找到好问法,是每个团队都会做的那一步。真正决定那个数字值不值得汇报的,是后面两件事:每类问法各放多少条,以及这份清单能不能几个月不动,让它跟自己可比。
这篇是 GEO prompt research 的后半程——那篇讲怎么把候选问法挖出来,这篇从「手里已经有几百条候选」开始讲怎么组盘。
要点
- 同一批品牌,带品牌词的 prompt 提及率中位数 95%,不带品牌词只有 7%。 把两组合成一个总分,这个分数主要反映的是你怎么选的题,不是你的市场位置。
- 配比是对总分影响最大的那个变量。 品牌词控制在 10–15% 并单独成组报告;非品牌 55–65%、竞品向 20–30% 是可用的切分。
- 冻结盘是「这个月能跟上个月比」的前提。 改写过的 prompt 在数据上是一条新 prompt,历史不接续。
- 单日数字基本是噪声。 同一条 prompt 隔一分钟重跑,引用源的变化幅度和隔一天几乎一样大。
- 单条 prompt 至少 7 次有效观测、滚动窗口 10–28 天,误差才小到可以据此行动。

品牌词测的根本不是同一件事
先看那个把大多数报表击穿的数字。在一份覆盖 3,989 个品牌、约 2,300 万条答案的跟踪样本里(截至 2026-10-15 的 30 天),品牌被提及率的中位数是:带品牌词的 prompt 95%,不带品牌词的 7%。同一份数据里,98% 的品牌在品牌词上得分更高。(这是 Searchable 的厂商自有数据,不可独立复核;但三个独立来源指向同一个方向,方向本身才是重点。)
把它当机械规律来读:往盘子里多放一条品牌词 prompt,平均分就会上升,而你的真实处境一点没变——你只是多加了一道本来就会答对的题。
Carlos Barraza 的公开算例把这件事算成了明账。设某品牌在品牌词问法上被提及 95%、在品类问法上被提及 10%,同一周内:
prompt 清单 | 报出来的「可见度」 |
|---|---|
10 条品牌词 + 10 条品类词 | 52.5% |
18 条品类词 + 2 条品牌词 | 19% |
20 条品类词(无品牌词) | 10% |
同一个品牌,同一周,同一批引擎。三个数字,唯一变的是清单。
所以品牌词当然该进盘——它是你唯一能看见「模型有没有把你说错、有没有跟别人搞混、有没有在复述某个投诉帖」的途径。但它测的是准确性与情感倾向,不是可见度。它必须单独成组、单独一条汇报线,永远不并进一个「AI 可见度」总分里。合成了的报告跟谁都不可比,包括你自己上个季度那份。
三类配比:盘子里到底放什么
公开的建议有两份,分歧比看起来小。

HubSpot 的建议大致是非品牌 50–60%、竞品向 20–30%、品牌词 10–20%。Conductor 给的是 75/25,品牌词上限四分之一。差异在记账方式:Conductor 把竞品向并进了非品牌那一桶。换算到同一口径,两家落在同一条规则上——品牌词不超过盘子的四分之一。
本文采用的切分是非品牌 55–65%、竞品向 20–30%、品牌词 10–15%。电商品牌可以把竞品向压到 20% 左右,把交易类意图补到非品牌那一侧——商品卡的竞争发生在品类与场景问法上,不在「A vs B」里。
三桶各自回答一个问题:
- 非品牌——陌生用户描述自己的问题时,你在不在答案里。这是增量战场。
- 竞品向——你已经进了候选集,会不会被当成可信选项。这一桶决定「X 的替代品」类答案。
- 品牌词——模型说你的那些事实对不对,语气是中性还是更糟。
六个维度,哪一行都不能空
配比对了,仍然可能整盘集中在一个意图、一类人群上。第二道判据是覆盖面:
- 主题簇。 起步 3–5 个优先主题,每簇 5–10 条;企业级 10–30 个主题。同一主题内把近义问法合并成 1–2 条代表句,不要用二十条同义改写把一个主题刷厚。
- 意图。 每类意图至少 1 条,推荐类与对比类应占非品牌那一半的多数。定义类给小份额——它几乎不带来商业结果。
- 人群与约束。 同一问法挂上预算、规模、地区、用途再各出一条。约束条件会直接改变答案里被点名的品牌集合,所以它是必须覆盖的变量,不是锦上添花。
- 市场与语言。 主力市场全覆盖,次级市场留一个缩小的子集。同一句话换种语言,引回来的来源完全不同,结论不能靠翻译复用。
- 引擎。 整盘在你监测的每个引擎上都跑,但基线按引擎分别设。跨引擎共用一个阈值不叫比较。
- 绑定资产。 每个意图簇指定一个「本来应该被引用」的页面。指不出来,说明那是内容缺口,不是监测项。
把核心盘冻起来
一边测一边改的盘子,什么都说明不了。纪律是把盘子一分为二:
阶段 | prompt 总量 | 主题数 | 冻结盘 / 探索盘 | 改动规则 |
|---|---|---|---|---|
起步(0–1 个月) | 25–50 | 3–5 | 100% 冻结 | 只收数据,什么都不改 |
成长(2–6 个月) | 150–300 | 5–12 | 70 / 30 | 季度改动 ≤20%,分批带日期加入 |
企业 / 多市场 | 500+ | 10–30 | 70 / 30 分市场 | 各市场独立冻结盘,禁止跨市场合并报表 |
三条规则让它跑起来:
- 冻结盘一个季度一个字都不改——包括标点。改写过的 prompt 在数据上就是一条新 prompt,历史不接续,图表上要断点标注。
- 探索盘承接试错。 新问法、新细分、新市场先放这里,连续两个月证明有量也有意图,再升进冻结盘。
- 三个月没触发过任何决策的,退役。 那时候它已经不是在监测,是在产生噪声。
写法上还有一条:AI 搜索的提问平均 70–80 词,而 Google 搜索是 3–4 词。整盘都是三词短语,你测的就不是你关心的那场对话。写完整的问句,把约束条件写进句子里,一句一个意图;也不要把「哪个更便宜?」这种裸跟进句单独放进去——脱离上下文它什么都测不出来。
一个数字要跑多少次才算数
这是整件事里唯一有严谨公开研究支撑的部分,也是最常被跳过的部分。
圣加仑大学的一项研究连续 45–46 天每天跑同一批 prompt,同时另做一件事:在同一天内对同一条 prompt 重跑最多十次。后面这个设计才是关键——它把模型自身的随机性,从答案的真实变化里剥离了出来。

