AI用你的语言把答案说得挺顺，底下挂的来源却是一水儿的英文页面

摘要：问题用芬兰语提，答案也用芬兰语给，读着挺顺，可底下挂出来的来源清一色是英文页面。回答语言和来源语言是两个独立字段，绝大多数团队把它们当成了一个。这篇讲清这种偏差是怎么从检索池的形状里长出来的、怎么用十种语言十个问题在一个下午自己测一遍，以及为什么在某些查询类型上它无害、在另一些上它直接给出错的答案。

回答用的是你的语言，引用的来源是哪门语言，你分开记过吗？

一个被顺手合并掉的字段

先描述现象，再说它为什么重要。

用芬兰语问一个关于露营炉具的问题，得到的是一段芬兰语回答。

翻到底下的来源清单，六条里五条是英文站。

你会本能地觉得没什么问题，毕竟答案是芬兰语的。

可这段芬兰语答案里的每一个事实，都来自那五个英文页面。

它不是用芬兰语的资料写的，它是把英语资料翻译着说给你听。

回答语言和来源语言是两个独立字段，把它们当成一个，是这个领域里最常见的观测错误。合并之后你会得出一个乐观得离谱的结论：这门语言已经被很好地支持了。实际情况是语言这一层被支持得不错，知识那一层根本没进来。前者是生成能力，后者是检索池的构成，两件事之间隔着一整套完全不同的工程。

顺手合并的还不止这一处。来源条数、来源新鲜度、来源类型，这几列也常被压缩成一句引用了几个来源。等到要分析为什么某个市场表现异常时，才发现手头的数据粒度根本不够，只能从头再采一遍。采集阶段多留两列的成本几乎为零，事后补采的成本是一整轮实测。

两个字段拆开之后能看到什么

拆开的动作很轻，收益很大。

建两列，一列记回答用的是哪门语言，一列记每条来源属于哪门语言。

跑二十条查询，两列的差异立刻显形。

英语查询里，两列基本一致。

德语查询里，来源语言那列开始混。

芬兰语、越南语、匈牙利语这一档，来源语言那列几乎全变成英语。

这条曲线的形状跟母语人口没关系，跟这门语言在网上有多少文档有关系。公开网络语料按语言统计的分布图可以直接看到这个形状：英语一家占掉将近一半，第二名往后掉得非常陡，排到第二十位的时候已经是百分之一的量级，再往后就是小数点后面的事了。检索池的形状就长这样，答案自然也长这样。

第一次拆开跑完，多数人的反应是同一句话：原来一直看的是另一件事。这种反应本身就说明这个字段值得拆——如果拆开之后两列高度一致，那说明合并没造成损失，五分钟就能验证完；一旦不一致，你之前所有基于合并数据得出的结论都要重新过一遍。

为什么大家只记回答语言

因为回答语言是看得见的，来源语言要点开才看得见。

而且回答语言是可以被产品公告承诺的，来源语言不能。

官方公告说支持40多种语言，说的是回答语言。

没有任何一份公告承诺过来源会用你那门语言。

这不是隐瞒，是这两件事本来就归不同的系统管。

但读公告的人会自动把它理解成全套支持。

今年五月那次扩到200多个国家、40多种语言的公告就是个很好的例子。从半年多前的六门语言涨到40多门，这是实打实的进展，值得高兴。但它承诺的是你可以用这门语言提问并得到这门语言的回答，它没有、也没法承诺答案背后的资料是这门语言写的。这两句话的距离，就是本文要讲的全部内容。

还有一个更现实的原因：来源清单在界面上往往是折叠的，要多点一下才展开。观测行为跟界面设计强相关，凡是需要多一次点击才能看到的东西，长期来看就等于没人看。这不是懒，是注意力的自然分配，只能靠把它写进固定的记录表来对抗。

第三个字段：来源属于哪个国家

拆到两个字段还不够，第三个字段能省掉很多误判。

来源语言是英语，来源国家可能是美国、英国，也可能是印度或者新加坡。

对一个卖露营装备的德国站来说，这三种情况的严重程度不一样。

英美来源讲的规格标准跟欧盟不一样。

但如果来源是一家德国站的英文版页面，事实其实是对的。

只看语言这一列，你会把后面这种情况误判成问题。

所以完整的记录是三列：回答语言、来源语言、来源域名归属。第三列不用记国家名，记域名就够，反正后面要按域名去归类。这个三列结构跟上一篇里国家坐标和语言坐标要分开建字段的做法是同一个思路的延伸：那边拆的是产品覆盖，这边拆的是来源构成，共同点都是别让两个不同量纲的东西共用一列。

