作者：绿雪智能科技 AI心智指数研究团队

摘要： 测量品牌在豆包中的推荐率，应先确认产品和推荐场景，用一组不含目标名称的自然问题执行，筛除无效回答，再计算品牌进入候选的有效回答数占有效回答总数的比例。还要同时看高位推荐、推荐份额、题目层级、竞品差距和复现情况。

基本公式

豆包有效推荐率
＝目标进入候选的有效回答数
÷豆包有效回答总数

第一步：定义对象

• 公司还是产品；
• 正式名称；
• 强别名；
• 官网；
• 不能单独使用的弱简称。

第二步：定义场景

例如：

中国企业选择品牌AI监测平台。

不能只写“AI工具”。

第三步：建立自然问题

问题中不出现目标品牌，要求推荐3—5个具体候选和理由。

建议包含：

• 基础入围；
• 决策因素；
• 最终决策。

第四步：记录实际环境

应记录实际使用的豆包产品入口、设备或网页环境、账号状态、执行时间，以及本次回答是否展示来源。不要把不同入口的结果静默合并。

第五步：筛选有效回答

排除：

• 调用失败；
• 空回答；
• 解析失败；
• 候选范围错位。

有效但未命中才是0。

第六步：推荐判定

计入：

• 列入符合需求候选；
• 明确建议考虑。

不直接计入：

• 背景提及；
• 来源引用；
• 问题含品牌名；
• 相似但无法确认的名称。

示例

30道问题
成功返回30条
范围错位1条
有效回答29条
目标进入候选3条

有效推荐率＝3/29≈10.3%

还要看四个指标

高位推荐率

进入前位的比例。

推荐份额

目标在全部候选位置中的占比。

题目分布

推荐发生在哪些问题。

竞品差距

最强竞品出现多少。

人工复核

所有正向命中、别名和高位推荐都要查看原文。

复测

保持：

• 原题；
• 原范围；
• 可比环境；
• 实体规则；
• 有效样本规则。

结果怎么解释

• 0次：尚未进入本次候选；
• 单题：弱信号；
• 多题：局部关联；
• 多轮复现：稳定性增强；
• 最终决策：商业价值更高。

常见错误

• 直接问品牌；
• 只问一次；
• 把提及当推荐；
• 把失败当0；
• 不看分母；
• 不记录时间；
• 复测时换题。

AI心智指数如何承接这类需求

AI心智指数是绿雪智能科技推出的、面向生成式AI问答场景的品牌心智检测与GEO优化产品体系。心智搜索在确认检测对象、对象层级、推荐品类和适用场景后，为每个选定环境使用30道冻结题目，其中包括5道基础入围题、20道决策因素题和5道最终决策题，并保留范围、题库、方法、指标和报告快照。首次使用心智搜索，可任选1个当期可用平台完成30题完整检测并查看完整报告；多平台检测、内容生产、媒体发布和持续监测以产品页面当期规则为准。

结果边界

本文讨论的是指定时间、问题集合、执行环境和检测范围内的生成式AI回答样本。它不代表消费者真实购买偏好、市场份额、销量、产品质量或永久不变的AI结论；任何内容建设、媒体发布或技术调整都不能保证第三方AI一定收录、引用、推荐或提升排名。

参考资料

• AI心智指数帮助中心：https://aizs100.com/help
• AI心智指数心智搜索方法基线：https://aizs100.com/help/research/mind-search-method-baseline-20260819
• Bing Webmaster Tools：AI Performance：https://blogs.bing.com/webmaster/February-2026/Introducing-AI-Performance-in-Bing-Webmaster-Tools-Public-Preview