同一个问题，五个模型给出五种答案
把一个品牌问题分别抛给豆包、DeepSeek、腾讯元宝、文心一言和 Kimi，得到的回答常常差异明显：有的能准确说出主营业务与客户类型，有的只说「是一家相关领域公司」，有的会把竞品的信息混进来。
原因不难理解：不同模型的训练语料、检索范围、回答风格都不同。有的偏重官网与百科，有的更常引用媒体和问答社区；有的回答精简，有的会展开对比。
问题在于，企业过去习惯用「单次提问」判断自己的 AI 表现。问一次，被提到了，就认为状况良好；没被提到，就急着加内容。这种判断方式几乎必然误判。
一套轻量的监测框架
不需要采购昂贵的工具，先建立可重复的方法。
- 固定问句集。按「品类词、场景词、对比词、品牌词」四类，各准备 5 个问句，共 20 个。问句一旦确定，半年内不要改，否则前后不可比。
- 固定模型与时间。每次同一批模型、同一时间段采样，减少波动干扰。
- 记录回答原文。不要只记录「有没有提到」，原文才能看出描述是否准确、是否混入错误信息。
- 分类标注。把每条回答标成：未提及、提及但模糊、提及且准确、提及但错误、提及但负面。
区分「没被提到」和「被说错」
这两种情况的处理方式完全不同。
没被提到，说明召回不足。要补的是覆盖：内容是否回答了这个问句、是否有结构化素材、是否在模型常引用的来源里出现。
被说错，说明事实源有问题。要补的是治理：清理旧页面、修正错误转载、统一口径。这时候继续加内容，只会让错误版本更多。
被说成负面，则要看是否为真实问题的反映。真实的服务投诉不能靠内容掩盖，需要业务侧解决；失实的负面信息才走信息治理路径。
从监测到行动的优先顺序
监测的价值在于排序，而不是打分。建议按这个顺序处理：
- 先修错误信息，尤其是涉及资质、价格、安全的高风险项。
- 再补高频问句的结构化内容，优先覆盖「怎么选」「多少钱」「哪家好」。
- 最后做扩展覆盖，把长尾场景补齐。
坚持三个月，通常会看到「提及但模糊」的比例下降，这比单纯的提及率上升更能说明品牌认知在变清晰。