方法论

监测口径

• 固定代表性问题：用一组稳定、代表真实用户意图的问题，保证跨期可比
• 多引擎同套：六大主流 AI 引擎使用同一套问题，逐引擎呈现，不混合平均
• 重复采样：每个问题、每个引擎独立多轮采样，收敛才计入（检验稳定性）
• 独立措辞：问题本身不诱导、不预设答案
• 跨期一致：问题集稳定、更新以版本标注，保证趋势真实，而非换题造成的噪声
• 采集节奏：前 3 天每日采集，之后每周持续；企业版支持自定义节奏

问题如何生成

• 分层覆盖：推荐、对比、场景匹配、品牌理解、品类归属五大家族，覆盖用户真实购买问题
• 源自真实问法：问题取自真实用户会怎么问，而非我们想监测什么
• 独立、不植入品牌：问题里不预设、不引导
• 六引擎同套、跨期一致：同上

每个指标怎么读

• 声量层：被提及的频率、位置与份额
• 可见度：AI 回答中提及该品牌的比例，即提及率。越高＝越常出现；不等同好评
• 位置排名：被提及时的平均排序。数值越小越靠前；不加权成单一分数
• 声量份额：同类品牌中该品牌所占的提及份额。反映相对存在感
• 口碑层：被评价的方式与措辞
• 推荐偏好：AI 的倾向，分为 主动推荐 / 中性 / 负面。看正负结构，非单一情绪分
• 品牌标签：AI 用以描述该品牌的关键词。反映 AI 眼中的品牌形象
• 信源层：结论背后的信源
• 信源引用：AI 依据哪些信源提及该品牌。看 AI 谈你时"听谁的"
• 信源结构：信源在 官网 / 竞品 / 第三方 之间的构成。看认知主要来自哪一类信源
• 信源质量：属于专业媒体的权威信源，还是低质量的杂源。反映认知基础可靠程度

关于打分

• 不打综合分：每个指标独立呈现，不加权平均
• 不判对错：只记录 AI 说了什么，不判断它是否说错
• 数据可信度闸门：波动过大的数据点会被标注或剔除，不作为事实呈现

我们公开什么、保留什么

• 公开：测什么、为什么这么测、到原则层的全部口径
• 保留：完整题库与公式权重：使测量无法被针对性操纵，确保你看到真实表现