域名这一列建议原样记录，别提前归类。你以为的分类标准在跑完两轮之后大概率要改，而原始域名可以随时重新归类，归类结果覆盖不掉原始数据。这条是做任何手工采集时的通用纪律：采集记原子事实，归类留到分析阶段。

语言偏差到底是模型的偏见，还是检索池的形状？

检索池里各语言的文档量差多少

先把量级说清楚，很多争论到这里就结束了。

公开网络语料里，英语的占比长期在四成到五成之间。

排第二的语言通常在百分之五到六。

掉到第十位，大约是百分之一到二。

掉到第三十位，已经是千分之几。

而全世界有几千门语言。

这不是一条平缓下降的曲线，是一条摔下来的曲线。要感受这个落差，可以拿两个数字对比：英语文档的数量级和芬兰语文档的数量级之间，差着两个甚至三个零。检索系统在这样一个池子里挑最相关的几篇，挑出英语的概率天然就高——不是因为它偏爱英语，是因为符合条件的候选里英语文档本来就多得多。这类开放网络语料库的原始统计每个月都在更新，各语言的相对位置这些年几乎没变过。

这条曲线还有一个不太直观的性质：它在中段特别陡。前十门语言之间的差距是几倍，第十到第三十之间的差距就变成几十倍了。所以一门语言从第三十位挪到第二十位，感知上的改善会比从第十位挪到第五位大得多——大多数需要争取的语种，恰好都在这段最陡的坡上。

偏差到底在哪一步产生

把链路拆开看，一共有三处可能产生偏差。

第一处是语料构成，各语言文档量本身就不平衡。

第二处是检索环节，检索器倾向于挑哪一门语言的文档。

第三处是生成环节，模型拿到多语言资料后更信哪一份。

三处会叠加，也会互相抵消，所以只测最终结果会看不清病灶。

研究这件事的论文最近两年多了起来。一份专门研究多语言检索增强系统语言偏好的工作把这三步拆开测过，结论里有一条特别值得记住：偏差在低资源语言上会被放大，也就是说越是本语言文档少的语种，最终引用到本语言来源的概率下降得越快，两者不是线性关系。这跟直觉一致，但直觉给不出量级，论文给得出。

三处偏差里，能被你影响的只有第一处。检索器怎么挑、生成时更信谁，这两处你改不动；而语料构成这一处，在你的品类、你的语言这个交叉格子里，一家公司的产出确实能占到可观的比例。所以诊断要三处都看，动手只在第一处。

说成偏见会让你做错动作

用词很重要，这一节讲的是它怎么影响决策。

说成偏见，动作就变成了投诉、等待修复、写公关稿。

说成检索池形状，动作就变成了往池子里放东西。

后一种描述准确得多，也可执行得多。

因为池子的形状你确实能改一点点，尤其是在你这个品类里。

一个语种的整体语料你改不动，一个语种在某个细分品类下的语料，你一家就能改动可观的比例。

凡是能把一个抽象归因换成一个可施工的对象，就该换。偏见是别人的属性，池子是可以往里放东西的容器。同一件事的两种说法，导出的行动完全不同——而在小语种这个场景里，第二种说法还额外附带一个好消息：你要竞争的那个池子，小到你有可能真的把它填满一角。

用词还会影响预算能不能批下来。带着偏见两个字的方案，读起来像一次维权；带着补齐本语言内容供给的方案，读起来像一次常规的内容投入。同一件事，后一种说法在预算会上活下来的概率高得多，而它还更准确。

低资源语言里，来源语言的分布长什么样？

高资源语言：本语言来源占多数

从好的那一端开始看。

德语、日语、西班牙语这一档，本语言来源通常能占到多数。

混进来的英语来源多半是官方文档、标准条文、厂商页面。

这一档的问题不是缺来源，是来源质量参差。

你要抢的是位置，不是填空。

打法跟英语市场差别不大，可以直接搬那套经验。

需要留意的是这一档内部也有分化：同样是高资源语言，商业内容丰富的品类和冷门品类完全是两回事。日语的美妆护肤内容多到挑花眼，日语的专业露营装备内容就稀疏得多。资源丰度是语言和品类的交叉属性，不是语言的属性，这条在问答长尾那篇里已经说过一次，在来源分布上同样成立。

这一档还有一个容易被忽略的机会：本语言来源虽然多，但其中相当一部分是论坛贴、问答站、聚合页。真正由品牌方写的、结构清晰的正面回答仍然稀缺。所以位置多不代表位置满，挑那些目前由用户生成内容占据的问题去做，是这一档里最省力的一条路。

