- 博客(38)
- 收藏
- 关注
RSS订阅原创 段落 · 块 · 句：三种可引用粒度的改造顺序
可引用段落是可独立取证的最小内容单元，需具备段落编号、判断句、适用条件、来源锚点、粒度带和版本号六要素，其中判断句与锚点为硬字段。段落按判断数量切分，粒度以40–200字为宜，过短或过长均需合并或拆解。锚点须含来源标识、题名、日期与定位符，确保可回查。五条判定规则（R1–R5）支持自动化脚本校验，实现从“人工抽查”到“构建失败”的转变。改造多结论段需依序补主语、条件、锚点并重跑校验，提升可追溯性。旧文按引用情况分批更新，确保内容可信、可取证。
2026-11-11 10:59:32
194
原创 可引用段落的结构化：段落粒度与来源锚点
可摘段是独立成段、能被检索系统整段摘取且不失真的最小内容单元。其核心要素为：一段一判断、自带主语与条件、判断后紧跟可回查的来源锚点（含标识、标题、日期）。通过结构化写作与脚本评分，可实现段落级可摘性判定，提升AI摘要准确性。
2026-11-10 10:23:45
212
原创 属地实体档案的结构化：把「在哪、做什么、能核什么」写成机器可读
属地实体档案是机器可读的结构化数据，包含法定全称、统一社会信用代码、注册地址、行政区划编码、业务范围、可核来源与更新时间七类字段。其中行政区划必须存六位编码，以实现省市区三级对齐与校验。通过编码校验与统一代码规则，可自动识别地址错位、代码错误等问题。同一数据同时支持AI引用与人工核验，确保信息一致。示例代码验证了字段合规性，提升数据可信度与可用性。
2026-11-09 08:59:34
123
原创 问法分层：把「哪家好」拆成可测量的四层
本文提出「问法分层」方法，将笼统问题拆解为品牌词、意图词、场景词、对比词四层，每层对应不同指标（提及、引用、来源、并列位置），并设定优先级规则与样本策略。通过自动归层代码实现一致性判定，避免因层错配导致的误判，提升用户意图测量的准确性与可复现性。
2026-11-08 11:43:45
146
原创 把 AI 回答里的信源抓出来：提取、清洗与分类
本文提出信源提取三步法：锚点识别（区分带协议链接、裸域、尾注）、清洗（去协议、追踪参数、冗余符号及子域归并）、分类（按域名后缀归入官网、媒体、问答、百科、B2B五类）。通过规则化判据实现结果可复现，支持明细留存与汇总回流，用于结构化检查。实跑示例显示，5条原始锚点经清洗去重后得4条，分类准确率达预期。强调需同时保留原文与清洗版，未分类占比应动态监控。
2026-11-06 09:15:43
208
原创 被 AI 引用的页面长什么样：一份结构自检清单
本文提出“结构自检”六项标准，确保页面在发布前具备被检索与引用的可摘录形态：单主标题、层级不跳级、含表格或清单、标注数据源与查询日、标明作者与更新时间、可抓取。缺一项即可能被查到却难被引用。通过可机器判定的脚本实测，验证了检查项的有效性，并建议将自检嵌入发布流程，每月抽查，以提升内容可引用性。
2026-11-05 08:58:03
123
原创 报表生成的幂等：同一批数据跑两遍不能变
报表幂等指同批数据、同版脚本跑两遍结果完全一致，核心在于确保输出可复现。实现需满足五要素：排序有唯一定序键、报表设去重主键、写入用替换或upsert（事务内）、时间与随机性参数化、通过哈希比对验证。缺一即导致结果漂移，影响审计与可信度。幂等不等于正确，但它是可靠性的基础。
2026-11-04 09:11:38
111
原创 一条回答要落多少字段，才够别人复算
本文提出AI回答入库的最小字段清单：12个字段，分定位、内容、来源、过程四组，其中8个必填。核心目标是确保他人仅凭记录即可独立复算，解决“谁说了什么、按哪版规则算”的关键问题。通过重数、换口径、抽样审计三类复算需求倒推字段设计，强调正文与哈希成对存储、来源状态单独标记、版本与尝试次数必录。配套校验机制实现缺字段拦截与内容篡改检测，最终以五步落地法保障数据可复现性。
2026-11-03 21:09:57
270
原创 多平台并发采集的连接池与重试预算
连接池与重试预算需协同设计：池参数（总连接数、每主机上限、空闲回收）决定资源上限，重试预算按成功请求数比例发放，限制重试放大倍数。每主机上限必须小于总连接数，防止单平台占满池；重试不重置截止时间，避免无限延长；通过模拟验证，预算可将流量放大系数稳定在1.034，代价是部分失败请求归档而非重试。结合四类可观测指标校准配置，确保系统稳定。
