微软自研模型换底座 AI搜索可见度基线要重设

<p>截至 10 月 27 日的公开信息，京东旗下 1 号会员店宣布自 10 月 28 日起调整会员权益体系，购物返利从「满 200 元返券」改为按订单金额比例返还「赠金」，尊享卡返 2%、普通卡返 1%，每月上限分别为 500 元和 200 元。对做价格监测与促销核算的品牌和商家来说，这不只是一次会员规则改版，而是一次到手价口径的整体迁移。会员店的核心客群对返利比例高度敏感，规则一动，到手价的可比性就要整体重建，这不是一次简单的权益升级。</p><div style="display:none"><table><tr><th>已知事实</th><th>未证实</th><th>需要核实</th></tr><tr><td>10 月 28 日起购物返利由满 200 元返券改为按订单金额比例返赠金，尊享卡 2%、普通卡 1%</td><td>各品类是否全部适用同一返金比例</td><td>特殊商品清单与不参与返金的范围</td></tr><tr><td>10 月 28 日前已开通且未在 App 内续费的老用户，会籍期内保留原权益</td><td>会籍到期提醒是否触达全部存量用户</td><td>老用户实际权益切换时间点</td></tr><tr><td>新权益自 10 月 28 日后逐步开放，暂未看到的用户需等待推送</td><td>全量开放的具体完成时间</td><td>分批次推送的覆盖进度</td></tr></table></div><p>公告给出的分流规则按续费渠道和时效划分。10 月 28 日前已开通、且未在 1 号会员店 App 内续费的老用户，会籍期内继续享受原「满 200 返券」权益；会籍过期 30 天内在 App 内续费的，可在旧权益与新返金权益之间二选一；过期超过 30 天再续费，或 10 月 28 日后新购卡的用户，适用新规则。</p><p>通过京东 PLUS 等其他渠道续费的用户，权益以卡面及商品详情页宣传为准。这条兜底条款意味着同一时间点上，平台内会同时存在三种返利口径，价格监测如果只按会员等级抓取，得到的到手价会系统性失真，跨渠道比价也会失去可比性。</p><h3>两种口径的数学差别</h3><p>满 200 返券是阶梯触发，返的是券，只能在下次消费时使用，实际折价率取决于券面额与触发门槛的比值；按比例赠金是线性返还，1 元赠金可抵扣 1 元人民币，折价率直接等于返还比例。前者对高客单订单更有利，后者对中低客单更友好，两者的交叉点大致在券面额除以返还比例的位置。</p><p>以一个 260 元订单为例，新规则下尊享卡返 2% 即 5.2 元赠金；若旧规则的券面额为 20 元，则旧规则明显更优，差额接近 15 元。这也是为什么公告要设置二选一窗口：对高频高客单用户，旧权益的价值更高，平台需要用选择权来降低改版的抵触。</p><h3>月度上限改变了什么</h3><p>尊享卡每月赠金上限 500 元、普通卡 200 元，按 2% 与 1% 反推，对应的月度消费额约为 25000 元和 20000 元。上限的存在使返利从「消费越多返越多」变成「到顶即止」，对月消费超过这个量级的用户，实际返还率会随消费额上升而下降，而这部分用户正是会员店最核心的高价值人群。</p><p>新规下「每月尊享权益」从「满 49 元消费后兑换鸡蛋或牛奶」变为每月在 10 元无门槛补贴金、2 张 6 元运费券或其他商品中任选其一，每月可领取 1 次。首月免消费门槛，此后在当前会籍期内累计实付每满 19 元，解锁一次领取资格，权益自 10 月 28 日后逐步开放。</p><p>门槛从「单笔满 49 元」改成「累计每满 19 元」，表面上降低了单次门槛，实际上把一次消费拆成了多次消费的累计。对客单价在 30 元左右的用户，旧规则要求凑单，新规则则鼓励拆单或增加下单频次，这会改变订单结构，也会改变运费券的使用强度与履约成本。</p><p>会员规则一变，到手价的算法就得跟着改。下表把四种口径放在一起对照，列出计算方式、适用人群与监测难点，商家可据此判断自己的商品在哪个口径下被消费者拿来比较。</p><table><tr><th>口径</th><th>计算方式</th><th>适用人群</th><th>监测难点</th></tr><tr><td>标价</td><td>商品页显示价格</td><td>全部用户</td><td>未含任何优惠，可比性最低</td></tr><tr><td>会员价</td><td>标价减会员专享折扣</td><td>持卡用户</td><td>折扣随会员等级与品类变化</td></tr><tr><td>到手价（旧）</td><td>实付减返券分摊</td><td>10 月 28 日前开卡且未在 App 续费</td><td>券的使用条件与有效期不一</td></tr><tr><td>到手价（新）</td><td>实付减赠金返还额</td><td>新购卡或过期超 30 天续费</td><td>赠金有月度上限，特殊商品不参与</td></tr></table><p>四种口径并存的结果是，同一件商品在不同用户眼中的价格可能相差 10% 以上。价格监测如果只抓标价，会漏掉会员折扣；只抓会员价，会漏掉返利；把返利直接按比例折算，又会忽略上限与特殊商品例外。可行的做法是按用户分层分别计算，再取加权平均作为对外可比口径，并把分层规则写进监测表。</p><h3>特殊商品例外 最容易被忽略的一行</h3><p>公告注明 1 元赠金可抵扣 1 元人民币，特殊商品不参与返金也不支持赠金抵扣。这一行对价格监测的影响常被低估：如果某品类整体被划入特殊商品，那么该品类的实际到手价与标价之间的差距会突然收窄，跨品类比价时就会出现系统性偏差，促销力度评估也会偏高。</p><p>商家端需要做的是重建到手价模型：把会员等级、返利比例、月度上限、特殊商品标记四个变量写进核算表，按周抽样验证。平台端需要做的是把分流规则落到账户维度，避免同一用户在不同入口看到不同的权益说明。两侧都做到，价格秩序才不会因为一次规则改版而失序。</p><p>还有一个时间维度需要注意：公告称新权益自 10 月 28 日后逐步开放，暂未看到的用户需等待推送。这意味着上线首周内，同一会员等级的用户可能处于不同权益状态，任何基于单日快照的价格对比都不可靠，至少需要观察两周才能得到稳定口径。</p><div style="display:none"><ol><li>价格监测岗按会员等级拆分抓取标价、会员价与实付，逐单记录返券或赠金金额。</li><li>财务核算岗把月度上限与特殊商品标记写入到手价模型，按周抽样复核。</li><li>商家运营核对自身 SKU 是否属于特殊商品，避免促销力度被高估。</li><li>平台侧把分流规则落到账户维度，客服统一权益说明口径。</li></ol><table><tr><th>字段</th><th>示例值</th></tr><tr><td>会员档位</td><td>尊享卡</td></tr><tr><td>返利比例</td><td>2%</td></tr><tr><td>月度上限</td><td>500 元</td></tr><tr><td>特殊商品标记</td><td>不参与返金、不支持赠金抵扣</td></tr><tr><td>核验状态</td><td>待抽样复核</td></tr></table></div><ul><li><p>满 200 返券和按比例赠金哪个更划算？</p><p>取决于客单价。旧规则对高客单更有利，新规则对中低客单更友好，交叉点大致在券面额除以返还比例的位置；以 260 元订单为例，若旧券面额 20 元，旧规则明显更优。</p></li><li><p>赠金有上限会带来什么影响？</p><p>尊享卡每月上限 500 元、普通卡 200 元，对应月消费约 25000 元和 20000 元。超过这个量级，实际返还率随消费额上升而下降，受损的正是核心高价值用户。</p></li><li><p>价格监测该怎么处理多种口径并存？</p><p>按用户分层分别计算标价、会员价、旧返券到手价、新赠金到手价，再取加权平均作为对外可比口径；单抓任一口径都会系统性失真。</p></li><li><p>特殊商品例外为什么重要？</p><p>特殊商品不参与返金也不支持赠金抵扣，若某品类整体被划入，该品类到手价与标价的差距会突然收窄，跨品类比价出现偏差。</p></li></ul><ul><li><a href="https://www.ithome.com/1/018/698.htm">IT之家：京东 1 号会员店 10 月 28 日起调整会员权益 尊享卡返 2% 赠金</a></li></ul>