中等资源语言：一半一半的拉锯

中间这一档最有意思，也最值得投入。

波兰语、越南语、印尼语、土耳其语大致在这一档。

本语言来源和英语来源大约各占一半。

而且这个比例在不同查询上摆动得厉害。

通用问题偏本语言，专业问题偏英语。

意味着边界是活的，你的内容能把它推动一格。

这一档是投入产出比最高的，原因很实际：本语言里已经有一定的内容基础，说明这门语言的商业写作是成立的、受众是有阅读习惯的；同时缺口又足够大，你补进去的东西能改变分布。太高的那一档你只是众多候选之一，太低的那一档你可能是在一个还没有阅读习惯的语言里自说自话。

判断自己属于哪一档不要凭感觉，用一个外部参照对一下。按国家整理的数字生态年度报告里有网民规模、语言使用、平台渗透几组基础数据，跟你实测出来的来源分布放在一起看，能很快判断出这个市场是内容供给不足还是用户根本不在这门语言上活动。

低资源语言：本语言来源接近消失

最后看最陡的那一端。

斯瓦希里语、豪萨语、蒙古语、老挝语这一类。

来源清单里能出现一条本语言页面就算稀奇。

绝大多数情况下是英语来源，偶尔混一条邻近大语种的。

回答依然会用本语言给出，读着还挺流利。

所以这一档的风险不是没有答案，是有一个看起来完整的答案。

这里跟另一件事接上了：本语言里找不到资料的时候，本地规则那一类事实会被英语世界的默认值补上，语法正确、语气自然、内容不对。低资源语言幻觉率那篇把这类错误拆成了四种形态，读起来会觉得眼熟——本文测的是来源那一侧，那篇测的是结果那一侧，其实是同一条链路的两端。一份面向文化敏感任务的跨语言稳健性基准就是奔着这个缺口去的，它测的正是当问题涉及本地文化与本地规则时，跨语言检索会失准到什么程度。

怎么自己跑一次引用来源实测？

十种语言十个问题的最小可行设计

不需要预算，不需要工具，一个下午。

选十门语言，覆盖高中低三档，别全挑自己熟的。

选十个问题，同一件事翻成十种语言问。

问题要具体到有唯一答案，别问哪个牌子好。

比如某种材质能不能机洗、某类燃料能不能托运。

一百次查询，两个人分头做，半天能跑完。

关键在于同一个问题跨十种语言问，而不是每种语言问不同的问题。只有问题相同，语言这一个变量才是干净的；否则你分不清差异来自语言还是来自问题难度。这条听着像常识，但实际操作时非常容易破功——翻译过程中总有人顺手把问题改得更符合当地习惯，改完这批数据就没法横向比了。

选语言的时候有个现成的参照可用：低资源机器翻译评测基准FLoRes的语言清单覆盖了两百门语言，按资源丰度排布得很均匀，直接从里面挑三档各三四门，比自己拍脑袋挑要均衡得多。挑完记得留一门英语当参照系。

每次记录哪三个字段

字段设计决定这份数据一年后还能不能用。

第一个字段：回答用的是哪门语言。

第二个字段：每条来源分别是哪门语言。

第三个字段：每条来源的域名。

另外记两个辅助项，查询日期和来源条数。

不记评分，不记主观判断，不记你觉得答对没答对。

主观判断留到分析阶段再做，采集阶段只记客观事实。这一点在多人协作时尤其要守，因为不同的人对答得好不好的标准不一样，而对这是不是英文页面的判断完全一致。母语审校那篇里那条老经验在这里同样适用：把需要判断的动作拆成一个谁都能执行的动作，这份工作才能规模化。

再补一条实操细节：来源语言不要靠肉眼判断域名后缀。一个 .de域名上完全可能是英文内容，一个 .com上也可能是德语内容。判断依据必须是页面正文的语言，域名归属是另一列的事，两者混起来记会污染整份数据。

什么时候需要加对照组

大多数情况下不用，有两种情况必须加。

第一种是你想证明某个改动起了作用。

那就必须留一组不改的语言或不改的问题当对照。

第二种是你怀疑结果受地理位置影响。

那就在两个不同的网络环境下各跑一遍。

没有对照组的实测只能描述现状，不能归因。

对照组的选法有个坑要避开：别挑表现最好和最差的那两组当对照，挑中间的。极端组的波动本来就大，用它们做对照，你会把噪音读成效果。这跟做A/B测试时不能挑极端样本是同一个道理，只是在这种小样本的手工实测里更容易犯。

还有一种情况值得加对照：怀疑结果受账号历史影响时。同一个问题在两台从未用过的设备上各问一次，如果结果差异明显，说明个性化因素在起作用，那么你之前所有的单人实测数据都要打个折扣看。这个检查一次就够，做完心里有数。

