同一个品牌，换个品类词AI就不推你了：品类框定才是AI推荐的开关

摘要：让AI推荐你的，从来不是你这个品牌有多强，而是你被写进了哪个品类的对话里。同一批在知识图谱里平起平坐、AI全都认识的品牌，只要把提问里的品类词换一个，推荐名单几乎整个翻盘——一份跨5个AI引擎、14140次调用的实测里，新百伦从被推荐1%跳到90%，另一个国民级瑜伽裤品牌从90%掉到0。品牌够不够硬是一回事，你被AI编进的那个品类，对不对得上用户嘴里的问法，是另一回事。这篇讲清楚背后的机制，也给你一套能马上自查的方法。

先说一句可能有点扎心的话：你花大力气建的知识图谱、清干净的结构化数据、攒下的一堆媒体报道，能让AI认识你，但不一定能让AI推荐你。这两件事之间隔着一道很多人没意识到的沟，而这道沟，恰好由一个叫category coding（品类编码）的东西决定。

先分清一件事：AI认识你，和AI推荐你，是两码事吗？

是两码事，而且差得很远。做实体SEO这些年，我们习惯这么想：把知识图谱搭起来、把schema加齐、多拿点权威报道，AI自然就会在相关问题里推荐我。这套逻辑背后有个默认假设——AI在评估你这个品牌，判断你够不够好、值不值得在某个问题里被推出来。

但真实的机制不是这样。AI评估的不是你，而是用户的那句提问，然后拿这句提问，去匹配它从第三方内容里给你攒下的品类关联。被认识（recognition）不等于被推荐（recommendation），这一点在AI搜索里被反复验证过。换句话说，是个被AI认得的知名品牌，跟是个在具体问题里被AI推出来的强品牌，完全不是同义词。

真正卡住你的那个变量只有一个：用户搜索时用的品类，和AI把你编进的品类，对不对得上。对得上，你就冒出来；对不上，你再大牌也隐身。

这也解释了一个让很多老板想不通的怪现象：明明我们是行业里数一数二的牌子，AI回答相关问题时怎么就是不提我们？答案往往不是你不够强，而是用户换了个问法，落进了一个你没铺语料的品类。被认识是你多年积累的存量，被推荐却要看你在这个具体品类里当下有没有声量——存量再大，也不自动兑换成每一种问法下的推荐位。想清楚这层，你就不会再把AI不推我简单归结为AI不行或者我们还不够大。

大多数品牌把GEO问题问反了，问题到底出在哪？

绝大多数人一上来问的是：我怎么把自己这个实体做得更强，好让AI多推我几次？这个问题不能说错，但它把因果关系搭歪了。它假设AI是在给品牌打分，分高的就推。

可AI干的事，本质上是拿提问的品类去匹配内容的品类。你实体做得再强，如果强的方向和用户提问的品类对不上，一样白搭。所以正确的问法应该是：用户在用什么品类词找我这类东西？AI又把我归进了哪个品类？这两者中间有没有缝？先把这个缝找出来，再谈优化，顺序千万别反。

之所以说这一环最被低估，是因为它躲在一个人人都以为自己做对了的环节背后。大家都在忙着加schema、建实体、拉权威外链——这些确实该做，但它们解决的是被认识。真正决定你在具体问题里冒不冒头的品类匹配，反而没几个人专门去查。结果就是一堆品牌把实体建得漂漂亮亮，AI也认得，可一到用户真实提问就集体隐身，还百思不得其解。缝就卡在这个没人盯的接缝处。

那份实测到底测了什么，数字硬不硬？

这个判断不是拍脑袋，背后有一份挺硬的实测。研究者选了英国市场12个运动服饰品牌，连续测7天，跨ChatGPT、Gemini、Perplexity、Claude和Google AI Overviews这5个引擎，一共跑了14140次API调用，全程带英国地理位置、开着联网搜索。

关键设计在于：同一批品牌，他们用两种不同的品类框定去问——一次问运动休闲（athleisure），一次问运动鞋履（athletic footwear）。除了提问里那个品类词，别的变量全锁死。这不是相关性观察，是只动一个变量的受控实验，所以结论的分量比一般的行业观点重得多。

研究还做了一步扎实的功课：它把每个品牌在英国本地内容源里的共现数据抓出来量化，先算清每个品牌在两个品类里各自积累了多厚的第三方语料，再去对照AI的推荐结果。也就是说，它不是光观察到了翻盘，还给翻盘找到了原因——谁在哪个品类的语料厚，谁在那个品类就冒头。先有语料厚度这个自变量，再有出现率这个因变量，因果链是闭合的，不是事后硬凑的解释。

