开源 AI 品牌可见性监测工具 Lettertrace 上线

随着 ChatGPT、Claude、Gemini 等大模型逐渐成为用户获取信息的入口，「AI 是否会推荐我的品牌」正在催生一个新的营销赛道——AEO（Answer Engine Optimization）/ GEO（Generative Engine Optimization）。最近在 Hacker News 亮相的 Lettertrace，正是切入这一需求的轻量级开源工具。

工具定位与核心思路

Lettertrace 把自己定位为「面向 AEO/GEO 团队的品牌可见性仪表盘」。它的核心做法是：用户给定一个主题（例如「适合初创公司的 CRM」「代理机构用的邮件工具」），工具会自动生成大量真实用户会问 AI 助手的自然语言提问，然后批量向多个大模型发起查询，最终汇总品牌被提及的次数、占比、情感倾向以及竞品分布。

整个流程以命令行驱动，开发者只需执行一条 lettertrace run --project <name> 即可跑完一轮监测，输出包含每个模型的命中情况、Share of Voice（声量占比）、情感分数以及主要竞品的提及率。

支持的模型与数据维度

目前 Lettertrace 内置对以下答案引擎的支持：

ChatGPT（OpenAI）
Claude（Anthropic）
Gemini（Google）
Google AI Overviews

在数据维度上，工具会针对每个主题、每个模型生成四类指标：

可见性（Visibility）：品牌是否被模型提到
声量占比（Share of Voice）：在被提及的回答中出现的频率
突出度（Prominence）：在回答中的位置与权重
情感倾向（Sentiment）：正向/负向评分

示例输出显示，某品牌 Acme 在 24 个提示词中被 Claude Opus 提到 15 次，声量占比 41%，情感分 +0.34，主要竞品 Notion 占 28%、Linear 占 19%。

自托管与隐私设计

Lettertrace 采用 MIT 协议，代码完全开源，用户可自行 Fork 与修改。在数据安全方面，它强调三点：

自带密钥（Bring Your Own Key）：调用 Anthropic、OpenAI、Google API 时使用用户自己的 Key，密钥加密存储在本地基础设施
数据自有：所有运行结果保存在用户自己的 Supabase 实例中，无供应商锁定
无中间加价：工具本身不收取 API 调用差价，仅作为调度层

自托管部署流程相对简单，官方给出的步骤是 git clone → npm install → 配置 Supabase 环境变量 → npm run dev，即可在本地启动一个 Web 控制台。

适用场景与局限

Lettertrace 主要面向三类用户：

关注 AI 搜索时代品牌表现的 SEO/营销团队
想要系统化追踪竞品在 AI 回答中位置的 Growth 团队
研究 LLM 回答一致性与偏好的开发者

需要注意的是，该工具目前仍处于早期阶段，覆盖的答案引擎数量有限，提示词自动生成的质量也会影响最终数据的代表性。对于希望系统性进入 AEO 赛道的团队来说，Lettertrace 提供了一个低成本、可审计的起点；但若需要更全面的企业级功能，可能仍需依赖商业化平台。