一次完整实测大概要花多久

给个能写进排期表的数字。

第一次做，含设计和翻译问题，两个人两天。

之后每次重跑，两个人半天。

整理和出图，再半天。

建议的频率是每季度一次，别每周做。

因为这个分布变化很慢，测太密只会看到噪音。

一年四次，两年八个数据点，这条曲线的形状就出来了，比任何单次快照都有价值。做这件事最难的其实不是执行，是坚持——它的产出要到第三第四次才显现。保哥的做法是把它挂进季度例行事项，跟财报周期对齐，谁都不用记得，到日子自然会跑。

为什么第一次这么贵，因为贵在设计而不是执行。问题选得好不好、翻译准不准、字段定得全不全，这些一次性成本决定了后面八次重跑的质量。所以第一次做的时候值得慢一点，多花的那一天会在后面两年里连本带利收回来。

偏差的方向会不会随着查询类型翻转？

事实型查询：用英语来源没什么问题

先说无害的那一类，免得把话说得太满。

物理常识、材料属性、通用原理，这类事实不分国界。

某种面料的透气原理，用英语资料和用芬兰语资料，答案一样。

这时候来源是英语反而是好事，因为英语资料更全、更新更快。

用户拿到的是本语言的表达加上更好的信息。

这一类查询上，语言偏差是个纯粹的好消息。

所以别一看到来源全是英文就报警。先问一句这个问题的答案会不会随国家变，不变的那些，来源是哪门语言都无所谓。把这一类先筛掉，剩下的清单会短很多，也更容易说服团队投入——一份三十条的高危清单，比一份三百条的全量清单有用得多。

识别这一类有个很省事的判据：把问题里的国家名换掉，答案会不会变。不变的就是跨国一致的事实，来源用哪门语言都行；一换国家答案就得改的，就是下一节要说的那一类。这个判据不需要任何专业知识，一个实习生拿着问题清单半天能筛完。

本地规则型查询：用英语来源就是错的

这一类是本文真正想说的重点。

退货期限、税费口径、尺码对照、安全标准、保修条款。

这些答案在每个国家都不一样，而且差异是硬性的。

用英语来源回答一个德国用户的退货问题，多半会给出美式口径。

读着完全通顺，格式完全正确，结论完全不对。

用户照着做，第十五天来退货，你这边只能拒绝。

这类错误的特殊之处在于它有法律和售后的实体后果，而不只是体验差一点。欧盟消费者权益指令给出的撤回期是14天，德国民法典里对应的条文写得更细，撤回权那一条和欧盟层面的消费者权益指令说明页放在一起，就是这个市场的标准答案。如果本语言里没有一个页面把它写清楚，那这道题就只能由英语来源来答。

还有一类容易被漏掉的本地规则：平台侧的规则。同一个品牌在不同国家的官方渠道、授权状态、保修受理点都不一样，而这些信息只在本地页面上写着。用英语来源回答，用户会得到一个在别的国家成立的答案，然后拿着它去找一个不存在的服务点。

品类比较型查询：错得最隐蔽

第三类夹在中间，也最难发现。

哪种材质更适合、哪个规格更常用、大家一般选哪个。

这类问题的答案跟当地的气候、习惯、渠道结构都有关。

英语来源给的是英美市场的常见选择。

它不违法，也不算事实错误，就是不适合本地。

而用户和你都很难指出它到底错在哪儿。

举个具体的：北欧市场露营用的季节划分和睡袋温标习惯，跟北美的表述体系不完全对齐。英语来源给出的建议，套到芬兰的夏天不能说错，但那不是当地人会给的建议。这一类的危害不在于给出错误答案，而在于它悄悄地把另一个市场的常识安装成了本地常识。三类查询里，第一类可以放着不管，第二类必须守，第三类值得慢慢补——优先级就是这么排的。

识别这一类的办法只有一个：让本地人读。把答案给本地同事看，问一句这是这儿的人会给的建议吗。他们通常答得很快，也说得出哪儿不对劲。搜索意图分叉那篇讲过一个相关的现象：同一个词在两个市场问的根本不是一件事，比较型查询正是这种分叉最集中的地方。

为什么本地规则型查询是最该守的那一类？

本语言里没人写，答案就会被默认值填上

这是一条几乎没有例外的规律。

模型不会因为找不到本地资料就说不知道。

它会用手头最相关的资料回答，那多半是英语的。

沉默不是一个选项，空白一定会被填。

你不写，就等于同意由别的市场的规则来代表你的市场。

这个替换过程没有任何提示，用户看不到，你也看不到。

换个角度说，本地规则型内容的价值不只是被引用，还包括挤掉一个本来会出现的错误答案。这一点在算投入产出时经常被漏掉：你写了这一页，收益不只是可能拿到的那点流量，还有本来会发生、现在不会发生的那批售后纠纷。后面这笔账通常更大，只是它记在客服的账本上，不记在你的。