值得留意的是引擎覆盖：ChatGPT、Gemini、Perplexity、Claude加上Google AI Overviews，基本把当下主流的生成式入口都罩住了。也就是说这不是某一个模型的怪癖，而是跨引擎共有的行为模式，这让结论的普适性又高了一档。

新百伦1%到90%、另一家90%到0，这组对称说明了什么？

结果对称得几乎不可能是噪声。同样一批品牌，只换提问里的品类词：

• 新百伦（New Balance）在运动休闲问题里的出现率是1%，换成运动鞋履问题，直接跳到90%。
• lululemon（露露乐蒙）正好反过来，运动休闲里90%，运动鞋履里掉到0。

两个方向几乎同幅度反转，摆动幅度都在0.9这个量级。只动了提问里一个品类词，推荐名单就整体翻盘——这已经不是谁排名靠前谁靠后的问题，而是同一个品牌在一种问法里满血、在另一种问法里彻底消失。品牌强弱在这儿几乎不起作用，起作用的是品类对不对得上。

把三个品牌的表现摆一张表里，这种对称会更刺眼：

看最后一行你就懂了：耐克不是靠品牌更大压过前两家，而是它在两个品类里都有第三方语料垫底。同样被知识图谱认作鞋履公司，有人只在一个品类活着，有人两个品类通吃，差的全是语料，不是名气。这张表其实就是整篇文章的缩影——认识度大家拉平了，能不能被推荐，看你在这个具体品类的对话里有没有分量。

为什么会这样？先把category coding这个词讲清楚

研究把这个机制正式命名为category coding，我把它叫品类编码。它由两样东西合成：一是知识图谱里那栏描述，二是围绕你这个品牌、在某个品类里长期堆积起来的第三方内容语料。

这两样各管一半：知识图谱描述负责把你锚定到一个品类，管的是被认识；第三方内容语料负责填满这个品类关联的细节，管的是被推荐。只把前一半做好，AI认得你；后一半没跟上，AI在真正推荐的时候想不起你。很多品牌卡就卡在这——认识度拉满了，推荐位一个没捞着。

知识图谱描述那一栏，到底管住了什么？

先看被认识这一半。耐克、新百伦、锐步在Google知识图谱里的描述是一模一样的一句话：Footwear company（鞋履公司）。所以这三家在我们测的每个AI引擎里都被完美识别，从实体的角度看，它们起跑线完全一致。

知识图谱描述干的就是这件事：给模型一个锚，告诉它你大致属于哪个品类。这一步做到位，你就有了进候选池的入场资格。但注意，它只解决认识，不解决推荐。三家描述一样、认识度一样，可它们在不同品类框定下的表现天差地别——差别不在这栏描述里，在别处。想搞懂知识图谱这栏描述怎么搭，可以看实体主页Entity Home那套地基打法。

第三方内容语料，才是决定推荐的那一半吗？

对，真正拉开差距的是这一半。围绕一个品牌，在某个品类里累积起来的第三方内容——文章、评测、编辑对比、各种榜单和合集——才填满了那个品类关联具体长什么样。

知识图谱描述像一个挂钩，第三方语料是挂在钩上的血肉。挂钩告诉模型你属于哪类，血肉告诉模型你在这类里到底是个什么角色、常和谁一起被提。当用户的提问落到某个品类，模型去检索的是这堆第三方语料，而不是你自己官网上写了什么。这也是训练数据里的共现关系之所以是底层机制的原因——你和谁一起被反复提到，比你自己怎么自夸重要得多。

决定品类编码的硬指标，为什么是共现密度？

研究把这一半量化成了一个词：品类对齐的第三方内容里的共现密度。翻译成人话就是——在某个品类的内容里，你的品牌名和这个品类的核心词、以及定义这个品类的其他品牌，一起出现的频率有多高。

频率越高，模型就越确信你属于这一类；稀稀拉拉几次，模型就当你是偶然路过。这跟传统外链数只看数量不同，它讲究的是在对的品类语境里、和对的品牌一起、被反复提及。所以你要经营的不是泛泛的曝光，而是带着品类属性的共现——每一次被写进对的品类内容，都是在给这个密度加一分。理解了这点，你就明白为什么单篇大媒体报道有时还不如十篇精准品类垂直内容管用：前者给你名气，后者给你密度。

