截至 11 月 9 日的公开信息，一份 11 月 5 日发布的中文实测把 AI 搜索的中间环节拆开看了：同一句“苏州当地有哪些医美”，千问改写成 1 条检索式，Kimi 改写成 3 条，豆包改写成 5 条且方向各不相同；豆包检索到 20 条结果，只把其中 5 条送给模型。对做 AI 搜索可见度监测的团队来说，这意味着要研究的不是用户输入的关键词，而是被改写之后的检索式。
同一句话在五家被拆成不同的查询
这份实测的方法值得注意：他不是看回答文本，而是抓了回答背后的网络请求，所以能看到位置识别、检索式改写、来源筛选三个步骤各自的差异。回答层面的差异只是结果，真正的分叉发生在模型看到材料之前。对监测方来说，这一步不透明，后面的结论就很难解释。
豆包的 5 条改写里出现了公立三甲皮肤科、连锁医美、敏感肌、具体区域、避坑测评等不同方向，等于把一句宽泛的提问拆成了五种检索意图。千问只发 1 条宽检索式，把筛选压力全部交给后面的排序。两种做法没有优劣，但对品牌的含义不同：前者要覆盖多个细分表述，后者要在宽泛结果里排到前面。
| 平台 | 改写检索式 | 是否识别位置 | 观测到的动作 |
|---|---|---|---|
| 豆包 | 5 条，方向各异 | 是，3 种浏览器定位权限状态但无坐标 | 检索 20 条，仅 5 条送入模型 |
| 千问 | 1 条宽检索式 | 是，先查 IP，城市标为苏州市 | 意图归入本地生活周边查询 |
| Kimi | 3 条 | 未观测 | 榜单、公立科室、产业企业三类 |
| 元宝 | 本轮未捕获 | 是，调用 region_search 工具 | 检索式未取到 |
| DeepSeek | 未计入 | 未观测 | 该问题未纳入统计 |
改写条数不等于结果更好
条数多说明意图拆得细，也意味着每条检索式分到的权重更小，品牌只要在其中一个方向上缺席，就可能整条回答里都不出现。条数少则相反：一次宽检索带回的结果更杂，排序与筛选的压力更大。做可见度评估时，把改写条数当成一个解释变量记下来，比只看最终名次更能指导内容补哪里。
位置信息是怎么被带进检索的
实测里有三个平台处理了提问之外的位置信息：豆包的请求携带了 3 种浏览器定位权限状态但没有坐标，千问在提问前先查了 IP 并把 user_city 标为苏州市、意图归到本地生活的地点周边信息查询，元宝则调用了一个 region_search 工具。Kimi 与 DeepSeek 在这一轮里没有观测到相关动作。
没写城市也可能被定位
这一条对本地生活类品牌尤其重要。用户不说城市，AI 也可能自己判断你在哪，然后按本地结果回答。做门店类可见度监测时，如果只按城市关键词划分样本，会漏掉这类隐式定位带来的差异；同一句提问在不同城市跑，结果可能完全不同，而这一点在回答文本里看不出来。
检索二十条只喂五条给模型
豆包这一步最值得记：检索回来 20 条，进入模型的只有 5 条。也就是说，即使一个页面被检索到了，仍有四分之三的概率在进入模型前被丢掉。可见度的分母不是全网页面，而是被选中的那几条。这与传统搜索的排名逻辑不同——排名是名次问题，筛选是有无问题。
再看改写环节，Kimi 的 3 条检索式里出现了排行榜、公立医院科室、产业企业三类方向，其中排行榜类明显偏向榜单型内容。这意味着品牌在榜单类内容里的占位，会直接影响它是否进入候选。监测时把榜单、测评、问答这三类载体单列，比笼统统计提及次数更能解释差异。
把改写步骤纳入监测口径
如果只记录最终回答，出了问题无法定位是改写没覆盖、检索没抓到，还是筛选被丢掉。把三个步骤分开记录，才能判断该补内容、补渠道还是补结构化数据。下面这套口径按步骤拆开，每一步都留可复查的证据。
这套口径跑一段时间后，团队会发现一个规律：多数失分不是因为内容质量差，而是因为问题被改写成了品牌没覆盖的表述。补内容的优先级因此要跟着改写方向走，而不是跟着自己的产品词走。认知对齐之后，选题会的议题也会变。
常见问题
为什么要控制对话上下文？
实测显示有平台会把上一轮的公司名带进本轮检索式。上下文不同，检索方向就不同，推荐结果自然不同。做可见度对比时必须把上下文当成变量固定住。
改写条数多的平台更难做吗？
不是更难，是覆盖要求更散。条数多意味着检索意图被拆细，品牌需要在多个细分表述里都有可被引用的内容；条数少则更依赖在宽泛结果里的排序位置。
这套方法能直接算出 AI 搜索可见度吗？
能算部分。候选状态与首推率可以直接量化，但被丢弃的检索结果看不到，所以可见度更适合表述为在可观测候选中的占比。