这一步在研究里也有对应的观察。一份关于多语言上下文利用一致性的工作发现，当检索到的资料语言跟提问语言不一致时，生成结果的稳定性会下降；而资料语言混杂时，下降得更明显。翻译成实务语言就是：本语言资料缺位的代价，不只是内容不对，还包括结果忽好忽坏。

这类查询的转化位置最靠后

还有一个被低估的理由，跟漏斗位置有关。

问退货期限的人，多半已经在考虑下单了。

问能不能托运的人，行程已经定了。

问尺码对照的人，商品已经选好了。

这些不是了解阶段的问题，是临门一脚的问题。

被一个错误答案劝退的用户，是最贵的那一批。

所以本地规则型内容在传统的关键词价值评估里总是排得很靠后——搜索量低、商业意图看起来不强、竞价成本低。但按漏斗位置看它排得很靠前。这两种排序方式的冲突由来已久，在落地页信任元素那篇里也遇到过一次：最像装饰的那几项，恰恰是搜索量最高的购买词。

顺着漏斗位置还能推出一条排序原则：越靠近下单的问题，答错的单次代价越高，值得投入的绝对金额也越高。了解阶段答错一句，用户多看两篇；下单前答错一句，这一单没了，还可能附带一次差评。按这个口径重排选题清单，排出来的顺序跟按搜索量排完全不同。

守住它的成本比想象中低

好消息在这里。

本地规则型内容的数量是有限的，而且相当稳定。

一个品类下把这类问题穷举出来，通常也就三五十条。

写完之后除非法规变动，几年不用大改。

这跟需要持续更新的品类内容完全是两种维护成本。

一次性投入，长期占位，性价比高得不像话。

穷举的方法也很土：翻三个月的客服工单，把重复出现的问题按频次排下来，前五十条就是清单。这批问题的原始问法还有额外价值，它们是真实用户的措辞，比任何关键词工具给的词形都准。关键词工具没数据那篇把这类土办法整理成了三条，都可以直接搬过来用。

还有个省力的做法：这批内容天然适合做成一页多答的形式，一个页面把同一类规则问题一次讲完，而不是拆成三十个薄页面。这样既方便维护，也更容易被整段引用。法规变动的时候，改一页就够了，不用去找散落在三十个地方的表述。

语言偏差会不会自己好转？

语料增长的速度跟语言不成比例

先看最基础的那条曲线。

网络内容的总量一直在涨，各语言都在涨。

但涨幅不均匀，英语的绝对增量仍然最大。

比例上的差距可能缩小，绝对差距还在拉开。

而检索是在绝对量上挑候选，不是按比例分配名额。

所以比例改善不必然带来引用位改善。

这条要说清楚，因为它推翻了一个常见的乐观预期：等语料涨上来就好了。只要检索是从全池子里挑最相关的几篇，那么决定结果的是你这门语言在这个具体话题下的绝对文档量，而不是它在总量里的占比。一门语言整体占比从百分之一涨到百分之二，在某个细分品类下可能还是零篇——而零篇和两篇之间的差别，比百分之一和百分之二的差别大得多。

还有一层容易被忽略：新增语料未必进得了检索池。网络上新增的本语言内容里，相当比例是社交平台上的短内容，结构、稳定性、可抓取性都不适合当来源。算语料增长要算可被引用的那部分，不是算总量，两者的增长速度可以差很远。

翻译内容会不会补上这个缺口

这是个好问题，答案是部分会，但要付代价。

翻译内容确实在往池子里填东西。

填进去的东西也确实能被检索到、被引用。

问题在于翻译内容携带着源语言的默认值。

用英语原文翻出来的德语页面，讲的还是英美的规则。

池子看着满了，本地事实的缺口一点没补上。

这件事的规模比多数人想象的大。一份关于网络上机器翻译内容占比的研究给出的结论相当刺眼：低资源语言的网络内容里，机翻内容的占比高得离谱，而且大量内容是从同一批源文本翻出来的多语言平行版本。也就是说池子里那些看起来是本语言的文档，有相当一部分只是同一份英语内容的影子。这个话题值得单独展开，本文先按下。

还有一种情况更麻烦：翻译内容之间是互相同源的。同一份英语原文被十家站翻成十种语言，池子里看着有十份不同语言的文档，实际上是同一个信息源的十个影子。这时候如果原文里有一处本地事实是错的，这个错会以十种语言同时出现，看起来像多方共识。

