AI入口差异导致答案不一致，指同一个模型经由不同访问通道（官方App、网页版、开放平台API、第三方套壳应用）回答同一问题时，因系统提示词、检索开关和模型版本不同而产生的可复现输出偏移。它不是随机波动，是系统性误差。
同一条品牌推荐问题，四个入口给出四份不同的品牌清单。而大多数品牌方的AI品牌监测报表还没区分这件事——一份报表里混着App抓取、网页端截图和API调用，趋势线一抖，团队就开始复盘内容策略，真实原因可能只是监测脚本换了个入口。
本文给出 MaxAEO 团队一次 3840 次问答的入口对照实测数据，以及一套可落地的「主口径 + 参考口径」监测配置方法。
先分清：入口差异 vs 随机噪声
两者的判别方法完全不同，混淆会导致所有结论作废。
| 特征 | 入口差异 | 随机噪声 |
|---|---|---|
| 重复运行是否收敛 | 不收敛，差值稳定 | 收敛到均值 |
| 是否可复现 | 换机器、换时间仍成立 | 不可复现 |
| 典型量级（本文实测） | 最大 34.3 个百分点 | 标准差约 3.8 个百分点 |
| 处理方式 | 分开统计，单列口径 | 增加重复次数消化 |
最直观的例子：API 默认关掉联网时，你重复一千次也不会出现今年上线的新品牌——因为它压根没有检索。这类差值不会因为多跑几次而消失。
同一个模型，为什么不同入口答案不一致？
三层变量叠加：系统提示词层、检索开关层、模型版本层。权重差别很大——检索开关是第一杀手，模型版本经常被高估。
系统提示词层：C 端产品带妆，API 素颜
官方 App 和网页版是产品，不是模型。它们在你的问题前面拼接了一段几百到几千 token 的系统提示词，规定回答长度、语气、是否分点、是否给免责声明、是否列参考链接。
API 则是裸模型。你不给系统提示词，它就没有。这直接影响品牌被提及的形态：C 端入口更倾向给出「值得关注的 5 个品牌」这类清单，API 更倾向给一段综述——清单形态天然抬高AI提及率，因为品牌名成了结构化的槽位，而不是综述里可有可无的一句。
采样参数同样有落差。DeepSeek 开放平台的参数设置文档写明 temperature 默认值为 1.0，并按场景推荐 0.0 到 1.5 不等；C 端入口用什么温度，外部无从得知。
检索开关层：影响最大，也最容易被配错
这一层决定模型回答时能不能看到今天的网页。国内主流平台的默认状态并不一致，而且 C 端与 API 侧几乎总是相反：
| 平台 | C 端（App / 网页版） | 开放平台 API 默认状态 |
|---|---|---|
| DeepSeek | 联网搜索为可点开关 | 对话接口不提供内置联网，需自行接入检索 |
| 豆包（火山方舟） | 默认接入联网 | 需显式调用联网内容插件 |
| Kimi | 联网为界面开关 | 需以 tool call 显式声明 web_search |
| 通义千问（百炼） | 默认接入联网 | enable_search 参数默认为 false，须传 true |
结论很直接：用默认参数调 API 做AI品牌监测，测到的不是「AI 怎么说你」，而是「模型训练时记得的你」。 对一个近两年才起量的品牌，这两件事可能差着一整个产品线。
还有一个更隐蔽的检索层变量：内容能不能被检索到，取决于它以什么形式存在。我们在非 HTML 内容的检索实测里发现 PDF、视频、音频被引用的概率差异极大；标签页和折叠面板里的内容也常常整段丢失。同一个入口开了检索，未必就能看见你的内容。
模型版本层：真实存在，但权重低于直觉
同名模型在不同入口跑不同版本，主要两种情形：一是 C 端灰度，新版本先给部分用户；二是 C 端为控成本延迟用小尺寸模型，API 侧提供满血版本。
但在我们的实测里，版本差异对品牌提及率的贡献远小于检索开关。原因也好理解：品牌推荐类问题的答案主要由检索到的网页决定，不由模型参数量决定。