拿新百伦当例子，这套机制怎么跑起来的？

新百伦的知识图谱描述写的是Footwear company，围绕它堆起来的第三方语料，也一路在给这个品类背书——跑鞋、性能鞋履、运动训练，全是这个方向的内容。

于是当用户问运动休闲品牌，模型在语料里翻不到新百伦，因为压根没有这方面的第三方关联；它翻到的是lululemon、Alo Yoga、Gymshark这些——它们的语料是时尚刊物、生活方式编辑、活力装合集堆出来的。等把提问换成运动鞋履，检索直接反转：新百伦一下进了对的语料堆，lululemon反而不在了。模型自始至终没在判断谁的产品好、谁更该属于这个品类，它只是在做检索和匹配，跟被不被引用是两套打法。

那我直接把知识图谱描述改了不就行了？

不少人读到这会想抄近道：既然Footwear company这栏把我锚在错的品类上，那我把它改成Apparel company（服饰公司）不就解决了？

可惜没这么便宜。知识图谱描述只是品类编码的一半，另一半是那堆已经沉淀下来的第三方语料，它不会因为你改了知识图谱里一个字段就跟着变。如果你的全部外部内容史都是性能鞋履、跑步、运动训练，改个描述等于给模型一个崭新的锚，可锚上什么都没挂。语料还在说它一直说的那些话。改字段是几分钟的事，改语料是几个季度的事，这就是为什么捷径走不通。

那真正的纠正杠杆是什么？

真正能撬动的杠杆只有一个：往你客户正在使用的那个品类框定里，投第三方内容。而且要投到模型会去检索的那些出版物里，站在已经定义了这个品类的那批品牌旁边。

说白了，你得挤进那个品类的对话现场。等这堆语料真的攒出来了，再回过头去调知识图谱描述，那时候它才有东西可挂、能帮上忙。顺序是先语料、后描述，反过来做基本是白费劲。至于该往哪些出版物里挤，可以先摸清哪些网站最常被AI引用，别把力气砸在模型根本不检索的地方。

耐克为什么两个品类都能露脸？

耐克是这份研究里最漂亮的正面案例。它在知识图谱里同样被编码成鞋履品牌，可它在运动休闲问题里出现率77%，在运动鞋履问题里90%，两头都能冒出来。

原因是耐克攒够了运动休闲这个品类的第三方语料：时尚刊物里的报道、活力装合集里的入选、跟其他运动休闲品牌的同框共现，多到足以让它在两种框定下都被算作品类合格。它在相邻品类里硬生生长出了一条支流，而新百伦没长。这条支流不是靠自吹长出来的，是靠一次次挤进别人主导的品类对话里长出来的。

哪种品类框定值得先抢，怎么找那个没有老大的空品类？

耐克能两头通吃，是因为它有钱有资源慢慢磨。你没有耐克的弹药，就得挑地方打。挑的原则很简单：找那种还没有明确老大的品类框定，别一上来就去啃已经被三五个巨头占满语料的红海。

做法是把你的自查清单再往前推一步：不光看哪些问法里没有你，还要看那些没有你的问法里，AI反复推荐的是不是同一批品牌。如果某个品类框定下，AI每次给的名单都换来换去、没有稳定的头部，那说明这个品类的第三方语料还很稀薄，谁先把语料铺进去谁就占坑——这就是一个值得先抢的空品类。反过来，如果某个问法下永远是那几个大牌霸榜，你新进去大概率只能陪跑，投入产出不划算，可以先放一放。

这跟传统关键词里找蓝海是一个思路，只不过战场从搜索结果页搬到了AI的品类语料里。先用可见度竞品分析把每种问法的头部占位摸清楚，你就知道哪块该猛攻、哪块该绕开。

该同时押几个品类框定，还是先集中打一个？

小团队最容易犯的错，是一口气想在五六个品类框定里都露脸，结果每个都投一点、每个都不够厚，语料摊得太薄，哪个品类都没攒到能被算作常客的密度。

更稳的打法是先集中火力打一个：挑一个你最想赢、又还有空位的品类框定，把第三方语料在这一个方向上砸厚，砸到AI在这种问法里稳定推荐你，再去开下一个。品类归属这东西有明显的阈值效应——语料没到临界量，AI基本无视你；一旦过了线，你就从查无此站变成常驻名单，中间几乎没有温吞的过渡地带。与其五个品类都停在临界线以下，不如一个品类先过线。集中打透一个，还能顺带摸清这套打法在你行业里的真实成本和周期，第二个品类就有谱了，也不至于把预算撒进一堆都没过线的半拉子工程里。

