截至 11 月 15 日，豆包把抖音商城的二级入口放进“双 11 问豆包”页面已有一段时间，这个页面从预设问题变成了“根据你的喜好”的商品信息流。对做 AI 搜索可见度的团队来说，这是一次入口性质的变化：以前品牌在 AI 里争的是一句回答里有没有被提到，现在争的是回答下面那一屏商品位里排第几。提及率和推荐位次是两件事，混在一起记，结论一定偏。
从一句回答，到一屏商品位
这个页面的形态接近一个小型货架电商：顶部是优惠券领取，下方是商品和直播间推荐信息流，提示语是“根据你的喜好挑了这些”，上下滑动可以刷到更多商品，底部集合了购物车与查订单。往前一步看，它此前展示的是“按预算挑”“商品对比”等预设场景，仍以对话式 AI 为主。
对品牌来说，变化发生在可见度的层级上。过去 GEO 的观察对象是回答文本——品牌有没有被提到、被怎么描述、引用了哪个来源；现在多了一层商品位，回答下面直接排商品，排在第一屏和排在第三屏之后，曝光量级完全不同。这一层更接近传统货架，却由 AI 的推荐逻辑决定。
推荐位由什么决定，公开信息只给了一半
用户在豆包里的提问会被记住
实测发现，“根据你的喜好”推荐的商品，一部分来自豆包内的用户搜索，例如用户咨询过大量装修问题，商城就会推荐家具商品。这意味着问题库不再只是监测工具，它同时是推荐结果的输入源：用户在 AI 里问过什么，决定了他之后看到什么。
抖音的行为数据在背后排序
另一部分推荐来自抖音，与用户在抖音上的浏览、搜索和购买行为有关。这条链路对品牌是黑箱：数据在平台内部流转，品牌只能看到结果，看不到权重。能做的是把可观察的结果结构化，用同一套问题反复测，记录位置变化。
| 监测指标 | 口径 | 观察周期 |
|---|---|---|
| 提及率 | 问题库中被 AI 回答提到的比例 | 每周 |
| 推荐位次 | 商品位首屏出现顺序 | 每日 |
| 引用来源占比 | 回答引用的站点与页面类型 | 每周 |
| 竞品占位 | 同一问题下竞品出现次数 | 每周 |
| 描述偏差 | 参数与价格跟官方口径不一致处 | 每月 |
品牌该盯的五个指标
五个指标里，推荐位次最容易被误读。它是位置指标，不是份额指标：排第一不等于卖得最好，只等于在这一批问题下被优先展示。要判断真实份额，得把提及率、推荐位次和竞品占位放在同一张表里看。
描述偏差则是最容易被忽略的风险项。AI 回答里的参数、价格、适用人群一旦与官方口径不一致，用户会当成事实接受，而品牌往往在投诉出现后才知道。把偏差做成月度抽查项，比事后澄清便宜得多。
把问题库先建起来
问题要按购买决策阶段分层
问题库如果只收“什么牌子好”，测出来的是泛曝光；要判断生意影响，得覆盖认知、比较、下单三个阶段：一类是品类问题，二类是竞品对比，三类是具体型号与价格。三个阶段的回答结构不同，监测口径也要分开。
这套动作听起来笨，但它解决的是可复现性。AI 回答每次生成都可能不同，只有把账号、地区、时间固定住，位置变化才能归因到内容或推荐逻辑上，而不是随机波动。
常见问题
AI 回答里多出来的商品位，算曝光还是算转化？
算曝光，但比文本提及更靠近转化。文本提及只证明品牌被看见，商品位证明品牌进入了可选清单；真正的转化还要看点击与下单，这部分数据目前只有平台掌握。
推荐位次能优化吗，还是完全由平台决定？
公开信息只说明了推荐来自豆包内搜索与抖音行为数据，权重构成未披露。品牌能做的是让商品信息在标题、参数、评价上保持完整一致，减少被错误描述的概率，同时用问题库持续观察位置变化。
GEO 和传统 SEO 在这里的差别是什么？
SEO 争的是搜索结果页的链接排序，GEO 争的是 AI 回答里的表述与引用。落到豆包这个场景，还要多争一层商品位，它介于回答与货架之间，排序逻辑更接近推荐系统而不是检索。
多平台监测要不要用同一套问题？
核心问题可以共用，但每个平台的回答结构不同，追问入口、商品位形态也不一样。建议核心问题共用、追问方式按平台定制，否则跨平台对比会失真。
