用提示词抽样测量 AI 可见度

部分搜索平台会提供 AI 数据：Google 统计 AI 功能中的展示次数，Bing 统计引用次数，参见 Search Console 中的 AI 概览与 AI 模式数据 和 Bing AI 表现报告（AI Performance）。豆包、DeepSeek、ChatGPT App 这类助手不公开任何数据。想知道自己有没有被提到，只能反复去问，然后计数。本条目讲怎样做，数字才有意义。

可见度是一个比例

同一个问题问同一个模型，每次给出的品牌都会变。所以「我们有没有被推荐」没有是或否的答案。能测量的是提到你的回答占全部回答的比例。只问几次估出来的比例，大部分是噪声。

基本统计学给出了下限：对 N 次独立提问测得的比例 p，标准误为 √(p(1−p)/N)。（这个计算是我们做的，不出自下面引用的来源。）

每个问题提问次数（N）	可见度 20% 时的标准误	50% 时	50% 时的 95% 区间
5	±18 个百分点	±22 个百分点	±44 个百分点
10	±13 个百分点	±16 个百分点	±31 个百分点
30	±7 个百分点	±9 个百分点	±18 个百分点
60	±5 个百分点	±6 个百分点	±13 个百分点
100	±4 个百分点	±5 个百分点	±10 个百分点

实际操作中，各次提问并不完全独立，比如同一账号、同一时段、检索结果有缓存。所以真实误差通常比上表更大。

2026-10 复测（DeepSeek API（deepseek-flash，默认采样参数，无联网搜索），中文）：与本结论一致。同一问题共 60 个回答。问 30 次时，提及率在 15%–85% 之间的品牌，波动为 ±8–9 个百分点（自助法标准差）。

秒针营销科学院 2025 年 9 月做了一项定量研究，覆盖 5 个品类、3 个模型（DeepSeek、豆包、元宝），共 2,025 次交互提问（每个品类一个典型问题，每个模型各问 135 次）。结论是：「样本量=30以上时，才能具备基本的稳定性」。

头部品牌（可见度超过 80%）比中部（50%）和长尾（20%）品牌更稳定。可见度低的非头部品牌，要保证结果稳定，需要更高的样本量，例如 N=60 甚至更高。

实践观察 · 观测于 2025-09 · 中国商务广告协会AI营销应用工作委员会 · 秒针营销科学院

该研究给出的 30 次时的波动（±6–8%）与上表的标准误接近。但 100 次时的 ±2% 小于抽样理论允许的范围（±4–5 个百分点），这一行要谨慎看待。报告没有说明波动是怎样计算的。

在用户实际提问的地方测

据腾讯新闻报道，合肥图灵象的普拉提行业白皮书把同一批问题同时用企业 API 和消费端 App 跑了一遍。结果如下：

豆包两边接近。通义千问 API 推荐率 78%，App 命中率 53%。DeepSeek 和元宝完全反向：「DeepSeek API 推荐率 69%，真机 APP 命中率只有 1%；元宝 API 推荐率 3%，真机 APP 命中率却高达 99%」。

实践观察 · 观测于 2026-08 · 腾讯新闻（报道合肥图灵象普拉提行业GEO白皮书）

API 与消费端 App 的模型、检索设置、系统提示词和地域处理都可能不同。所以 API 不能当作用户所见结果的廉价替代。要在客户使用的产品里测：用未登录状态或新账号，在客户所在的城市提问。如果为了规模也跑 API，两套数据要分开记。

品牌在一个平台上的可见度，很难推知它在另一个平台上的表现；被提到也不等于被第一个提到。

观测于 2025-06，已超过 9 个月。AI 搜索平台变化频繁，引用前请重新测试。

Xsignal（奇异因子）做了婴儿奶粉监测，平台为 DeepSeek、豆包、元宝、Kimi，时间为 2025 年 6 月 1 日至 26 日。「皇家美素佳儿在 DeepSeek（60.6%）与腾讯元宝（64.7%）中提及率均居首位」，但在豆包中仅排第 5，在 Kimi 中降至第 13。

在元宝上，爱他美的总提及率（38.44%）远低于皇家美素佳儿（60.55%）。爱他美的首位提及率却高得多（28.39% 对 5.78%）。报告没有披露提问数量和重复次数。

实践观察 · 观测于 2025-06 · Xsignal（奇异因子）

各平台要分开报告。除了记录品牌是否出现，还要记下它第一次被提到的位置。

问题要反映真实需求

同一研究中，「“产后修复找谁专业""腰不好能不能练”这类细分需求的 AI 命中率只有 34%，远低于泛品类词的 77%」。

实践观察 · 观测于 2026-08 · 腾讯新闻（报道合肥图灵象普拉提行业GEO白皮书）

包含品牌名的问题几乎总会返回你的品牌，这说明不了什么。新客户问的是品类问题，比如「附近哪家普拉提适合腰不好的人」。问题集要来自真实的客户提问，按意图分组，各组分开报告。品牌词问题仍然有用，可以检查 AI 对你的描述是否准确。

最简测量流程

1. 事先固定问题集，每轮之间保持不变，结果才能比较。必须改动时，记录版本。
2. 每次提问都记录环境：产品（App 或 API）、模型或模式、账号状态、地点、日期。
3. 每个问题在每种环境下每轮至少问 30 次。很少提到你的问题，次数要更多。
4. 报告比例时附上误差范围，例如「41% ± 9 个百分点，n = 30，豆包 App，上海，2026-10」。不要拿单张截图当结果。
5. 轮与轮之间有波动是正常的。 模型和检索一直在变，小于抽样误差的变化不算结果。声称在 AI 回答中「稳定第一」的，都值得怀疑。
6. 保留原始回答。 计数规则会变，你会需要重新计数。

第三方 GEO 工具会替你做这种抽样。它们和你一样，是从外部观察回答。没有任何工具能看到 Google 系统内部（说法核查：GEO 工具能看到你在 Google AI 内部的排名）。