<p>截至 10 月 28 日的公开信息，中国广告协会发布的三项生成式引擎优化团体标准已于 10 月 23 日起实施，分别是《生成式引擎优化服务要求》《生成式引擎优化效果监测与验证要求》《生成式引擎优化内容源主体分类分级与选用要求》。三项标准各管一段：服务流程规范、效果度量闭环、内容源分类分级与选用。对品牌方最直接的变化是验收方式——过去判断一家服务商靠听它怎么说，现在可以拿标准问它：监测哪些问题、多久采一次、覆盖几个平台、数据能不能复跑。</p><div style='display:none'><table><thead><tr><th>已知事实</th><th>未证实</th><th>需要核实</th></tr></thead><tbody><tr><td>中国广告协会三项 GEO 团体标准 10 月 14 日发布、10 月 23 日起实施，分别覆盖服务要求、效果监测与验证、内容源分类分级与选用</td><td>各标准的完整条文与附录</td><td>标准中对采样频次的具体规定</td></tr><tr><td>行业公开实践显示，单次提问受提问方式、时间、地区影响，多次采样之间误差可达 7% 到 9%</td><td>误差在不同品类的分布</td><td>误差计算方式与样本量要求</td></tr><tr><td>团体标准属行业自律规范，不等同于强制性国家标准</td><td>平台侧是否会采纳为标准</td><td>采购合同中的引用方式</td></tr></tbody></table></div><p>三段标准的分工很清楚：服务要求管主体资质、实施规范、行为边界与合规要求；效果监测与验证要求管监测维度、采样规则与验证方法；内容源要求管分类分级与选用规则。对品牌方来说，这三段合起来才构成一条完整证据链——谁做的、怎么测的、引用的是谁，缺任何一段，效果都无法复核。</p><h3>7% 到 9% 的采样误差是怎么来的</h3><p>同一句提问，换个说法、换个时间、换个地区，AI 给出的回答可能不同。行业公开实践显示，多次采样之间的误差可达 7% 到 9%，这意味着单次采样得到的提及率，很可能落在误差带里。把一张 AI 回答截图当成效果证明，等于用一个样本点去描述一条分布，结论并不可靠。</p><table><thead><tr><th>标准</th><th>管什么</th><th>品牌应索取或自留的证据</th><th>常见缺口</th></tr></thead><tbody><tr><td>服务要求</td><td>主体资质、实施规范、行为边界、合规要求</td><td>服务商资质、实施过程记录</td><td>只有方案，没有过程记录</td></tr><tr><td>效果监测与验证要求</td><td>监测维度、采样规则、验证方法</td><td>采样日志、复跑结果、样本量说明</td><td>用单次截图代替采样</td></tr><tr><td>内容源分类分级与选用要求</td><td>信源分类、分级与选用规则</td><td>信源清单、分级依据、选用记录</td><td>只列域名，不做分级</td></tr></tbody></table><p>因为 AI 回答不是静态页面。它由检索结果与生成模型共同决定，两者都在变：检索侧的内容池每天更新，生成侧的模型版本也会迭代。今天截图里出现的品牌，明天可能因为一篇新内容进入候选池而被替换；反过来，昨天没被提及的品牌，也可能因为一次模型更新而出现在回答里。</p><p>更麻烦的是，截图无法回答覆盖率问题。品牌关心的是在一批问题里被提及的比例，而不是某一个问题的某一次回答。没有采样规则与样本量说明，就无法判断这 7% 到 9% 的误差是被平均掉了，还是正好落在结论上。这也是效果监测与验证要求把采样规则写进标准的原因。</p><h3>可信度取代能见度 品牌要补的是证据</h3><p>报道提到，央视新闻 10 月 21 日播出专题讨论可信 GEO，人民网上线媒体语料服务平台并沉淀 2.28 亿条新闻事实语料，北京日报联合智谱 AI、百度百科组建京报信源联盟、聚合 900 多家权威信源；总台的国家品牌可信语料平台于 2026 年 10 月启动、2027 年 1 月上线，下设品牌事实库、内容资产库、公共证据库、品牌问答库四大板块，叠加超 300 万小时动态音像资料。中国信通院政策与经济研究所高级工程师刘志鹏给出的定位是，目标从提高能见度转向提高可信度。</p><p>这个转向对品牌的含义很具体：过去靠铺量内容争曝光，现在要靠可核验的身份、履历与证据进入回答。品牌事实库、内容资产库这类基础设施的存在，说明 AI 回答的原料端正在被结构化组织，能被机器读取并标注来源的内容，才有机会被反复引用。</p><p>报道还提到一个更靠前的信号：沃尔玛在 10 月 21 日推出基于模型上下文协议的 Agent Gateway，获准接入的 AI 智能体可以查询其线上库存并代表用户下单，覆盖沃尔玛与山姆会员商店，并计划 11 月上线 Agent Profiles；对照面是亚马逊已开始阻止 AI 智能体代替消费者下单。对做 GEO 的人来说，含义不在零售本身，而在于被 AI 选中正从一句描述变成一条真实的交易链路。</p><p>能不能进入智能体的候选清单，取决于商品与品牌信息是否结构化、可核验、可调用。这与引用来源的逻辑一致：AI 回答引用谁，与智能体选谁，本质上都是同一套证据判断。品牌在 GEO 上的投入，最终会同时体现在回答里的提及和交易链路里的可选性上。</p><div style='display:none'><ol><li>品牌市场负责人按标准三项分别指定责任人：服务商资质由采购核验，采样规则由数据岗确认，信源分级由内容岗维护。</li><li>数据岗在每轮监测前固定问题库版本与采样频次，记录采样时间、地区与提问表述，确保下一轮可复跑。</li><li>分析岗对每条回答保存引用来源的域名、页面标题与被引段落，按标准的分级规则标注信源等级。</li><li>品牌经理在验收会上比对两轮采样结果，误差超过 10% 时要求服务商说明原因并补充样本。</li></ol><table><thead><tr><th>字段</th><th>示例值</th></tr></thead><tbody><tr><td>采样轮次</td><td>2026-10 第 2 轮</td></tr><tr><td>问题库版本</td><td>v2026-10</td></tr><tr><td>覆盖平台</td><td>豆包、DeepSeek、元宝</td></tr><tr><td>单问题采样次数</td><td>5 次</td></tr><tr><td>信源等级</td><td>权威媒体</td></tr><tr><td>核验状态</td><td>已复跑</td></tr></tbody></table></div><p>标准落地之后，GEO 的竞争从话术转向证据。对品牌方，最实际的动作不是去背标准条文，而是把采样规则、信源分级与复跑机制写进采购与验收流程——这三件事做扎实，效果才有讨论的基础。</p><ul><li><p>三项 GEO 团体标准是强制性的吗？</p><p>不是。团体标准属行业自律规范，不等同于强制性国家标准，约束力来自行业自律与市场选择。它的实际价值是提供一套公开、可引用的提问框架，便于写进合同条款。</p></li><li><p>为什么单次 AI 回答截图不能作为效果证据？</p><p>因为 AI 回答由检索结果与生成模型共同决定，两者都在变化；行业公开实践显示多次采样误差可达 7% 到 9%，单次截图无法说明覆盖率与稳定性。</p></li><li><p>品牌在 AI 搜索可见度验收时该索取哪些材料？</p><p>采样日志与样本量说明、复跑结果、信源清单与分级依据、服务商资质与实施过程记录。缺任何一项，效果都无法复核。</p></li><li><p>可信度取代能见度，品牌最先要补什么？</p><p>先补可核验的事实：品牌身份、产品履历与可引用的证据材料，并整理成机器可读的结构化内容，让 AI 在回答时能准确引用而不是猜测。</p></li></ul><ul><li><a href='https://baijiahao.baidu.com/s?id=1879793086371680035&wfr=spider&for=pc'>百家号：中国广告协会三项GEO标准实施 效果验收有了统一口径</a></li></ul>

<p>截至 10 月 28 日的公开信息，可口可乐于 10 月 27 日公布截至 10 月 2 日的 2026 年第三季度业绩：全球单位箱销量同比增长 5%，净营收同比增长 7% 至 133.80 亿美元，有机营收同比增长 7%，其中浓缩液销售增长 7%、价格与组合增长 1%；浓缩液销售增速比单位箱销量高 2 个百分点，公司归因于浓缩液发货时点的影响。对做渠道价格的人来说，价格与组合只贡献 1 个百分点这件事，比营收增长 7% 更值得读。</p><div style="display:none"><table><tr><th>已知事实</th><th>未证实</th><th>需要核实</th></tr><tr><td>第三季度全球单位箱销量同比增长 5%</td><td>各区域销量的分布与差异</td><td>即饮与现制渠道的拆分</td></tr><tr><td>净营收同比增长 7% 至 133.80 亿美元，有机营收增长 7%</td><td>汇率对营收的影响幅度</td><td>有机营收的汇率口径</td></tr><tr><td>浓缩液销售增长 7%，价格与组合增长 1%</td><td>价格与组合各自的贡献拆分</td><td>发货时点对浓缩液增速的具体影响</td></tr></table></div><p>先把三个增速排好：单位箱销量增长 5%，价格与组合增长 1%，有机营收增长 7%。销量与价格两项加起来约 6 个百分点，剩下的差额与浓缩液发货时点有关。公司明确说明浓缩液销售增速比箱销量高 2 个百分点，主要受发货时点影响，这是一个口径提示而非需求信号。</p><p>关键在价格。价格与组合只贡献 1 个百分点，意味着这一季的增长几乎完全由销量驱动，而不是提价。在成本上行周期里，这属于用销量换价格的策略，短期能守住份额，但毛利弹性有限。</p><p>对渠道价格管理来说，价格贡献低有两种可能：一是主动选择不涨价以保份额；二是提价被促销抵消，名义价格上去了，实际到手价没变。两种情况在报表上看起来一样，但对渠道的含义完全不同。