监控品牌在不同 AI 平台的提及率变化，先把每家 AI 分开：同一组题每天各问一遍，按 7 天汇总成这家 AI 这一周的提及率，和上一周比的时候再逐题看，每道题提到你的天数多了还是少了，用这些差算出这一家、这两周自己的线。差在线内写「持平」，过了线才叫涨或掉。别拿某一天的数下结论，也别把几家合成一个数来判断。

MaxAEO 对国内 8 家 AI 在三周内 6,713 条回答的统计显示，一个记作 A 的品牌，在单家 AI 上相邻两周的提及率要差出 1.43 到 5.71 个点才算变，这条线每家不一样，每次比也不一样。元宝上它连续两周都是 44.64%，40 道题里却有 23 道提到它的天数变了，9 道多、14 道少，两边正好抵掉。

平时看关键词排名的读者，到这边要先换一个单位。一道题在一家 AI 上问一次，记下来的是提了还是没提，提及率是把这些提没提加起来算的比例。下面不找「这个词今天第几」，只问两件事：这家 AI 这周和上周差了多少，这点差算不算数。

数据来自 40 道固定的题，国内 8 家 AI 每天答一轮，连问 26 天，起止日是 2026 年的 9 月 27 日和 10 月 22 日，留下 8,320 行，其中成功 8,232 行。题集是我们做监测时建的，主角 A 是同一类产品中别的一家，不是我们，名字记在 brand.json，不对外公开。这里只拿中间三个完整的周，9 月 28 日周一到 10 月 18 日周日，21 天、成功回答 6,713 条，头尾两段不足一周。

一条回答一行，用到状态、日期、平台、查询词、提及品牌详情五列，换成自己的监测导出，列名对上就能跑。「提及品牌详情」一行一个名字，名字里含 brand.json 的 keyword 就算这条回答提到了 A。下面几段代码按顺序接着跑。

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

cfg = json.load(open("brand.json", encoding="utf-8"))   # {"keyword": 名字里的关键词（小写）}
KW = cfg["keyword"]

rows = pd.read_json("rows.jsonl", lines=True, dtype=False)
ok = rows[rows["状态"] == "success"].copy()


def mentioned(cell):
    """提及品牌详情一行一个名字，名字里含关键词就算提到 A"""
    for line in str(cell or "").splitlines():
        if KW in re.sub(" *[(]情感:.*$", "", line).strip().lower():
            return True
    return False


ok["提及"] = ok["提及品牌详情"].map(mentioned)
base = ok[ok["日期"].between("2026-09-28", "2026-10-18")].copy()
base["周"] = (pd.to_datetime(base["日期"]) - pd.Timestamp("2026-09-28")).dt.days // 7 + 1
day = base.pivot_table(index=["平台", "查询词"], columns="日期", values="提及", aggfunc="first").astype(float)
print("全部", len(rows), "条 | 成功", len(ok), "条 |", rows["日期"].min(), "到", rows["日期"].max(), rows["日期"].nunique(), "天 | 这三周", len(base), "条 | 题", base["查询词"].nunique(),
      "| AI", base["平台"].nunique(), "| 格子", len(day), "| 天", day.shape[1], "| 缺", int(day.isna().sum().sum()), "格天")
```

输出：

```plaintext
全部 8320 条 | 成功 8232 条 | 2026-09-27 到 2026-10-22 26 天 | 这三周 6713 条 | 题 40 | AI 8 | 格子 320 | 天 21 | 缺 7 格天
```

## 一道题在一家 AI 上，今天提，明天未必提

一道题加一家 AI 是一个格子，40 道题、8 家 AI，一共 320 个格子，每个格子 21 天每天一个结果。先看相邻两天都有回答时，提没提变了没有，这叫翻转。再算一个对照：如果这道题每天提到 A 的概率 p 是固定的，两天各抽一次，翻转的比例该是 2p(1-p)，把每个格子的值平均起来，和实际翻转放在一起。