什么信号能说明它在好转

给三个可以自己观测的信号。

第一个：同一批问题里，本语言来源的条数在涨。

第二个：本语言来源里，本地域名的比例在涨。

第三个：本地规则型问题的答案开始引用本地权威源。

三个信号里第三个最迟出现，也最有价值。

只看第一个会被翻译内容骗到。

把这三个信号做成三条线画在同一张图上，季度更新，两年之后你会得到这个语种最有说服力的一份内部材料。它的价值不在于漂亮，在于当有人问为什么要在这门语言上继续投入时，你手里有一条实测出来的趋势线，而不是一段推测。

还有一个来自供给侧的观测点：本语言的公开语料数据集有没有在增长。按语言切分的开放语料项目会定期发布各语言的规模，虽然它跟检索池不完全等价，但作为一个方向性的信号足够用了——语料侧没动静，检索侧基本不会先动。

这套实测结果该怎么变成内容排期？

按本语言来源占比分三档

分档是为了让动作能被批准，不是为了分类学。

本语言来源占比超过六成，划进第一档。

三成到六成之间，划进第二档。

低于三成，划进第三档。

阈值可以按自己的数据调，但档位数别超过三个。

档位一多，每一档对应的动作就会开始重叠，分档就失去意义了。

这套分档跟按母语人口或者按市场规模的分档会给出完全不同的排序，这正是它的价值所在。一个人口不大的市场可能落在第三档，说明那里几乎没人在用本语言写这个品类的内容；而一个人口很大的市场可能落在第一档，说明那里的内容供给已经很充分、你进去要硬碰硬。语种优先级成本模型那篇算的是投入侧的账，这份分档算的是竞争侧的账，两张表叠起来看才完整。

阈值定完要写下来并冻结一年。这类分档最怕的是每次实测都顺手调一次阈值，调到最后档位反映的是当次心情而不是市场状态。真觉得阈值不合适，就在下一个年度周期改，并且把改动前后的数据都按两套阈值各算一遍，让曲线可以接上。

每一档对应的动作不一样

三档三套动作，写清楚才好排期。

第一档：抢位置，打法跟高竞争市场一样，靠质量和权威度。

第二档：补缺口，找那批本语言还没人正面回答的问题。

第三档：先建地基，本地规则型内容全量补齐再谈其他。

三档的共同动作只有一个：本地事实必须由本语言页面提供。

其余的动作完全不通用，别写成一套通用清单。

第三档还有一个隐藏动作容易被漏掉：确认这门语言的用户是不是真的在用这门语言搜索。有些低资源语言市场的用户习惯直接用大语种提问，这时候你在本语言上砸内容，砸的是一个没人站的位置。这个判断只要看一眼当地的搜索行为分布就能做出来，成本极低，但漏掉它的代价是整个季度的投入打水漂。

三档之间还有一条通用的先后顺序：先补本地事实，再补比较型内容，最后才是品牌故事这类软性内容。这个顺序在第三档市场里尤其重要，因为那里的用户第一次遇到你的时候，需要的是一个能回答具体问题的页面，而不是一段品牌自述。

排期表上先动哪一格

给一个可以直接照抄的顺序。

先动第三档市场里的本地规则型内容。

因为那一格的缺口最大、竞争最少、错误后果最重。

再动第二档市场里的缺口型问题。

第一档市场排在最后，那里的边际收益最低。

这个顺序跟按市场规模排序几乎是反的，所以要准备好解释。

解释的时候最好带上一句量化的话：在第一档市场里你的一篇内容是几十个候选里的一个，在第三档市场里你的一篇内容可能是唯一一个。同样一篇的成本，兑换出来的份额差着一个数量级。这句话在预算会上比任何漏斗图都管用。

还有一个排期上的技巧：把三档市场的同类内容合并成一个批次做。三十条本地规则型问题在五个市场都要写，那就一次性把框架定好，五个市场并行推进，而不是做完一个市场再做下一个。框架复用能省掉大半的策划成本，真正需要逐市场重做的只有事实核对那一步。

报表和汇报口径要怎么改？

来源语言要进周报

改动很小，位置很重要。

周报里加一行：本周抽测的本语言来源占比。

不用每周跑全量，抽十条查询就够。

重点是让这个数字在团队视野里长期存在。

一个不在报表里的指标，等于不存在。

而这个指标一旦每周出现，相关的讨论会自动发生。

抽测的十条查询要固定，别每周换。固定样本的绝对值可能不准，但它的变化趋势是准的；每周换样本的话，绝对值和趋势就都不准了。这条在所有低频抽样的监测里都成立，也是最容易被好心人破坏的一条——总有人觉得该换一批更有代表性的词。