说到底，LLM是在做判断，还是在做匹配？

这是整件事最反直觉的地方：模型不做价值判断。它不评估你的产品好不好、你配不配属于某个品类。它做的事只有一件——拿提问的品类，去和内容的品类做模式匹配。

两个对得上，你就浮出来；对不上，你就沉下去，跟你这品牌多有名、多老牌毫无关系。理解这一点，你就不会再纠结怎么让AI觉得我更好，而是转头去查：AI到底把我编进了哪个品类，那个品类是不是我客户在用的。这跟一味追排名却没人记得你、最后发现该盯的是品牌识别度，是同一层道理。

这跟被引不等于被荐，是同一回事吗？

有关系，但不是同一层。自夸式榜单那篇讲的是：你被AI引用了，不代表你被推荐给了客户——那是引用和推荐之间的缝。

而品类编码讲的是更上游的问题：在某个品类的提问里，你连进候选池、被检索到的资格都没有。一个是进了门却没被端上桌，一个是压根没被叫进这个品类的门。两道缝叠在一起，才是很多品牌在AI里查无此人的真相。先解决进不进得了品类的门，再谈进门后被不被推。

为什么AI越普及，这道品类缝就越致命？

传统搜索里，用户会翻好几页、点好几个链接，你就算没排在第一，也还有被瞄到的机会。品类框定错了，顶多是流量少一点。但AI答案是收敛的——它直接甩给你一个短名单，甚至一段合成结论，用户看完可能就不再往下点了。

这意味着，进不了那个短名单，你就等于不存在，没有第二页可以捡漏。品类匹配从一个影响流量多少的因素，变成了一道非黑即白的门槛：对得上就进名单，对不上就彻底出局。随着越来越多人习惯直接问AI要答案，这道门槛的杀伤力只会越来越大。这也是为什么我一直强调，别等AI把你彻底挤出名单了才想起来查品类编码——那时候你连自己怎么消失的都不知道。更麻烦的是，你在传统搜索里的排名可能还好好的，后台数据一切正常，唯独AI这条越来越粗的入口把你悄悄漏掉了，等你从询单下滑里察觉，往往已经晚了一个季度。

换个说法，你的品牌现在被编进了哪个品类？

这才是每个做出海、做GEO的人该先回答的问题。你可能默认自己属于A品类，但AI根据全网第三方语料，早把你编进了B品类。你以为你在卖高端厨房器具，AI觉得你是个咖啡配件；你以为你是户外生活方式品牌，AI把你归进了五金工具。

这个错位不解决，后面所有优化都在错的品类里空转。所以第一步不是发力，是先照镜子：看清AI眼里的你，长什么样。

照镜子这一步最反直觉的地方在于，你越是笃定自己属于哪个品类，越容易漏掉AI的真实判断。创始人脑子里的品类，是从产品和愿景出发的；AI的品类，是从全网第三方语料统计出来的。两者常常不是一回事。别用你希望被归入的品类去自我安慰，要用AI实际把你归入的品类去做决策——前者是愿望，后者才是你眼下真实的起点。这一步错了，后面投再多资源都是在给错的品类添砖加瓦。

那个人人都该问的自查问题，具体怎么做？

方法很朴素，不用工具也能跑。把你客户可能用来描述你这类东西的5到6种不同问法列出来，每一种都拿到2到3个AI引擎里问一遍，记下哪些问法能让你冒出来、哪些不能。

举个例子，一个做手冲器具的站，可以分别测：手冲咖啡装备、咖啡入门礼物、家用咖啡器具、送咖啡爱好者的礼物、厨房小家电。你大概率会发现，有的问法你在、有的问法你彻底不在——这份在与不在的清单，就是你品类编码的体检报告。想系统点做，也可以配合AI可见度竞品分析，把对手在每种问法里的占位一起摸清楚。

为了让你能直接抄，给一张最简版的自查表，拿手冲咖啡站举例，你换成自己的品类词即可：

填完这张表，你要投第三方语料的方向一目了然：凡是不在那一行，右边那列就是你接下来的功课。这张表最好每季度重跑一次，因为客户的问法和AI的检索偏好都在悄悄漂移，去年补上的品类，今年可能又冒出新说法。

查出某个说法不露脸，接着该问自己哪三件事？

对那些你不露脸的问法，别急着改官网文案，先冷静问自己三个问题：

1. 关于我品牌的第三方内容，到底有没有在用这种说法？
2. 覆盖这个品类的那些出版物里，有没有写到过我？
3. 用这种问法的编辑合集、榜单里，有没有我的名字？

如果三个答案都是没有，那你就知道从哪下手了：去挤进那些说着这门品类语言的外部对话。补的不是你自己网站上的字，是别人嘴里关于你的话。这个区别，是很多人反复优化官网却毫无起色的根源。