2026-11-02 08:40:28
138
原创 回答文本的实体抽取：规则、词典与误报控制
本文提出实体抽取的三层协同框架：结构规则（分形态与上下文）界定候选，词典（规范名、别名、停用词）实现多写法归一，误报控制通过三道闸（预过滤、后校验、抽样复核）逐级收敛。强调规则优先级裁剪、冲突可追溯、误收与漏收双口径评估，确保结果可复核、误报可控。最小实现验证了流程可行性，落地按五步走，应对规则冲突、词典扩充、人工抽样等核心追问，适用于中文机构名抽取，不涉及跨语言或历史对齐。
2026-11-01 12:57:30
124
原创 用 Pydantic 校验采集结果：字段、范围与异常
本文提出一套最小化采集结果校验方案：三层校验、五必填两可选字段，约束显式定义于模型而非注释；异常分四类（校验失败、超时、限流、空返回），对应不同处置策略；通过fail-fast机制在入库前完成验证与分流，失败记录隔离可回放。代码示例基于Pydantic实现，覆盖类型、范围、时区等关键约束，强调校验层的价值在于分类而非拦截数量，最终保障数据落库前的形态一致性与可追溯性。
2026-10-31 09:27:19
3
原创 把「AI 是否提到我」写成可回归的断言：一套 pytest 结构
本文提出“断言化回归”框架，通过纯函数抽取回答的提及、链接、位置、共现四类字段，构建可复用的自动化验证体系。四类断言独立判定，按成本排序执行，支持参数化用例与失败样本归档，实现从“感觉变少”到“可量化结论”的转变。实测52条记录验证结构可行，强调断言不随模型版本变动，仅聚焦客观可复核指标，适用于低样本场景下的异常发现与持续监测。
2026-10-30 08:44:33
21
原创 从 45 条回答里抽机构名：正则、别名与误报
本文提出一套三层叠加的机构名抽取流程：基于关键词表、后缀词典与上下文窗口实现高召回候选生成，通过别名表映射实体编号，最终由人工复核剔除同名不同业、平台名混入、泛指词与地名四类误报。强调机器仅负责候选排序，结论必须人工确认，确保可复核性与准确性，适用于固定问法下机构识别任务，不涉及推荐评价或跨样本外推。
2026-10-29 11:57:42
168
原创 AI 回答里的链接是怎么来的：从被引到可点击的三层
本文揭示“被引用”与“可点击”本质不同：前者仅指名字出现，后者需真实跳转链接。基于120条原始回答复核，三类形态（提及、给址、可点）分母各异，混用导致数据虚高3-4倍。强调必须区分来源（语料、检索、结构化）、明确查询日与判定规则，保留原始回答与分母说明，确保可复算。核心结论：引用率须明示口径，否则误导决策。
2026-10-28 14:41:47
100
原创 用一张字段表复核 AI 引用案例：去重、分母与复算脚本
一条引用记录不可复算，因其缺失采集时刻、样本总量与原始正文，无法在相同条件下重现。为实现可复算，需采用六列结构化字段（问题原文、平台、采集时刻、批次号、回答正文、链接），并以“问题+正文”哈希去重，确保分母准确。复算脚本按批次筛选、联合去重、平台聚合三步执行，结果通过差异比对校验。关键在于先定分母再算比例，避免口径混淆。字段统一是减少争议的核心，但数据可信不等于策略有效，复算仅是验收前提。
2026-10-27 09:51:14
105
原创 把 GEO 监测口径做成可复算的工程件：四条护栏、九列数据与一段对账脚本
同一份数据因“分母定义”差异导致结果偏差，暴露了口径模糊的隐患。通过建立“口径卡”，将判定标准（如分母单位、去重规则、样本下限）固化为可复核的条款，并辅以版本控制、固定复测集、地址折叠六步法及九列结构化导出，实现结果可验证、可追溯。脚本仅用标准库，逻辑清晰可读，确保数据一致性与可复现性，杜绝“靠猜”的判断盲区。
2026-10-26 08:56:23
200
原创 AI 可见度监测：URL 归一化这一步没做对，后面所有统计都是错的
本文揭示了信源统计中因未归一化URL导致的三大错误：页面数虚高、集中度误判、跨期对比失真。通过四步归一化（解析、主机规范化、路径清理、查询参数处理），将同一页面的多种写法收敛为唯一键，确保统计口径准确。文章强调需区分域名、页面、回答三类去重粒度，不可互换，并提出建立可复算的“口径卡”与工程实践建议，保障数据可追溯、可验证。
2026-10-24 14:41:42
