截至 11 月 8 日的公开信息，双 11 期间最有价值的一次 AI 实测，结论并不是「AI 会编价格」，而是三种价格口径里只有一种当场能核。腾讯新闻 11 月 7 日的实测把购物交给淘宝、京东等平台的 AI 助手，逐条回到页面核对，结果是推荐的商品和报价都能在页面上找到，没有发现编造价格；但同一批回答里提到的历史最低价、同款不同店价，回到页面时已经对不上。对做品牌可见度监测的人来说，这件事的意义在于：AI 回答里的「事实」不是一个整体，它至少分成三层，核验义务要按层分配。
能核的那一层，实测里全部对上了
先把能核的部分说清楚，因为它比想象中可靠。报道里记者用淘宝 AI 和京东的 AI 助手分别问同一款手机，两家给出的商品链接、页面价、优惠构成都能在对应页面复现，实付金额与回答里的数字一致，也没有出现指向不存在的商品或杜撰的店铺。这一点值得记下来：在商品这种结构化信息上，大模型的取数已经比较稳，出错多的地方不在数字本身。
但「对得上页面」不等于「推荐得对」。同一篇实测里，记者明确指出平台 AI 推荐的第三方店铺商品虽然价格真实，却未必是全网最便宜的那一档。这句话拆开看是两个指标：一是回答里的事实是否可核，二是回答给出的结论是否最优。前者是准确性，后者是有效性，用同一套抽样去测这两件事，结论会互相污染。
历史最低价和同款不同店，是核不了的两层
| 价格口径 | 能不能当场核 | 实测里的具体情况 | 留痕要记什么 |
|---|---|---|---|
| 页面现值 | 能核 | 三个平台推荐的商品与报价在页面上都能找到 | 链接、抓取时间、页面截图 |
| 历史最低价 | 不能核 | 百亿补贴此前最低 7649 元，报道时页面已是 7799 元 | 第三方价格历史或平台活动凭证 |
| 同平台不同店 | 部分能核 | 同为自营，一家页面价 8199 元、一家 7999 元 | 店铺主体、发货方与保修条款 |
| 到手价构成 | 能核 | 页面价叠加满减券、政府补贴与会员立减 | 每一项券名、门槛与有效期 |
这张表解释了为什么「AI 说错了」这种指控经常吵不出结果。历史最低价是一个时间序列，页面只呈现当下，任何一次核对都只能确认「现在是多少」，无法确认「曾经是多少」。当 AI 把 7649 元这个历史数字说出来，而页面已经是 7799 元时，错的可能是记忆，也可能是页面调价，而旁观者用一次截图无法区分这两种情况。
同平台不同店的问题更麻烦。实测里 AI 先报 7999 元，推送时改用另一家自营店的 8199 元，两家都叫自营，页面都是真的，价格却差了两百元。这既不是幻觉也不是错误，而是主体识别问题：回答里说的「京东自营」是一个渠道标签，不是一个具体店铺，而价格绑定的是后者。监测如果只记渠道标签，这类差异永远归不了因。
监测要按三层分开记，不能合成一个准确率
把三层混成一个「准确率」，是做 AI 可见度监测最常见的错误。第一层是回答里的事实能不能在页面上复现，这层用抽样加截图就能测，成本低。第二层是回答引用的历史数据有没有出处，这层需要价格历史库或平台凭证，没有就只能标「待核」。第三层是回答里的主体是否唯一，这层要在采集时同时记录店铺、发货方与保修条款，否则事后无法判断差异来自哪里。
把三层写进一张表，比追问谁对谁错更有用
有实操团队给出的做法可以作为参照：做 AI 可见度体检时用 20 到 30 个长尾问题组成查询集，每个问题多轮追问，记录品牌是否出现、有没有链接引用、出现顺位在第几点，最后得到品牌提及率与引文覆盖率两个基线。这个流程对商品类问题同样适用，只需要在记录字段里加一列「价格口径」，标明这条回答说的是现值、历史价还是跨店价。
为什么单次截图证明不了对错
因为 AI 回答是生成式结果，同一天问同一个问题，回答可能不同；页面也是动态的，活动券和补贴随时在变。单次截图能证明「此刻页面是这样」，不能证明「回答当时错」。要让核验站得住，采集必须带上时间戳和可复现的提问原文，让第三方能在相同条件下重跑一次。这也是为什么把回答存成快照比存成结论更有用。
下周可以照着做的四步
第一步，把要监测的问题固定成清单，商品类问题要写清型号、容量、颜色与保修条件，避免同款不同配置被当成同一个问题。第二步，每条回答采集时同时存四样东西：提问原文、回答全文、引用链接、抓取时间。第三步，给每条涉及价格的说法标口径，分清现值、历史价与跨店价。第四步，把无法当场核实的条目标成待核，不要直接判为错误，也不要直接采信。
常见问题
AI 报的价格都能在页面上找到，是不是就不用做核验了？
不够。能核的是页面现值这一层，历史最低价与同款不同店价仍然要靠第三方价格记录和店铺主体信息，否则只能标待核。
为什么同一个平台会出现两个不同的价格？
因为回答里用的是渠道标签，比如自营，而价格绑定的是具体店铺。同一个标签下可能有多个经营主体，页面价和券的搭配也不同。
品牌做 AI 可见度体检，问题数量取多少合适？
常见做法是 20 到 30 个长尾问题，覆盖认知、对比、选型几个阶段，每个问题多轮追问，并记录提及率与引文覆盖率两个基线。
发现 AI 回答里的历史价格对不上，该怎么处理？
先标待核，再补一条可回溯的价格记录。在没有第三方价格历史的情况下，不要直接判定回答错误，也不要把它当作可引用的事实。