品类语言在漂移，你的语料跟上了吗？

更棘手的是，品类语言本身在变。用户越来越多用运动休闲代替运动服、用性能健康代替健身、用轻户外代替户外装备。语言一漂，AI检索时用的品类词也跟着漂。

如果一个品牌在老品类里很强，可它的第三方语料没跟上客户正在改用的新说法，那它就会恰好在客户正在用的那些问法里隐身。这是最冤的一种死法：不是你不行，是你还在用去年的品类词，而客户已经换了嘴。定期盯一眼品类语言的漂移，本身就该是GEO的常规动作。

出海独立站最容易踩的坑，是不是自说自话？

正是。出海独立站最典型的毛病，是整站都在用自己发明的品类词——一套内部黑话、一堆自创卖点，然后指望AI照着这套词把你推给用户。可用户不这么问，AI也不按你的词检索。

你把自己叫模块化收纳解决方案，客户搜的是宿舍神器；你自称精酿风味气泡饮，客户问的是无糖汽水推荐。中间这道品类语言的错位，就是你在AI里查无此人的直接原因。出海GEO那些认知误区里，这一条杀伤力排得很靠前。

中文出海团队看这件事，要打几道折扣？

至少两道。第一道，你的第三方语料得落在目标市场的语言里。你在中文站攒再多品类关联，对英文AI引擎的检索几乎没用——它检索的是英文世界里关于你的内容。所以真正要争的，是目标市场本地媒体、本地榜单、本地测评里的品类共现。

第二道，品类词在不同市场的叫法不一样。同一个东西，美国叫athleisure，别的市场可能叫别的；直接机翻你的品类词，很容易翻到一个当地根本没人用、模型也不检索的说法上。品类框定这件事，必须按每个目标市场单独校准，不能一套词走天下。

这套机制只对电商有用，还是B2B和服务品牌也能套？

别被那份研究用的运动服饰例子框住，它测的是消费品，但机制是通用的。B2B和服务品牌一样吃这一套，甚至更明显——因为B2B的采购决策更依赖别人怎么谈你。

比如一家做跨境收款的公司，AI可能把它编进支付工具这个品类，但潜在客户越来越多在问适合独立站的收款方案、外贸B2B回款渠道。如果它的第三方语料全在泛支付里，一到这些更贴近场景的问法就露不出来。软件、咨询、代运营这类服务品牌尤其如此：你被编进的是通用大词，客户问的却是具体场景词，中间那道缝和电商一模一样。区别只在于，服务品牌的第三方语料更多来自案例报道、行业分析、客户证言，而不是产品测评，但攒语料、抢品类的逻辑是同一套。

落到动作上，第三方语料该怎么攒？

方向就一个：成为定义这个品类的那批对比内容里的参与者。具体到动作，无非几条——

• 盯住覆盖目标品类的本地出版物和垂直媒体，争取被写进它们的品类文章。
• 挤进那个品类的编辑合集、横评、榜单，哪怕先做个陪跑位，也是在积累品类共现。
• 制造和已定义该品类的品牌同框共现的机会——被放在一起比较，本身就是一种品类归属的信号。
• 让关于你的第三方内容，持续用客户在用的那个品类词，而不是你的内部黑话。

这几件都不是投一次就完事的，它更像往一个品类账户里持续存钱，存到余额够高，模型才认你是这个品类的常客。

具体怎么被写进那些品类内容，有哪几条能落地的路？

方向说清了，落地还得有抓手。真正能把第三方语料做进去的路，大致是这么几条，按性价比从高到低排：

• 数字公关和原创数据：自己做一份目标品类里有话题度的小调研或榜单，喂给行业媒体。媒体缺的是数据，你给数据换的是被写进品类文章、被反复引用——这是最容易撬动共现的杠杆，也和被AI高频引用的那些源的玩法一致。
• 产品寄送给品类测评方：把货寄给专门写这个品类的编辑、垂直博主、YouTube测评人，争取进他们的横评和好物合集。注意是按你想赢的品类去挑测评方，而不是随便找个大号。
• 主动挤进对比和合集：很多品类榜单是滚动更新的，编辑并不知道有你。主动带着差异点去联系，哪怕先拿个陪跑位，也是在往品类账户里存共现。
• 和已定义品类的品牌同框：联名、拼团、行业圆桌、被放进同一篇对比里，都是在借对方的品类信号给自己贴标签——AI看到你反复和某类品牌一起出现，就会慢慢把你也算进这一类。

