一、核心交付与技术指标 (Key Performance Metrics)
| 评测指标 | 交付标准与实测值 |
|---|---|
| 监测提示词集规模 | 50 - 200 条/行业 |
| 采样引擎覆盖 | ChatGPT / Perplexity / Google AIO / Copilot |
| 采样频率 | 每周 2 次全量扫描 |
| 引用溯源粒度 | 可定位至具体 URL 与段落 |
| 基准对齐周期 | 上线后 4 - 6 周建立基线 |
二、监测维度与定义矩阵 (Monitoring Dimensions)
| 维度 | 定义 | 采集方式 |
|---|---|---|
| 提及率 (Mention Rate) | 品牌名在回答中出现的提示词占比 | 全量提示词跑批 |
| 首位率 (Top Position Rate) | 品牌作为首个推荐出现的占比 | 人工标注 + 脚本解析 |
| 引用率 (Citation Rate) | 回答携带指向官网链接的占比 | HTML 溯源解析 |
| 竞品份额 (Share of Voice) | 品牌提及数 / 该品类总提及数 | 竞品词表交叉比对 |
| 情感倾向 (Sentiment) | 提及语境的正负面判定 | 规则 + 模型双判 |
三、提示词集构建规范 (Prompt Set Specification)
提示词集必须覆盖采购决策链的三个阶段，缺一不可：
- 认知阶段：行业通用问题（如"中国注塑模具厂哪家质量好"），用于衡量品类可见度。
- 比较阶段：带对比意图的问题（如"注塑模具厂 A 和 B 的区别"），用于衡量竞争优势。
- 验证阶段：带信任诉求的问题（如"XX 公司有没有 CE 认证、交期多久"），用于衡量实体信息完整度。
提示词应采用自然问句而非关键词堆砌。生成式引擎对问句的解析路径与搜索框输入不同，直接套用搜索词会低估真实曝光。
四、监测与内容优化的闭环 (Closed-loop Workflow)
- 第 1 步 基线采样：在未做任何优化前完成首轮全量扫描，记录提及率、首位率、引用率三项基线值。
- 第 2 步 缺口定位：对未被提及的提示词，反查引擎实际引用的信源，判断是实体缺失、内容不可提取，还是信源权威度不足。
- 第 3 步 内容干预：针对缺口补充结构化页面（参数表、认证清单、边界说明），并同步到第三方信源。
- 第 4 步 复采验证：4 周后复采同一提示词集，比对三项指标变化，淘汰无效干预手段。
五、常见误区 (Common Pitfalls)
| 误区 | 实际情况 |
|---|---|
| 把 AI 提及量等同于内容发布量 | 发布量是投入指标，提及量才是结果指标，两者无线性关系 |
| 单次采样即下结论 | 生成式引擎存在随机性，单次结果波动可达 30%，需多次采样取稳定值 |
| 只监测自家品牌 | 不采集竞品份额，无法判断是自身增长还是行业整体波动 |
| 忽略引用溯源 | 只知被提及、不知被哪个页面支撑，无法定位优化对象 |
六、技术实现要点 (Implementation Notes)
监测系统需解决三个工程问题：一是引擎结果的非结构化解析，需针对各引擎输出格式分别适配；二是反爬与配额限制，需配置合理的采样间隔与缓存；三是结果去重，同一回答在不同会话中重复出现时需按会话指纹归并，避免虚高统计。