330
原创 怎么自己监测品牌在 AI 搜索里的位次：一套可复现的采样方法
想自测品牌在AI搜索中的位次，只需固定三要素：不变更的问法集、明确的平台与采样时刻清单、写死的去重键。每条回答一行记录，位次从记录中计算，确保“本月比上月靠前”可复核。通过八字段记录表（含问法ID、平台、时刻、回答指纹等）实现可追溯、可重复的采样。关键在于按“问法×平台×时刻”去重，区分提及与链接，避免追问污染与平台改版干扰。五步落地，一周完成首轮，数据指纹验证一致性。结论：位次变化只在变量固定下有意义，非因果推断。
2026-10-22 12:40:12
153
原创 GEO 优化公司哪家可靠：看这五个可核验点
GEO（生成式引擎优化）核心在于让AI可读、愿引，关键看信息是否可核验。判断服务商靠谱与否，应聚焦五项可验证标准：口径清晰（含查询日、样本量、分母定义与局限）、不承诺结果、监测过程可复现、交付清单明确、数据能回溯原始记录。通过检查表逐项核验，避免被PPT迷惑。真正可靠的服务商敢于公开边界、接受抽检。三步实操：要口径文档、现场抽检三条引用、比对交付清单。最终判断标准是“敢不敢被查”。
2026-10-21 08:24:23
179
原创 同一批引用记录，4 种去重口径算出 4 个答案
2026年10月18日，同一份AI可见度监测数据按四种去重口径得出四组互不等价的数值：8970条记录、815条带链接回答、273个网页、140个域名。四者分母不同，量纲各异，不可换算。文章强调“先定分母、再定去重键、最后算比例”的严谨顺序，通过校验脚本验证层级关系，并提出标注规范与复核清单，杜绝口径混淆。核心结论：数字必须附带口径、查询日与规则版本，否则无法复现或比较。
2026-10-20 08:31:40
120
原创 给品牌做一次 AI 可见度基线：问法怎么写、样本取多少、多久复测一次
构建AI可见度基线仅需三要素：分组问法（品牌词、意图词、固定目标）、265条样本量（±5%误差）、T+7与T+30复测周期。问法须严格分组，避免混算；样本数不足20条不作推断，用Wilson区间确保精度；复测按同一问法原文执行，分别观察方向变化与结构演变。代码可直接运行，保障数据可复现、可对比。
2026-10-18 10:15:34
73
原创 大模型应用里的“引用可信度“怎么验：一套 30 行脚本能自己跑一遍
本文提出一套可复核的AI输出可信度检验方法：通过定义“样本数、提及数、带链接数”三个可测量指标，结合30行纯标准库脚本，实现对大模型回答来源真实性的自动化核查。核心原则是：可信度取决于第三方能否独立复现结果，而非模型自我描述。文中强调六个口径约定，避免常见误判，提供真实输出示例与加固动作，最终目标是将“感觉有依据”转化为“能数出来”的客观证据，适用于团队自查内容可靠性。
2026-10-17 21:47:53
180
原创 GEO 和传统 SEO 有什么区别：我把 8338 条 AI 引用记录拆开看了一遍
结论： GEO 与传统 SEO 的本质区别不在于平台切换，而在于三大核心差异——优化对象从网页变为回答、成败判据从排名变为引用、可核查抓手从关键词密度变为信源本身。 依据： 基于自建监测库（项目56，截至2026-10-15）的8338条AI回答记录显示：793条含链接，覆盖272个网页、139个域名，其中前10个域名占56.6%引用量，仅9个URL被两个以上AI平台共同引用。数据表明，GEO胜负关键不在“被提及”，而在“被可信引用”；且需分口径统计（提及 vs 链接），合并易误导。
2026-10-16 11:56:30
248
原创 AI 可见度监测里的三类静默失败：不报错，但数据已经错了
本文揭示了“静默失败”三类典型形态：空向量入库、恒为0指标、正文假标签，均在系统无异常提示下导致数据不可用。作者基于自建监测库112条记录，提出三类判据与解决方案：入库层强制校验向量非空与维度一致；指标层区分“不适用”与“未命中”；发布前机器检测并清除文本残留标签。核心主张是：关键不变量必须通过代码级约束（如数据库检查、枚举返回值、正则扫描）固化，杜绝依赖人为记忆。
2026-10-15 16:15:41
247
原创 把「AI 可见度」做成一列可复算的指标：口径、归一化与版本号
