11 月 9 日豆包的商品推荐还在按预设问题给，11 月 10 日再打开「双11问豆包」，页面已经变成优惠券加双列商品流，底部还带了购物车与订单入口。这个改动不只是加了一个货架，它把品牌在 AI 答案里争的东西，从「有没有被提到」变成了「有没有被排进推荐流」。对做可见度分析的人来说，监测对象要跟着扩一层；以 11 月 10 日的公开信息为界，这次改动还没有官方解释。
从答案到货架，入口多了一个层级
过去品牌要关心的是「答案里有没有我」，现在还要关心「推荐流里排第几」。这两件事的判断标准不同：答案看的是模型对信息的采信，推荐流看的是平台对偏好的排序。前者可以靠内容与信源改善，后者更多取决于平台规则。
更实际的变化是触点变多。一个用户在同一个入口里，先看到优惠券，再刷到商品流，点进直播间，最后下单。品牌在这些触点上的露出机会增加了，但每个触点的可控度不一样，混在一起统计就会失真。
入口分层怎么记
把入口拆成三层记录：答案层、推荐层、交易层。答案层记提及与引用，推荐层记位次与曝光，交易层记点击与成交。三层分开记，才能判断问题出在「答不上来」「排不上去」还是「点不进来」。
推荐位的判断标准不一样
| 层级 | 在页面上的位置 | 可见度指标 |
|---|---|---|
| 答案层 | 对话回答正文 | 提及率与引用来源 |
| 推荐层 | 商品信息流与直播间 | 曝光位次与占比 |
| 交易层 | 购物车与订单 | 点击率与转化 |
推荐层的指标更接近电商的曝光逻辑，而不是 AI 搜索的引用逻辑。它看的是排序权重、类目匹配与库存状态，跟内容写得好不好关系不大。品牌如果按做 GEO 的思路去争推荐位，很可能投入不少却看不到变化。
反过来，如果只盯推荐位，又会忽略答案层。用户在提问阶段形成的印象，决定了他会不会去刷商品流。两层的作用是接力，不是替代。
AI 搜索可见度与平台电商指标怎么并存
两套指标并存的办法是分层归因。答案层的指标用于判断品牌是否进入了讨论，推荐层与交易层的指标用于判断这份讨论有没有变成生意。归因时按层拆开，避免把所有变化都算到内容优化头上。
这里还有一个容易被忽略的风险：当推荐流由偏好驱动，头部品牌的曝光会进一步集中。偏好数据来自既有行为，既有行为又偏向头部，结果是新品牌更难被刷到。做品类分析时要把这个结构性偏差说出来，不能简单归因为「内容不行」。
把偏好在问题库里标出来
问题库除了按需求分层，还要标出「带偏好的问法」。比如「推荐一个适合小户型的空气炸锅」比「空气炸锅怎么选」更接近推荐流场景。两类问法要分别统计，因为它们在页面上的落点可能完全不同。
监测清单怎么调整
清单调整之后，最有价值的发现往往不是某个指标涨了，而是落点变了。同一批问题上个月只在答案里出现，这个月多了一个推荐位，说明平台把这类需求往交易端推了一步，品牌的投入结构也该跟着改。
入口还会继续长。今天是商品流，明天可能是比价、预约、售后。对品牌来说，值得沉淀的不是某个入口的操作技巧，而是那套「把入口分层、把指标分层」的方法。
常见问题
AI 答案里的推荐和电商推荐流是一回事吗？
不是。答案看模型对信息的采信，推荐流看平台对用户偏好的排序，两者的优化手段不同。
品牌要不要为推荐流单独做内容？
要，但重点是商品信息与库存状态，而不是长文。推荐流更依赖类目匹配与可得性。
怎么判断问题出在哪一层？
看落点。答案里没出现是信源问题，出现了但没进推荐流是排序问题，进了推荐流没点击是素材问题。
偏好驱动会让新品牌更难露头吗？
会。偏好来自既有行为，既有行为偏向头部，做品类分析时要把这个结构性偏差说明白。
