平台能力

测量 → 归因 → 生产 → 发布 → 监控 → 审计

六个模块串成一条闭环,任何一个环节断掉,效果都无法证明。

真实引擎测量

在 DeepSeek、Perplexity 等真实 AI 引擎上按同一组问题重复采样,得到提及率、引用率与平均名次。

  • 每次采样记录引擎、问题、样本数、置信区间
  • 没配置引擎凭据时明确显示「未测量」,不填假数据
  • 两次测量之间可比,阈值与口径固定

可归因的优化

用 AIPW 双重稳健估计回答「哪一类改动真的有用」,而不是凭经验说「多发文章就好了」。

  • 因子级效应估计,带置信区间
  • 样本不足时明确标注「待更多数据」
  • 全局先验 + 分层校准,冷启动也有合理起点

内容生成与三道闸

AI 可以写,但不允许编。数字必须能指向事实源,冲突的句子会被拦下。

  • claim 级 NLI 逐句核对事实源
  • 每个数字绑定来源,缺来源直接拒绝
  • 合规与品牌禁语检查

多平台发布

一条内容按各平台规则适配成成品,复制即可发布,发完回填链接。

  • 8 个渠道的能力矩阵(字数、外链、API)
  • 内部溯源标记不会泄露到公网
  • 回测引用,沉淀「哪个平台更容易被引用」

多商户运营

一个代运营团队同时管多个客户,按商户分配运营人员,权限隔离到商户级。

  • 超管看全部商户,运营只看被分配的
  • 商户级阻塞点提示:缺认证、缺事实源、未采样
  • 全链路审计日志

全过程可审计

每一次测量、生成、发布都留痕,客户可以逐条追问「这句结论哪来的」。

  • 模型、提示词版本、耗时、样本量入库
  • 状态机约束:没链接不能标「已发布」
  • 数据不出租户边界,跨客户只用聚合先验
指标口径

报告里的每个数字,都有定义

客户最常问「这个百分比怎么算的」,下面是口径说明。

指标定义怎么算
提及率
Mention Rate
在同一组问题上,AI 答案中出现你品牌名的比例样本数 × 重复采样,给出置信区间
引用率
Citation Rate
AI 答案把某个来源列为出处,且该来源是你的页面的比例按域名/URL 匹配,区分自有页面与第三方页面
平均名次
Avg. Position
你被提及时,在答案所列品牌中的平均排序位置只统计被提及的样本,未提及不计入
首推率
Top-1 Rate
你被排在第一位(或被单独推荐)的比例由人工标注 + 规则匹配,样本小时会标注
声量与情绪
Share of Voice
你与竞品在同一问题下的提及次数占比,以及正负向描述情绪判定为辅助指标,样本不足时不给出结论
行业场景

不同行业的问题长什么样

以下按行业说明问题的典型形态与我们的处理方式,不包含具体客户名称与效果数据。

B2B 软件 / 系统集成

客户在 AI 里问「XX 地区有哪些做仓储系统的公司」,答案里只有几家全国厂商,本地服务商完全没出现。

我们怎么做

  • 把采购方真实会问的说法整理成查询簇(含地域、行业、预算、对比类)
  • 在真实引擎上测基线,区分「完全没提及」和「提到了但说错」
  • 补齐可被引用的内容:官网结构化数据、行业问答、可核查的案例说明
  • 按月复测,观察提及率与引用率变化

地域词与本地化案例往往是最容易被忽略、也最容易见效的部分。

制造业 / 供应链

AI 被问到「XX 材料的技术参数和替代方案」时,答案引用的是行业媒体的二手数据,厂商自己的技术说明没被采用。

我们怎么做

  • 把技术参数整理成可核查的事实源,明确出处
  • 把参数页改造成 AI 容易摘录的结构(定义前置、表格化、单位统一)
  • 在技术社区与行业媒体补充可引用的解释性内容
  • 监控参数类问题的引用来源变化

参数类问题比拼的不是文笔,而是「谁的数字更可核查」。

专业服务 / 咨询

客户问「这类合规问题怎么处理」,AI 给的是通用建议,没有指向本地可执行的服务方。

我们怎么做

  • 拆出高价值的决策型问题(怎么选、多少钱、有哪些坑)
  • 用问答结构生产可引用的内容,答案里给可执行的步骤
  • 在问答社区与公众号建立稳定的内容资产
  • 回测:AI 回答里是否出现了你的方案与名称

专业服务靠「答案质量」建立信任,AI 引用的是一个具体回答,而不是一句宣传语。

政务 / 事业单位

单位信息在 AI 里几乎查不到,或描述停留在几年前的旧闻上。

我们怎么做

  • 梳理政策、办事、公开信息类高频问题
  • 把可公开的信息整理成结构化、带出处的页面
  • 建立稳定的信息发布渠道
  • 定期复测,纠正过时描述

政务场景第一原则是准确:宁可少说,也不能让 AI 引用过时或错误的信息。