跳至正文
Get Ranked On Top示意性案例研究Content Engine 方案

虚构的企业。数据为模拟情景,并非客户的实际结果。

Fernlog日志分析 SaaS,60 名员工 · 塔林

一家 60 人的日志分析 SaaS,如何成为开发者的 AI 回答所引用的来源

来自自然搜索的试用注册增长 261%

18 个月 · 欧洲 · Content Engine 方案

  • 主题集群
  • 代码优先的教程
  • AI 搜索引用
  • 原创数据
图版 I · Fernlog20

图 1 —— 蕨芽舒展:一根主茎,四个主题枢纽,20 个子主题页面。

引用 Fernlog 的 AI 回答(共 120 个)0 → 41

01挑战

问题一直都在,答案却是别人的。

开发者搜索如何解析日志、如何基于日志设置告警时,看到的是竞争对手的文档和 Stack Overflow。Fernlog 的博客只有产品新闻,从未被 AI 助手引用。

每周都有成千上万的工程师搜索怎样解析堆栈跟踪、怎样驯服吵个不停的告警、怎样压低日志账单。这三件事 Fernlog 的产品都能做,可它的博客只是一串版本说明和网络研讨会邀请。搜索引擎把这些开发者送进了竞争对手的文档和 Stack Overflow 的帖子;当他们转而去问 AI 助手时,答案引用了所有人,唯独没有 Fernlog。

parse multiline stack traces

120 个开发者提示词的 AI 回答 · 被引用的来源(优化前)

一个回答可以同时引用多个来源。

优化前的博客 · 每一道竖线代表一篇文章
  • 产品新闻与版本发布
  • 教程类文章

02诊断

一本没有蕨类的植物标本集。

博客

82%

140 篇文章中产品新闻的占比

140 篇文章里有 115 篇是版本说明、研讨会邀请和招聘消息。剩下的 25 篇教程没有统一结构,没有可复制的代码,平均每篇只有 1.4 个内链。

标本 1 / 4

AI 搜索

0 / 120

引用 Fernlog 的 AI 回答

我们每月把 120 个真实的开发者提示词输入四款 AI 助手。没有一个回答引用 Fernlog,而竞争对手的文档出现在 71 个回答里。

标本 2 / 4

文档

61%

未被收录的文档 URL

文档放在一个客户端渲染的子域名上:61% 的 URL 未被收录;博客里的代码示例是截图,搜索引擎和 AI 爬虫都读不出来。

标本 3 / 4

需求

1,900

个开发者问题,几乎都没有答案

支持工单、社区帖子和销售通话里藏着 1,900 个不同的开发者问题。它们可以归为四个主题——解析、告警、保留和成本——而 Fernlog 几乎没有一个对应的页面。

标本 4 / 4

03策略

长出蕨叶,而不是堆砌文章。

基于我们的 Content Engine 方案:为那些买家在联系销售之前就会自行调研的公司,做主题内容与 AI 搜索优化。

from service:"checkout" level:error| parse json(message) as m| stats count() by m.error_code| alert when count > 50 within 5m
摘自告警枢纽 · 先给答案,再讲原因
  1. 01

    主题集群

    从那 1,900 个问题中梳理出四个枢纽:解析、告警、保留和成本。每个枢纽页回答大问题,并向下链接到子主题指南;指南再向上、向旁互相链接,让权重沿着蕨叶流动,而不是淤积在新闻页里。

  2. 02

    代码优先的教程

    每篇指南开头先给出能用的答案——一条查询、一段配置或一个 CLI 命令,都是可以直接复制的文本——然后再讲原理。示例在 CI 中针对产品实测,永远不会过时。

  3. 03

    AI 搜索引用

    答案先行的段落,每个标题只讲一个论点,标注日期的基准数据,加上 TechArticle 和 HowTo schema。我们每月追踪同样的 120 个提示词,凡是被检索到却没被引用的页面就重写。

  4. 04

    原创数据

    一份基于平台汇总数据、经过匿名化处理的各服务日志摄入量基准,成了全站被引用最多的页面:如今其他博客和 AI 回答引用的每 GB 成本数字,就出自这里。

04主题地图

点击一片蕨叶,展开它的子主题。

每个枢纽是一片蕨叶,每个子主题页面是一枚小叶。在起点与第 18 个月之间切换,看看哪些页面在 Google 上有排名,哪些 AI 搜索回答引用了 Fernlog。

解析告警保留成本

图例

  • 前 3 名
  • 第 4–10 名
  • 第 11–100 名
  • 没有页面或无排名
  • 被 AI 助手引用

主题枢纽

把原始日志行变成可查询的字段。

Google 前 10 名
6 / 6
引用 Fernlog 的 AI 回答
17 / 36

JSON 日志

搜索词(原文)
> parse json logs
页面
fernlog.example/guides/parsing/json-logs
Google
#3

该子主题 6 个提示词的 AI 回答

4 个引用了 Fernlog

05时间线

18 个月,一次展开一片蕨叶。

  • 第3月解析枢纽上线
  • 第6月告警枢纽上线
  • 第9月保留枢纽上线
  • 第11月成本枢纽上线
  1. 第 1–2 个月

    挖掘问题

    从支持工单、社区帖子和销售通话记录中整理出 1,900 个问题,归入四个枢纽、二十个子主题。基线:120 个 AI 提示词和 380 个 Google 查询。

  2. 第 3–5 个月

    解析蕨叶

    上线枢纽页和六篇指南,每篇都以可运行的答案开头。文档改为服务端渲染,代码示例变成在 CI 中测试的文本。

  3. 第 6–8 个月

    告警

    五篇指南,外加一个可直接复制粘贴的告警规则库。堆栈跟踪和 JSON 指南迎来第一批 AI 引用。

  4. 第 9–12 个月

    保留与成本

    又上线九篇指南和每 GB 成本基准——它基于匿名化的平台数据,发布时附有方法论说明页。

  5. 第 13–18 个月

    照料蕨丛

    每月重跑提示词:被检索到却未被引用的页面改写为答案先行,过时的示例及时更新,版本说明迁到独立的更新日志。

06成果

从版本说明,到开发者纷纷引用的参考资料。

来自自然搜索的试用注册

+261%

每月试用注册 64 → 231

引用 Fernlog 的 AI 回答(共 120 个)

0 → 41

同样的 120 个提示词,四款 AI 助手,每月重跑一次。

进入 Google 前 10 的开发者查询

9 → 146

共追踪 380 个开发者查询。

每月自然会话数

11,800 → 52,400

每月访问指南、枢纽页和文档的自然流量会话数。

为虚构企业建模的情景,并非真实客户成果。排名、AI 引用和流量均无法保证;详见我们的条款。

逐月变化每月自然会话数引用 Fernlog 的 AI 回答(共 120 个)
002万204万406万60解析告警保留成本第1月第4月第7月第10月第13月第16月第18月52,40041

引用各来源的回答数(共 120 个)

起点第 18 个月

第 18 个月各枢纽的自然会话数

  • 解析19,600
  • 告警12,800
  • 保留6,900
  • 成本13,100

您的产品,是不是那个没人引用的答案?

我们的 Content Engine 方案为技术产品搭建主题枢纽、提升 AI 搜索可见度——从第一张问题地图,到每月的引用报告。

全部案例