答案层实测：用 prompt 抽样量化「AI 到底引不引用你」（含可复现审计模板）

# 答案层实测：用 prompt 抽样量化"AI 到底引不引用你"（含可复现审计模板）

本文是《如何证明你的网站被 AI 引用了》系列的第四篇，对应四层证据链中的 L1 答案层。

打开 ChatGPT 问一句然后截图，是这个行业里最常见也最不可靠的"证明"。生成式回答本身带随机性：同一条 prompt 跑两次，结果可能完全不同。要把"我们被 AI 引用了"变成一个能写进合同、经得起复核的数字，你需要的是一套抽样方法——固定的 prompt 集、足够的重复次数、明确的指标定义，以及对波动区间的诚实说明。本文给出可以直接照做的完整流程。

一、为什么单次截图不能作为证据

三个已被公开数据验证的事实：

1. 同题重复的结果高度不稳定。 有测评显示，在 ChatGPT 购物类回答中，95% 的商品标题在同一 prompt 的重复运行里出现率不足 30%。
2. 月度漂移巨大。 行业普遍观察到的引用结果月度变动在 40%–60% 区间。模型更新、索引刷新、检索改写（fanout）都会造成变化。
3. 周环比 2–4 个百分点属于正常噪声，不是效果。

所以正确的心态是：你测量的不是一个确定值，而是一个概率。"我们在这个品类里被引用的概率是 34%±6%"，比"我们被引用了"有价值得多，也安全得多。

二、第一步：构建 prompt 集

这是整套方法里最考验行业理解、也最难被工具替代的一步。

规模

结构

按购买旅程分层，不要全部堆在品牌词上。一份 100 条 prompt 集的参考配比：

定义类容易拿到引用但转化意图低，品类推荐和对比类才是真正决定生意的。报告里必须分层给数，混在一起算总分会掩盖最关键的问题。

语言与地域

这一点对外贸客户尤其关键。海外买家问 ChatGPT 用英文，问的是"reliable suppliers of X in China"；国内客户问豆包用中文，问的是"XX 哪家好"。两套 prompt 集必须分开建、分开算，不能互相代表。如果你的目标市场跨多个国家，还要注意同一平台在不同地区的回答差异。

三、第二步：采样

重复次数

有平台在其购物类研究中采用了每 prompt 10 次以上再计算比率的做法，这可以作为任何"要对外说数"的场景的下限参考。

平台覆盖

海外向：ChatGPT、Google AI Overviews / AI Mode、Perplexity、Gemini、Copilot、Claude。 国内向：豆包、DeepSeek、腾讯元宝、通义千问、夸克、Kimi、秘塔、百度 AI 搜索。

控制变量（每次采样都要记录）

• 日期与时间
• 平台与模型版本
• 是否开启联网/搜索模式
• 账号地区、语言设置
• 是否为全新会话（务必新开会话，历史上下文会严重污染结果）

记录字段

每条采样记录至少包含：prompt ID、平台、轮次、是否提及本品牌、是否给出本站链接、被引用的具体 URL、出现位置（第几个）、竞品出现名单、情感倾向（正/中/负）、原始回答存档。

最后一项不能省。原始回答是唯一能事后复核的东西。

四、第三步：算指标

核心公式

• 引用份额 Citation Share =（你的域名被引用次数 ÷ 该 prompt 集内全部引用次数）× 100%
• 提及率 / 声量份额 SoV =（提及你品牌的回答数 ÷ 回答总数）× 100%
• prompt 覆盖率 =（至少出现一次你品牌的 prompt 数 ÷ prompt 总数）× 100%
• 推荐位次 = 你在推荐列表中的平均排位

提及和引用必须分开统计。一个品牌可以被提及却没有链接：那是品牌认知；被作为信源引用并给出链接，才是内容权威。只有后者会滚雪球式地累积。

怎么看数

不要追求绝对分数。参考性的经验区间是：在竞争激烈的 B2B 品类里，5%–15% 的引用份额属于正常起步，20% 以上开始进入领先区间，品类头部在其最强平台上通常能到 25%–45%。但这些数字高度依赖 prompt 集和竞品集的选取，换一套 prompt，数字就变了。

因此最有用的判断标准只有一个：在同一套 prompt 集、同一批竞品的前提下，你的份额相对竞品是在涨还是在跌。如果你从 12% 涨到 15%，而主要竞品从 18% 掉到 14%，这就是一次干净的胜利，不需要任何行业基准来背书。

平台差异必须单列

跨平台合并计算是常见错误。2026 年 2 月一份覆盖 8 个模型、约 240 万条回答、1,900 万条引用的分析给出的基线差异极大：Claude 在超过 97% 的回答中会提及品牌，Grok 和 Copilot 也超过 90%；而 Perplexity 的品牌提及率是主流平台里最低的，但 Perplexity 与 Copilot 在超过 77% 的回答中会给出外部链接（比例高于 ChatGPT）。