本文系统定义并实证“AI可见度”指标，强调其分子（我方实体出现）、分母（可用回答数）、去重规则与归一化标准必须明确定义、可复现。通过自建监测库（2026-10-12，7704条记录），提出以代码实现的URL归一化流程，确保跨时间、跨平台数据可比。引入口径指纹与版本号机制，防止因规则变更导致误判。核心主张：所有指标必须附带完整采样条件与可验证脚本，否则无法真正“复算”。
2026-10-12 10:54:00
321
原创 生成内容入库前，该配哪五道机器判据
本文提出在AI内容入库前设置五道机器可判的校验关卡，针对全文重复、近似稿、无源数字、标签残留与口径字段缺失五类脏数据。通过规范化哈希防重复、内容指纹比对防近似稿、数字溯源核验、白名单过滤标签残留、强制补全查询口径等机制，确保数据可复现、可验证。所有判据均基于可执行规则，不依赖主观判断，保障内容库的可信性与可追溯性。
2026-10-11 13:34:17
65
原创 AI 品牌监测系统的最小可用版：采样、入库、指标、告警四段怎么跑通
AI品牌监测最易失败的是盲目追求大而全平台，而非先跑通最小闭环。正确姿势是拆解为采样、入库、指标、告警四段，每段独立可复现、可验证。采样定键防重复，入库保原始数据不改写，指标分母独立避免口径混淆，告警须满足控制组通过、样本量达标、连续确认三条件才触发。全程不搞多租户、大屏、自动出稿，只求每个数字可追溯。
2026-10-10 21:07:36
230
原创 AI 引用链接的时序快照与失效检测
本文强调「AI 引用数」必须附带时间戳才具意义，否则无法追溯变化原因。作者提出以不可改写的快照机制，记录原始载荷、抽取时点、地址原文与可达状态四要素，确保数据可追溯。通过分清失效类型、设置控制组防误判，记录换向的落地地址而非原始地址，并区分查询与入库时点，避免迟到数据回改历史。快照版本化管理，支持口径复算、数据核对与比例验证，但明确其局限：仅反映链接时序状态，不衡量内容价值或用户兴趣。
2026-10-09 15:19:27
62
原创 AI 内容生成：从生成到可发布要过哪几关
本文从工程视角拆解AI内容生成的六道校验关卡：生成约束、合规词、数字口径、同质化、形态标签与版本时效，每关明确判据与可复现的自查脚本。强调“机器通过≠内容优质”，核心在于统一口径、可追溯、可自动化验证。所有数据标注样本量、查询日与口径，倡导以脚本替代人工记忆，确保交付物在形式与事实上的准确一致。
2026-10-08 10:44:26
72
原创 互联网公司做 GEO：一套可复现的工具链
本文介绍一套可复现的GEO（生成式引擎优化）工具链，分为采集、口径、抽取、覆盖度、复测五层。核心在于：固定问法清单、完整记录五字段（平台、问法、时间、回答原文、链接）、分组统计不合并、去重规则明确、覆盖率配明分母。截至2026年10月5日，累计抓取5836条，615条带链接，覆盖267个去重网页、138个域名。强调“分母决定结论”，避免口径混淆、字段误读、跨组运算等六大陷阱，确保数据可追溯、可验证，真正实现从“被收录”到“被引用”的可信监测。
2026-10-05 13:15:00
183
原创 用一张表监测品牌在 AI 回答里的曝光与引用：问法、字段与去重口径
本文提出通过结构化表格与清晰口径，将品牌在AI回答中的“可见度”转化为可复算的量化指标。核心是“一问法一平台一采集”一行制，记录品牌提及、链接给出、来源域名等七项关键字段，避免“提及”与“引用”混算。强调分母稳定、去重合理、三眼检查（查零、查分母、查措辞），并要求对外报告附五项口径：数据源、查询日、样本量、判定标准、局限说明。实践表明，零值比低比例更具洞察力，真实数字需经三眼筛查后方可解读。
2026-10-04 15:07:50
198
原创 自己搭一套 AI 可见度监测：抓取、去重、口径、复现四步
AI可见度监测通过“抓取、去重、口径、复现”四步构建可复现的量化体系。基于知寻GEO系统，截至2026年10月3日，累计抓取5148条记录，经去重后得267个网页、138个域名，覆盖11个AI平台。关键在于：存原始回答原文以支持口径迭代；按链接、页面、域名三层去重并规范处理；分三类问法独立统计，比例必带分母；所有操作留痕，确保三个月后可复现。坚持真机提问、口径与数据共存、历史记录可回溯、对外动作人工把关，保障数字可信。强调“无分母不谈比例”，避免因分母差异导致结论失真。
2026-10-03 08:46:09
274
原创 AI 可见度怎么测：三类指标和自己能做的自检