周报里的呈现形式也讲究：写一个百分比，后面跟上上周的数字和箭头，不要写一段文字描述。数字加箭头能被扫读，一段描述会被跳过。这个指标存在的意义就是每周被扫到一眼，形式上多费一分心思，长期效果差别很大。

别把它做成一个考核指标

这一节是防御性的，但很有必要。

这个数字一旦进了考核，就会被优化。

而优化它最快的办法是换一批容易命中的查询。

数字漂亮了，你对真实情况的了解反而更差了。

它应该是一个诊断指标，不是一个业绩指标。

两者的区别在于：诊断指标用来决定做什么，业绩指标用来决定谁拿奖金。

把诊断指标写进考核，是很多监测体系失效的根因。凡是采集方式掌握在被考核者手里的指标，都不能用来考核。这条规则朴素得有点无趣，但它能救下一整套监测体系。这个数字最好的归属是放在诊断看板上，让它安静地涨或者跌。

怎么区分诊断指标和业绩指标，有个简单的判据：这个数字变差的时候，团队的第一反应是想去查原因，还是想去解释。想查原因的是诊断指标，想解释的已经变成业绩指标了。一旦观察到第二种反应，就该把它从考核里撤出来。

跟母语团队怎么讲这件事

最后是沟通问题，处理不好会伤士气。

本语言来源占比低，听起来像在说本地团队没做好。

实际上它衡量的是整个语种的内容供给，跟单个团队的努力关系不大。

讲的时候要把这层说清楚，否则会引发不必要的防御。

更好的说法是把它讲成机会：这门语言里几乎没人在正面回答这批问题。

同一个数字，一种说法是指责，另一种说法是空场。

另外记得给本地团队看那份实测原始数据，不要只给结论。他们看到来源清单里全是英文域名，会立刻理解发生了什么，甚至能补充你没注意到的细节——比如某个英文来源其实是本国某家公司的官网英文版。这种细节只有本地人一眼能认出来。

还有一句话在沟通时很好用：这个数字衡量的是这门语言，不是衡量你。把观测对象说清楚，防御心理会消掉大半。反过来，如果一开始就把它挂在某个人的名下，后面所有的数据采集都会不自觉地朝好看的方向偏，而你自己都察觉不到。

哪些做法看着合理，其实没什么用？

把内容翻译成英语再发一份

这是最常被提出的方案，逻辑听起来很顺。

既然引用的都是英语来源，那我也出一份英语的。

问题是你出的这份英语内容要跟整个英语世界竞争。

在本语言里你可能是唯一一家，在英语里你是第几十家。

把稀缺的优势主动换成了拥挤的劣势。

而且用户问的是本语言问题，本语言那一侧仍然空着。

这个方案唯一说得通的场景，是你的本地权威身份能在英语内容里被识别出来——比如一家本地检测机构、一个行业协会、一个只有你有数据的品类。如果你的优势来自本地身份，那这份优势在英语内容里会被稀释；如果你的优势来自独家数据，那它跨语言不会丢。先判断自己属于哪一种，再决定要不要出英语版。

还有一个折中方案值得考虑：不做全站英语版，只把那批独家数据、检测报告、原始调研做成英语版。这些内容跨语言不掉价，而且天然带引用属性。小语种外链那篇里讲的本地渠道逻辑在这里同样成立：让本地权威在本语言里认你，让独家数据在英语里被引用，两条线各走各的。

在页面上加一堆语言声明

技术派最容易走的一条弯路。

加语言标签、加地区标注、加各种声明。

这些该做，做了也确实有用，但它解决的是另一个问题。

语言标注解决的是这份内容属于哪门语言。

本文讲的问题是这门语言里根本没有足够的内容。

标注得再清楚，也变不出内容来。

打个比方，这就像在一间空屋子里认真地贴门牌号。门牌该贴，贴完屋子还是空的。这类技术动作的价值在于让已有的内容被正确归类，属于结构化数据那一层的事，跟内容供给是两条并行的线，谁也替代不了谁。

标注这件事本身要做对也有讲究。语言标签建议写成完整形式，IANA语言子标签注册表里能查到规范写法，pt-BR和pt-PT分开写，别图省事只写pt。这跟内容供给是两条并行的线，但既然要做，就别做半截。

盯着单次结果反复调

这条是执行层面最耗人的坑。

今天测一次，来源全是英文，改一段内容。

明天再测，还是英文，再改一段。

第三天变成本语言了，于是认定第二次的改动起了作用。

实际上单次结果的波动本来就很大。

你归因的那个改动，可能跟结果毫无关系。

正确的做法是拉长观测窗口，用一批查询的分布去看，而不是用单条查询的结果去看。在一个波动大的系统里，单次观测的信息量接近于零，而人对单次观测的信服度接近于百分之百，这两者之间的落差是无数个白忙活的下午。