</p><p>如果是第一种，渠道的价格秩序相对稳定，巡查重点是防止个别渠道破价抢量。如果是第二种，说明促销强度在上升，价格监测要盯到手价与优惠折算，而不是标价。区分这两种情况，需要结合分区域的到手价采样。</p><h3>浓缩液发货时点为什么重要</h3><p>浓缩液是装瓶商采购的原料，发货时点会影响当期确认的收入。发货提前或延后，会让单季增速出现波动，但不改变全年需求。看到浓缩液增速高于箱销量时，先确认发货节奏，再判断需求强弱，否则容易把会计时点误读成市场信号。</p><h3>组合贡献怎么拆</h3><p>价格与组合被合并披露，实际上包含提价与产品结构变化两部分。结构变化指高单价或高毛利产品的占比提升，这部分增长更可持续，但也更容易被误读为提价。渠道在做价格对标时，要区分同规格提价与规格结构变化。</p><p>第一个动作是把名义价格与到手价分开记录。名义价格看标价与建议零售价，到手价看结算页应付金额，两者在促销期会明显分化。第二个动作是按规格折算单位价格，避免被包装规格变化干扰。第三个动作是分渠道比对，找出价差超出约定区间的渠道。</p><p>下表把三个动作与对应字段并列。表中的增速数据来自三季报，分区域与分渠道的价格数据未披露，需自行采样。</p><table><tr><th>动作</th><th>核心字段</th><th>判断依据</th><th>常见误判</th></tr><tr><td>名义价与到手价分离</td><td>标价、结算页应付金额、优惠明细</td><td>两者差额是否超出促销预算</td><td>只看标价判断是否提价</td></tr><tr><td>单位价格折算</td><td>规格、箱规、单位价格</td><td>同规格对比才有意义</td><td>跨规格直接比总价</td></tr><tr><td>分渠道价差</td><td>各渠道到手价、采样时点</td><td>价差是否超出约定区间</td><td>把促销节奏差当破价</td></tr></table><p>三个动作做完，才能回答一个基本问题：这一季的增长是量带来的还是价带来的。量的增长需要供应链与铺货支撑，价的增长依赖品牌力与渠道管控，两者的管理动作完全不同，混在一起看会做出错误判断。</p><div style="display:none"><ol><li>价格巡查岗按周采样各渠道到手价，记录标价、应付金额与优惠明细，证据为结算页截图。</li><li>渠道运营岗按规格折算单位价格，标注规格变更时点，证据为商品页对比表。</li><li>区域负责人比对价差与约定区间，输出异常渠道清单，证据为价差台账。</li><li>复盘岗把季度增速拆成销量、价格与组合三项，标注发货时点影响，证据为季报原文。</li></ol><table><tr><th>字段</th><th>示例值（本篇材料）</th><th>核验人</th></tr><tr><td>报告期</td><td>截至 2026 年 10 月 2 日的第三季度</td><td>复盘岗</td></tr><tr><td>单位箱销量</td><td>同比增长 5%</td><td>复盘岗</td></tr><tr><td>价格与组合</td><td>同比增长 1%</td><td>价格巡查岗</td></tr><tr><td>证据链接</td><td>证券之星 2026-10-27 三季报报道</td><td>渠道运营岗</td></tr></table></div><ul><li><p>价格与组合只增长 1%，说明没有提价吗？</p><p>不能直接这样判断。价格与组合是合并披露的，包含提价与产品结构变化两部分。结构变化也可能带来 1 个百分点的贡献，需要结合同规格单位价格的变化才能区分。</p></li><li><p>浓缩液增速高于箱销量，是需求变好吗？</p><p>不一定。公司说明这一差异主要受浓缩液发货时点影响，属于会计时点而非需求信号。判断需求强弱应看单位箱销量，而不是浓缩液销售。</p></li><li><p>渠道价格巡查该看标价还是到手价？</p><p>以到手价为准，标价只作参照。促销期标价与结算页应付金额会明显分化，只看标价会漏掉优惠叠加带来的实际降价。</p></li><li><p>量增价平的局面，渠道该做什么？</p><p>重点转到铺货与可售，因为增长靠量驱动。同时要防止个别渠道用破价抢量，破坏整体的价格秩序，这两件事要同时做。</p></li></ul><ul><li><a href="https://stock.stockstar.com/IG2026102700038359.shtml">证券之星：可口可乐 10 月 27 日发布三季报，营收增长 7% 至 133.8 亿美元</a></li></ul>

<p>截至 10 月 27 日的公开信息，蚂蚁集团 10 月 27 日中午发布灵光 2.0，在获得用户授权后可结合已接入的信息与服务主动识别潜在需求，并发起分析、监测和跟进，在需要用户关注的节点及时提醒；依托独立云主机，它能在用户退出对话后继续运行任务。灵光 App 于 2025 年 11 月 18 日上线，上线 6 天下载量突破 200 万。对做 AI 搜索可见度监测的品牌团队来说，这代表一类新入口正在形成：用户不再提问，而是让助理替他筛选。</p><div style="display:none"><table><tr><th>已知事实</th><th>未证实</th><th>需要核实</th></tr><tr><td>灵光 2.0 于 10 月 27 日发布，可主动识别需求并发起分析、监测与跟进</td><td>主动推送的触发条件与频次上限</td><td>产品说明与推送规则</td></tr><tr><td>依托独立云主机，用户退出对话后任务继续运行</td><td>长期运行任务的数据留存与授权范围</td><td>隐私政策与数据使用说明</td></tr><tr><td>已打通支付宝生态数据与服务，支持调用 MCP、CLI 等工具，内置账单、会员、出行及钉钉、飞书、邮箱、米家</td><td>第三方服务接入的排序逻辑</td><td>服务推荐规则与商业化方式</td></tr></table></div><p>这个变化对品牌的意义在于问题被代理了。传统搜索里，用户输入关键词，品牌争夺的是关键词下的位置；在助理模式下，用户只给出目标，助理负责筛选与比较，品牌争夺的是「是否进入候选集」。前者比拼关键词覆盖，后者比拼被引用的资格，两者的优化对象完全不同。</p><h3>三个可见度层面的变化</h3><p>第一层是曝光。助理不会把十个选项全部列出，它通常给出两三个建议，这意味着曝光位从「搜索结果页的一屏」收缩到「一次回答的两三条」。第二层是引用。助理的判断依赖可调用的信息与服务，品牌的信息若不在可调用范围内，就很难进入候选。第三层是持续性，助理会在后续节点继续跟进，一旦某个品牌进入初始推荐，它在后续对话中被重复提及的概率会显著上升。</p><p>三层变化叠加，结果是可见度的分布更加集中。过去品牌可以通过大量长尾关键词获得分散曝光，现在曝光向少数被助理信任的品牌集中。这对头部品牌是利好，对长尾品牌是压力，也意味着 AI 搜索可见度的监测口径需要从「关键词覆盖数」转向「候选集进入率」。</p><p>把不同入口放在一起比较，差异就很清楚。下表按入口类型列出交互方式、可见度决定因素与监测难点，品牌可据此分配优化资源，而不是把所有入口当成同一件事。</p><table><tr><th>入口类型</th><th>交互方式</th><th>可见度决定因素</th><th>监测难点</th></tr><tr><td>传统搜索</td><td>输入关键词，返回列表</td><td>关键词覆盖与页面质量</td><td>排名可抓取，口径稳定</td></tr><tr><td>对话式 AI 搜索</td><td>自然语言提问，生成回答</td><td>被引用概率与描述准确度</td><td>同一问题多次回答不一致</td></tr><tr><td>助理型入口</td><td>给出目标，助理代为筛选</td><td>是否进入候选集与服务可调用性</td><td>过程不透明，难以逐条复现</td></tr><tr><td>平台内推荐</td><td>浏览行为触发推荐</td><td>内容标签与转化数据</td><td>推荐逻辑随算法更新变化</td></tr></table><p>四类入口里，助理型入口最难监测，因为它的筛选过程不透明，用户看不到候选集是怎么产生的。可行的做法是用固定目标描述做批量测试，记录每次回答中被提及的品牌与引用来源，用多次采样的分布替代单次结果，这与对话式 AI 搜索的监测方法一致，但样本量要求更高。</p><p>第一是信息可调用。助理型入口依赖结构化、可调用的服务信息，品牌的营业时间、门店位置、商品库存、售后政策若能以标准接口提供，被调用的概率会明显提升。第二是内容可引用。产品参数、成分说明、检测报告需要以清晰字段发布，方便被检索与引用。</p><p>第三是问题库要扩展。传统问题库围绕「什么牌子好」这类比较型问题，助理模式下需要增加「帮我找一家附近能当天取货的店」这类任务型描述。任务型描述的答案更依赖实时数据，也更能反映品牌在履约层面的真实能力。</p><h3>监测口径怎么调</h3><p>口径调整有三个方向：从关键词覆盖转向候选集进入率，从单次回答转向多次采样的分布，从品牌提及转向引用来源的结构。三项调整都指向同一个目标：让 AI 搜索可见度的数字能够反映「被选中」的概率，而不只是「被提到」的次数。</p><p>这也意味着监测周期要缩短。