""哪个""能不能"开头的查询，或者直接筛选词数超过 10 的查询。你会发现很多查询已经是完整的问题了，比如"自由职业者怎么管理发票和税务"，而不是孤零零的"记账软件"。
优点是零成本、数据真实、直接关联你的网站。局限是只能覆盖已经搜到你的用户，发现不了还没触达的新需求。
方法二：付费广告搜索词报告
如果你在投 Google Ads 或百度推广，后台的"搜索词报告"是一座金矿。它记录了用户实际输入了什么词才触发了你的广告，包括拼写错误、口语化表达、奇怪的约束条件。
这些搜索词比 GSC 数据更" raw "——GSC 只记录了带来展示和点击的查询，而广告搜索词报告记录了所有触发广告的查询，哪怕用户没点。从中筛选长查询和疑问句，就是现成的提示词语料。
优点是数据极其真实、包含转化数据（能知道哪些词带来了购买）。局限是需要有在投的广告账户，没投广告的企业不适用。
方法三：站内搜索日志
如果你的网站有站内搜索功能，搜索日志里记录了用户在你网站上搜了什么、搜了多少次、有没有找到结果。这些查询是用户在已经进入你的网站后产生的，说明他们对你的产品有兴趣但没找到想要的信息。
做法是导出站内搜索日志，按搜索频次排序，重点关注那些"搜索后没有点击结果"或"搜索后立即离开"的查询——这些是用户的真实痛点，也是 AI 搜索中高概率出现的提示词。
优点是数据完全自有、反映用户在购买旅程中的具体疑问。局限是只有有站内搜索功能的网站才能用。
方法四：销售、客服与聊天记录
销售电话里每一句"你们的工具能做 X 吗""和 Y 比怎么样"，客服工单里用户的每一个提问，官网在线客服和聊天机器人的历史对话，都是潜在的 AI 查询。
因为用户向销售和客服提问的方式，跟他们向大模型提问的方式几乎一样——都是带着具体场景和约束条件在问。做法是导出这些记录，提取高频问题，改写成提示词格式。
这是所有方法中最精准的，说话的人就是你的真实买家。局限是需要内部数据权限，没有销售团队的小企业不适用。
方法五：客户反馈与调查
NPS 调查里的开放题、客户满意度问卷里的文字反馈、用户访谈记录、可用性测试中的用户自言自语，这些都是用户用自己的话描述需求和痛点的语料。
做法是收集这些文本，用关键词聚类找出高频主题，再把每个主题下的典型表述转化为提示词。比如用户反复说"导出报表太麻烦"，对应的提示词可能是"[产品名] 怎么批量导出月度报表？"。
优点是能挖到用户不会在公开场合说的深层痛点。局限是样本量通常较小，需要人工整理。
第二类：从公开平台上采集
如果你的＊＊方数据不够，就去用户聚集的公开地方采集他们的真实提问。
方法六：社区论坛逆向采集
用户在 Reddit、知乎、小红书、行业微信群、垂直论坛里的提问方式，和他们向 AI 提问的方式高度一致。尤其要找那些直接贴了 ChatGPT 或豆包对话截图的帖子——这是最真实的提示词语料，连措辞都不用改。
做法是手动浏览相关话题，或者用工具批量聚合社区问题。重点记录完整的提问原文、用户的行业和公司规模、以及提问背后的决策阶段（刚了解、在对比、还是准备买）。
优点是能拿到最原生的用户语言，包括关键词工具永远抓不到的"奇怪约束条件"，比如预算上限、合规要求、现有工具栈。局限是手动浏览耗时，工具聚合的质量参差不齐。
方法七：搜索引擎相关问题与问答聚合
Google 搜索结果里的"人们还问了什么"（People Also Ask）盒子，是最接近公开提示词数据库的东西。这些问题由算法从真实查询模式中生成，措辞口语化，围绕和 AI 引擎相同的意图簇组织。
