我们相信「持续测量、诚实标注数据不足」这套方法论，那就该拿它先测自己。这篇是一份原样记录：我们对 OrcaScope 自己的网站做了哪些改造、什么时候做的、还差什么——不是营销通稿，是能对着 commit 记录核对的实验日志。
为什么把自己的改造过程当"实验"发出来
大多数产品的"我们如何工作"页面只写结论、不写过程。我们反过来做：把每一批真实上线的改动原样记下来，包括"这批只花了一天"这种不太光鲜但真实的细节。这也是我们自己反复强调的白帽原则的延伸——方法论里说"数据不足就明说"，这里同理："进度紧凑就明说"，不装作这是按季度稳步推进的产品节奏。
2026-07-24 · Wave 0：语义层补洞
这一批解决的是"AI 引擎能不能一次抓取就看懂我们是谁"：
- 上线 llms.txt——面向 AI 爬虫的站点说明文件，双语，引擎数量从 lib/engines.ts 唯一事实源插值，不写死数字
- 全站结构化数据补齐：Organization、SoftwareApplication、FAQPage 等 JSON-LD
- 免费体检的监测引擎从 3 个扩到 5 个（口径对齐 评分说明 里的加权规则）
- 首页文案升级：把圣加仑大学与 Digiday 的公开研究结论接进诚实叙事，取代此前空泛的"我们很专业"式表述
2026-07-24 · Wave 1 批1：给 AI Agent 开一扇门
这一批是「动作层」——不只让 AI 引擎读懂我们，还让 AI Agent 能直接调用我们：
- 内部工具注册表上线（G1 红线：工具参数永远不接受租户/用户身份类字段，身份只认 API key）
- 对外 MCP 端点（Model Context Protocol，标准 JSON-RPC 2.0）+ 开发者文档页上线，首批 5 个只读工具
2026-07-24 · Wave 1 批2：内容引擎冷启动
这一批把资源中心立起来：双语内容中心骨架（这是全站第一处「URL 定语言」的 hreflang 结构）+ 六篇支柱内容——包括你现在正在读的这个分类的"筹备中"占位，被这篇文章第一次填上。
我们还没做的：跨引擎答案差异追踪
计划里这块想做的是"同一个问题，向中西两侧的 AI 引擎各问一遍，把答案差异摆出来"。老实说，这篇文章发布的时候，我们手上没有任何一次真实采集到的跨引擎对比数据——真的去调用 ChatGPT、Kimi 这些引擎是要花钱的，需要先经过明确的内部授权才会去跑。
我们本可以现在就编一段"看起来很真实"的示例回答填进这篇文章，但那正是我们批评这个行业的地方——"当测量口径是黑盒时，分数只是在猜"。编造一份实验发现，比暂时不发布这个板块更违背我们自己的立场。所以这一节先留白：等我们真的采集到数据，会另发一篇；不承诺具体上线日期，只承诺发的时候是真的。