AI 可见度是指一个品牌在生成式 AI 的回答里被提到、被引用链接、被跨平台重复承认的程度，用来回答「用户不点网页、直接看 AI 总结时，这个品牌还出不出现在答案里」。它和搜索引擎优化的区别在于，后者盯的是页面在结果列表里的位次，前者盯的是品牌在 AI 生成的整段回答里的存在感。被提及这一层，品牌词问法的样本是 1047 条，其中 294 条的回答里出现了品牌名，提及率 28.1%。做完你会得到一个链接占比。被提及测的是有没有被说出来，被引用测的是有没有被交出链接，被记住测的是会不会被多个平台同时引用。
2026-10-01 09:00:00
606
原创 一次 4377 条 AI 回答的分层统计：为什么“品牌词提及率“和“意图词提及率“不能相加
当 3360 条意图问法的提及是 0，而 1017 条品牌词的提及是 291，合并之后得到 6.6%，看起来"还过得去"。三是监测库是活库，上面的数字是 2026-09-30 的快照，之后查询会变，这属正常。被引只统计回答中给出 URL 的引用，只在正文提到网站名而未给链接的属另一口径，两组不相加。品牌词问法问的是"知寻 GEO 是什么"，意图词问法问的是"西安做 GEO 最好的公司"。品牌词问的是"你知不知道这家公司"，意图词问的是"该选谁"。前者的分母是认识，后者的分母是选择。它们回答的是两个问题。
2026-09-30 16:55:22
181
原创 把自家品牌当样本跑了 30 天：一套 AI 可见度监测的原始数据、口径与可复现步骤
这里要把 0 的含义说清楚，否则很容易被误读：这个 0 不等于「AI 不认识我们」——同一时段、同一批监测里，品牌词问法下我们被提到了 276 次，说明这个名字是能被识别到的。知名度解决的是「被认出来」，公开信源里的可引用内容解决的才是「被推荐」——这两件事的解法完全不同，我们这 30 天真正在盯的是后者。因为「被提到」有三个层次，混在一起就没法解释：品牌词被提到（别人直接搜你的名字时 AI 说到你）、意图词被提到（别人问品类问题时 AI 推荐到你）、被引用（AI 的回答里给出了指向你的链接）。
2026-09-29 09:24:11
107
原创 我抓了 3471 条 AI 回答：554 条带引用链接，去重后只剩 131 个网站
2026年9月24日，知寻智能监测系统显示，3471条中文AI问答中，554条含可点击引用链接，覆盖258个网页、131个独立域名。前10个域名占引用次数53.8%，前30个占72.0%，信源高度集中。不同平台引源差异显著，知乎直答自引重，DeepSeek更分散。跨平台交叉引用极少，仅2个网页和13个域名被≥2个平台引用。数据基于真实提问抓取，口径明确可复现，强调“带链接”与“提及名称”区分，不承诺内容发布即被引用。
2026-09-24 18:00:19
190
原创 从零搭一套 AI 可见度监测：我是怎么用 4196 次实测定位品牌“引用缺口“的
本文提出一套评估品牌在AI搜索中“可见度”的实操方法：摒弃传统排名思维，聚焦“是否被提及”。核心步骤为：设计“地域+行业+意图”组合的真实问法（如“西安刑事辩护律师推荐哪个好”），避免使用品牌名；通过真机提问采集多平台数据，建立包含完整回答、提及状态与引用来源的数据库；按问法分层计算提及率，结合样本量纪律进行解读；最终通过对比竞品与空白问法，定位内容缺口，指导内容优化。关键洞察：AI不“推荐品牌”，而是回答问题，内容需精准匹配用户真实问法。
2026-09-21 17:58:24
222
原创 怎么做“白帽 GEO“：一套能被检验的机制该长什么样
问"个人律师和大律所的区别"，这是知识型问题，AI 去讲道理了，跟"某个具体律师是谁"没关系。这个设计的价值不是"显得专业"，而是把内容从"不可验证的宣称"变成"可追溯的产物"。结果就是：服务商说"你的内容质量不行"，客户无法追问"哪一项不行、为什么不行"。为什么把这条算进白帽：黑帽的整个逻辑建立在"让人不知道这是广告"上 —— 报道里那位服务商的原话就是"人家不知道这是广告"。它做了一件事：首次划出"白帽 GEO"与"黑帽 GEO"的界限，并明确禁止"语料投毒"“答案霸权”“伪共识制造"等行为。
2026-09-21 17:56:30
267
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人