简答：AI 回答里的声量份额，就是你的品牌被点名的次数，除以回答里所有品牌被点名的次数之和；要在一组固定的买家问题上算，并且每个引擎分开算。想得到一个经得起追问的数字，靠的是六步：固定问题集、记录每个引擎怎么跑的、保存回答原文、把所有品牌都抽出来而不只是名单上的、逐个引擎计数，最后把分母和份额并排报出来。
这篇用一个小例子把六步走一遍。姊妹篇 AI 答案里的品牌份额讲的是另一面：别人交给你一个份额数字时，怎么读、怎么查。
顺序之所以要紧，是因为每一步都在保护下一步。问题集在漂移，计数做得再仔细也救不回来；没存回答原文，计数做得再仔细也没法核对。时间紧的话，宁可少问几道题，也别省掉任何一步。
第一步：测声量份额之前，先把问题集固定下来
这件事里的每一个百分比，分母都是问题集。问题集在两轮之间变了，数字就会变，哪怕你的可见度其实纹丝未动。三条规矩让问题集保持诚实：
- 题面里不出现品牌名，你的和竞品的都不行。你问助手「某某公司靠不靠谱」，它当然会点那家公司的名。这测不出品牌会不会自己浮现出来。
- 写成带处境的完整句子。带预算、限制条件或使用场景的问题，点名的品牌集合和光秃秃的品类词完全不同，而买家本来就是用句子在问。
- 每道题都标上意图，这样「调研类问题里份额高、购买类问题里份额低」这种情况才能被看见，而不是被平均掉。
把问题集冻结，并给它一个版本号。怎么写一组这样的问题，见搭建提示词集。
第二步：记下每个引擎是怎么跑的
每一轮都要记录：问了哪些引擎、是否开启了联网检索。这些是量尺的一部分，不是细节。有一次开启检索，某个站点从 3% 跳到 13%，而站点本身什么都没做；要是画成趋势，就等于把一次测量方式的改动，当成品牌自己的进步报了出去。
检索还决定了引擎看得到什么。开启检索后，回答能不能用上你的页面，取决于引擎的搜索代理和用户触发的代理抓不抓得到：ChatGPT 对应 OAI-SearchBot 和 ChatGPT-User，见 OpenAI 的爬虫文档；Perplexity 对应 PerplexityBot 和 Perplexity-User，见 Perplexity 的爬虫说明。如果份额下滑恰好和一次 robots.txt 或 CDN 改动同时发生，那是访问问题，不是口碑问题。
并不是每个引擎都能这样核对。xAI 没有公开文档化的爬虫 User-Agent，所以 Grok 的访问情况没法按名字确认；把它作为已知缺口写进这一轮的记录里，而不是默认「应该没问题」。每一轮的市场和语言也要记下来：同一个问题换一个地区问，就是另一个问题，回答里点名的品牌也会是另一批。
第三步：保存回答原文，也保存失败
每条回答都要存全文，连同引擎、问题、日期和被引用的 URL。没有原始回答，你就分不清是计数出了 bug 还是真的变了，而这两种情况你迟早都会碰到。
失败也要存。模型超时或请求失败时，正反两面都没有产生证据。这一格应记为「未测量」，而不是「未提及」，并且把尝试数和完成数并排报告。把失败当成 0，会把份额往下拽，让一个正常的月份看起来像在下滑。两者的区别见术语表里的未测量不等于零。
第四步：把每个品牌都抽出来，并合并别名
回答里点到的每个品牌都要抽出来，而不只是你竞品名单上的那几家。如果对自家品牌宽松匹配、对竞品只认一份固定名单，名单外的品牌就全部掉出分母，你的份额从结构上就被抬高了。竞品名单的用处是在报告里高亮几行，而不是决定谁算数。
然后，在计数之前把同一品牌的不同写法合并成一个实体：大小写、标点、公司后缀，以及用产品线名代替公司名。把竞品拆成几行，会低估它、抬高你；把自己拆开，则会低估自己。同一套规则、同一遍扫描，用在每一个品牌上。具体规则见竞品集设计。
