引用来源里有没有品牌名 推荐率差出七成

11 月 9 日的监测记录口径下，三个数字先摆出来：87.5%、15.5% 和 71.7%。前两个是同一类问题的两种结果——AI 回答的引用里有第三方页面明确写着品牌名时，推荐率 87.5%；没有这类页面时，推荐率 15.5%。第三个数字更刺眼：在 12064 次被推荐记录里，有 8654 次在引用标题里找不到任何带品牌名的页面。这份跨 8 个国产模型的 26 天记录说的不是内容质量，而是引用结构——品牌被推荐，很多时候和它自己的页面无关。

引用里有没有品牌名 差出 72 个百分点

分平台看，差距不是均匀分布的。DeepSeek 在没有带名页时推荐率只有 6.4%，是被推荐样本里最依赖引用的一家；文心一言几乎每条回答都带引用，但即便引到带名页，推荐率也只有 29.4%——引用条数多，带名页被混在一大堆页面里。Kimi 有 79.8% 的回答不带引用，讯飞星火高达 97.5%，它们推荐的产品多数和引用对不上。凤凰网商业汇总的监测口径还提供了另一层参照：豆包在目的地推荐类问题上对抖音内容的引用率达 97.7%、对今日头条达 84.5%，元宝对公众号内容的引用比例在 15% 到 20% 之间。

被推荐不等于被引用 两件事要分开测

做 AI 可见度监测最容易犯的错，是把「被提到」和「被引用」当成一个指标。前者是模型在答案里说出品牌名，后者是答案附带的来源里出现品牌相关页面。这两件事可以完全脱钩：71.7% 的推荐在引用里找不到带名页，说明大部分推荐来自模型已经知道的东西，而不是当场检索到的页面。

四个指标里，只有引用覆盖率能直接指导动作。提及率低可以靠投放短期拉起来，引用覆盖率低必须靠第三方页面上的品牌信息密度来改——这也是 汽车行业 GEO 实测给出的结论：GEO 表现与历史销量并不对等，与信源建设投入高度相关，一些年销百万级的传统品牌在 AI 答案里的存在感反而弱于年销数十万的新势力。

问题库怎么建 才测得出引用结构

测引用结构的前提是问题固定。同一批问题反复问，才能比较不同周之间的引用来源变化；每次换问题，得到的只是噪声。实操上，一个品类先固定 50 个买家问题，覆盖品牌词、品类词、场景词三类，每类各十几条，然后按周跑、按平台分列。

品牌词题与品类词题要分开算

品牌词题（提问里已经出现品牌名）天然容易命中带名页，品类词题与场景词题才是真正考验信源的地方。把三类混在一起算一个总分，会系统性高估可见度——这也是很多品牌自测「表现不错」、实际在非品牌提问里几乎消失的原因。

固定问题之后，还要固定记录字段：平台、问题、是否提及、提及位次、是否引用、引用域名、引用页是否含品牌名。六个字段缺一个，回溯时就会卡住。这套记录方式不需要工具也能开始，用表格先跑两周，就能看出自家品牌在哪类问题上根本没有进入候选集。

第三方带名页是能做的动作

既然含带名页时推荐率能从 15.5% 抬到 87.5%，那么「让第三方页面上出现品牌名」就成了最直接的动作。这里的关键词是第三方：自家官网与商品页当然带品牌名，但模型在非品牌提问里更依赖独立来源，包括垂类媒体、评测、问答社区与行业目录。

先修一致性 再谈数量

动作顺序不能反。同一个品牌在官网、电商详情页、点评页、公众号上的名称、主营范围、核心卖点如果说法不一，模型会把它们当成不同实体，带名页再多也拼不成一个。先把主体信息拉齐，再去扩来源，效率高得多。

至于数量，公开数据只给了方向，没给阈值。8 个产品、1 个品类、26 天的样本说明「引用里有多个带名页」与高推荐率相关，但相关不等于因果，也无法反推需要几篇。可用的做法是先按周扩、按周测，把引用覆盖率的移动方向当成唯一判据。以上判断以 11 月 9 日公开的监测记录为限，跨品类结论尚未验证。

常见问题

• 被 AI 推荐了，为什么引用里找不到我们的页面？

  多数推荐来自模型的既有知识，而不是当场检索。71.7% 的被推荐记录在引用标题里找不到带名页，说明推荐与引用是两条通路。

• 带名页要几篇才够？

  公开数据没有给阈值，只说明「引用里有第三方带名页」与高推荐率相关。可行做法是按周扩、按周测，用引用覆盖率的移动方向判断。

• 平台之间差异这么大，能用一个目标考核吗？

  不能。有的平台几乎每条都带引用却推荐率很低，有的平台极少带引用、一旦带名推荐率就很高，分平台设目标才有意义。

• 自家官网写了品牌名，算带名页吗？

  算，但非品牌提问下模型更依赖独立来源。官网解决的是主体一致性，第三方页面解决的是候选集覆盖，两者不能互相替代。

数据来源

• 引用里有 2 个第三方站点写着品牌名时推荐率 87.5%，没有时 15.5%
• 你的品牌为什么不被 AI 推荐？揭秘大模型采信背后的信源金字塔
• 从流量到信源：汽车行业 GEO 优化正在重构获客底层逻辑