监测品牌在 AI 引擎中的曝光度，要固定一组题，每天发给每家 AI 问一遍，一条回答记一行，再按周算五个数：提及率、前三率、声量份额、正面占比、被引率。前四个管 AI 有没有说到你、说得怎样，被引率管 AI 答题时读没读你的页面，五个数分开记，别合成一个总分。MaxAEO 对国内 8 家 AI 共 8,020 条回答的统计显示，从第 1 周到第 4 周，被引率从 9.4% 涨到 20.5%，提及率只从 5.5% 到 6.4%。同一个品牌、同一组题，光看提及率会觉得这四周没什么事，光看被引率会觉得曝光翻了一倍。

数据是 40 道题每天问 8 家 AI，一共 26 天，从 9 月 27 日开始，10 月 22 日结束（2026 年），每 7 天算一周，第 4 周只有 5 天。标题里的 0.9 是全周口径，每周都只算前 5 天是 1.3，后面两个都算。这 40 道题是给我们自家品牌建的监测题集，下文说的品牌和官网都是我们自己的，所以这里不评价品牌好坏，只讲数怎么算、怎么读。

## 五个数的分子和分母

| 数 | 分子 | 分母 | 第 1 周 | 第 4 周 |
|---|---|---|---|---|
| 提及率 | 「是否提及」为是的回答 | 有效回答 | 5.5% | 6.4% |
| 前三率 | 「是否前三」为是的回答 | 有效回答 | 1.6% | 1.7% |
| 声量份额 | 「提及品牌详情」里有你的回答 | 「提及品牌详情」里所有名字的个数 | 1.2% | 1.3% |
| 正面占比 | 「情感倾向」为 positive 的回答 | 提到你的回答 | 98.3% | 92.6% |
| 被引率 | 「引用详情」里有你官网域名的回答 | 有效回答 | 9.4% | 20.5% |

引号里的列名和 MaxAEO 导出表一致。自己存数据也用这几列，再加上日期、平台、查询词、状态、排名、引用数量，后面的代码才跑得起来。

有效回答的数要先核清楚，提及率、前三率、被引率都除它。这份数据一共 8,320 条记录（40 × 8 × 26），88 条失败，剩 8,232 条成功；其中 7 条成功了但「是否提及」是空的，剩 8,225 条；再去掉问句本身就写着品牌名的 1 道题（205 条，204 条提到品牌），剩 39 道题、8,020 条，这就是有效回答。那道题不去掉，提及率是 8.81%，去掉是 6.50%。你的题集里有带自家名字的问句，也要单列。

品牌名和官网域名放在 brand.json 里，官网有几个域名就写几个。下面几段代码按顺序接着跑。

```python
import json
import re
import pandas as pd

cfg = json.load(open("brand.json", encoding="utf-8"))   # {"name": 品牌名, "domains": [官网域名, ...]}
BRAND, DOMAINS = cfg["name"], cfg["domains"]

df = pd.read_json("rows.jsonl", lines=True)
ok = df[df["状态"] == "success"]
judged = ok[ok["是否提及"].notna()]
own_q = judged[judged["查询词"].str.contains(BRAND)]    # 问句里就写着品牌名的题，不进分母
j = judged.drop(own_q.index).copy()
print("全部", len(df), "| 成功", len(ok), "| 成功且有判定", len(judged),
      "| 问句带品牌名", len(own_q), "条，其中提到", (own_q["是否提及"] == "是").sum(),
      "| 分母", len(j), "| 题", j["查询词"].nunique(), "| 平台", j["平台"].nunique())
print(f"不去掉那道题时提及率 {(judged['是否提及'] == '是').mean():.2%}")

days = sorted(df["日期"].unique())
j["周"] = j["日期"].map({d: i // 7 + 1 for i, d in enumerate(days)})

def names(s):
    """提及品牌详情一行一个名字，括号里是标签"""
    return [re.split(" [(]", x)[0].strip() for x in (s or "").split("\n") if x.strip()]

def own_urls(s):
    """引用详情每行形如「序号. 标题 | 域名 | 链接 [标签]」，挑出域名是官网的链接"""
    out = []
    for line in (s or "").split("\n"):
        p = line.split(" | ")
        if len(p) >= 3 and p[-2].strip().lower() in DOMAINS:
            out.append(p[-1].rsplit("[", 1)[0].strip())
    return out

j["提"] = j["是否提及"] == "是"
j["名字"] = j["提及品牌详情"].map(names)
j["官网链接"] = j["引用详情"].map(own_urls)
j["引"] = j["官网链接"].map(bool)

def five(g):
    hit = g["名字"].map(lambda n: BRAND in n)
    return pd.Series({
        "回答": len(g),
        "提及率%": g["提"].mean() * 100,
        "前三率%": (g["是否前三"] == "是").mean() * 100,
        "份额%": hit.sum() / g["名字"].map(len).sum() * 100,
        "正面占比%": (g["情感倾向"] == "positive").sum() / g["提"].sum() * 100,
        "被引率%": g["引"].mean() * 100,
    })

print(j.groupby("周")[j.columns.tolist()].apply(five).round(1).to_string())
print("四周合计", five(j).round(2).to_dict())
m = j[j["提"]]
print("提到时：有明确名次", (m["排名"] > 0).sum(), "| 没名次", (~(m["排名"] > 0)).sum(),
      "| 判为前三", (m["是否前三"] == "是").sum(), "其中没名次", ((m["是否前三"] == "是") & ~(m["排名"] > 0)).sum(),
      "| 情感", m["情感倾向"].value_counts().to_dict())
print("每条回答平均点名", round(j["名字"].map(len).mean(), 1),
      "| 提到品牌的回答平均点名", round(m["名字"].map(len).mean(), 1))
```