```python
def cell_stats(g):
    a = g.to_numpy()
    both = ~np.isnan(a[:, 1:]) & ~np.isnan(a[:, :-1])        # 相邻两天都有回答
    flip = (a[:, 1:] != a[:, :-1]) & both                    # 提没提变了
    p = np.nanmean(a, axis=1)                                # 每道题在这家 AI 上 21 天的提及率
    return {"提及率": np.nanmean(a) * 100, "隔天翻转": flip.sum() / both.sum() * 100,
            "独立抽期望": (2 * p * (1 - p)).mean() * 100, "从不提": int((p == 0).sum()),
            "时有时无": int(((p > 0) & (p < 1)).sum()), "天天提": int((p == 1).sum())}


t = pd.DataFrame({p: cell_stats(g) for p, g in day.groupby(level="平台")}).T.sort_values("提及率")
print(t.round(2).to_string())
a = day.to_numpy()
both = ~np.isnan(a[:, 1:]) & ~np.isnan(a[:, :-1])
flips = ((a[:, 1:] != a[:, :-1]) & both).sum(1)
p = np.nanmean(a, axis=1)
mid = (p > 0.2) & (p < 0.8)
print("320 格：从不提", int((p == 0).sum()), "| 天天提", int((p == 1).sum()), "| 时有时无", int(((p > 0) & (p < 1)).sum()),
      "| 翻转", int(flips.sum()), "/", int(both.sum()), "| 提及率 20%～80% 的", int(mid.sum()), "格占翻转", int(flips[mid].sum()))
```

输出：

```plaintext
            提及率   隔天翻转  独立抽期望   从不提  时有时无   天天提
wenxin     1.90   3.25   3.04  34.0   6.0   0.0
xunfei     4.52   6.00   5.96  28.0  12.0   0.0
deepseek  13.43   9.26   9.89  23.0  15.0   2.0
doubao    14.40  11.75  12.09  25.0  15.0   0.0
qianwen   20.71  19.75  19.05  19.0  21.0   0.0
kimi      41.19  18.88  18.80  11.0  25.0   4.0
yuanbao   43.50  19.02  18.56   7.0  27.0   6.0
zhipu     62.62  18.88  18.21   4.0  25.0  11.0
320 格：从不提 151 | 天天提 23 | 时有时无 146 | 翻转 853 / 6387 | 提及率 20%～80% 的 64 格占翻转 562
```

翻转最少的是文心一言 3.25%，讯飞星火 6.00%，DeepSeek 9.26%，豆包 11.75%，千问、Kimi、元宝、智谱四家都在 19% 上下。8 家的实际翻转和「每天各抽一次」的期望差都不到 0.8 个点，差得最多的千问是 19.75 对 19.05。这 21 天里，看不出一道题今天提了、明天就更容易提。每道题更像一枚偏重不同的硬币，这家 AI 今天没提 A，不等于这家变了。

320 个格子里，151 格 21 天一次也没提，23 格天天提，中间 146 格时有时无。6,387 对相邻两天翻转了 853 次，其中 562 次（66%）来自提及率在 20% 到 80% 之间的 64 格，这 64 格只占全部格子的 20%。

翻得多的那几家，正是时有时无的格子多的：元宝 40 道题只有 7 道从没提过 A，27 道时有时无；文心一言 34 道一次没提，想翻也翻不起来。所以某一天某家 AI 多提、少提了几道题，多半是这些格子换了结果，读不出这一家有什么变化。

## 这周和上周比，逐题算这家 AI 的线

把一家 AI 的 40 道题逐题算差：这周提到 A 的天数减去上周，每道题的差在 -7 到 7 之间，合起来除以回答数就是这一家提及率的差。

线这样算。假如这家 AI 其实没变，每道题多几天、少几天只是运气，差的正负号可以随便翻。把 40 道题的正负号随机翻 2,000 次，每次重新加总，取绝对值排在 95% 位置上的那个数，换算成百分点。实际的差超过它，才不像运气。这条线只用这两周的逐题差，不用先攒几周历史。

```python
wk = base.pivot_table(index=["平台", "查询词"], columns="周", values="提及", aggfunc="sum").fillna(0)
n = base.groupby(["平台", "周"]).size().unstack()
print("一周不足 280 条回答的：", {k: int(v) for k, v in n[n < 280].stack().items()})
SIGN = np.random.default_rng(0).choice([-1, 1], size=(2000, 40))


def line(d, N):
    """d 是每道题提到 A 的天数之差。把每道题的正负号随机翻 2,000 次，取合计差绝对值的 95% 分位，换算成百分点"""
    return np.quantile(np.abs(SIGN @ d), 0.95) / N * 100