这四条的共同逻辑是：让别人用你想要的品类词来谈你。你自己说一百遍，不如被三家媒体各说一遍。做的时候盯住一个判据——每一次曝光，是不是都在强化你想赢的那个品类词，如果是，就存进账户；如果只是泛泛的品牌曝光，对品类编码帮助有限。

只投自家内容，为什么攒不出品类归属？

因为模型在推荐环节检索的是第三方语料，不是你的自有内容。你在自己博客里把新品类词写一千遍，模型也只当是你的一面之词，很难据此把你重新编码进那个品类。

自有内容能帮的是把话说清楚、把实体信息喂齐，属于地基活；可决定你在相邻品类里冒不冒头的，是外部世界怎么谈你。这也是为什么AI时代真正的护城河是品牌本身——因为品牌是靠别人反复提你、把你和某个品类绑在一起，才慢慢筑起来的，买不来也刷不出。

品类编码不对，多花钱投广告能绕过去吗？

很多人第一反应是砸钱买流量。但这里要分清两条线：AI答案里的推荐位和广告位，是两套东西。你花钱能买到的是广告，买不到的是AI在合成答案时有机推荐里提到谁——那部分取决于品类语料，不是竞价。

更别提，很多AI推荐场景压根没有广告位，或者用户根本不点广告。你把预算全砸进投放，短期能买来点击，可一旦客户习惯直接问AI要答案，那个决策环节里没有你的广告，只有AI基于语料给出的名单。所以广告能做补充，替代不了品类语料这门功课。真想让AI在有机答案里稳定提你，还是得回到攒第三方共现这条慢路上来。

没曝光又没语料，冷启动阶段先从哪破局？

这是个典型的先有鸡还是先有蛋：媒体愿意写你，往往因为你已经有名；可你正因为没名，才想被写。小品牌卡在这最正常。破局的抓手不是等别人来找你，而是自己制造一个别人绕不开的理由。

最好使的理由是数据和观点：在你想赢的品类里做一份别人没做过的小调研、一个反常识的实测、一份行业清单，主动喂给写这个品类的媒体和博主。你给的是内容素材，换的是被写进品类语境、和品类头部同框。哪怕第一篇只是个很小的垂直号，也是从零到一。冷启动阶段别贪大，先把一个能进去的口子撬开，让第一批带着正确品类词的第三方内容落地，剩下的靠滚雪球。

知识图谱描述这一步，到底还要不要做？

要做，但要放对位置。清干净的schema、一致的品牌名、扎实的关于我页面、稳定的实体信息，这些对被认识、以及在你已被编码的品类里被推荐都是对的，该做。

它不够的地方，只在相邻品类的查询上——想在你原本没被编进的品类里冒头，光靠实体优化不够，得靠第三方语料补位。所以别把实体这套活丢掉，只是要清醒：它是必要条件，不是充分条件。先靠它拿到入场资格，再靠语料去抢相邻品类的推荐位。

换个比方，实体优化是把你的名字端端正正写进花名册，让点名的时候老师认得你；第三方语料是让你在某堂课上真的被同学反复提起，老师分组的时候第一个想到你。名字在册是前提，可决定你被不被叫上台的，是后者。两件事一前一后，缺了任何一件都不完整——只有名字没人提，你是花名册上的透明人；只有人提名字没上册，模型连锚都找不到。

怎么衡量你到底进没进对的品类？

衡量口径得从看总排名换成按品类框定分别看占位。同一批目标问法，每一种都定期测一遍，看你在这一种框定下的出现率、以及是跟谁一起被提出来的。

更要命的是，AI的名次每次查都在抖，单次结果基本是统计噪声，你得多问几轮取稳态，别被某一次的忽高忽低带节奏。真正该盯的是趋势：某个品类框定下，你的出现率是不是随着语料积累在稳步往上走。

怎么判断你补的语料起没起作用，非得等出现率变了才知道吗？

不用干等。出现率是滞后指标，从你被写进一篇品类文章，到AI把它吃进检索、反映到推荐上，中间有个不短的时滞。这段时间里，你可以盯几个先导信号，提前知道方向对不对。

• 用你想赢的品类词加品牌名去传统搜索里搜，看那些新增的第三方内容有没有被收录——没被收录，AI大概率也还没读到。
• 看你有没有开始和定义这个品类的品牌同框出现在第三方内容里，哪怕只是被放进同一篇对比。
• 把新语料上线前后，同一句品类提问多测几轮，观察AI提到你时用的措辞是否在变——从只字不提，到偶尔捎带，再到稳定推荐，是有过渡态的。

