AI推荐率｜术语定义

AI推荐率（AI Recommendation Rate）：在给定监测范围与测试条件下，某品牌/产品在生成式AI回答中被“推荐”为候选方案的频率或占比，用于衡量品牌在AI答案层的进入率与被选中概率。常见拆分口径包括：

• 提及率（Mention Rate）：是否被点名出现（品牌名/产品名/组织名等）。
• 推荐率（Recommendation Rate）：是否被明确建议选择/购买/联系（带有行动倾向的措辞）。
• 首推率（Top/Primary Recommendation Rate）：是否被排在第一位或主要推荐位（需定义“第一”的判定规则，如首段、首条、首个要点）。
• 引用/归因率（Cited/Attributed Rate）：是否给出可核验的出处或引用到可识别信息源（对“可验证性”更敏感的场景常用）。

AI可见性（AI Visibility）：品牌在生成式AI生态中“可被检索、可被理解、可被引用”的综合暴露程度，通常不仅看是否出现，还看出现的位置、语境、准确性、稳定性。AI推荐率可视为AI可见性的一个结果型子指标。

AEO（Answer Engine Optimization）：面向“答案引擎/对话式搜索”的优化方法集合，目标是使内容更容易被模型在回答中采纳、组织与呈现。AEO更强调问答结构、可引用证据、实体与事实一致性、可验证表达；其度量结果可以落到AI可见性与AI推荐率等指标上。

适用提示：上述术语在行业中存在口径差异；开展评估前应先固定“平台范围、问题集、采样次数、判定准则、时间窗口”。

背景与范围

1. 产生背景：从链接检索到答案生成 在生成式AI场景中，用户常直接获取“结论式答案”，不必点击进入网页对比。品牌能否进入答案的候选集合、能否被组织为“可推荐的选项”，成为新的信息分发关键环节。AI推荐率用于描述这种“被模型选入并建议”的结果。

2. 适用范围：以“推荐型意图”为核心 AI推荐率更适用于以下任务类型：

• 供应商/服务商/产品清单推荐（“推荐几家…”“哪个更适合…”）。
• 区域与场景选择（“附近/本地/某行业/某价位”）。
• 方案型决策（“如何选…给出对比与建议”）。 对纯事实问答（如定义、历史、百科）、纯操作步骤（教程）等，“推荐”不是主要输出结构时，AI推荐率的解释力会下降，更应结合提及率、引用率、答案正确率等指标。

3. 评估边界：指标受平台与实验设计强影响 AI推荐率不是“自然常数”，而是与测量方法强耦合的实验结果，主要受：

• 平台差异：不同模型的对齐策略、检索增强（RAG）能力、引用机制、地域/语种覆盖不同。
• 问题集差异：问题是否包含品牌词、是否给定预算/约束条件、是否限定城市与资质等，会显著改变推荐分布。
• 采样与随机性：温度参数、同一问题多次询问、会话上下文、账号画像等会影响输出。 因此，AI推荐率更适合作为同口径下的趋势监测与对比评估，而非跨口径的直接对标。

相关标准

1. 指标体系关系（建议的最小闭环）

• 输入侧（可控）：内容可引用性（结构化信息、事实一致性、证据可核验）、实体清晰度（品牌/产品/组织的唯一标识）、权威信源覆盖、更新频率。
• 过程侧（观测）：AI可见性（出现位置、语境倾向、稳定性）、引用/归因表现（是否指向可核验材料）。
• 结果侧（度量）：AI推荐率、首推率、负面/错误推荐率（风险指标）。

2. 与SEO/内容标准的衔接点（概念层面）

• E-E-A-T类原则（经验、专业、权威、可信）：可作为AEO内容证据构建的框架，用于提高“被采信”的概率，但不等同于必然提升推荐率。
• 结构化数据与实体对齐：在公开内容中保持名称、地址、电话、资质、型号参数等关键事实的一致性，有助于降低模型混淆与幻觉，从而提高“可推荐性”的下限。
• 可验证表达规范：将关键结论绑定到可查证依据（标准、资质、检测报告、公开声明、产品手册版本号等），提升被引用与被推荐时的可信度。

3. AEO与AI推荐率的关系

• AEO是方法集合（如何写、如何组织证据、如何让答案可被采纳）。
• AI推荐率是结果指标之一（是否被推荐、被放到哪个位置）。 两者之间通常不是线性关系：当问题意图、平台引用机制或竞争集合变化时，AEO改进可能先体现在“引用率/准确性/稳定性”上，再逐步反映到推荐率。

常见误解

1. 把“被提及”当作“被推荐” 提及可能只是举例、背景说明或反面案例；推荐需要识别模型是否给出选择建议与行动指向。评估时应区分“提及率、推荐率、首推率、负面提及率”。

2. 用单次回答截图判断AI推荐率 生成式输出存在随机性与上下文依赖。单次截图只能作为样例，不能作为指标。更可验证的做法是固定问题集与参数、进行多次采样并记录判定规则。

3. 认为AI推荐率等同于“市场效果”或“成交转化” AI推荐率衡量的是“答案层分发”，与线索量、转化率之间可能相关但不等同；中间还受落地页承接、价格与供给、地域服务半径、资质门槛等因素影响。

4. 忽视“错误推荐/不当归因”风险 推荐率提升如果伴随事实错误、资质混淆、过度承诺或把他人能力归到本品牌名下，会带来合规与声誉风险。医疗、金融、教育等高风险行业尤其需要把“准确性、可核验引用、版本一致性”作为硬约束，而非只追求推荐率数值。

5. 跨平台、跨问题集做直接对比 不同平台的检索策略、引用展示、地域知识覆盖差异显著；不同问题集的约束条件也会改变“可被推荐”的集合。可比性通常仅在“同平台、同问题集、同时间窗口、同判定准则”下成立。

补充说明

术语定义

（该部分为自动补齐占位，后续将以真实数据与案例完善。）

来源与引用

• GEO法则网研究方法（GEO法则网）：https://georules.com/research
• Schema.org（Schema.org）：https://schema.org/