def compare(p, x, y):
    g = wk.loc[p]
    d = (g[y] - g[x]).to_numpy()
    a, b = g[x].sum() / n.loc[p, x] * 100, g[y].sum() / n.loc[p, y] * 100
    L = line(d, (n.loc[p, x] + n.loc[p, y]) / 2)
    return {"AI": p, "周": f"{x}→{y}", "前": a, "后": b, "差": b - a, "线": L, "过线": abs(b - a) > L,
            "多": int((d > 0).sum()), "少": int((d < 0).sum()), "动的天数": int(np.abs(d).sum())}


platforms = t.index.tolist()
adj = pd.DataFrame([compare(p, x, y) for p in platforms for x, y in [(1, 2), (2, 3)]])
print(adj.round(2).to_string(index=False))
print("相邻周 16 次：过线", int(adj["过线"].sum()), "次 | 线", round(adj["线"].min(), 2), "~", round(adj["线"].max(), 2),
      "| 最大的降幅", round(adj["差"].min(), 2), "| 最大的涨幅", round(adj["差"].max(), 2))
ends = pd.DataFrame([compare(p, 1, 3) for p in platforms])
print("第 1 周比第 3 周")
print(ends[["AI", "前", "后", "差", "线", "过线"]].round(2).to_string(index=False))
d_all = np.concatenate([(wk.loc[p][y] - wk.loc[p][x]).to_numpy() for p in platforms for x, y in [(1, 2), (2, 3)]])
print("单题相邻周：共", len(d_all), "次 | 差 3 天以上", int((np.abs(d_all) >= 3).sum()), "| 差 4 天以上", int((np.abs(d_all) >= 4).sum()),
      "| 差 5 天以上", int((np.abs(d_all) >= 5).sum()))
```

输出：

```plaintext
一周不足 280 条回答的： {('deepseek', 1): 277, ('deepseek', 3): 277, ('yuanbao', 3): 279}
      AI   周     前     后     差    线    过线  多  少  动的天数
  wenxin 1→2  2.14  2.50  0.36 1.79 False  3  2     5
  wenxin 2→3  2.50  1.07 -1.43 1.43 False  0  3     4
  xunfei 1→2  5.71  4.64 -1.07 3.21 False  2  5    11
  xunfei 2→3  4.64  3.21 -1.43 2.86 False  3  4    10
deepseek 1→2 11.55 12.86  1.30 2.87 False  7  5    14
deepseek 2→3 12.86 15.88  3.03 4.31 False 10  4    22
  doubao 1→2 16.07 13.93 -2.14 5.00 False  4  7    22
  doubao 2→3 13.93 13.21 -0.71 5.00 False  7  5    22
 qianwen 1→2 18.21 22.14  3.93 5.36 False  9  4    25
 qianwen 2→3 22.14 21.79 -0.36 5.36 False 11  8    31
    kimi 1→2 39.29 41.07  1.79 4.64 False  8  7    23
    kimi 2→3 41.07 43.21  2.14 4.29 False 13  6    26
 yuanbao 1→2 44.64 44.64  0.00 4.29 False  9 14    28
 yuanbao 2→3 44.64 41.22 -3.42 5.01 False  6  8    24
   zhipu 1→2 61.07 63.21  2.14 5.71 False 10  8    30
   zhipu 2→3 63.21 63.57  0.36 5.36 False  8 11    29
相邻周 16 次：过线 0 次 | 线 1.43 ~ 5.71 | 最大的降幅 -3.42 | 最大的涨幅 3.93
第 1 周比第 3 周
      AI     前     后     差    线    过线
  wenxin  2.14  1.07 -1.07 1.79 False
  xunfei  5.71  3.21 -2.50 3.93 False
deepseek 11.55 15.88  4.33 3.61  True
  doubao 16.07 13.21 -2.86 3.57 False
 qianwen 18.21 21.79  3.57 6.43 False
    kimi 39.29 43.21  3.93 4.64 False
 yuanbao 44.64 41.22 -3.42 5.72 False
   zhipu 61.07 63.57  2.50 5.36 False
单题相邻周：共 640 次 | 差 3 天以上 29 | 差 4 天以上 5 | 差 5 天以上 0
```

先看开头那个例子。元宝第 1 周到第 2 周，提及率都是 44.64%，一点没动，可是 40 道题里 23 道的提及天数变了，9 道多、14 道少，多的加起来 14 天，少的加起来也是 14 天。只看提及率，这周什么都没发生；逐题看，一半多的题在换结果。

16 次相邻周的比较里，线最窄 1.43（文心一言第 2 周到第 3 周），最宽 5.71（智谱第 1 周到第 2 周），最宽是最窄的 4 倍。线的宽窄跟着这两周逐题差的多少走：文心一言只动了 4、5 天，线 1.43、1.79；智谱和千问动了 25 到 31 天，线都不低于 5.36。

结果是 16 次一次都没过线。降得最多的是元宝第 2 周到第 3 周，少了 3.42 个点，这一次的线是 5.01；涨得最多的是千问第 1 周到第 2 周，多了 3.93 个点，线 5.36。这些差放在报告里都很显眼，按线看都算持平。

拉长到第 1 周比第 3 周，8 家里过线的只有 DeepSeek，11.55% 到 15.88%，多了 4.33 个点，线 3.61，还是涨。这一次也别急着当真：相邻周 16 次加首尾 8 次一共比了 24 次，95% 的线本来就允许每 20 次误报 1 次，24 次里约 1.2 次，这里一共出现了 1 次。看着掉得不少的两家，豆包三周从 16.07% 到 13.21%，少 2.86 个点，线 3.57；元宝从 44.64% 到 41.22%，少 3.42 个点，线 5.72，都还在线内。

单题也可以这样看。640 次相邻周比较（8 家、2 对周、40 道题）里，提及天数差 3 天及以上的 29 次，差 4 天及以上的 5 次，差 5 天及以上的 0 次。差到 4 天，在这份数据里就算少见，值得去读这道题在这家 AI 上的原文。

## 真掉了多少，这条线才响

线一直不响，也可能是线太宽。所以反过来试：拿真实数据，把后一周提到 A 的回答随机抹掉 20%、30%、50%，当作 A 在这家 AI 上真的少了这么多提及，再用同样的办法算线，看有多少次会报「掉」。每家、每个比例，相邻两对周各做 200 次。

