怎么做的
七步流水线。核心原则:先有测量,再有优化;没有测量就没有优化,只有投放。
机会诊断
把客户真正会问的说法整理成查询簇,算清楚每个问题的需求量、业务价值、当前可见性与可优化性。
需求量 × 业务价值 × (1 − 当前可见性) × 可优化性,得到机会分;只有进入前 30% 的问题才会进执行队列,避免把预算摊在没人问的问题上。
产出物 · 查询簇清单 + 机会分排序 + 入队/排除理由内容因子拆解
把「一篇好内容」拆成 8 个可干预因子,避免靠感觉判断什么样的文章更容易被引用。
补可信统计、加可核查引文、专家引语、问答结构、定义前置、对比表格、时效更新、语义覆盖——每个因子都有明确的判定规则。
产出物 · 因子清单 + 每条内容的因子覆盖度效果归因
用双重稳健估计(AIPW)判断「到底哪个因子带来了提及率提升」,而不是发完就归功于自己。
不同查询、不同引擎本身的差异很大,直接比前后是错的。我们用倾向得分加权 + 结果回归的 AIPW 估计,并叠加全局先验与按行业/规模的层次校准。
产出物 · 因子效应估计 + 置信区间 + 样本量提示预算与排期
在有限预算下决定「先做哪些、做多少」,用贝叶斯优化在探索与利用之间找平衡。
高斯过程代理模型对未尝试的组合做预测,UCB / EHVI / Pareto 多目标选点,异步流水线并行评估,产出可解释的投入建议。
产出物 · 预算分配建议 + Pareto 前沿 + 推荐点内容生产
AI 起草 + 人工口径,但每一条都必须过三道闸才允许落库。
闸一:claim 级 NLI,逐句与事实源比对,数字冲突直接拒绝;闸二:溯源绑定,每个数字必须能指到出处;闸三:合规与品牌禁语。过不了闸的内容不会被存进系统。
产出物 · 可发布草稿 + 逐句判定 + 拒绝原因发布与引用回采
按平台适配成可直接粘贴的成品,发出去后回填链接,再用真实引擎回测有没有被引用。
覆盖官网、知乎、微信公众号、百家号、今日头条、搜狐号、CSDN、掘金;每个平台的字数上限、外链规则、格式差异自动适配;发布后 7 天回测一次引用。
产出物 · 发布包 + 发布清单 + 引用命中记录漂移监控
AI 引擎会更新模型和检索策略,昨天的排名今天可能就变了。
用 z-score 与 CUSUM 监测提及率与引用率的异常波动,一旦发现持续下滑就告警,并触发重新测量与内容补齐。
产出物 · 异常告警 + 变化点定位 + 处置建议为什么先测量
没有基线的优化等于闭眼改稿。先知道「现在被提到多少次、哪些问题完全没出现」, 才能判断改动的效果,也才能向老板解释钱花在哪。
为什么必须可归因
不同查询、不同引擎的差异很大,直接比前后是错的。我们用双重稳健估计(AIPW) 区分「本身就好」和「改动带来的提升」。