输出：

```plaintext
全部 8320 | 成功 8232 | 成功且有判定 8225 | 问句带品牌名 205 条，其中提到 204 | 分母 8020 | 题 39 | 平台 8
不去掉那道题时提及率 8.81%
       回答  提及率%  前三率%  份额%  正面占比%  被引率%
周                                      
1  2181.0   5.5   1.6  1.2   98.3   9.4
2  2184.0   7.1   2.2  1.6   94.2  15.6
3  2179.0   7.0   2.2  1.5   93.4  17.0
4  1476.0   6.4   1.7  1.3   92.6  20.5
四周合计 {'回答': 8020.0, '提及率%': 6.5, '前三率%': 1.97, '份额%': 1.39, '正面占比%': 94.63, '被引率%': 15.2}
提到时：有明确名次 49 | 没名次 472 | 判为前三 158 其中没名次 113 | 情感 {'positive': 493, 'neutral': 28}
每条回答平均点名 4.7 | 提到品牌的回答平均点名 8.3
```

表里的周数就是开头那张表的来源。另外三个数，算之前要知道它们在量什么：

- **前三率替代平均名次**。521 次提及里有明确名次的只有 49 次，其余 472 次没写名次。拿 49 次算平均名次，说的不是这 521 次，所以报前三率，旁边写上有名次的条数。「是否前三」也不只看名次：判为前三的 158 次里，113 次没有明确名次，是模型判的，要抽原文核对。
- **声量份额看名单有多挤**。全部回答平均点 4.7 个名字，提到这个品牌的回答平均点 8.3 个，它常出现在长名单里。提及率只记有没有，份额才看得出这一次提及分到多少位置。
- **正面占比别当夸奖**。提到的 521 次里 positive 493 次，neutral 28 次，negative 一次没有，这组题问的是选谁、怎么做，被列为候选就容易记成正面。平时盯 negative 那一格，不是 0 就去读原文。

## 按周算出来：一个翻倍，一个小幅起落

提及率第 1 周到第 4 周依次是 5.5、7.1、7.0、6.4（%），第 2 周多了 1.6 个点，之后没再往上走，第 4 周比第 1 周多 0.9 个点。被引率依次是 9.4、15.6、17.0、20.5（%），每周都在涨。前三率和声量份额跟着提及率小幅起落，也没有翻倍。

第 4 周只有 5 天，DeepSeek 在 10 月 21 日没有数据、22 日只有 12 条。为了确认不是天数造成的，把每周都截成前 5 天再比一遍：

```python
print("\n== 每周前 5 天 ==")
day_in_week = {d: i % 7 for i, d in enumerate(days)}
head5 = j[j["日期"].map(day_in_week) < 5]
print((head5.groupby("周")[["提", "引"]].mean() * 100).round(1).T.to_string())
daily = j.groupby("日期")[["提", "引"]].mean() * 100
print(f"单日范围：提及率 {daily['提'].min():.1f}~{daily['提'].max():.1f} | 被引率 {daily['引'].min():.1f}~{daily['引'].max():.1f}")
```