```python
rng = np.random.default_rng(1)
res = {}
for p in platforms:
    row = {}
    for r in [0.2, 0.3, 0.5]:
        drops, alarms = [], []
        for x, y in [(1, 2), (2, 3)]:
            g = wk.loc[p]
            for _ in range(200):
                kept = rng.binomial(g[y].astype(int).to_numpy(), 1 - r)      # 把这一周提到 A 的回答随机抹掉 r
                d = kept - g[x].to_numpy()
                gap = (kept.sum() / n.loc[p, y] - g[x].sum() / n.loc[p, x]) * 100
                drops.append(gap)
                alarms.append(gap < -line(d, (n.loc[p, x] + n.loc[p, y]) / 2))
        row[f"抹{int(r * 100)}%掉"] = np.mean(drops)
        row[f"抹{int(r * 100)}%报"] = np.mean(alarms) * 100
    res[p] = row
sim = pd.DataFrame(res).T
sim.insert(0, "21天提及率", t["提及率"])
print(sim.round(1).to_string())
```

输出：

```plaintext
          21天提及率  抹20%掉  抹20%报  抹30%掉  抹30%报  抹50%掉  抹50%报
wenxin       1.9   -0.9   19.8   -1.0   18.8   -1.4   20.2
xunfei       4.5   -2.1    1.8   -2.5    8.0   -3.2   35.2
deepseek    13.4   -0.6    6.5   -2.1   28.2   -5.0   52.0
doubao      14.4   -4.2   13.0   -5.4   46.2   -8.2   98.5
qianwen     20.7   -2.6    5.0   -4.7   23.5   -9.2   83.8
kimi        41.2   -6.5   65.5  -10.7   99.0  -19.1  100.0
yuanbao     43.5  -10.3   99.8  -14.6  100.0  -23.2  100.0
zhipu       62.6  -11.3   99.2  -17.8  100.0  -30.3  100.0
```

表里「掉」是平均掉了多少个点，把这两周本来的差也算进去了；「报」是过线的比例。按提及率高低分三档：

| 这家 AI 的提及率 | 这几家 | 少两成，报掉的比例 | 少三成 | 少一半 |
|---|---|---|---|---|
| 40% 以上 | Kimi、元宝、智谱 | 65.5%～99.8% | 99%～100% | 100% |
| 13%～21% | DeepSeek、豆包、千问 | 5%～13% | 23.5%～46.2% | 52%～98.5% |
| 5% 以下 | 讯飞星火、文心一言 | 1.8%～19.8% | 8%～18.8% | 20.2%～35.2% |