助理型入口的推荐会随实时数据变化，月度复测可能错过窗口；建议对高价值品类采用周度采样，对长尾品类保持月度，用频率差异控制成本，而不是对所有品类用同一节奏。</p><div style="display:none"><ol><li>数据团队把问题库扩展为任务型描述，覆盖就近取货、比价、售后等场景。</li><li>内容团队把门店、库存、售后政策整理为结构化字段，评估接口化可行性。</li><li>监测岗对高价值品类按周采样，记录候选集品牌与引用来源分布。</li><li>复核岗按季度比对候选集进入率变化，判断优化动作是否有效。</li></ol><table><tr><th>字段</th><th>示例值</th></tr><tr><td>监测入口</td><td>助理型 AI 应用</td></tr><tr><td>采样频率</td><td>周度</td></tr><tr><td>核心指标</td><td>候选集进入率</td></tr><tr><td>问题类型</td><td>任务型描述</td></tr><tr><td>核验状态</td><td>待复测</td></tr></table></div><ul><li><p>助理型入口和对话式 AI 搜索有什么区别？</p><p>交互方式不同。对话式是用户提问、AI 生成回答；助理型是用户给出目标、助理代为筛选并持续跟进。前者争的是回答里的位置，后者争的是能否进入候选集。</p></li><li><p>为什么说曝光位在收缩？</p><p>助理通常只给两三条建议，而不是列出十个选项，曝光从搜索结果页的一屏收缩到一次回答的两三条，可见度分布因此更加集中。</p></li><li><p>监测口径该怎么调整？</p><p>三个方向：从关键词覆盖转向候选集进入率，从单次回答转向多次采样的分布，从品牌提及转向引用来源结构。</p></li><li><p>采样频率该多高？</p><p>按品类价值分层。高价值品类建议周度采样，长尾品类保持月度，用频率差异控制成本，避免对所有品类用同一节奏。</p></li></ul><ul><li><a href="https://finance.sina.com.cn/tob/2026-10-27/doc-iniwrqsu2126544.shtml">新浪财经：蚂蚁灵光2.0全新升级 能管事的AI助理</a></li></ul>

<p>截至10月27日的公开信息，搜狗搜索首页在10月26日迎来大幅改版：界面极简到只剩一个 Logo 和输入框，输入框内置 AI 模式，传统网页入口被降级，重心全面压向元宝搜索。AI 模式下左侧是问答结果，右侧是参考资料，并主推学术科普、组织机构、主流媒体三种可信搜索方式，同时支持微信生态内公众号和视频号内容搜索。对做 GEO 监测的团队，这次改版的关键不在界面，而在右侧那一栏：引用来源第一次被摆到与答案并列的位置，品牌能不能进这一栏，直接决定它在 AI 搜索里是否被看见。</p><div style="display:none"><table><tr><th>已知事实</th><th>未证实</th><th>需要核实</th></tr><tr><td>10月26日搜狗搜索首页改版，仅保留Logo与输入框，输入框内置AI模式，传统网页入口降级；AI模式左侧问答、右侧参考资料；主推学术科普、组织机构、主流媒体三类可信搜索；支持公众号与视频号内容搜索；DeepSeek、阿里云、腾讯、字节同步开放AI搜索API</td><td>改版覆盖的用户比例与灰度节奏未披露；右侧参考资料的条数与排序规则未披露</td><td>参考资料来源的收录门槛；公众号内容进入参考资料的频次</td></tr></table></div><p>把传统网页入口降级，等于把用户的选择权从结果列表转移到模型回答。过去用户看到十条蓝色链接，自己判断点哪一条；现在用户看到一段回答加一栏参考资料，判断依据变成模型给出的结论与它引用的来源。这个变化对品牌的直接影响是，进入候选集的门槛提高了：不在参考资料里的页面，即使自然排名靠前，也不会被用户看到。</p><h3>入口迁移不是第一次，但这次不同</h3><p>搜索入口从 PC 到移动、从网页到应用，历史上迁移过多次，但多数迁移只是换了展示载体，候选集仍由同一套索引决定。这次不同的是，候选集由模型在检索阶段现场决定，且参考资料只展示少数几条。这意味着长尾页面的曝光机会被压缩，头部信源的权重被放大，品牌内容如果不具备被单独摘取的结构，进入参考资料的几率会明显下降。</p><p>左侧问答、右侧参考资料的布局，把引用来源做成了可见的产品元素。过去引用关系藏在回答的措辞里，现在它有一个固定的展示位置。对品牌，这个位置的价值高于自然排名，因为它是用户判断回答可信度的直接依据；对监测方，它提供了一个可稳定采集的字段，不必再从回答文本里反推来源。</p><p>这也改变了可见度的算法。传统做法统计品牌在结果页的排名，现在要统计品牌在参考资料栏的出现频次与顺序。两者不能互相替代：排名高但没进参考资料，等于在 AI 搜索里缺席；参考资料里有但排在末位，获得的注意力和首位差很多。监测表里至少要区分进入与否、顺序第几、来源类型三类信息。</p><p>改版主推的三种可信搜索方式是学术科普、组织机构、主流媒体，同时支持微信生态内公众号和视频号内容搜索。这组设定实际上给出了信源分级的轮廓：机构与媒体类页面被放在优先位置，公众号与视频号则作为生态内的补充内容池。对品牌，这意味着内容布局要分两条线，一条是对外的机构与媒体口径，一条是生态内的账号内容。</p><p>下表把改版披露的信源类型与对品牌的意义并列，意义一列是本文的判断，不是来源表述。表中不含各类型的权重比例，来源未披露该数据。</p><table><tr><th>信源类型</th><th>改版中的定位</th><th>对品牌的意义</th><th>监测要点</th></tr><tr><td>学术科普</td><td>三类可信搜索之一</td><td>技术型品牌可用研究与合作背书</td><td>是否进入参考资料、排在第几</td></tr><tr><td>组织机构</td><td>三类可信搜索之一</td><td>官网与机构页需结构清晰、信息完整</td><td>机构页能否被单独摘取</td></tr><tr><td>主流媒体</td><td>三类可信搜索之一</td><td>媒体报道仍是信任背书的主要来源</td><td>报道页面是否被引用</td></tr><tr><td>公众号</td><td>微信生态内容搜索</td><td>自有账号可承接长尾问题</td><td>进参考资料的频次</td></tr><tr><td>视频号</td><td>微信生态内容搜索</td><td>多模态内容开始进入信源池</td><td>内容是否可被文本化检索</td></tr></table><p>与 C 端改版同步的是 B 端的接口开放：DeepSeek 开放 Search 接口与 Fetch 接口，阿里云上线 CleverSee，腾讯把联网搜索 API 升级为元宝搜索对外提供服务，字节推出 Viking AI 搜索。国内头部科技公司至此全部入局 B 端 AI 搜索基础设施。接口化的含义是，同一批信源会被不同平台反复读取与交叉验证，而不是各自维护一套独立的索引。</p><p>对品牌，这带来两个后果。好消息是一处写准、多处受益：官网与机构页的表述一旦清晰，被多个平台的检索服务同时读取的概率上升。坏消息是一处写错、多处扩散：如果三个平台读到的是同一份过时信息，错误会被重复确认，纠正成本随之上升。这也是为什么实体一致性在接口化之后变得更重要，它决定的是品牌在所有下游平台里的表述基线。</p><p>原有的监测口径是按平台统计提及率与推荐位次，改版之后要补两项。第一项是参考资料栏的进入率，即在目标问题下品牌域名出现在右侧栏的比例。第二项是信源类型分布，即进入参考资料的是机构页、媒体报道、公众号还是视频号内容。这两项合起来，才能解释为什么某些问题的回答里提到了品牌，却没有任何来源指向自家页面。</p><h3>与竞品同表比较</h3><p>把竞品放进同一张表，比较同题下的进入率与信源类型，比单看自家数据更有解释力。如果竞品的参考资料集中在主流媒体，而自家集中在公众号，说明渠道结构存在差距，需要补对外口径；如果双方都进不了参考资料，说明该问题的信源池被第三方平台占据，优化方向应转向可被引用的第三方内容，而不是继续在自有页面加字数。</p><div style="display:none"><ol><li>监测负责人：按问题库挑选30至50条核心提问，固定原文，证据为问题库版本记录。</li><li>执行人员：在改版后的搜索入口逐条提问，记录左侧回答要点与右侧参考资料域名及顺序，证据为页面截图与日期。</li><li>分析人员：统计参考资料进入率与信源类型分布，与竞品同题数据并列，证据为汇总表。</li><li>内容负责人：按缺口补机构页与媒体口径，标注更新日期，证据为修订前后页面对照。</li><li>复盘负责人：每季度重跑同一组提问，比较进入率变化，结论写入下一轮内容排期。</li></ol><table><tr><th>字段</th><th>示例值</th></tr><tr><td>改版时间</td><td>2026-10-26</td></tr><tr><td>界面结构</td><td>Logo、输入框、输入框内置AI模式</td></tr><tr><td>结果布局</td><td>左侧问答结果、右侧参考资料</td></tr><tr><td>可信搜索类型</td><td>学术科普、组织机构、主流媒体</td></tr><tr><td>生态内容</td><td>公众号、视频号</td></tr><tr><td>B端接口</td><td>DeepSeek Search与Fetch、阿里云CleverSee、元宝搜索API、Viking AI搜索</td></tr></table></div><ul><li><p><strong>搜狗这次改版改了什么？