结论很不客气。连续两日之间,引用源重叠率是 0.34–0.42(Jaccard),也就是约 65% 的引用源每天在换。但同一天内重跑给出的是 0.32–0.43,统计上分不开。日报表上大部分被当成「变化」的东西,是模型在重新抽样,不是你的位置在动。
由此得出四条操作规则:
- 单条 prompt 至少 7 次有效观测。 自助法收敛分析显示,品牌被提及率的标准误在 n=7 时降到 0.10 以下(95% CI ±0.158),n=8 时降到 0.08 以下;若关心引用源覆盖,需要 n≥8。
- 按 10–28 天滚动窗口汇报。 标准误在 d=10 天降到 0.10 以下,d=24 天降到 0.05 以下。如果每条 prompt 每个引擎每天只跑一次,滚动窗口就是你的样本——单日数字只能当告警,一周的窗口在品牌级别上仍然偏噪。
- 品牌级做 KPI,URL 级做诊断。 品牌集重叠(0.45–0.59)明显比引用源(0.34–0.42)稳。盯单个 URL 的涨跌基本是在读噪声,它适合做归因,不适合做汇报指标。
- 基线按引擎分别设。 引用集中度(Gini)平均 0.715,但在被测引擎之间从 0.671 到 0.782。少数域名吃掉大部分引用的引擎里,20% 的可见度比在更分散的引擎上难得多。
该研究测的是 ChatGPT、Gemini、Google AI Mode 与 Perplexity,瑞士德语市场,2026-01-24 至 2026-03-25。GEOly 自己的监测覆盖 ChatGPT、Google AI Mode、Google AI Overviews 与 Gemini;引擎名单不同,但上面那些统计特性来自这类系统的抽样方式,不取决于具体挑了哪四个。
还有一个值得一并带走的发现:该研究中 ChatGPT 有 57.8% 的运行完全不带引用,因为定义类问题不触发检索。「没有引用」和「没被提及」是两种结果,报表里要分两列。
两个会悄悄挪动数字的口径错误
- 不要对日比率做简单平均。 每天的记录数不同,日比率本身已经是加权过的。要么读合计行,要么按记录数重新加权;直接取平均,等于让小日子和大日子投一样的票。
- 缺失的那一天不是 0。 它表示当天没采集,不是当天没人提到你。按 0 计入会把窗口均值压低,凭空造出一段下滑。
数字出门时必须带上的三样东西
任何一个要发给团队之外的 AI 可见度数字,都得带上这三项,否则它跟任何东西都不可比:
- 盘子构成——非品牌 / 竞品向 / 品牌词各多少条,以及本期是否改过盘。
- 分组得分——非品牌可见度与品牌词准确性分开列,不合成总分。
- 口径——引擎、市场、滚动窗口长度、单条 prompt 的有效观测次数。
测量侧的精确定义(公式与分母)见 AI 可见度指标,哪些域名真的在被当作信源见 Cited。本文背后那套完整的八阶段方法——来源采集、fan-out 压力测试、商业价值打分,以及回流到新细分的闭环——写在 Prompt Research Loop。
常见问题
起步要多少条 prompt? 25–50 条,覆盖 3–5 个主题,第一个月全量冻结。第一个月的目标不是拿结论,是把窗口长度攒够,让第一次比较成立。
品牌词到底要不要跟? 要。它是你唯一能发现模型把你说错、说负面的途径。只是必须单独成组报告——出问题的做法是把它并进一个总分里。
为什么这周不能跟上周比? 如果盘子没改、而且你比的是滚动窗口而不是单日,那就能比。如果期间增删或改写过 prompt,两个数字测的就不是同一件事,图表上要断点。
竞品的分数突然涨了怎么办? 先查他们的盘子暴露面,再查内容。在同一个盘子、同一套口径下跑出来的对比是公平的;跨两个工具、两份不同的 prompt 清单,那个对比不成立。
这些规则按引擎算还是合起来算? 基线按引擎分别设。引用集中度与引用频率在不同引擎之间差异足够大,对你监测的那几个引擎套同一个阈值,会产生假的对比结论。
本文由 GEOly AI 撰写。更多 GEO 与 AI Visibility 内容;如果候选清单还没建起来,先看 GEO prompt research。
来源。 品牌词 vs 非品牌提及率:Searchable 跟踪数据,3,989 个品牌、约 2,300 万条答案,截至 2026-10-15 的 30 天(厂商数据,不可独立复核)。配比建议:HubSpot《Which AI prompts should you track?》、Conductor Academy《AI Prompt Tracking》。配比算例:Carlos Barraza《Your AI Visibility Score Is Only as Good as Your Prompt List》(示意数值)。测量稳定性:Schulte, Bleeker & Kaufmann《Don't Measure Once: Measuring Visibility in AI Search (GEO)》,arXiv:2604.07585,2026-04-10。提问长度:SimilarWeb,经 iPullRank 引述。