输出：

```plaintext
== 每周前 5 天 ==
周    1     2     3     4
提  5.1   6.6   6.9   6.4
引  7.9  15.3  16.2  20.5
单日范围：提及率 3.2~8.7 | 被引率 3.5~25.9
```

截成同样天数后，提及率 5.1% 到 6.4%，被引率 7.9% 到 20.5%，一个多了 1.3 个点，一个成了 2.6 倍，方向没变。1.3 比标题的 0.9 大，如果你更认同样天数的比法，就记 1.3；下面两节的账仍按全周算，这样才和开头的表对得上。

单日的数跳得很厉害。MaxAEO 对国内 8 家 AI 共 8,020 条回答的统计显示，合计提及率低的一天 3.2%、高的一天 8.7%，拿某一天和上周比没有意义，至少按周汇总再比。

## 多出来的 11 个点落在哪一格

提及和被引各有是非两种，每条回答可以落进四格。算每一格占当周回答的比例，再拿第 4 周减第 1 周，两个数差在哪一格就看得出来。

```python
print("\n== 四格（占当周回答%）==")
grid = pd.crosstab(j["周"], [j["引"], j["提"]], normalize="index") * 100
grid.columns = ["没引没提", "没引但提了", "引了没提", "引了也提了"]
print(grid.round(1).to_string())
print("第4周减第1周", (grid.loc[4] - grid.loc[1]).round(1).to_dict())
print("被引回答条数", j[j["引"]].groupby("周").size().to_dict())
print("被引回答里写了名字的比例%", (j[j["引"]].groupby("周")["提"].mean() * 100).round(1).to_dict())
print("没被引的回答里写了名字的比例%", (j[~j["引"]].groupby("周")["提"].mean() * 100).round(1).to_dict())
cited = j[j["引"]]
print("四周合计：被引", len(cited), "| 其中没写名字", (~cited["提"]).sum())

print("\n== 第 1 周没被引过的网址 ==")
links = j[["周", "官网链接"]].explode("官网链接").dropna()
first_week = links.groupby("官网链接")["周"].min()
print("每周被引到的不同网址", links.groupby("周")["官网链接"].nunique().to_dict())
new_page = cited["官网链接"].map(lambda c: any(first_week[u] > 1 for u in c))
print("被引回答里带这类网址的比例%", (new_page.groupby(cited["周"]).mean() * 100).round(1).to_dict())
later = cited["周"] > 1
print("第2～4周写名字的比例%：带这类网址", round(cited.loc[later & new_page, "提"].mean() * 100, 1),
      f"（{(later & new_page).sum()} 条）| 只有老网址", round(cited.loc[later & ~new_page, "提"].mean() * 100, 1),
      f"（{(later & ~new_page).sum()} 条）")
```

输出：

```plaintext
== 四格（占当周回答%）==
   没引没提  没引但提了  引了没提  引了也提了
周                          
1  87.4    3.2   7.2    2.3
2  81.5    2.9  11.4    4.2
3  80.2    2.8  12.8    4.2
4  77.2    2.3  16.4    4.1
第4周减第1周 {'没引没提': -10.2, '没引但提了': -0.9, '引了没提': 9.2, '引了也提了': 1.8}
被引回答条数 {1: 206, 2: 341, 3: 370, 4: 302}
被引回答里写了名字的比例% {1: 24.3, 2: 27.0, 3: 24.6, 4: 19.9}
没被引的回答里写了名字的比例% {1: 3.5, 2: 3.5, 3: 3.4, 4: 2.9}
四周合计：被引 1219 | 其中没写名字 926

== 第 1 周没被引过的网址 ==
每周被引到的不同网址 {1: 181, 2: 208, 3: 249, 4: 235}
被引回答里带这类网址的比例% {1: 0.0, 2: 44.6, 3: 58.1, 4: 71.9}
第2～4周写名字的比例%：带这类网址 21.1 （584 条）| 只有老网址 28.0 （429 条）
```

第 4 周比第 1 周，被引率多出的约 11 个点里有 9.2 个点落在「引了官网、没写品牌名」这一格，落在「引了也提了」的只有 1.8 个点。提及率这边也能对上账：「引了也提了」多 1.8 个点，「没引但提了」少 0.9 个点，一加一减就是标题里的 0.9。