</strong></p><p>10月26日首页改为只保留 Logo 与输入框，输入框内置 AI 模式，传统网页入口降级，重心压向元宝搜索；AI 模式下左侧问答、右侧参考资料。</p></li><li><p><strong>右侧参考资料对品牌意味着什么？</strong></p><p>引用来源第一次有了固定展示位。品牌域名是否出现在这一栏，直接决定它在 AI 搜索里是否被看见，重要性高于传统自然排名。</p></li><li><p><strong>三类可信搜索怎么理解？</strong></p><p>学术科普、组织机构、主流媒体被列为优先信源类型，同时支持公众号与视频号内容。品牌需要对外口径与生态内账号两条线同时布局。</p></li><li><p><strong>B端 AI 搜索接口开放后，品牌要改什么？</strong></p><p>同一批信源会被多个平台反复读取，实体描述的一致性变得更重要。一处写准多处受益，一处写错会被重复确认，纠正成本上升。</p></li></ul><ul><li><a href="https://weibo.com/ttarticle/p/show?id=2309405358609101094974">模型降价、AI公司上市、搜索入口AI化，GEO进入落地期</a></li></ul>

<p>截至10月27日的公开信息，10月16日下午，《生成式引擎优化（GEO）》团体标准（T/CAACCHINA 001～005—2026）在上海数字广告园发布，由中国商务广告协会提出并归口、AI营销应用工作委员会组织开展，现场约150人出席，编制历时半年，汇聚41家参编单位与75位专家。五项标准对应"术语统一、服务可评、效果可测、语料可信、流程合规"五个目标，其中第3部分《计价、评估与测量规范》给出了采样、指标与复核的具体要求。对品牌方来说，这套标准解决的是一个长期存在的问题：引用效果到底怎么测，才能横向比较、能被复核。</p><div style="display:none"><table><thead><tr><th>已知事实</th><th>未证实</th><th>需要核实</th></tr></thead><tbody><tr><td>团体标准编号 T/CAACCHINA 001～005—2026，2026年10月16日发布</td><td>标准全文的公开获取渠道</td><td>全国团体标准信息平台</td></tr><tr><td>五项标准覆盖通论、服务商评估、计价评估与测量、可信语料、流程合规</td><td>各部分的具体条款细节</td><td>标准正文</td></tr><tr><td>编制历时半年，41家参编单位、75位专家参与</td><td>参编单位名单与表决过程</td><td>协会公开文件</td></tr><tr><td>提出国内GEO市场2026年规模预计达30亿元</td><td>测算方法与样本</td><td>编制说明附件</td></tr></tbody></table></div><p>五项标准的分工是清楚的：第1部分统一术语，第2部分评估服务商能力，第3部分管计价、评估与测量，第4部分管可信语料，第5部分管流程合规。品牌最容易用到的是第3部分，因为它直接回答了三个实操问题：怎么报价、怎么定指标、怎么复核。</p><p>标准把行业痛点归纳为四条：术语混乱、服务质量参差、语料投毒、效果度量缺失。四条里前三条是行业治理问题，第四条才是品牌每天要面对的。效果度量缺失的意思是，同一份工作，不同服务商报出的数字口径不同，品牌无法横向比较，也无法判断改善是真的还是换了算法。</p><p>第3部分在投入端明确了七类计价最小单元：内容、生成式引擎、时间、数据、交付、信源和语料；在计价模式上梳理出五类：按项目、按内容和数量、按效果、按系统交付使用、混合式。这两组划分的意义是把"一个报价"拆成"可核对的单元"，让合同里写清楚买的是哪几样东西。</p><table><thead><tr><th>维度</th><th>标准给出的口径</th><th>品牌侧要核对的内容</th></tr></thead><tbody><tr><td>计价单元</td><td>内容、引擎、时间、数据、交付、信源、语料七类</td><td>合同是否逐项列明数量与单价</td></tr><tr><td>计价模式</td><td>按项目、按量、按效果、按系统、混合五类</td><td>效果类计价是否写清判定指标</td></tr><tr><td>效果指标</td><td>可见表现、情感倾向、信息支撑、信源引用四类</td><td>四类是否都有采集与基线</td></tr><tr><td>度量口径</td><td>可见率、可见份额等九项</td><td>口径定义是否与历史数据一致</td></tr></tbody></table><p>产出端把效果指标归为四类：可见表现与情感倾向衡量品牌在回答中的出现、相对表现与评价倾向；信息支撑与信源引用检查指定信息的表达质量，并区分引用数量占比与提问覆盖比例。在此基础上确立了九项关键度量口径，包括可见率与可见份额。这四类指标的价值在于分工：前两类看结果，后两类看原因。</p><p>很多品牌的问题是把四类混成一个总分。总分好看，但看不出是"出现得更多"还是"说得更准"，也就不知道该加内容还是该改事实。按标准拆成四类之后，改善动作才有落点：可见表现低就补内容覆盖，信息支撑低就补事实与参数，信源引用低就补权威来源。</p><p>采样是这套标准里最可操作的部分。标准建议中国市场覆盖不少于3个城市、5个生成式引擎；覆盖2个及以上引擎时，单一引擎样本占比不超过80%；单一分析颗粒度的有效样本量建议不少于30次。三条要求合起来，指向的是代表性：城市不够，地域差异被抹平；引擎太集中，结论只对一家平台成立；样本太少，波动会被当成趋势。</p><h3>运行与复核的要求</h3><p>系统运维方面，标准要求支持7×24小时持续运行，核心任务失败或中断率控制在2%以内，并配备故障告警与补采机制。数据安全方面，原始数据需至少保存至结案后3年，敏感数据加密处理；若指标连续异常且无合理业务归因，须在3个工作日内出具复核结论。</p><p>这两条对品牌的直接价值是举证。当服务商报出"引用率提升"时，品牌可以要求出示原始数据、采集时间与失败率记录。没有这些，改善无法复核；有了这些，争议可以按流程解决，而不是靠互相说服。</p><h3>测量原则的五条</h3><p>标准确立的五条测量原则是：指标完整、方法透明、方法科学、流程透明、分组一致。五条里最容易被忽略的是分组一致，它要求不同批次的对比使用同一分组方式。分组一变，同比就失去意义，这也是很多月度报告看起来波动很大、实际只是分组调整的原因。</p><p>这套标准最直接的用途，是把 AI 搜索可见度的测量从各家自说自话，变成可横向比较的口径。对需要做竞品对比的团队来说，可见率与可见份额的定义统一之后，跨服务商的数字才具备可比性，品牌也才能判断预算该往哪个方向加。</p><p>接标准不是换服务商，而是改合同与改看板。合同层面，把计价单元、效果指标、采样要求、数据保存与复核时限写进条款；看板层面，把四类效果指标与九项口径落到固定问题库、固定时间窗、固定分组。两件事做完，历史数据才有可比性。</p><p>还需要注意标准的性质。团体标准是行业自律性文件，不是强制国标，执行靠合同约定。品牌如果只在口头上认同标准，不在合同里写清，实际交付仍然按服务商自己的口径走。标准真正的约束力，来自品牌把它变成验收条件。</p><p>把标准落到执行，一个采购周期可以完成一轮合同与看板改造。核心动作是把计价单元逐项列明、把四类指标写进验收、把采样与复核要求写进条款。清单不长，但要求法务与业务一起过一遍合同。</p><div style="display:none"><ol><li>采购：按七类计价单元逐项列明数量与单价，证据为合同附件。</li><li>业务：把可见表现、情感倾向、信息支撑、信源引用四类指标写进验收标准，证据为验收表。</li><li>监测：按不少于3城市5引擎、单引擎不超80%、单颗粒度不少于30次配置采样，证据为采样方案。</li><li>技术：落实7×24运行、失败率不超2%、原始数据保存3年，证据为运维日志。</li><li>复盘人：对连续异常指标在3个工作日内出具复核结论，证据为复核记录。</li></ol><table><thead><tr><th>字段</th><th>示例值</th></tr></thead><tbody><tr><td>标准编号</td><td>T/CAACCHINA 003—2026</td></tr><tr><td>覆盖城市</td><td>3个</td></tr><tr><td>覆盖引擎</td><td>5个</td></tr><tr><td>单引擎样本占比</td><td>32%</td></tr><tr><td>单颗粒度样本量</td><td>30次</td></tr></tbody></table></div><p>需要说明的是，本文引用的标准编号、发布时间与部分条款来自发布会报道与参编方解读，标准全文的公开版本尚未核对，条款细节以正式文本为准。