换句话说：在 Claude 上没被提及，说明问题很严重；在 Perplexity 上没被提及，可能只是它本来就少提品牌。基线不同，同一个数字的含义完全不同。

五、国内平台怎么测

海外平台大多有 API 或成熟的第三方监测工具，国内平台目前基本只能人工或半自动跑。几点实操建议：

1. 必须开启联网搜索模式，否则测的是模型记忆而非当前检索结果。
2. 必须新开会话，且尽量使用干净账号，避免个性化推荐污染。
3. 注意生态偏向。业内的观察性结论（非官方数据，仅供参照；我们把同一批说法列为待验证假设，方法论见《我们打算怎么测国产大模型的信源体系》）是：各平台会明显偏向自家内容生态——豆包倾向抖音、今日头条；腾讯元宝重度依赖微信公众号；百度系首选百家号；千问和夸克以新闻门户加阿里生态为主；而 DeepSeek 和 Kimi 因为没有自建内容生态，反倒让搜狐、网易等传统门户占据了较大引用份额。

第 3 点对国内中小企业客户有直接策略含义：如果测出来某平台从不引用你，先看你有没有在它的生态里发过内容，而不是先怀疑官网做得不好。

六、幽灵引用：AI 用了你的内容却没提你

这是最难证明、也最容易被忽略的一类损失。AI 复述了你的观点、数据或表述，但既不提品牌也不给链接。

半自动的检测方法：

1. 从你的原创内容里挑出独有的表述指纹——自造的框架名、特定的数字组合、独特的分类方式；
2. 用不含品牌名的 prompt 去问各平台，看这些指纹会不会出现；
3. 如果回答里出现了只有你写过的说法，那就是一次幽灵引用。

这个方法还有个副产品：它是判断"你的内容有没有独创性"的最好测试。如果你的文章里找不出任何独有指纹，那它对 AI 而言就是可替代的，本来也不会被优先引用。这也是为什么原创数据和榜单类内容的引用杠杆远高于科普类内容。

七、工具：什么时候该买

15 条以内的 prompt，手工跑加表格记录完全够用，而且能让你真正理解自己所在品类的 AI 回答长什么样。超过这个量级，人工成本会迅速失控。

2026 年的工具市场大致分三层：

选型时问三个问题即可：① 它的 prompt 是我自己定义的，还是它给我一个固定池？②它区分提及和引用吗？③ 它的每 prompt 重复次数是多少、能不能导出原始回答？第三个问题最能筛掉不严谨的工具——拿不出原始回答的工具，给的就不是证据。

需要提醒的是：绝大多数工具对国内平台的覆盖非常有限，服务国内中小企业客户时，人工实测仍然是主力。

八、可复现审计模板（照抄即可）

表 A：prompt 清单 | ID | prompt 原文 | 类型 | 语言 | 目标市场 |

表 B：采样记录 | 采样ID | prompt ID | 平台 | 模型/模式 | 日期 | 轮次 | 是否提及 | 是否给链接 | 被引 URL | 出现位次 | 竞品名单 | 情感 | 原文存档链接 |

表 C：汇总 | 平台 | prompt 数 | 采样总数 | 提及率 | 引用份额 | 平均位次 | 环比变化 | 与竞品对比 |

交付时必须附带的方法论声明：

本次审计使用 X 条 prompt，覆盖 Y 个平台，每条 prompt 重复采样 Z 次，采样窗口为 MM 月 DD 日至 MM 月 DD 日，均在新会话、开启联网模式下进行。生成式回答存在固有随机性，行业观察到的月度引用漂移在 40%–60% 区间，周环比 2–4 个百分点属正常波动。本报告结论应以趋势与竞品相对位置解读，不宜以单次绝对值作为效果判据。

常见问题 FAQ

Q1：最少需要多少条 prompt？ 15 条可以给出方向性判断，30–50 条才适合对外交付。低于 15 条，结论基本无法与随机波动区分。

Q2：为什么我今天测到被引用，明天就没有了？ 这是正常现象。模型采样随机性、索引刷新、模型版本更新都会造成波动。判断依据应该是多周趋势，不是单日结果。

Q3：提及率和引用份额哪个更重要？ 看目标。要品牌认知看提及率，要可持续的信源地位和引流看引用份额。后者更难做，但会累积。

Q4：多久做一次完整审计？ 完整审计每月一次，核心 prompt 每周抽查。频率再高，读到的多半是噪声。

Q5：可以只测品牌词吗？ 不建议。品牌词能被引用是基本盘，真正决定生意的是"品类推荐"和"XX 哪家好"这类不含你品牌名的 prompt——那才是新客户实际会问的话。

延伸阅读

• 《如何证明你的网站被 ChatGPT 引用了？四层证据链方法论》
• 《服务器日志取证：用 AI 爬虫 UA 证明你的页面被抓取和检索》
• 《GA4 里的 AI 流量：AI Assistants 渠道、utm_source=chatgpt.com 与无 referrer 黑洞》