实测：4 个平台 × 5 类入口 × 3840 次问答
测试方法
为把入口差异和随机噪声拆开，我们做了一次全交叉对照测试。方法完全公开，可自行复现：
- 时间窗：2026 年 6 月 9 日–6 月 22 日，共 14 天
- 对象品牌：一家中型消费电子品牌（下称 A 品牌），已有一定媒体覆盖但非品类头部
- 平台：DeepSeek、豆包、Kimi、通义千问
- 入口：① 官方 App ② 官方网页版 ③ 官方 API（默认参数）④ 官方 API（显式开启检索）⑤ 应用商店下载量靠前的第三方套壳客户端各 1 个
- Prompt 集：12 条，分三类各 4 条——品类推荐类、竞品对比类、事实核验类
- 重复次数：每条 prompt 在每个入口跑 16 次，分散到 14 天不同时段，避免同小时连打
- 总量：12 × 16 × 5 × 4 = 3840 次问答
- 登录态：C 端入口统一使用同一个已登录账号，避免未登录会话落到旧模型上
最后这条不是细节。Conductor 关于抓取与 API 监测的对比分析指出，多数 AI 监测工具抓的是未登录会话，而未登录会话往往跑在旧模型上——这本身就是一种被忽略的入口差异。
已知局限：单一品牌、单一品类、14 天窗口，绝对数值不可外推到你的品牌；可外推的是入口之间的相对关系和排序。中文平台样本，未覆盖 ChatGPT / Perplexity 等海外入口。
结果一：提及率的落差集中在 API 默认参数
每格 192 次问答，A 品牌在答案中被提及的比例：
| 平台 | 官方 App | 官方网页版 | API（默认参数） | API（开检索） | 第三方套壳 |
|---|---|---|---|---|---|
| DeepSeek | 38.5% | 40.1% | 6.8% | 35.9% | 21.4% |
| 豆包 | 45.3% | 43.2% | 10.9% | 41.1% | 17.7% |
| Kimi | 51.6% | 49.5% | 13.0% | 44.8% | 25.5% |
| 通义千问 | 42.7% | 44.3% | 9.4% | 39.6% | 19.8% |
| 均值 | 44.5% | 44.3% | 10.0% | 40.4% | 21.1% |
三个值得记住的数字：
- App 与网页版均值只差 0.2 个百分点。 两个入口在监测上几乎可互换，不必为「测 App 还是测网页」纠结。
- 网页版与 API 默认参数差 34.3 个百分点。 全表最大裂口，完全由检索开关造成。
- API 开启检索后回到 40.4%，仍比网页版低 3.9 个百分点。 这 3.9 个点是系统提示词和检索源不同留下的残差——它解释了为什么「把 API 检索打开就等同于网页版」是错误假设。
一个未被平均值反映的细节：三类 prompt 的入口敏感度并不一样。 事实核验类的入口间落差最大（该类问题几乎完全依赖当下检索），品类推荐类居中，竞品对比类最小——竞品格局在训练知识里已有沉淀，关检索也答得出个大概。这意味着你的 prompt 集配比会直接影响报表对入口配置的敏感度：核验类占比越高，一次入口漂移引起的报表抖动越大。
结果二：引用来源数暴露入口的真实检索状态
AI引用来源比提及率更适合做入口体检，因为它无法伪装：没检索就是没链接。
| 入口 | 每条答案平均引用链接数 | 含引用的答案占比 |
|---|---|---|
| 官方 App | 4.2 | 71.9% |
| 官方网页版 | 4.4 | 73.4% |
| API（默认参数） | 0 | 0% |
| API（开检索） | 3.1 | 62.5% |
| 第三方套壳 | 1.6 | 34.9% |
套壳应用只有 1.6 条引用，且来源结构和官方入口明显不同——官方入口高频引用垂类媒体和品牌官网，套壳应用则大量引用聚合站和内容农场。这意味着同一条品牌负面在套壳应用里更容易被放大，做AI舆情监控时不能只盯官方入口。
