llm-visibility-tracker：零服务器监测，一条定时任务跑完全流程

llm-visibility-tracker（tanweer4u/llm-visibility-tracker）把开源 AI 可见度监测的部署成本压到了极限：一个 Python 脚本，挂在 GitHub Actions 的定时任务上，每两天自动跑一轮，查一轮品牌在 ChatGPT 与 Google AI Overviews 上的可见度，结果写进一张 Google Sheets 工作簿。没有服务器要养，没有数据库要管，没有面板要部署——fork 仓库、配上密钥、启用定时，就是全部安装过程。对想先试水「AI 到底提不提我」的个人与微型团队，这是门槛最低的一条路。

「零服务器」具体省掉了什么

传统自建监测的三件固定开销，它各省了一样。第一件是服务器：采集逻辑以 Actions 工作流的形式跑在 GitHub 的执行环境里，跑完即释放，不留常驻进程。第二件是存储：原始数据、汇总、榜单、变更日志、仪表盘五个页签直接写 Google Sheets，表格本身就是数据库，也是可视化层，打开链接就能看。第三件是告警：脚本每次运行会与上一轮结果对比，品牌位置变化、新出现或消失的提及都会记进变更页签，未收录的品牌会被自动标记出来。

换来的是你接受它的运行节奏：默认两天一轮。这个频次看趋势够用，看突发不够用——AI 回答的变化不会等你到点才发生。好在这类工具的价值本来就在趋势线上，单日波动的解读价值有限，隔日采样配合连续多周的观察，足以回答「方向对不对」这个最重要的问题。

运行还有一个隐性环节值得知道：脚本在每轮正式采集前会做自检，密钥在不在、接口通不通，先自查一遍再开工，减少跑空转的可能。这类「跑前体检」在个人项目里不算标配，是它的加分项。但反过来，Actions 环境的日志、运行历史都在仓库的 Actions 页里，跑挂了要自己去翻日志排错——没有运维，意味着你自己就是运维，哪怕只花十分钟。

它测的到底是什么：两种接入、两种可靠度

引擎接入是两条不同性质的路。ChatGPT 走官方 API，读数口径清晰，测的是接口返回而非消费端界面答案——这条 API 与网页端的口径差在所有开源监测里都存在，原理见API 监测与网页端监测对比卡。Gemini 一侧则更间接：它不直连模型，而是借 Google 自定义搜索接口去抓取 AI Overviews 的摘要，README 自己也把这条线标成尽力而为——AIO 出不出现、抓不抓得到，都不保证。把这两条线的可靠度分开记，是使用它的前提；AIO 本身作为产品形态的来龙去脉，本站术语库有专卡交代。

作者口径下还可以加配 Perplexity。另一个必须说清的点是情绪判读：脚本内置品牌位置与情绪的检测，这类 LLM 打标的分类结果只能当参考信号，不能当终审结论，负向标记要人工复核过再行动。开源小工具把情绪检测列进功能清单很容易，把它的误差边界讲清楚的责任，落在使用者这边。

产出那张表：五个页签的分工

产出形态是它对非技术用户最友好的一处。原始数据页存每次采集的完整记录，汇总页给品牌级的可见度统计，榜单页把追踪的品牌排成序，变更页记录两轮之间的差异，仪表盘页做了格式化，号称可以直接给管理层看。对单人运营者，这套表结构几乎就是一份现成的轻量报表体系；要用进正式汇报，把仪表盘页截图或引用进自己的周报即可，周报怎么排、环比怎么读，可以参考本站的指标与运营手册。

数据留在你自己的 Google 账号里，这一点对在意数据主权的用户是加分项。相应地，表格的维护——页签改名、公式调整、历史归档——也都在你自己手里，工具不替你做数据治理。

五页签的结构背后其实藏着一个方法论：原始层、汇总层、变更层、展示层分开放，是监测数据管理的基本功。很多团队自己用表格记录监测结果，最后都死于把所有信息糊在一张 sheet 里，两轮之后就没法对比。就算你最终不用这个工具，这个表结构也值得抄走：原始记录永远保留、汇总永远可从原始记录重算、变更只记差异、给老板看的只放结论。

成本、门槛与两个使用前提

成本端，仓库作者的口径是整条流水线每月开销不到十美元，构成是模型 API 调用加搜索接口配额，GitHub Actions 对公开仓库免费、私有仓库有免费额度。这个量级比任何商业订阅都低，也低于按采样规模推算的生产级自建成本——后者见自建监测成本数据卡，两者差在采样频次、提问规模与工程保障上，不可直接对比。

密钥管理照 GitHub 的标准做法走：各家 API 密钥放进仓库的加密密钥库，由工作流在运行时注入，不要明文写进配置文件——尤其当你 fork 的是公开仓库，密钥一旦提交进公开历史就等于泄露。这是所有基于 Actions 的自建工具的共同纪律，不是这个仓库独有的要求。

上手之前有两件事必须做。第一，换掉示例配置：仓库自带的演示配置面向印度车险市场，十五个品牌、一组车险查询，直接跑只会测出一堆与你无关的品牌——所有查询与品牌清单都要整体替换成你自己的。第二，确认授权：仓库页面未见协议标签，个人学习使用问题不大，要用进业务流程前，先向仓库作者确认使用条款，这是对无协议开源项目的基本礼仪，也是对自己的保护。

门槛方面，它不需要你会写代码，但需要你能读懂配置文件、会在 GitHub 上 fork 与配密钥。再往上一档的自建路线——带网页界面、可挂国产兼容模型的自托管监测台——见Aperture 卡；想在监测之外连技术审计一起做的，见SearchStack AEO 卡。这三个开源仓库加上ai-visibility-monitor，共同拼出开源自建路线从轻到重的四个台阶。

什么时候该从它「毕业」也值得预想：当你开始需要每天采集、需要更多引擎、需要把数据接进自己的系统，或者需要不止一个人稳定使用的时候，表格加定时任务的形态就到头了。工具本身没有失效，是需求长过了形态。到那一步，顺着上面四个台阶往上走即可，前几个月用它攒下的提问集与基线数据，都是能直接带走的资产。