一句话：事先声明竞品集，用同一段代码在同一遍扫描里判定每一个成员，对所有人用完全相同的名称归一化，平局判给对方——做不到这几条，这个数字就是结构性地在奉承你。
为什么不对称是默认的故障
没有人是故意作弊的。偏差来自于：检测逻辑是对着你自己的品牌名写完并测通的，然后才顺手扩展到竞品。典型形态：
- 匹配规则不同。自己按子串匹配，竞品按全名匹配。「Acme」能抓到「Acme 的定价」，而「Zenith Systems」漏掉「Zenith」。
- 判定路径不同。自己走能理解上下文的 LLM 判定，竞品走词表。
- 归一化不对称。「Acme」和「Acme Systems」对你合并成一个实体，而竞品被拆成两行，每行只显示真实数字的一半。
- 负面提及对自己算出现、对别人不算。
我们上线过一个同时有其中好几条的版本。某个品牌显示声量份额 31%、排名第二；诚实的数字是 0% 和倒数第一。代码里没有任何一处单独看是错的。
一遍扫描、一段代码，集合里每个品牌都算，包括你自己。平局判给对方，不判给自己。
谁该进这个集合
三道测试，必须全过：
| 测试 | 为什么 |
|---|---|
| 买家确实可能改选他们 | 否则你在和一家没人拿来跟你比的公司较劲 |
| 他们确实出现在你那组问题的答案里 | 从不出现的竞品带来的是噪声不是信号 |
| 他们的名字足够无歧义、能被判定 | 名字是常用词的品牌会让所有人都产生误判 |
相邻品类的公司是常见陷阱。它们在定位文档里看起来像竞品，在数据里表现得像噪声，因为引擎不会为同样的问题把它们呈现出来。
对所有人都成立的归一化规则
规则写一次，对每个品牌都适用：去掉公司后缀、把常见简称合并进全名、处理所有格形式、处理域名形式。然后先拿一个竞品的名字测这套规则——如果它只对着你自己的名字被测过，你并不知道它是否管用。
改动竞品集属于方法论变更
声量份额是一个份额。增删一个竞品就改变了分母，于是所有历史数字都会挪位。竞品集要和问题集一起编版本号，记录每一轮用的是哪一版；改动之后，要么重算历史，要么开一条新曲线——但要说清楚你做的是哪一种。
能抓住大部分问题的那个检查
拿一条把你判为出现的答案，和一条把竞品判为出现的答案，两条都人工读一遍。如果这两个判断经不起互换——如果换成竞品那句话你会判得不一样——那么无论代码怎么写，这个检测就是不对称的。