做法是输入核心品类词，展开 PAA，递归点击收集问题树，三到四层深度就能挖出几十个你想不到的提示词候选。再配合 AnswerThePublic、AlsoAsked 等问答工具补充。
优点是数据量大、结构化好、免费工具多。局限是偏传统搜索语境，需要手动转换成对话式提示词格式。
方法八：客户评论平台挖掘
G2、Capterra、TrustRadius、Trustpilot、大众点评这些评论平台上，用户用自己的话描述产品的优缺点、使用场景、替代方案。这些评论不仅是 AI 回答引用的重要信源，本身也是提示词语料的金矿。
做法是收集你和竞品的评论，提取用户反复提到的痛点、对比维度、使用场景。比如评论里反复出现"和 Salesforce 比便宜很多但功能少"，对应的提示词就是"[产品名] 和 Salesforce 比怎么样？适合小公司吗？"。
优点是数据真实、包含竞品对比、能直接映射到购买决策阶段。局限是需要手动或用工具批量整理，评论质量参差不齐。
方法九：社交媒体监听
微博、推特、LinkedIn、小红书上用户的提问和吐槽，是实时的用户意图信号。尤其在 LinkedIn 上，B2B 决策者会公开提问"有没有人用过 X 工具？效果怎么样？"，这就是最真实的提示词。
做法是用社交媒体监听工具（或手动搜索）追踪品牌名、品类词、竞品名，收集用户的提问和讨论。重点关注那些带有"求推荐""对比""踩坑"等关键词的帖子。
优点是实时性强、能捕捉新兴需求。局限是噪音大，需要筛选，工具通常收费。
第三类：直接去 AI 平台上探测
既然 AI 平台不公布用户数据，那就自己去问，从 AI 的回答里反推用户模式。
方法十：直接向 AI 引擎"问出"提示词
直接在 ChatGPT、豆包、Perplexity 里输入你的品类词，然后观察两件事：一是 AI 给出的"建议追问"，这些往往反映了真实用户的常见追问模式；二是直接问 AI"关于 [你的品类]，人们最常问的 20 个问题是什么？从入门到购买，包括对比类和带约束条件的"。
更严谨的做法是在多个模型里分别跑同一批种子词，收集不同模型生成的提问模式，取交集和并集。
优点是零成本、快速启动。但 AI 生成的列表偏通用，必须用前面社区和销售数据里的真实语料来"修剪"——如果一个提示词听起来不像真实买家会粘贴的内容，它就不会表现得像真实的 AI 搜索查询。
方法十一：竞品 AI 可见度逆向
如果你的竞品经常出现在 AI 回答里，可以反推是哪些提示词触发了这些引用。比如看到 AI 回答里引用了竞品的一篇标题为"小型团队＊＊客户支持软件"的文章，那对应的提示词大概率就是"小型团队用什么客户支持软件好？"。
做法是在多个 AI 引擎里输入品类相关问题，记录哪些竞品被引用、引用了什么内容，然后反推提示词。也可以用 GEO 监控工具批量追踪竞品的引用情况。
优点是直接对标竞争，ROI 可量化。局限是只能发现竞品已经覆盖的提示词，发现不了蓝海。
第四类：用 AI 工具生成和扩展
拿到一批种子提示词后，用 AI 批量扩展，覆盖同一意图下的不同表述方式。
方法十二：传统 SEO 关键词转化
用 Semrush、Ahrefs 等传统 SEO 工具找到高搜索量的查询，然后把短词转化为对话式提示词。比如"CRM 软件"可以转化为"中小企业用什么 CRM 软件好""免费的 CRM 工具有哪些""CRM 和 Excel 比有什么优势"。
做法是在 SEO 工具里筛选"问题型"查询（以 who/what/how/why/which 开头的），这些天然就是提示词格式，再补充带约束条件的变体。