还有一种变体同样耗人：换一个模型或者换一个入口再试一次，看到不同结果就认为发现了规律。不同入口的检索策略本来就不同，跨入口对比单次结果得出的任何结论都不成立。要比就比分布，而且要在同一入口下比。

拿英语市场的经验值当基线

最后一条，也是最隐蔽的一条。

英语市场里被引用的页面通常具备哪些特征，这类经验很多。

问题是那些经验是在一个候选极其充裕的池子里总结出来的。

在候选稀缺的池子里，很多筛选条件根本没被触发过。

你按英语的高标准去打磨，可能打磨的是一个不构成瓶颈的维度。

而真正的瓶颈可能只是这门语言里没有一个页面正面回答过这个问题。

这一条跟前面几条串起来，正好是本文的收尾：语言偏差最实际的一层含义不是你被歧视了，而是你的竞争环境跟英语市场根本不是同一个形状。形状不同，经验值就不能直接搬。先把自己那门语言的形状测出来，再决定抄哪一份经验——这个顺序反过来做，投入再多也是在解一道别人的题。

更稳妥的做法是同时跑一组英语查询当参照系。你那门语言的数据单看没有意义，跟同一批问题的英语结果并排放，才知道差距在哪一维、有多大。这组英语参照的成本很低，就是十条查询，但它把一份描述性数据变成了一份可比较的数据。

常见问题解答

回答是我的语言，来源却是英文页面，这算不算正常？

算常见，但要分情况判断。回答语言由生成环节决定，来源语言由检索环节决定，两者本来就归不同的机制管，不一致并不异常。判断标准是问题类型：如果是物理常识、材料属性这类跨国一致的事实，来源是英语反而更好；如果是退货期限、税费口径、安全标准这类本地规则，来源是英语基本意味着答案对不上你的市场。

用十种语言问同一个问题，为什么不能每种语言问各自合适的问题？

因为那样语言就不是唯一变量了。同一个问题跨语言问，差异才干净地来自语言本身；换成不同的问题，你分不清差异来自语言还是来自问题难度。实际操作中最容易破功的一步是翻译——总有人顺手把问题改得更符合当地表达习惯，改完这批数据就失去了横向可比性。翻译时宁可保留一点生硬。

本语言来源占比低，是不是说明我们本地团队做得不好？

基本无关。这个指标衡量的是整个语种在这个品类下的内容供给总量，一家公司的产出在其中占的比例很小。把它讲成团队绩效会引发不必要的防御，还会诱发对指标本身的优化。更准确的讲法是：这门语言里几乎没人在正面回答这批问题，所以这是一片空场而不是一次落后。

那把内容也翻译成英语发一份，能不能解决问题？

多数情况下不能，还会把优势换掉。在本语言里你可能是少数几个候选之一，进了英语池子你就是几十上百个候选之一，稀缺优势换成了拥挤劣势，而本语言那一侧的空白一点没补上。唯一说得通的场景是你的优势来自跨语言不会丢的东西，比如独家数据或者只有你能提供的检测结果；如果优势来自本地身份，翻成英语只会被稀释。

这个偏差会不会随着语料增长自己消失？

比例上的差距可能缩小，实际影响不一定跟着改善。检索是在绝对文档量上挑候选，不是按语言比例分配名额，所以决定结果的是你这门语言在这个具体话题下有多少篇文档，而不是它在全网总量里占百分之几。一门语言整体占比翻倍，在某个细分品类下仍然可能是零篇，而零篇和两篇的差别远大于占比的翻倍。

实测多久做一次比较合适？

每季度一次。这个分布变化很慢，测太密只会看到噪音，还会诱发对单次波动的过度反应。第一次做含设计和翻译大约需要两个人两天，之后每次重跑半天，整理出图再半天。样本要固定，别每次换一批查询——固定样本的绝对值可能不准，但趋势是准的；样本一换，绝对值和趋势就都不准了。

三档市场里，为什么排期要从最低那一档先动？

因为缺口最大、竞争最少、错误后果最重，三件事同时成立。在本语言来源占比高的市场，你的一篇内容是几十个候选里的一个；在占比极低的市场，你的一篇内容可能是唯一一个，同样的成本兑换出来的份额差着一个数量级。但动手之前要先确认一件事：那门语言的用户是不是真的在用这门语言搜索，有些市场的用户习惯直接用大语种提问。

权威参考资料