别每一轮都手工合并别名，维护一张映射表：每种写法一行，指向它所属的实体，在任何计数之前统一套用，并且和方法的其他部分一起打版本。出现新写法时加一行，过去的结果也会随之改变，所以映射表一改，就要重述历史。那些边界情况，比如子品牌算不算母品牌，也在这张表里一次定下来，而不是每份报告各判各的。
第五步：声量份额一次只算一个引擎
计算本身很短：
声量份额(品牌, 引擎) =
该引擎已完成回答中，该品牌被点名的次数
/ 该引擎已完成回答中，所有品牌被点名的次数之和
点名一次 = 某品牌出现在一条回答里，每条回答最多记一次
已完成 = 请求拿到了回答；失败的那一格剔除，而不是记成零下面是某一个引擎上、五道问题的小例子：
| 问题 | 被点名的品牌 | 点名次数 |
|---|---|---|
| Q1 | 品牌 X、品牌 Y、你 | 3 |
| Q2 | 品牌 X、品牌 Y | 2 |
| Q3 | 谁都没点 | 0 |
| Q4 | 品牌 X、品牌 Z、你 | 3 |
| Q5 | 请求超时 | 未测量 |
五道题里完成了四道，一共 8 次品牌点名。你被点了 2 次，份额就是八分之二，也就是四分之一；品牌 X 占八分之三。你的提及率，即点到你的回答占已完成回答的比例，是四分之二。Q3 谁都没点，值得在报告里单列一行：那是一块空地，不是一次失利。Q5 从分子和分母里都剔除，作为缺口报告。
再看常见的错法。如果你的判定程序只认识品牌 X 和品牌 Y，品牌 Z 就会掉出去，总数降到 7，你的份额变成七分之二，而什么都没有变。声量份额虚高的全部机制就在这里：输出里看不出任何异样。
每个引擎都这样算一遍，然后分开报告。在我们自己的基准里，一个模型每条回答平均点名 3.5 个提供方，另一个只有 2.1 个；两者的平均值，哪个都描述不了。
第六步：把分母和 AI 声量份额并排报出来
没有上下文的份额没有意义。每一个数字旁边都要写明：
- 问题集及其版本号，以及时间范围。
- 用了哪些引擎、是否开启检索。
- 尝试与完成的回答数。
- 被点名的不同品牌总数。117 家里的 1% 和 5 家里的 1%，是完全不同的处境。
- 你在所有被点名品牌中的名次，而不只是在你挑的竞品里的名次。
- 有多少道不同的问题点到了你。在好几道题里各出现一次，比在一道题里反复出现更扎实。
如果一轮下来完成的回答太少，就不要报份额。几条回答算出来的百分比，下一轮就会大幅摆动，而读的人会把这种摆动当成新闻。
一个实用的版式是每个引擎一块：份额用大字，六项上下文用小字围在旁边。只扫一眼大数字的读者，也能看到它来自多少条回答、是在多少个品牌当中算出来的。声量份额和引用数据也要分成两块放：你的页面可能是某条回答的引用来源，而那条回答推荐的却是竞品，把两者合在一起，报告就被美化了。
每条规矩为什么存在
上面每一步，都对应我们自己犯过的一个错。不对称的竞品判定曾让一个品牌显示声量份额 31%、排名第二；对称地重测之后，是 0% 和倒数第一。一组由 LLM 生成的问题集里，15 道题有 13 道带品牌名，分数显示 13%，而诚实的数值是零。这两个错误，在最终数字里都看不出来。
另外，即使什么都没变，回答在轮次之间也会波动。只有在同一口径版本下、连续两轮都出现的变化才当真；怎么设置，见衡量随时间的变化。如果不想自己搭这套流程，InsightWonder 的竞品情报默认就按这些规矩来算。
资料来源
- OpenAI，OpenAI 爬虫概览。
- Perplexity，Perplexity 爬虫说明。
- InsightWonder 的测量规则与 2026 年 7 月、8 月的检测事故记录，以及我们覆盖五个模型的自有基准。