优点是最容易上手，大多数企业已经有 SEO 工具和关键词列表。局限是传统搜索词偏短偏泛，转化后的提示词可能不够真实。
方法十三：LLM 提示词扇出扩展
这是目前业内最常用的规模化方法。拿到 20 到 50 个真实提示词后，用大模型批量生成语义变体，覆盖同一意图下的不同措辞。
标准做法是给大模型一个结构化指令，比如："你是一名 [行业] 的 [角色]，在 [公司类型] 工作，正在评估 [品类]。请生成 15 个你会输入 ChatGPT 的提示词，覆盖认知、对比、评估、购买四个阶段，包含预算、集成、合规等约束条件。对每个提示词再生成 3 个不同人会写的自然变体。
"关键原则有三条：一是在两个不同模型里分别跑扩展，不同模型产生不同的措辞模式；二是 LLM 生成的内容只当草稿，必须用真实语料修剪；三是一个意图对应一个核心提示词加两到五个变体，不要无限扩展。
优点是成本低、可扩展性强，是从种子提示词到完整提示词库的核心引擎。局限是生成的提示词容易偏"规范"，缺乏真实用户的口语化表达。
方法十四：第三方点击流数据采购
这是工业级平台的做法。一些大型数据平台通过浏览器扩展、网络监测、数据合作等方式，在用户与 AI 平台交互的链路上旁路采集真实提示词，然后聚合成数据库出售或提供查询服务。
这类数据库的优势是数据真实性高、覆盖广。但它本质上是第三方数据，覆盖面和代表性存在偏差，垂直行业或小众品类的数据可能很稀疏，而且服务通常价格较高，适合有预算的中大型企业。
第五类：前沿探索——多智能体仿真
这是目前学术界和少数技术团队在探索的方向，尚未成为企业主流实践，但潜力很大。
核心想法是：不直接采集或生成提示词，而是构建一个模拟环境，让虚拟用户在里面自然地提问和搜索，从模拟过程中收集提示词。
＊＊步，构建多智能体仿真系统，给每个虚拟用户分配不同的人设（行业、公司规模、预算、技术成熟度），让它们模拟真实用户的提问行为。
第二步，用搜索引擎数据构建知识图谱，把产品、品牌、功能、场景、用户画像这些实体和它们之间的关系结构化，作为模拟世界的"地基"。
第三步，基于知识图谱模拟用户的访问行为——虚拟用户在模拟环境里执行"提问→看结果→点击→阅读→调整提问"的完整循环，就像真实用户在 AI 搜索产品里做的那样。
第四步，通过多智能体之间的对比和讨论筛选高质量提示词。比如一个代理生成提示词，另外两个代理从不同角度评估，意见不一致的进入小组讨论精炼。
这条路径的优势是数据完全自有、质量可控、能生成传统方法覆盖不到的复杂提示词。挑战在于知识图谱的构建成本高、仿真真实性需要验证、计算成本也不低。目前这还是前沿探索，适合有技术能力的团队提前布局。
这些路径怎么组合用？
没有一条路径能单独解决问题，业内的标准做法是组合使用：
冷启动阶段，用方法一（网站后台长查询）和方法十（直接问 AI）快速拿到 50 个种子提示词，零成本起步。
深化阶段，用方法四（销售客服记录）、方法六（社区采集）、方法八（评论平台）补充真实用户语料，这是提升提示词真实性的关键。
规模化阶段，用方法十三（LLM 扇出扩展）把种子提示词扩展成完整库，覆盖同一意图的不同表述。
验证阶段，用方法十一（竞品逆向）和方法十四（第三方数据）做交叉验证，确保提示词库没有大的遗漏。
前沿布局，有技术能力的团队可以同时探索多智能体仿真，为未来做准备。
最终的产出不是一个关键词列表，而是一张"提示词地图"——按买家决策阶段（认知、对比、评估、购买）分类，每个提示词标注意图强度和你的 AI 可见度状态，然后优先处理那些高意图但你还没被 AI 引用的缺口。