文中提到的市场规模30亿元为编制方测算，测算方法未公开，仅作方向参考。</p><ul><li><p>团体标准有强制力吗？</p><p>没有强制力，属于行业自律性文件。它的约束力来自合同：品牌把标准条款写进采购合同与验收条件，标准才真正生效。只在口头上认同、不落到合同，交付仍按服务商自己的口径走。</p></li><li><p>为什么要规定单一引擎样本占比不超过80%？</p><p>防止结论只对一家平台成立。如果八成样本来自同一个引擎，测出来的引用率反映的是那家平台的规则，换平台就不成立。要求多引擎分布，是为了让结论具备跨平台的解释力。</p></li><li><p>单颗粒度30次样本够吗？</p><p>作为最低要求，30次能支撑比例类指标的粗略估计，但不足以支撑细分问题簇的对比。品牌如果要做问题簇级别的归因，样本量应按簇分别计算，而不是把总量摊到各簇。</p></li><li><p>四类效果指标应该先看哪一个？</p><p>先看可见表现，它决定品牌是否进入回答；再看信息支撑，它决定说得好不好；然后看信源引用，判断通道是否健康；情感倾向放在最后，因为它受单条负面内容影响大，波动也大。</p></li></ul><ul><li><a href="https://www.jiemian.com/article/15211528.html" rel="nofollow noopener" target="_blank">明略科技出席《生成式引擎优化（GEO）》团体标准发布会，并发表计价、评估与测量规范核心解读（界面新闻，2026年10月20日）</a></li><li><a href="https://baijiahao.baidu.com/s?id=1879472089883984337&wfr=spider&for=pc" rel="nofollow noopener" target="_blank">国内首个互联网广告服务领域GEO团体标准发布 AI营销迈向有规可依新阶段（百家号，2026年10月19日）</a></li></ul>

<p>截至10月28日的公开信息，法治日报当天在评论版点名二手交易平台上以“破解版”“低价共享”名义兜售大模型账号的灰色交易，并引述开发团队回应称此类出租与售卖未获授权、违反用户协议。这件事表面上是账号合规问题，落到品牌身上却是另一层：当市场团队用来源不明的共享账号去抓取AI搜索里的品牌提及与引用来源，采样链路本身就不成立，拿到的回答无法复现，也就无法作为GEO优化的判断依据。对正在做AI品牌可见度监测的团队来说，这条新闻真正提醒的不是省钱技巧，而是数据从哪里来的问题。</p><div style="display:none"><table><tr><th>已知事实</th><th>未证实</th><th>需要核实</th></tr><tr><td>二手交易平台出现以“破解版”“低价共享”名义兜售大模型使用权益的卖家。</td><td>涉及的具体平台数量与卖家规模。</td><td>平台侧已下架的相关商品数量。</td></tr><tr><td>有开发团队回应称，在二手平台出租、售卖账号非官方服务、未获授权，违反用户协议并将打击。</td><td>是否已有实际封禁或诉讼案例落地。</td><td>账号封禁的判定规则与申诉路径。</td></tr><tr><td>共享账号多依托第三方中转服务器，提示词与上传文档经过中转节点。</td><td>中转节点留存数据的具体时长。</td><td>是否存在数据被转卖的实证案例。</td></tr><tr><td>报道提到API密钥倒卖可能衍生批量注册、盗刷与非法数据出境等情形。</td><td>这些情形在个案中的认定标准。</td><td>监管与平台各自的执法边界。</td></tr></table></div><p>把这条新闻换算成监测语言，问题不在于账号是否便宜，而在于采样条件是否可控。品牌要判断自己在AI回答里被不被提到、被怎么描述、引用了谁，前提是每一次提问都能记录时间、入口、账号类型和原始回答；如果账号是共享的、随时可能被限流或封禁，那么今天抓到的答案明天未必能复现，一份无法复现的数据集在复盘时几乎无法使用，也很难向业务方解释差异到底来自内容变化还是来自账号状态。</p><h3>中转节点让回答失去可追溯性</h3><p>报道提到共享账号多依托第三方中转服务器运行，用户输入的提示词、上传的文档、提交的工作信息与生成内容都要经过中转节点，容易被后台收集、留存甚至转卖。对品牌监测来说，这带来两个直接后果：一是提问内容外泄，尚未发布的产品信息可能提前暴露；二是回答经过中转改写或缓存后，与官方入口返回的结果并不一致，用它来判断品牌在AI搜索中的引用来源，等于用一份被污染过的样本做诊断。</p><h3>封禁与限流会把监测变成抽样偏差</h3><p>共享账号的另一个隐患是稳定性。同一个账号被多人轮流使用，平台的登录风控很容易触发限流，表现为回答变短、拒绝作答或直接跳转登录页。如果监测脚本把这些异常结果当作正常样本统计，品牌提及率就会被系统性压低，竞品占位看起来反而更好。这不是数据不准的问题，而是样本被结构性筛掉的问题，靠增加提问次数无法修正。</p><p>同一句提问，在官方网页端、在移动应用里、在开放接口上得到的回答经常不同，引用来源的排序也不同。因此监测的第一步不是设计问题库，而是固定入口与账号来源，让不同批次的采样具备可比性。把三类常见来源放在一起看，差异就很清楚：官方接口稳定但覆盖面有限，官方授权账号贴近真实用户但需要人工维护，第三方中转或共享账号看似便宜，却把不确定性直接注入到结论里。</p><table><tr><th>采样来源</th><th>稳定性</th><th>可复现性</th><th>合规风险</th><th>适用场景</th></tr><tr><td>官方开放接口</td><td>高，返回结构固定</td><td>高，可带参数重放</td><td>低，按协议调用</td><td>批量监测与趋势对比</td></tr><tr><td>官方网页端授权账号</td><td>中，随产品迭代变动</td><td>中，需留存页面快照</td><td>低，账号归属清晰</td><td>贴近真实用户视角的抽检</td></tr><tr><td>第三方中转或共享账号</td><td>低，随时限流或封禁</td><td>低，回答可能被改写</td><td>高，数据经他人节点</td><td>不建议用于对外结论</td></tr></table><p>这张表的意义在于把“能不能用”换成“能不能作为证据”。官方接口适合做长周期的可见度曲线，因为它能保证同一问题在不同时间点的回答差异来自模型而非账号；授权账号适合做人工复核，用来确认接口结果与真实用户看到的是否一致；中转与共享账号最多只能用于内部探索，一旦写进报告、拿去和竞品对比，结论就失去了可辩护性。</p><p>证据验证的核心不是多抓几条回答，而是每条回答都能回答四个问题：谁在什么时候、用哪个入口、问了什么、得到什么。这四个问题对应到字段，就是采样时间、平台与入口、账号来源类型、问题原文、回答原文与引用链接清单。少一个字段，复盘时就要重新采样，而模型版本一旦更新，重采也补不回当时的答案。</p><p>行业观察也指向同一方向。有分析文章提到，生成式引擎在回答时会从全网抓取并交叉比对信源，并建议用行业核心问答测试集做盲测、再对引用链接做反向归因。这套方法要成立，前提同样是采样记录完整：只有知道某条回答引用了哪几个页面，才能判断品牌官网、垂直媒体与竞品内容各自占了多少位置，进而决定下一步补哪类内容。</p><p>多数团队的闭环是“问题库—监测—分析—优化”，跳过的往往是最后一环的回测：优化动作上线后，用同一批问题、同一批入口再跑一次，比较品牌提及率与引用来源占比是否变化。如果两次采样的账号来源不同，这个比较就不成立，团队只能凭感觉判断有没有效果。把账号来源写进采样日志，是让回测站得住脚的最低成本做法。</p><p>回到这条新闻，它对品牌的提醒可以压缩成一句话：AI搜索监测的数据质量，取决于采样链路是否干净。共享账号省下的是订阅费用，付出的却是结论的可信度；而在GEO这件事上，可信度恰恰是唯一能拿去和业务方、和竞品对比的东西。监测口径先立住，优化动作才有讨论的基础。</p><div style="display:none"><ol><li>监测负责人确认每个平台的采样入口，区分官方接口与网页端，并在采样配置里固定账号归属。</li><li>执行人按同一问题库在同一时间窗内完成采样，逐条记录时间戳、入口、账号类型与模型标识。</li><li>复核人抽取不少于十条回答，比对页面快照与记录字段是否一致，不一致的样本整批作废重采。</li><li>分析人统计品牌提及率、推荐位次、引用来源占比与竞品占位，并标注样本量与置信区间。</li><li>负责人把本轮采样条件写入优化记录，供下一轮回测时复用同一口径。</li></ol><table><tr><th>字段</th><th>示例值</th></tr><tr><td>采样时间</td><td>2026-10-28 09:40</td></tr><tr><td>平台与入口</td><td>网页端对话页</td></tr><tr><td>账号来源类型</td><td>官方授权账号</td></tr><tr><td>问题原文</td><td>日抛隐形眼镜哪个牌子透氧更好</td></tr><tr><td>引用链接数</td><td>4 条，其中品牌官网 1 条</td></tr><tr><td>证据形式</td><td>页面快照与回答全文</td></tr></table></div><ul><li><p>用共享账号做AI搜索监测，最大的问题是什么？