所以被引率翻倍，主要是多了一批引用里有官网、答案里却没出现品牌的回答（四周合计 1,219 条被引回答，926 条没写，占 76.0%）。被引回答里写了名字的比例没有跟着涨：24.3%、27.0%、24.6%、19.9%。第 4 周的 19.9% 是 302 条里的 60 条，只有 5 天，我不把它读成下降，能说的只是没涨。

被引的页面也在换。第 1 周被引到 181 个不同网址，第 4 周的被引回答有 71.9% 带着第 1 周没被引过的网址。第 2～4 周里，带这类网址的回答写名字的比例是 21.1%（584 条），只有老网址的是 28.0%（429 条）。这是相关，这两组回答对应的题也不完全一样，只能说明带这类网址的回答，写名字的比例没有更高。

## 提及率的「没动」，是各家涨跌抵掉的

合计 0.9 个点，不代表每家都没动。按平台拆开，再加一列「带引用」（引用数量大于 0 的回答占比，可以粗看这家这周有多少回答联网了）。表头 1 和 4 指第 1 周和第 4 周。

```python
print("\n== 按平台：第1周 → 第4周（%）==")
j["带引用"] = j["引用数量"] > 0
ends = j[j["周"].isin([1, 4])]
tb = ends.pivot_table(index="平台", columns="周", values=["提", "引", "带引用"], aggfunc="mean") * 100
tb = tb[["提", "引", "带引用"]].round(1)
tb.columns = [f"{a}{b}" for a, b in tb.columns]
print(tb.sort_values("引4", ascending=False).to_string())

hits = ends.groupby(["周", "平台"])["引"].sum().unstack(0).div(ends.groupby("周").size()) * 100
print("被引率增量按平台分（个点）", (hits[4] - hits[1]).round(1).sort_values(ascending=False).to_dict())

print("\n== 逐题：第1周 → 第4周 ==")
q = ends.pivot_table(index="查询词", columns="周", values=["提", "引"], aggfunc="mean") * 100
d_cite, d_men = q["引"][4] - q["引"][1], q["提"][4] - q["提"][1]
print("题", len(q), "| 被引率涨的", (d_cite > 0).sum(), "| 提及率涨的", (d_men > 0).sum(),
      "| 都涨的", ((d_cite > 0) & (d_men > 0)).sum(),
      "| 两个变化量的等级相关", round(d_cite.corr(d_men, method="spearman"), 2))
```

输出：

```plaintext
== 按平台：第1周 → 第4周（%）==
            提1    提4    引1    引4   带引用1  带引用4
平台                                           
wenxin     4.0  10.3  12.5  53.3  100.0  99.5
yuanbao    7.0   5.7  27.1  47.9   80.2  84.0
zhipu     12.8  15.0  21.2  39.6   92.3  92.5
kimi       0.4   3.6   2.9   7.8   11.0  45.6
doubao     4.4   5.7  11.0   6.8   72.9  72.9
deepseek   5.9   7.1   0.7   2.4   87.0  97.6
qianwen    8.8   3.6   0.0   0.0   75.8  95.3
xunfei     0.4   0.5   0.0   0.0    2.2   4.1
被引率增量按平台分（个点） {'wenxin': 5.5, 'yuanbao': 2.9, 'zhipu': 2.4, 'kimi': 0.6, 'deepseek': 0.1, 'qianwen': 0.0, 'xunfei': 0.0, 'doubao': -0.5}

== 逐题：第1周 → 第4周 ==
题 39 | 被引率涨的 31 | 提及率涨的 15 | 都涨的 13 | 两个变化量的等级相关 0.2
```

提及率这几列，文心 4.0% 到 10.3%，Kimi 0.4% 到 3.6%，智谱 12.8% 到 15.0%；反方向的是千问 8.8% 到 3.6%，元宝 7.0% 到 5.7%。几家加起来，才有了合计那个不大的数。被引率多出来的部分则集中在三家：约 11 个点里文心占 5.5 个（12.5% 到 53.3%），元宝占 2.9 个（27.1% 到 47.9%），智谱占 2.4 个（21.2% 到 39.6%）。豆包反而从 11.0% 掉到 6.8%，千问和讯飞星火四周都是 0。

把两列放一起看，被引涨和提及涨在平台上也对不齐：文心两个都涨，元宝被引涨了 20.8 个点，提及率反倒低了 1.3 个点。千问四周一次没引官网，提及率掉了一半多（第 1 周 273 条里 24 条，第 4 周 193 条里 7 条）。