这几个先导信号都动起来了，出现率的上扬通常就在后头。反过来，如果补了几个月语料，连收录、共现都没动静，那多半是语料投错了地方——投到了模型不检索的角落，或者用的还是没人搜的品类词。早点发现，早点掉头。

一个手冲咖啡器具出海站的复盘

去年有个做手冲咖啡器具的出海站找到我，产品做得挺好，独立站流量也稳，可自从客户开始拿AI找东西，询单肉眼可见地稀。我们照上面的自查法测了一圈，发现问题很典型：AI把它牢牢编进了咖啡器具这个功能品类，问手冲装备、问家用咖啡器具，它都在。

可它的目标客户，越来越多在问送咖啡爱好者的礼物、咖啡入门礼盒这类问法——而在礼品、生活方式这个品类里，它的第三方语料几乎是零，自然查无此站。它自己网站上倒是写了礼盒，可那是自说自话，模型不认。

自查表填出来更扎心：功能品类那几行它全在，礼品、送礼、生活方式那几行清一色不在，而那几行AI稳定推荐的，是几个做咖啡礼盒和生活方式品牌，没一个是它的直接对手，都是抢先把礼品语料铺进去的邻居。它不是输给了同行，是输给了根本没在拼产品的另一拨人。

动作也就顺理成章：不去硬改知识图谱描述，而是挑了礼品这个还没有绝对老大的空品类先打——往咖啡生活方式媒体、节日礼物指南、送礼合集里争取被写进、被同框，还自己做了一份手冲入门送礼避坑的小内容喂给两个垂直号。头一个月先导信号先动——新内容被收录、开始和礼盒品牌同框；又过了两个来月，礼物类问法的出现率才从几乎为零慢慢爬了上来。这里得诚实交代一句——同期我们也顺手改了产品页的礼赠场景描述，所以这份变化不能百分百只算到第三方语料头上，但方向是清楚的：缝在哪，就往哪补语料。

失败案例：只改自己网站的文案，为什么没用？

反面的教训也得摆出来。同一个思路，我早期在另一个客户身上走过一段弯路。那家是做家居香氛的，发现AI没把它编进助眠、放松这类新兴品类，第一反应是把整站文案重写一遍，把助眠、解压这些词往产品页、博客里猛塞。

塞了两个多月，AI那边纹丝不动，助眠、放松那几种问法里，它依旧查无此牌。原因现在回头看很清楚：模型在推荐环节根本不检索你的官网，它检索第三方语料。你把自己的话改一万遍，也改不动别人嘴里关于你的话。更别提站内文案塞得太满，助眠、解压这些词堆到读起来都不像人话，对给人看的体验也是一种伤害，两头不讨好。

后来把力气整个挪到外部——去香薰生活方式媒体、助眠好物合集里争取提及，找了几个专写睡眠和居家的博主寄样测评，情况才开始松动。这段弯路的教训值一句话记下来：凡是想改AI对你的品类印象，先问这件事改的是不是别人嘴里的话；改的是自己网站，多半白费。白白丢掉的两个多月窗口，就是这句话的学费。

这件事的保质期有多长，会不会很快过时？

分两半看。会过期的是那些具体数字和名字：某个品牌在某个框定下的具体百分比、当下哪些品类词最热、哪个引擎的检索偏好，这些随模型迭代、随语言流行都会变，别把它们当常量记。

不会过期的是底层机制：AI靠品类匹配来推荐、第三方语料决定品类归属、改字段撬不动语料、语言会漂移。这套逻辑只要生成式AI还在用检索加合成的方式回答问题，就会一直成立。所以策略盯机制，战术追数字，两条腿分开走。

只给你一小时，先干哪三件？

时间紧就按这个顺序来：

1. 列出客户描述你这类东西的5到6种问法，逐一丢进2到3个AI引擎，记下你在哪些问法里在、哪些不在。
2. 挑出你最想赢、却查无此站的那一两种问法，去搜这个品类的媒体和榜单，看都有谁在、你差在哪。
3. 选一个能切进去的第三方渠道，先谈下一次品类共现——一篇合集入选、一次横评同框，都算开张。