</p><p>不是被封号，而是结论不可复现。共享账号经过第三方中转，回答可能被缓存或改写，账号状态也不稳定，同一问题在不同时间点得到的答案差异无法归因到内容或模型变化，报告也就无法支撑优化决策。</p></li><li><p>GEO监测应该选官方接口还是网页端？</p><p>两者分工不同。官方接口适合做长周期、大批量的可见度曲线，因为参数固定、结果可比；网页端授权账号适合做人工抽检，用来确认接口结果与真实用户看到的是否一致。两者混用而不标注来源，会让趋势线失真。</p></li><li><p>AI回答里的引用来源怎么核？</p><p>逐条记录回答中出现的链接，按域名归类，区分品牌自有资产、垂直媒体与竞品内容，再统计各类占比。只统计链接数量没有意义，关键是看品牌官网在引用来源中占的位置，以及竞品内容是否在同一问题下反复出现。</p></li><li><p>优化动作上线后，多久能看出AI搜索可见度的变化？</p><p>取决于模型更新节奏与内容被抓取的速度，通常需要按周观察而不是按天。判断标准应是同一问题库下品牌提及率与引用来源占比的趋势，而不是某一次回答是否提到了品牌，单次结果波动很大，不足以作为结论。</p></li></ul><ul><li><a href="http://h5epaper.legaldaily.com.cn/content/20261028/Articel05007SR.htm">法治日报：向AI账号共享灰色交易说“不”</a></li><li><a href="https://news.sohu.com/a/1093696386_122779095">搜狐：2026 如何为品牌或企业布局高权重的GEO信源阵地</a></li></ul>

<p>截至10月27日的公开信息，The Trade Desk 在上海举行的「AI 时代的品牌建设」媒体分享会上公布了一组调研数据：77%的受访美国消费者预计未来会更多使用 AI 搜索，95%的消费者会对 AI 生成的结果进行二次验证，87%表示并不完全信任 AI、还会查证其他信息来源。三组数字指向同一个结论，进入 AI 推荐名单只是被看见，被消费者选择还要再过一道验证。对做 GEO 监测的团队，这意味着可见度指标不能停在提及率与推荐位次，还要回答品牌在验证环节是否站得住。</p><div style="display:none"><table><tr><th>已知事实</th><th>未证实</th><th>需要核实</th></tr><tr><td>77%受访美国消费者预计未来更多使用AI搜索；95%会对AI生成结果二次验证；87%并不完全信任AI、会查证其他来源；85%认为优质媒体环境会增强对广告品牌的信任；分享会10月在上海举行</td><td>样本规模、抽样方式与调研时间未披露；中国市场对应数据未给出</td><td>国内消费者二次验证的比例；验证渠道的实际分布</td></tr></table></div><p>77%这个数字说明入口在迁移，消费者的品牌比较动作正在从搜索框转向 AI 对话。95%与87%这两个数字说明迁移之后信任没有同步转移：绝大多数人会拿 AI 的回答去别处核对。对品牌方，这构成一个新的漏斗：AI 回答负责把品牌放进候选，站外信息负责把候选变成选择。两个环节的品牌表述如果不一致，消费者会在验证时发现，候选资格随之丢失。</p><h3>为什么二次验证对品牌是好事</h3><p>二次验证意味着 AI 回答不是终局，而是一个入口。对内容资产扎实的品牌，验证环节是加分项：消费者带着具体问题去核对，看到官网、行业媒体、百科三处口径一致，信任反而会被强化。对只做 AI 端优化的品牌，验证环节是风险点，因为站外没有对应内容支撑，AI 说得再好也经不起一次核对。这也是为什么把预算全部压在 AI 端而不动内容资产，长期看回报有限。</p><p>分享会给出的判断是，当消费者通过 AI 完成初步筛选后，新闻媒体、智能电视大屏、音频和数字户外等开放互联网场景，成为其核实信息、形成品牌认知的重要渠道。调研数据是，85%的受访消费者认为优质媒体环境会增强其对广告品牌的信任。这条结论对投放结构的含义很直接：AI 端负责覆盖与筛选，开放互联网负责验证与加固，两者不能互相替代。</p><p>把这条链路画出来，品牌的曝光其实分成两类：一类是被 AI 提及带来的曝光，另一类是被消费者主动核实时看到的曝光。前者的量可以很大，后者的质更关键。监测如果只看第一类，会高估传播效果，因为被提及之后没有验证支撑的候选，最终不会进入购买。反过来，只做第二类而不进 AI 候选，则连被比较的机会都没有。</p><p>据此可以把品牌在 AI 里的可见度拆成三层：提及层、推荐层、验证层。提及层看品牌是否出现在回答里，推荐层看在列举式回答中的排序位置，验证层看回答指向的来源是否能在站外找到一致表述。三层都通过，才算完成一次有效的 AI 曝光；只过前两层，属于高曝光低转化；只过第三层，属于有资产无入口。</p><p>下表把三层口径与可采集字段并列，字段一列是本文给出的监测建议，不是来源内容。表中不含转化数据，因为分享会未披露对应的成交口径。</p><table><tr><th>层级</th><th>回答什么</th><th>可采集字段</th><th>失效后果</th></tr><tr><td>提及层</td><td>品牌是否出现在 AI 回答中</td><td>回答原文、是否提及品牌、平台与日期</td><td>连被比较的机会都没有</td></tr><tr><td>推荐层</td><td>在列举式回答中的排序位置</td><td>推荐位次、同题竞品名单</td><td>高曝光但排在候选末端</td></tr><tr><td>验证层</td><td>来源能否在站外找到一致表述</td><td>来源域名、站外对应页面、口径一致性</td><td>验证时信任被削弱，候选资格丢失</td></tr><tr><td>信任环境</td><td>验证时看到的媒体环境质量</td><td>媒体类型、内容形态、是否为付费内容</td><td>85%认为优质环境增强信任，反向亦然</td></tr></table><p>分享会上还有一个执行层的判断值得记：在程序化广告中，平台需在约十分之一秒内完成受众识别、广告匹配和竞价决策；AI 可以生成更多素材组合，并根据消费者、媒体环境和投放目标动态调整内容。但技术并未取代人的判断，人负责战略、洞察和关键决策，AI 负责在既定方向上提高执行效率。这条分工对 GEO 同样适用，问题库怎么拆、口径怎么定，仍然要人来做。</p><h3>情绪与氛围这一层 AI 替不了</h3><p>圆桌讨论中，Spotify Ads 中国出海业务总监叶雯寅认为，AI 擅长比较参数、价格和材质，提升理性决策效率，却难以替代品牌所带来的情绪、氛围和情感连接。这句话解释了为什么二次验证会流向音乐、播客等内容场景：消费者在核对参数之后，还需要一个理由说服自己。对品牌，这意味着 AI 端的内容要把事实写准，站外内容要把理由讲清，两者的分工不能混。</p><p>可执行的清单有四条。第一，按三层口径建表，每条记录同时标注提及、位次与来源一致性。第二，对来源域名做分布统计，看回答是否集中在少数转载站，转载站的表述是否与官方口径一致。第三，把竞品放进同一张表，比较同题下的位次差与来源差。第四，按季度重跑，模型版本更新时加测一次。</p><h3>为什么按季度而不是按月</h3><p>按月跑会遇到两个干扰：模型版本更新带来的波动，以及促销季节带来的提问结构变化。季度口径能把这两类噪音摊平，也便于与内容更新节奏对齐。如果某一季度的提及率上升而验证层没有改善，说明增长来自渠道覆盖而不是内容资产，下一季度应把预算往站外口径统一上挪，而不是继续加内容产量。</p><div style="display:none"><ol><li>监测负责人：按三层口径建立记录表，明确每条提问对应的字段，证据为表格版本与字段说明。</li><li>执行人员：用普通用户方式在目标平台逐条提问，记录回答原文、位次与来源域名，证据为回答截图与提问日期。</li><li>验证人员：抽查回答中的来源页面，核对是否能在站外找到与官方口径一致的表述，证据为来源页截图。</li><li>竞品分析人员：把同题下的竞品位次与来源并列，标记占位差距，证据为对比表。</li><li>复盘负责人：每季度汇总三层结果，判断增长来自覆盖还是资产，结论写入下一季度内容与投放计划。</li></ol><table><tr><th>字段</th><th>示例值</th></tr><tr><td>调研数据</td><td>77%预计更多使用AI搜索、95%二次验证、87%不完全信任</td></tr><tr><td>信任环境数据</td><td>85%认为优质媒体环境增强品牌信任</td></tr><tr><td>监测层级</td><td>提及层、推荐层、验证层</td></tr><tr><td>决策时延</td><td>程序化广告约十分之一秒完成匹配与竞价</td></tr><tr><td>复测周期</td><td>每季度一次，模型更新时加测</td></tr><tr><td>证据类型</td><td>回答截图、来源页截图、对比表</td></tr></table></div><ul><li><p><strong>95%的二次验证比例意味着什么？</strong></p><p>意味着 AI 回答只是入口，不是终局。消费者会拿回答去别处核对，品牌在站外是否有与 AI 回答一致的表述，直接决定候选能否变成选择。</p></li><li><p><strong>品牌可见度为什么要分三层统计？</strong></p><p>只统计提及会把高曝光低转化的情形算成成绩。拆成提及、推荐、验证三层，才能区分增长来自渠道覆盖还是内容资产。</p></li><li><p><strong>AI 能替代品牌建设里的哪些环节？</strong></p><p>能替代素材生成、投放匹配与执行效率部分；战略、洞察与关键决策仍需人来做。参数、价格、材质的比较 AI 更擅长，情绪与氛围的连接仍依赖内容场景。</p></li><li><p><strong>为什么建议按季度复测可见度？</strong></p><p>按月会受模型版本更新与促销季提问结构变化干扰。季度口径能摊平噪音，并与内容更新节奏对齐，便于归因。</p></li></ul><ul><li><a href="https://baijiahao.baidu.com/s?id=1880023312337295113&wfr=spider&for=pc">东方网：AI重塑消费决策链路，中国品牌如何从被推荐走向被选择</a></li></ul>