「带引用」这一列要单独留意。Kimi 从 11.0% 升到 45.6%，提及和被引同时在涨；千问从 75.8% 升到 95.3%，提及率反而在掉。这两家方向相反，四周的数判断不了原因，能做的是看到某家的数变了，先看它这周联网的比例变没变，再谈内容。

逐题看也一样：39 道题里被引率涨的 31 道，提及率涨的 15 道，两个都涨的 13 道，两个变化量的等级相关只有 0.20。

## 看到这几种走势，先查什么

- 被引涨、提及没动：看四格。增量落在「引了没提」，就回去读被引的那几页，看品牌名写在什么位置，AI 拿走的又是哪一段。
- 提及涨、被引没动：看「没引但提了」这一格和平台。这部分回答提了品牌却没引官网，要去看这家 AI 引了谁，或者这次有没有联网。
- 合计没动：按平台拆开，看是真的没动，还是一家涨一家跌抵掉了。
- 某一家突然变了：先看「带引用」，联网比例一变，提及和被引都可能跟着变。
- 某一天跳了：不算数，等这一周汇总完再说。

## 这组数的边界

- 只有 26 天、一个品牌、一个品类的 40 道题，换品类比例会变；拆法可以照用。
- 第 4 周只有 5 天，DeepSeek 少了将近两天；前 5 天那张表只能排除天数的影响，排除不了别的。
- 「是否提及」「是否前三」「情感倾向」是模型判的，有误判的可能，要定期抽原文核对。提及率和正面占比都受这一步影响。
- 带引用只是联网的粗略代理，联网了但没返回引用的回答会被算成没联网。
- 第 1 周没被引过，不等于是新发布的页面，也可能是老页面到后来才被读到。
- 四格只说明增量落在哪里，不说明谁导致了谁。


监测品牌在 AI 引擎中的曝光度，要固定一组题，每天发给每家 AI 问一遍，一条回答记一行，再按周算五个数：提及率、前三率、声量份额、正面占比、被引率。前四个管 AI 有没有说到你、说得怎样，被引率管 AI 答题时读没读你的页面，五个数分开记，别合成一个总分。MaxAEO 对国内 8 家 AI 共 8,020 条回答的统计显示，从第 1 周到第 4 周，被引率从 9.4% 涨到 20.5%，提及率只从 5.5% 到 6.4%。同一个品牌、同一组题，光看提及率会觉得这四周没什么事，光看被引率会觉得曝光翻了一倍。

如何监测品牌在 AI 引擎中的曝光度：拆成 5 个数按周算，被引率翻倍的 4 周里，提及率只多 0.9 个点（附 pandas）

品牌在 AI 里的曝光度要拆开记：提及率、前三率、声量份额、正面占比、被引率。8,020 条回答按周算，被引率从 9.4% 到 20.5%，提及率只从 5.5% 到 6.4%。附 pandas。

人工智能

大数据

监测AI引擎品牌曝光度需固定题组，按周追踪五项指标：提及率、前三率、声量份额、正面占比、被引率。MaxAEO统计显示，被引率四周从9.4%涨至20.5%，提及率仅从5.5%升至6.4%，增量主要来自“引了官网未提品牌”的回答，占比9.2个百分点。平台间差异显著，文心、元宝贡献主要增量。建议分平台、逐题交叉验证，关注联网比例变化。

热销域名限时优惠，新客首年免费！


domain

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

监测AI引擎品牌曝光度需固定题组，按周追踪五项指标：提及率、前三率、声量份额、正面占比、被引率。MaxAEO统计显示，被引率四周从9.4%涨至20.5%，提及率仅从5.5%升至6.4%，增量主要来自“引了官网未提品牌”的回答，占比9.2个百分点。平台间差异显著，文心、元宝贡献主要增量。建议分平台、逐题交叉验证，关注联网...

如何监测品牌在 AI 引擎中的曝光度：拆成 5 个数按周算，被引率翻倍的 4 周里，提及率只多 0.9 个点（附 pandas）-腾讯云开发者社区-腾讯云

如何监测品牌在 AI 引擎中的曝光度：拆成 5 个数按周算，被引率翻倍的 4 周里，提及率只多 0.9 个点（附 pandas）

如何监测品牌在 AI 引擎中的曝光度：拆成 5 个数按周算，被引率翻倍的 4 周里，提及率只多 0.9 个点（附 pandas）

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