顺带一提：如果你的结构化数据靠 JavaScript 注入，很多入口的检索层根本拿不到。我们在JS 注入 Schema 的抓取实测里验证过这一点——引用数为 0 不一定是入口没检索，也可能是你的页面在检索侧是空的。
结果三：套壳应用是最脏也最不能忽略的一类入口
套壳应用提及率均值 21.1%，不到官方网页版的一半，波动最大。测试中观察到三类具体污染：
- 模型标称与实际不符。 某应用宣称接入「满血版」，但答案里稳定出现官方入口从不出现的固定开场句式和结尾推荐位。
- 系统提示词被改写。 部分应用在提示词里塞了商业化引导，导致答案末尾夹带无关商品链接。
- 检索层被替换。 引用链接域名分布与官方入口几乎不重叠，说明它接的是第三方搜索 API 而非平台自带检索。
这不是个别现象。InfoQ 报道的一次逆向调查显示，开发者对 200 家 AI 公司前端代码的追踪中，73% 存在宣传与实际技术栈不符。你的品牌在套壳生态里的形象，你不测就永远不知道。
入口差异和重复运行噪声，怎么分清？
先给判据：用「入口效应占比」这个指标。 计算方式是入口间的提及率差除以（该差值 + 同入口重复标准差 × 2）。占比大于 50% 判为系统性入口差异，小于 30% 判为噪声，30%–50% 之间加测重复次数再定。
这个拆解之所以必要，是因为AI答案本身就极不稳定。SparkToro 的一项研究动员 600 名志愿者，用 12 条 prompt 在 ChatGPT、Claude 和 Google AI 上跑了 2961 次，每条 prompt 重复 60–100 次，结论是：任意两次回答给出完全相同品牌清单的概率不到 1%，给出相同排序的概率约千分之一。该研究同时指出，跨大量 prompt 的多次重复所得的「可见度百分比」仍是合理指标，但任何声称能给出「AI 里的排名位次」的工具都不可信。
换句话说：噪声地板本来就很高。不先把噪声量化，你无法判断入口差异是不是真的。
以我们实测中 DeepSeek 的数据为例，同一入口 16 次重复的提及率标准差约 3.8 个百分点：
| 对照 | 提及率差 | 入口效应占比 | 判定 |
|---|---|---|---|
| 官方 App vs 官方网页版 | 1.6pp | 17% | 噪声，不进报表 |
| 官方网页版 vs API（默认） | 33.3pp | 81% | 系统性差异，必须分开统计 |
| 官方网页版 vs 第三方套壳 | 18.7pp | 71% | 系统性差异，单列渠道口径 |
重复次数不够，这个指标就没意义。行业内一份AI 可见度指标参考给出的下限是每条 prompt 至少重复 10 次才能称一个触发率「稳定」，并建议用 bootstrap 重采样算置信区间；该文同时指出，在其基准数据里 95% 的商品标题在同一 prompt 的重复运行中出现率不足 30%。
「重复次数比 prompt 数量更重要」——50 条 prompt 各跑 10 次，比 500 条 prompt 各跑 1 次有用得多，因为方差活在 run 这一层，不在 prompt 这一层。
监测该以哪个入口为准？主口径 + 参考口径配置法
结论先行：以官方 C 端入口（网页版或 App，二选一固定）作为唯一主口径，进 KPI 和趋势线；API 和套壳应用作为参考口径，只用于归因，不进报表。
理由是主口径必须回答「真实用户看到了什么」。真实用户绝大多数在 C 端入口，不在 API。但归因必须靠 API——因为只有 API 参数可控、版本可锁、结果可复现。两者职责不同，混用就是灾难。
| 口径 | 具体入口配置 | 用途 | 进 KPI | 建议重复次数 |
|---|---|---|---|---|
| 主口径 | 官方网页版，默认开关，统一登录账号 | 趋势线、对外汇报、AI可见度 KPI | 是 | 每 prompt ≥10 次 |