<p>截至 10 月 28 日的公开信息，2026 年 10 月 Google 宣布继续改进 AI Mode 与 AI Overviews 中的来源链接展示，包括提高部分链接的可见度、增加官方网页入口、优化新闻内容展示。这项改动本身不保证任何品牌被引用，但它把三件常被混为一谈的事推到了台面上：网页被收录、被 AI 搜索引用、内容进入模型训练，三者之间没有必然因果。对负责 AI 搜索可见度的团队来说，监测口径要从「有没有排名」改成「在哪些问题下、被哪个页面、以什么角色被引用」。</p><div style="display:none"><table><thead><tr><th>已知事实</th><th>未证实</th><th>需要核实</th></tr></thead><tbody><tr><td>2026 年 10 月 Google 宣布改进 AI Mode 与 AI Overviews 的来源链接展示，提高部分链接可见度、增加官方网页入口、优化新闻内容展示（行业观察文章转述）</td><td>改动的具体上线范围与分地区进度，官方细节未在文中给出</td><td>Google 官方公告原文与生效时间，需以官方文档核对</td></tr><tr><td>文章区分网页被收录、被 AI 搜索引用、内容进入模型训练三种状态，指出三者之间无必然因果</td><td>各状态之间的转化比例，公开资料未提供</td><td>不同平台爬虫（如 OAI-SearchBot 与 GPTBot）的 robots 控制是否独立</td></tr><tr><td>文章建议以问题清单加记录表的方式监测品牌提及、来源链接与引用页面</td><td>该记录方法在跨平台比较中的一致性</td><td>不同平台是否提供可比的曝光与引用数据</td></tr></tbody></table></div><p>被收录是最基础的状态：网页进入索引，具备参与相关结果展示的可能。被 AI 搜索引用是另一件事：系统在回答某个问题时把该网页作为来源链接或支持材料展示。进入模型训练数据则是第三件事，与网页是否出现在实时回答里没有对应关系。把三者混成一个「AI 可见度」数字，最常见的结果是团队为收录量增长庆祝，却发现品牌在 AI 回答中的提及没有变化。</p><h3>收录不等于被引用</h3><p>收录只解决可发现性，引用还要求页面在具体问题上有可提取的答案。一个被完整收录的产品页，如果通篇是营销语而没有明确参数、适用条件与对比信息，系统在组织回答时很难从中抽取可用片段，引用就会落到参数更清楚的第三方页面。这也解释了为什么同一品类里，被引用的往往是评测页、论坛帖或官方技术文档，而不是品牌首页。</p><p>关键词表衡量的是排名位置，问题库衡量的是覆盖能力。AI 回答由用户的具体提问触发，同一个品牌在不同问法下可能被完全不同地描述：问「哪个牌子好」和问「某产品有什么缺点」，得到的引用来源与描述倾向通常不一致。因此基线应建立在问题清单上，而不是关键词清单上，问题要覆盖认知、比较、操作、风险四类，并固定表达方式以便跨期比较。</p><table><thead><tr><th>问题类型</th><th>观察对象</th><th>记录字段</th><th>判读边界</th></tr></thead><tbody><tr><td>认知类</td><td>品类基础概念是否提及品牌</td><td>品牌是否出现、出现语境</td><td>提及不等于推荐，需看语境</td></tr><tr><td>比较类</td><td>竞品对比时的评价标准</td><td>被引用的对比页面、评价维度</td><td>单次结果波动大，需多次取样</td></tr><tr><td>操作类</td><td>使用步骤与方法类回答</td><td>是否引用自家文档、引用段落</td><td>引用文档不等于用户认可</td></tr><tr><td>风险类</td><td>缺点与限制的描述</td><td>描述倾向、信息来源可信度</td><td>负面描述可能来自旧稿</td></tr></tbody></table><p>上表的关键在最后一列。AI 回答具有动态性，同一天不同时间、不同地区、不同账号提问都可能得到不同结果，因此单次未出现不能证明内容质量差，单次出现也不能证明品牌获得了稳定可见度。可行的做法是固定问题表达与记录方法，在多个时间点重复观察，把单点结果变成趋势，再对趋势做判断。</p><h3>记录要固定表达才能比趋势</h3><p>跨期比较的前提是问题本身不变。如果这一季度问「哪个品牌口碑好」，下一季度改成「推荐几个靠谱品牌」，两次结果无法直接对比。实操上应把问题文本、提问平台、账号状态、记录时间一起写入台账，任何一项变更都要标注，否则趋势线会失真。这一步看似繁琐，却是把监测从主观印象变成证据的唯一办法。</p><p>来源链接的展示由各平台系统决定，不同平台的引用偏好差异明显：有的更倾向引用官方文档与新闻稿，有的更依赖社区讨论与评测站。把多个平台的结果合并成一个引用来源占比，会掩盖结构差异，也无法指导优化动作。合理做法是按平台分别统计自家域名、竞品域名、第三方媒体、社区四类来源的占比，再对比同一批问题在不同平台上的分布差异。</p><div style="display:none"><ol><li>内容负责人整理覆盖认知、比较、操作、风险四类的问题清单，固定表达并编号，作为长期基线。</li><li>数据运营在固定平台、固定账号状态下逐题提问，记录回答摘要、引用链接与品牌提及情况。</li><li>分析岗按平台分别统计四类来源占比与品牌提及率，标注回答描述与事实不符的条目。</li><li>内容团队针对未被引用的高价值问题补充可核验内容，两到四周后复测同一问题并对比变化。</li></ol><table><thead><tr><th>字段</th><th>示例值</th><th>核验方式</th></tr></thead><tbody><tr><td>问题编号</td><td>比较类问题按序编号</td><td>问题库台账</td></tr><tr><td>提问平台</td><td>ChatGPT、Perplexity、豆包分别记录</td><td>平台与账号状态登记</td></tr><tr><td>引用来源</td><td>自家域名、竞品域名、第三方媒体、社区</td><td>回答中的链接清单</td></tr><tr><td>品牌提及语境</td><td>推荐、并列、仅提及、未出现</td><td>回答原文截图</td></tr><tr><td>描述偏差</td><td>参数或适用范围与官网不一致</td><td>官网参数页比对</td></tr></tbody></table></div><ul><li><p>来源链接展示改进后，品牌在 AI 搜索中的可见度会立刻提升吗？</p><p>不会自动提升。展示改进影响的是链接的可见位置与入口，是否被引用仍取决于页面能否回答具体问题、信息是否可核验。对内容薄弱但收录正常的站点，这次改动带来的变化有限。</p></li><li><p>AI 搜索可见度和传统 SEO 排名应该怎么配合？</p><p>两者衡量不同层面。排名反映结果列表中的位置，可见度反映品牌在 AI 回答中被提及、被推荐、被引用的比例。可行做法是保留关键词排名作为基础指标，同时用问题库补充 AI 回答侧的观察，两套数据不互相替代。</p></li><li><p>被 AI 引用和进入模型训练是什么关系？</p><p>没有必然关系。引用发生在实时检索与回答环节，训练数据的采集是另一套流程，两者的爬虫与权限控制也可能独立。允许搜索爬虫访问，不代表内容一定被引用；限制训练抓取，也不等于内容不会出现在回答里。</p></li><li><p>这套监测方法的证据边界在哪里？</p><p>主要限制有三点：AI 回答随提问表达、时间、地区与系统更新变化；多数平台不提供完整的曝光与引用数据，部分指标只能人工记录；单次结果无法证明稳定性。因此结论应以多次取样形成的趋势为准，不把单次观察当作定论。</p></li></ul><ul><li><a href="https://baijiahao.baidu.com/s?id=1880193812958171376&wfr=spider&for=pc">百家号行业观察：AI 搜索开始强调来源链接，企业如何提升内容被引用的机会</a></li></ul>