大多数人看 AI 回答里的品牌排位，只有一个模糊印象：好像出现过，又好像没出现过。11 月 13 日之前，这种印象进不了报表——直到一套把位置权重和平台权重写死的份额口径被公开：首推记 3.0，前三内非首推记 2.0，前五内记 1.5，其余提及记 1.0，再乘平台权重（豆包 0.24、DeepSeek 0.17、通义千问 0.12），得出 0 到 100% 之间的份额值。对做 GEO 的人来说，被固定下来的不是分数，而是三件事：谁替我算、按什么算、算错了怎么改。这三件事决定了这份数据能不能进客户的季度复盘。
三个权重，把「排位」变成可算的数
这套口径的起点不是技术，是分母。常见做法是数「提到几次」，把一段回答里出现过品牌名的次数加起来，再除以总回答数，得到一个提及率。问题在于，首位推荐和第十条顺带提及在同一个分母下等价，而客户的采购决策不是这样发生的。加权求和改的正是这一层：把位置差异写进系数，再按平台活跃度归一化，最后输出份额而不是次数。
公开披露的口径里，位置分四档：首推 3.0、前三内非首推 2.0、前五内 1.5、其余提及 1.0；平台权重按各平台月活归一化，白皮书给出的 2026 年四季度口径是豆包 0.24、DeepSeek 0.17、通义千问 0.12（白皮书公开的权重口径）。这些数字本身会变，重要的是它们被写下来了：写下来的系数可以被质疑，没写下来的系数只能被相信。
| 位置档位 | 权重 | 对份额的影响 |
|---|---|---|
| 首推 | 3.0 | 一次首推相当于三次普通提及 |
| 前三内非首推 | 2.0 | 进入候选名单但未排首位 |
| 前五内 | 1.5 | 进入比较范围，尚未进入推荐 |
| 其余提及 | 1.0 | 仅被点名，不构成推荐 |
为什么问题集比权重更难定
权重是算术，问题集是取样。同一套权重，换一批问题，份额可以整体平移十几个点。公开口径把问题集限定在每个行业 300 至 500 条真实提问，来源包括搜索引擎的「大家还在问」、脱敏后的客服与销售咨询记录、社媒高频问答，并按认知、比较、决策三个阶段分层，问题集全量公示。这一步看起来最不技术，实际上决定了后面所有数字的含义。
平台权重为什么必须按季改
把不同 AI 平台的回答直接相加，等于假设用户均匀分布在各个平台上。真实分布不是这样，而且一个季度就能变一次。按公开月活归一化、每季度更新权重，是一种承认现实的做法：份额是相对同行的相对值，分母换了，绝对值就该跟着换，否则跨季度对比就是假的。
这套安排还有一个副作用，对做监测的人是好事：权重公开、挂钩月活，客户可以自己复算。一家品牌方拿到报告后，至少能核一件事——分数变了，是自己在回答里的位置变了，还是平台权重变了。多数争议其实出在后者。
竞品对比要落在同一批问题上
竞品分析最容易出的错，是拿自己的核心问题去比别人的边缘问题。同一批问题、同一批平台、同一时间段，才构成可比。公开口径要求问题集冻结后不得中途增删，扫描须使用无登录态的干净会话，避免个性化推荐干扰，每次扫描保存回答原文快照与引用来源——这几条约束看似琐碎，缺一条，竞品对比就变成了叙事。
复测与勘误：把「可验」写进交付
单一时间点的快照说明不了因果。生成式回答每次都可能不同，同一问题在不同会话里给出的推荐名单会有出入，所以份额必须带样本量与统计区间。公开口径的做法是每季度抽 10% 问题集做独立双盲复测，误差超过 5 个百分点即发布勘误公告；发布的数据生成 SHA-256 摘要并申请可信时间戳，让「什么时候算出来的」变成可核验的事实（复测与勘误机制）。
另一家做 AI 搜索监测的工作台把记录拆得更细：品牌提及、官网引用、人工判断的推荐分别记录，推荐率以人工审核过的回答为基础，相同条件下重复采样并同时展示样本数量和统计区间；检测记录与当时的商品资料版本关联，资料改动后历史记录仍可用于复测比较（监测工作台的记录方式）。这套拆法的价值在于承认边界：产品无法决定外部平台是否抓取、引用或推荐某个品牌，前后变化也不能单独证明某次内容修改产生了效果。
一份能落地的自检清单
如果要把这套口径用到自己的品牌上，先别急着看分数。把下面五步按顺序走一遍，能省掉后面很多解释成本：问题集先冻结，平台权重先写下来，扫描用干净会话，每次保存回答原文与引用来源，复测时只比自己算得出的那部分。
分数之外还有一层结构性信息值得看：同一批问题里，被引用的是官网、行业媒体还是第三方测评站。引用来源的结构决定了优化动作该往哪里放——改官网、投行业稿、还是补第三方测评，三种动作的成本和周期完全不同。
回到开头那三件事：谁替我算、按什么算、算错了怎么改。一套可见度数据能不能用，不取决于它给出多少分，而取决于这三个问题有没有明确答案。答案写在白皮书里的，可以复算；只写在销售话术里的，只能复述。
常见问题
位置权重和提及率，哪个更能反映真实的可见度？
两者回答不同问题。提及率告诉你出现过几次，位置权重告诉你出现的位置值多少。做采购决策的人看的是前三位，所以按位置加权后的份额更接近「被选中」的概率；但如果只看份额而不看样本量和统计区间，结论同样站不住。
平台权重为什么要按季度更新？
因为用户在各平台的分布本身在变，而权重挂钩的是公开月活。权重不更新，跨季度对比就会把「平台结构变化」误读成「品牌表现变化」，这是复盘时最常见的错判来源。
单次扫描的结果能直接当作结论吗？
不能。生成式回答存在自然的运行间差异，同一问题在不同会话里的推荐名单会有出入。需要重复采样、给出样本量与统计区间，并对一部分问题做双盲复测，才能判断变化是否超出噪声。
引用来源的结构为什么值得单独看？
因为优化动作的成本取决于信源类型。改官网、投行业稿、补第三方测评，三种动作的周期和投入完全不同；不先看清引用结构，优化就容易打在不需要改的地方。