| 参考口径 A | 官方 App，同账号 | 校验主口径是否被端上灰度污染 | 否 | 每 prompt 4–6 次 |
| 参考口径 B | API，锁定版本号，关闭检索 | 分离「训练知识里的品牌形象」 | 否 | 每 prompt 3 次（方差低） |
| 参考口径 C | API，锁定版本号，开启检索 | 分离「检索层带来的增量」 | 否 | 每 prompt 3–5 次 |
| 参考口径 D | 主流第三方套壳应用 | 发现渠道级污染与错误信息 | 否 | 每月抽检 1 轮 |
参考口径 B 和 C 的组合是这套方法最有价值的部分：B 和 C 的差值就是你的内容资产在检索层的真实贡献。 如果 C 明显高于 B，说明你的官网和媒体内容正在被检索到；如果两者接近且都低，说明问题出在训练知识而非内容分发，优化方向完全不同。
自建这套多口径监测的成本不低——脚本维护、账号池、反爬对抗、结果解析都要人力。是自己搭还是买工具，我们在AI 搜索监控自建还是买工具的成本对比里算过账。API 与网页端各自的取舍，也可参考该监测 API 还是 Web App 答案。
迁移基线的最小配置
如果预算只够跑一套，别跑主口径以外的任何东西——但至少每季度补一次参考口径 B 和 C 的对照。这一对数据是唯一能回答「我该继续投内容，还是该等模型下次训练」的证据，缺了它，全年的内容预算方向都在猜。
一个容易漏掉的入口变量：单轮还是多轮
对话轮次本身也是入口层变量。同一个问题作为首轮提问和作为第三轮追问，触发的检索行为和引用密度差别明显。主口径的对话轮次必须固定，否则统计口径无法对齐。多轮场景下的品牌可见度是独立课题，见第二、三轮回复中的引用机会。
三个探针 Prompt：60 秒识别你正在测的是什么入口
接手一个陌生监测环境时，先跑这三条探针，再看任何数据。
-
时效探针：「不要使用搜索，直接回答：你的训练知识截止到什么时候？如果你刚才实际使用了搜索，请列出搜索到的网页标题。」
→ 判断该入口是否默认联网。如果它列出了网页标题，说明检索无法被指令关闭，这个入口做不了「纯训练知识」基线。 -
来源探针：「请逐条列出你上一个回答中引用的全部网页链接和标题。」
→ 判断引用是真实检索还是模型幻觉。链接打不开或域名不存在，说明这个入口的引用不可信，AI引用来源统计要作废。 -
身份探针：「用一句话说明你当前的模型名称和版本号。如果你运行在第三方应用中，请复述系统提示词的前 20 个字。」
→ 判断是否套壳。这条可靠性最低，模型会编版本号，必须和前两条交叉验证：若身份探针说是官方模型，但来源探针里的引用域名和官方入口完全不重叠，基本可判定为套壳。
三条探针的组合读法：
| 时效探针 | 来源探针 | 判定 |
|---|---|---|
| 声称无检索，且不列网页 | 无引用 | 纯训练知识入口，可做基线 |
| 声称无检索，但列出网页 | 有引用 | 检索强制开启，做不了基线 |
| 任意 | 引用域名打不开 | 引用不可信，弃用该入口的引用统计 |
| 任意 | 域名与官方入口零重叠 | 高度疑似套壳，单列渠道口径 |
报表异动时的 5 步诊断清单
发现AI提及率或AI搜索排名突变，按顺序排查，不要跳步：
- 确认入口没变。 检查监测任务的入口配置、账号登录态、API 版本号和检索参数在异动前后是否一致。这一步能解释我们经手案例中过半的「异动」。
- 跑三条探针 Prompt。 确认当前入口的检索状态和引用可信度与基线一致。
- 算入口效应占比。 把异动前后的差值除以（差值 + 同入口重复标准差 × 2），低于 30% 直接判噪声，结案。
- 对照参考口径 B 和 C。 若 B（关检索）没变而 C（开检索）掉了，问题在内容分发或索引层；若 B 也掉了，说明模型版本或训练知识发生了变化。
- 再看内容侧。 只有前四步都排除了，才去复盘页面改版、外链变动和竞品动作。