同样是提及少了两成，放到不同的家差得很远。元宝上平均掉 10.3 个点，几乎次次都报；千问上平均掉 2.6 个点，只有 5% 的时候报。提及率在 5% 以下的两家，提及少一半也只有 20.2% 和 35.2% 的时候报得出来，文心一言上一周 280 条回答只提到 A 3 到 7 次，过不过线靠的是一两条回答。这几家别写单周涨跌，把几周的提及次数列出来，有变化去读原文。

## 替客户或自己盯，每家 AI 一周一行

每家 AI 占一行，写五样：本周提及率、上周提及率、差、这次算出来的线、多几道题少几道题。差在线内写「持平」，不写小幅回落。

拿元宝第 3 周举例：41.22%，上周 44.64%，少 3.42 个点，线 5.01，6 道题多、8 道题少，这一行写持平。甲方要是问「豆包是不是一路在掉」，豆包这三周依次 16.07%、13.93% 和 13.21%，可以这样答：方向朝下，但第 1 周比第 3 周少 2.86 个点，线是 3.57，还在线内，再看一周。

过了线再往下查：先列出这家 AI 这两周提及天数差 3 天及以上的题，读这几道题的回答原文，看是 A 被换成了别的名字，还是整段回答的方向变了。

从排名报告转过来，第一反应多半是盯某一道题、某一天。这边的单位是一家 AI、一周：单题和单日都还落在硬币那一层。

## 这组数的边界

- 只有一个品牌、40 道题、8 家 AI、21 天。换品牌或换题，线和报警比例都要重算。
- 线假定题和题之间的差互不相干。题集里问法相近的题多了，真实的线会比算出来的宽。
- 提及率前后两周各用自己的回答数当分母，线用两周平均回答数换算成百分点；DeepSeek 第 1 周和第 3 周各少 3 条回答，元宝第 3 周少 1 条。
- 文心一言第 2 周到第 3 周的线 1.43，是因为只有 3 道题有差，线就等于这几道差全部同向时的合计，实际的差追平了线也不算过。线窄不等于灵敏。
- 抹掉模拟假定提及是均匀少的，真实的掉可能集中在几道题或某几天，报警比例会不一样。
- 隔天翻转看的是三周的平均。这里只能说这 21 天看不出前一天提没提影响后一天，不能说每家 AI 一直这样。


监控品牌在不同 AI 平台的提及率变化，先把每家 AI 分开：同一组题每天各问一遍，按 7 天汇总成这家 AI 这一周的提及率，和上一周比的时候再逐题看，每道题提到你的天数多了还是少了，用这些差算出这一家、这两周自己的线。差在线内写「持平」，过了线才叫涨或掉。别拿某一天的数下结论，也别把几家合成一个数来判断。

如何监控品牌在不同 AI 平台的提及率变化？同一家 AI 连续两周都是 44.64%，40 道题里 23 道其实变了（附 pandas）

不同 AI 平台的提及率要逐家按周看，每家配自己的线。实测 8 家 AI 相邻两周的线在 1.43 到 5.71 个点之间，16 次周环比 0 次过线；元宝两周都是 44.64%，40 道题里 23 道变了。附 pandas。

人工智能

大数据

测试

监控品牌在不同AI平台的提及率变化，需按周逐题对比，单家AI相邻两周提及率差需超过1.43至5.71个百分点才算显著变化。数据显示，元宝第2至3周提及率降3.42点未过线，判定持平；DeepSeek三周涨幅4.33点过线。多数平台变化均在线内，建议关注单题提及天数差超3天的案例。

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

如何监控品牌在不同 AI 平台的提及率变化？同一家 AI 连续两周都是 44.64%，40 道题里 23 道其实变了（附 pandas）-腾讯云开发者社区-腾讯云

如何监控品牌在不同 AI 平台的提及率变化？同一家 AI 连续两周都是 44.64%，40 道题里 23 道其实变了（附 pandas）

如何监控品牌在不同 AI 平台的提及率变化？同一家 AI 连续两周都是 44.64%，40 道题里 23 道其实变了（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