品牌在通义千问中的推荐率怎么测？从自然问题、有效分母到稳定复测
作者：绿雪智能科技 AI心智指数研究团队
摘要：测量品牌在通义千问中的推荐率，不能直接搜索品牌名称，也不能用一次回答下结论。应先冻结检测对象、品类和场景，使用不含品牌名的结构化自然问题，保存原始回答，过滤无效样本，统一实体，并计算品牌进入候选的有效回答比例。
直接答案
先用不含品牌名称的自然需求题检测通义千问是否主动把目标列入候选，再以有效回答为分母计算推荐率；同时保留候选位置、推荐理由、竞品、来源和R1/R2复测，避免把一次回答顺序当成长期排名。
一、先定义什么叫“推荐”
| 回答表现 | 是否计入推荐 | 原因 |
| 只在背景中提到品牌 | 否 | 属于提及，不是选择关系 |
| 引用品牌官网解释概念 | 否 | 来源使用不等于推荐产品 |
| 列入3—5个适用候选 | 是 | 形成明确选择关系 |
| 明确写“优先考虑” | 是，并可标高位 | 推荐强度较高 |
| 问题已直接写出品牌名 | 不计自然推荐 | 主要测认知而非主动选择 |
二、推荐率的基本公式
品牌在该平台的有效推荐率
= 品牌进入候选的有效自然回答数
÷ 该平台有效自然推荐回答总数
公式本身简单，难点在于“有效”“自然”“候选”和“实体归属”是否定义清楚。
三、题库必须覆盖不同决策层
| 问题层 | 主要观察 |
| 基础入围 | 宽泛需求中能否进入候选 |
| 决策因素 | 价格、案例、可信度、能力等条件下表现 |
| 最终决策 | 综合条件下是否被优先选择 |
四、有效样本如何判断
□ 回答成功且有实际内容
□ 候选能够解析
□ 候选属于已冻结品类
□ 没有严重答非所问
□ 品牌实体可以判断
□ 推荐关系足够明确
五、通义千问检测需要特别注意什么
需要特别关注中英文产品名、公司与平台关系以及同一候选被多个名称表达的情况。实体统一应保留原始发生记录，避免重复计数或错误合并。
六、不能只看一个百分比
| 辅助指标 | 作用 |
| 入围题数 | 看覆盖了多少真实问题 |
| 高位推荐率 | 看是否进入前列 |
| 推荐份额 | 看占全部候选位置的比例 |
| 竞品差距 | 看与最强候选的百分点差 |
| 认知准确率 | 看产品描述是否正确 |
| 可核验来源 | 看本次答案是否返回可确认URL |
七、一个示例
自然推荐题：30道
成功回答：30条
范围错位：2条
有效回答：28条
品牌进入候选：4条
推荐率 = 4/28 = 14.3%
应写清分子和分母，不能只写“推荐率14.3%”。
八、复测时如何保持可比
1. 保留同一检测对象和层级；
2. 保持同一推荐品类和场景；
3. 使用相同题目文本；
4. 尽量保持可比执行环境；
5. 实体和别名规则不静默改变；
6. 无效样本规则保持一致；
7. 分别记录R1首次变化和R2复现。
企业检查清单
□ 推荐定义已冻结
□ 问题不直接提示品牌
□ 题库覆盖三个层级
□ 原始回答已保存
□ 无效样本有原因
□ 实体归属可复核
□ 分子分母同时披露
□ 高位和份额分开
□ 竞品同题比较
□ R1/R2使用原题
如何把本文方法落到企业内部流程
围绕“建立通义千问品牌推荐率的明确分母、证据和复测方法”，企业不应把工作简单理解成“多发几篇文章”。品牌与产品团队先冻结公司、品牌、产品、品类、适用场景和能力边界；内容团队将真实证据组织成能够回答用户问题的页面；技术团队保证页面稳定、公开、可读取并保留版本；数据团队保存问题、回答、候选、来源和有效样本；项目负责人把每一次动作与后续复测连接起来。
| 角色 | 核心责任 | 建议交付物 |
| 品牌/产品 | 确认实体、品类、能力和边界 | 标准事实卡、产品关系、适用与不适用场景 |
| 内容/公关 | 回答真实问题并组织证据 | 官网页、案例、方法稿、媒体稿、FAQ |
| 技术/网站 | 保证页面公开、稳定、可发现 | 正式URL、Canonical、站点地图、更新时间 |
| 数据/研究 | 冻结样本、方法和指标 | 题库、原始回答、有效样本、指标快照 |
| 项目负责人 | 连接动作、来源、结果和复测 | GEO行动台账、R1/R2复测记录 |
一个可执行的30天安排
第1—3天：确认对象、品类、场景与优化前基线
第4—10天：整理官网事实、方法、案例和目标问题
第11—18天：发布少量高质量页面并登记正式URL
第15—22天：检查页面可访问、可检索和来源状态
第21—25天：执行R1同口径复测
第28—30天：执行R2或形成下一轮优化清单
以上只是项目管理示例，不是任何第三方AI平台的见效承诺。页面何时被发现、是否成为来源、品牌是否进入候选，都必须以实际检测和可核验证据为准。
管理层应该如何阅读这类结果
管理层不应只看一个总分、排名或百分比，而应同时看五件事：结果发生在哪些真实问题中；分子和有效分母是多少；AI给出的理由和来源能否核验；本轮实际做了哪些产品、网站、内容和媒体动作；变化能否在后续同口径复测中复现。
- 结果：品牌是被识别、提及、入围还是高位推荐；
- 证据：原始回答、候选理由和可核验URL；
- 行动：产品、官网、内容、媒体或技术具体改了什么；
- 时间：基线、页面可发现、R1和R2分别发生在何时；
- 边界：哪些结论只属于本次样本，哪些仍需继续验证。
对外发布结果时的标准表达
截至【日期】，在【地区/人群】、【品类与场景】、【问题集合】、【AI环境】和【方法版本】下，目标在【有效样本数】条回答中的【指标】为【分子/分母与百分比】。该结果仅反映本次检测范围，不代表销量、市场份额、产品质量或长期固定结论。
这种表达不如“行业第一”“推荐率暴涨”刺激，却更容易被客户、媒体和AI准确理解，也能避免后续复测出现口径冲突。
常见问题
只问10个问题可以吗？
可以作为小型探索，但应说明题库结构和样本限制。问题数量越少，单条回答对比例影响越大，更需要多轮复测。
推荐率为0是不是技术失败？
不一定。若回答成功、候选范围正确且实体没有漏判，0是有效业务结果；调用失败、无数据和范围错位则应单独处理。
不同平台的推荐率能直接比较吗？
可以在同一题库和同一方法下观察差异，但需要分别披露有效样本、环境和来源可观察性，不能把差异简单解释为平台好坏。
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。其中心智搜索会先确认检测对象、对象层级、推荐品类、适用场景和地区，再为每个选定环境使用30道冻结题目，包括5道基础入围题、20道决策因素题和5道最终决策题。系统保留问题、原始回答、候选、推荐理由、平台差异、来源状态、有效样本，以及范围、题库、方法、指标和报告快照，为后续诊断、内容建设和同口径复测提供依据。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。AI回答和来源会变化，页面被抓取、索引或引用不等于产品一定被推荐；品牌进入一次候选也不代表长期稳定。相关结果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。