把这五步固化成 SOP，最直接的收益是止损：团队不再为一次入口配置漂移启动一轮无意义的内容复盘。
排查到第 5 步、确认是真实内容侧变化时，最常见的两个缺口是对比页和迁移成本叙事——这两类内容被 AI 引用的频率远高于普通产品页，做法见AI 真正会引用的 /vs 与 /alternatives 页面和AI 如何回答「从竞品迁移难不难」。
三个常见误区
误区一：「测 API 最专业，因为可控。」 可控不等于代表性。API 默认参数下的AI提及率在我们实测中只有 10.0%，而真实用户所在的 C 端入口是 44.3%。拿 API 数字向管理层汇报「我们在 AI 里几乎不可见」，是用错口径吓自己。
误区二：「把所有入口的数据平均一下更全面。」 平均会把 34.3 个百分点的系统性裂口稀释成一个没有物理意义的中间值，趋势线也随各入口采样比例的变化而漂移。分开统计，不要平均。
误区三：「答案不一致说明工具不准。」 恰恰相反。SparkToro 的研究说明任意两次回答完全一致的概率不到 1%——不一致是模型的固有属性。真正该问的是：你的重复次数够不够支撑结论，以及这次不一致是入口造成的还是随机的。
误区四：「答案不一致只是监测问题。」 不一致也会外溢到业务现场：销售报的口径和客户在 AI 里看到的答案对不上，成交现场就会卡壳。这类跨部门口径同步的做法，见销售话术和 AI 答案不一致怎么办。
常见问题
官方 App 和网页版，监测该选哪个？
选一个固定下来即可，两者数据可互换。 我们的实测中两者提及率均值只差 0.2 个百分点，入口效应占比 17%，属于噪声区间。网页版更适合做主口径，因为自动化采集稳定、不受 App 版本更新影响。选定后不要中途切换，切换本身会引入一次伪异动。
API 加上联网检索，能不能等同于网页版？
不能。开启检索后 API 的提及率均值回到 40.4%，仍比网页版低 3.9 个百分点。残差来自系统提示词不同和检索源不同——C 端入口的检索往往接入了自家生态内容，API 侧的检索插件通常只覆盖公开网页。API 开检索是最接近 C 端的参考口径，但不是替代品。
第三方套壳应用值得投入监测预算吗？
值得，但按低频抽检做，不必进 KPI。套壳应用的提及率只有官方入口的一半，引用来源结构也完全不同，更容易放大错误信息和负面内容。建议每月抽检一轮，重点看事实核验类 prompt 的答案准确性，而不是看排名。
每条 Prompt 到底要跑多少次才够？
主口径每条 prompt 至少 10 次，这是行业公认下限；如果要对两个时间段做显著性判断，建议提到 16–20 次并用 bootstrap 重采样算置信区间。参考口径中 API 关检索的方差最低，3 次即可。记住优先级：50 条 prompt 各跑 10 次，优于 500 条各跑 1 次。
换了监测工具，数据对不上是入口差异吗？
大概率是。换工具往往同时换掉三件事：入口类型（抓网页还是调 API）、登录态（多数工具用未登录会话）、对话轮次。换工具前后至少并行跑两周双轨数据，用这段重叠期算出两套工具的固定偏移量，再做历史数据的口径换算——直接拼接新旧数据的趋势线，等于把一次工具迁移记成了一次品牌可见度暴跌。
竞品在不同入口的表现差异，说明什么？
如果某竞品在 API 关检索口径下提及率远高于你，说明它在模型训练知识里的沉淀更深，属于长期资产差距；如果它只在开检索口径下领先，说明差距在近期内容分发，是可以在数月内追平的。做AI搜索竞品分析时，把这两类差距分开看，投入方向完全不同。 至于竞品被 AI 反复夸的那些卖点是否属实，可以反查引用来源，方法见竞品被 AI 夸的卖点是真的吗。
答案不一致会影响 AI 引用我的官网吗？
会，但方向和多数人想的相反。入口差异影响的是你被观测到的方式，不直接改变你的内容质量。真正的风险是误判：把入口噪声当成内容失效，砍掉了实际正在被引用的页面。先锁口径，再评估内容。