一小时干不完全部，但足够让你从我该更强这个假问题，跳到我该被编进哪个品类这个真问题上。方向对了，剩下的是时间问题。

老板问我们这么大牌AI怎么不推，该怎么答？

你可以这么翻译给老板听：我们的牌子AI完全认得，这叫被认识；但客户现在用的问法，落在一个我们第三方内容几乎空白的品类里，所以AI在推荐那一步想不起我们。品牌大小在这儿不顶用，顶用的是我们在那个品类的对话里有没有声量。

接着给个可落地的方向：这不是砸预算做更多品牌广告能解决的，得定向去攒目标品类的第三方语料——被写进那个品类的媒体和榜单。这笔投入见效慢，但攒下的是别人抄不走、也刷不掉的品类归属。老板要的是这句：钱花在哪、多久见效、护城河在哪，一次说清。

哪些动作不管这机制怎么变都不后悔？

就算未来AI的检索方式再变，下面这几件也不会白做：定期用客户的真实问法自查一遍可见度；持续盯目标市场里品类语言的漂移；把第三方语料当成长期账户来经营，而不是临时抱佛脚；以及始终用客户在用的品类词，而不是自己的内部黑话去谈自己。

这些动作的共同点是：它们对准的是你和某个品类之间的真实关联，而不是某个平台某一版算法的临时偏好。押在关联上，你就不怕机制变；押在钻空子上，机制一变你就归零。这也是为什么在搜索越来越像持续在后台盯着你的当下，把品类归属做扎实，比追任何单点技巧都更耐打。

把这篇收个尾：AI推荐的胜负手，早就从你有多强，悄悄换成了你被写进了哪个品类的对话。知识图谱让你被认识，第三方语料让你被推荐，而决定语料落在哪个品类的，是你有没有真的挤进客户正在用的那个说法里。别再一个人闷头把实体做得更强，先抬头看看AI把你编进了哪一类、那一类是不是客户在问的。看清这条缝，你手里那些优化动作才算使对了地方。

常见问题解答

品类编码和知识图谱，到底是不是一回事？

不是。知识图谱描述只是品类编码的一半，负责把你锚定到某个品类、解决被认识的问题。另一半是第三方内容语料，负责决定你在这个品类里到底被不被推荐。两半合起来才叫品类编码，只做知识图谱那一半，往往认识度够了、推荐位一个没有。

我把知识图谱描述改成新品类，能立刻改变AI推荐吗？

不能。描述是几分钟能改的字段，但围绕你的第三方语料不会跟着变。如果你的外部内容史全在老品类里，改描述等于给模型一个空锚——挂钩换了，上面什么都没挂。必须先在新品类里把第三方语料攒起来，改描述才有意义。

那份实测的规模有多大，结论可信吗？

研究覆盖英国市场12个运动服饰品牌，连续7天、跨5个主流AI引擎、共14140次调用，且是只改提问品类词的受控实验。结果高度对称——新百伦1%到90%、另一家90%到0，这种同幅反转基本排除了随机噪声，所以机制层面的结论相当可信。具体百分比会随时间变，但机制不变。

只做好自己网站的内容和schema，够不够让AI推荐我？

不够。自有内容和schema能解决被认识、以及在你已被编码的品类里被推荐，属于必要地基。但想在相邻品类的查询里冒头，得靠第三方语料，因为模型在推荐环节检索的是外部内容，不是你的官网。

怎么知道AI现在把我编进了哪个品类？

用客户可能用的5到6种问法，各自到2到3个AI引擎里问一遍，看哪些问法能让你出现。你出现的那些问法，反映的就是AI当前给你的品类编码；你想赢却不出现的那些，就是你要补语料的方向。

中文出海站做这件事，有什么特别要注意的？

两点。一是第三方语料必须落在目标市场的语言里，中文站攒的品类关联对英文引擎的检索帮助有限；二是品类词在不同市场叫法不同，别机翻，要按每个目标市场单独校准客户真正在用的那个品类词。

这跟被引用不等于被推荐，是同一个问题吗？

不是同一层。被引不等于被荐，说的是你进了候选、被引用了，却没被推荐给客户；品类编码更上游，说的是在某个品类的提问里，你连被检索、进候选池的资格都没有。先解决进不进得了品类的门，再谈进门后被不被端上桌。

衡量效果该看什么指标，还看总排名吗？

别只看总排名。改看按品类框定分别统计的出现率——同一批目标问法，每种定期多测几轮取稳态，观察某个框定下你的出现率是否随语料积累稳步上升。单次名次波动大，基本是噪声，趋势才是真信号。

权威参考资料