AI搜索问题库是一组从真实用户语料中提取、被持续监测的问句集合，用来衡量品牌在 AI 答案里的出现情况。 搭建它最快也最容易出错的做法，是把市场部会议室里想出来的问题直接扔进监测工具。可靠做法只有一条：从客服记录、站内搜索日志、退货备注这类一手语料里，把用户原本就在说的话捞出来，脱敏、抽取、改写，再入库监测。
下面这套流程来自一次完整的落地记录：90 天内处理 12,842 条客服会话与 6,214 个独立站内搜索词，最终沉淀 214 条监测问题。文中所有对比数据都标注了样本量和测试方法，方便你复制或者证伪。
什么是 AI 搜索问题库？
AI搜索问题库是一组被持续监测的真实用户问句集合，用来观察品牌在 DeepSeek、豆包、Kimi、通义千问、ChatGPT 等 AI 平台上的提及、排名、情感与引用来源表现。它的核心不是"多"，而是"像"——像你的真实客户会打出来的那句话。
和传统关键词表的区别在于三点：单位是完整问句而不是词组、必须携带限制条件（预算、场景、材质、人群）、结果不是排名而是答案里有没有你。一条合格的条目应该能直接粘贴进 AI 对话框，且不带任何 SEO 腔。
三者的具体差异：
| 维度 | 传统关键词表 | AI搜索问题库 |
|---|---|---|
| 基本单位 | 2–5 字词组 | 15–35 字完整问句 |
| 限制条件 | 通常剥离 | 必须保留（材质／人群／预算／场景） |
| 数据来源 | 关键词工具、搜索量 | 客服会话、站内搜索、退货备注 |
| 衡量指标 | 排名位次、点击 | 提及率、引用来源、推荐位次 |
| 单次结果稳定性 | 高，同词同结果 | 低，需重复 3 次取多数 |
| 典型规模 | 数千–数万词 | 单品类 150–250 条 |
为什么凭空想的问题会高估你的 AI 可见度？
因为团队猜的问题天然偏向自家品牌熟悉的表达，而这类问题更容易触发提及。我们做过一次对照实验，结论很反直觉：猜出来的问题会让你的 AI 提及率虚高 15 个百分点以上。
实验设计如下：同一个家用清洁品牌，市场团队闭门头脑风暴产出 60 条问题（猜测组）；同期从客服与站内搜索语料中抽取、改写出 60 条同品类问题（语料组）。两组在 DeepSeek、豆包、Kimi、通义千问四个平台各问 3 次，合计 1,440 次问询，统计品牌是否出现在答案正文中。
| 对比维度 | 猜测组（60 条） | 语料组（60 条） |
|---|---|---|
| 平均问题长度 | 13.6 字 | 27.4 字 |
| 含限制条件的问题占比 | 18.3% | 71.7% |
| 含品牌词的问题占比 | 38.3% | 11.7% |
| 四平台平均提及率 | 34.2% | 18.7% |
| 两组意图重合率 | — | 21.7%（60 条中仅 13 条对应） |
两组只有 21.7% 的意图重合，意味着近八成的真实需求原本完全不在监测视野里。更值得警惕的是提及率差：34.2% 的数字会让管理层认为品牌在 AI 里表现良好，而用户真正会问的那批问题只有 18.7%。AI搜索问题库的第一价值不是提升数字，而是让数字变得可信。
行业里也有类似的方向性建议，Conductor 关于 AEO/GEO 提示词生成的指南建议无品牌词提示占比约 75%。我们的实测把这条建议往前推了一步：光控制品牌词比例不够，还要控制"限制条件密度"——猜测组即使去掉品牌词，问题仍然短、仍然没有场景，测出来的依然不是真实可见度。
还有一层容易被忽略的机制原因：Google 在官方博客中说明，AI 模式采用"查询扇出（query fan-out）"技术，会把一个问题拆成多个子查询分别检索再合成答案（见 Google 关于 AI 模式的官方说明）。这意味着你监测的问句只是入口，实际决定答案的是模型自己派生出的一批子问题——问句越短、越没有限制条件，扇出方向越发散，测得的结果就越不可复现。关于扇出机制下哪类页面更容易被选中，MaxAEO 有一篇专门测过内容深度与内容广度在 AI 模式扇出中的表现差异。
一手语料从哪来：五类数据源的价值排序
答案是优先用"用户主动描述问题"的语料，其次才用"用户被动选择"的语料。客服会话价值最高，因为它同时包含问题、限制条件和情绪；站内搜索价值高但残缺，因为它只有关键词没有上下文。
| 数据源 | 典型样本量（90 天） | 问法保真度 | 获取难度 | 最适合抽取什么 |
|---|---|---|---|---|
| 客服会话／工单 | 5,000–20,000 条 | 高 | 中（需脱敏） | 完整问句、限制条件、异议 |
| 站内搜索日志 | 3,000–50,000 次 | 中 | 低 | 品类词、型号词、需求方向 |
| 退货／差评备注 | 500–3,000 条 | 高 | 低 | 失败场景、替代方案对比 |
| 销售通话纪要 | 200–1,000 条 | 高 | 高 | B2B 决策链问题、预算约束 |
| 社群与私域问答 | 1,000–5,000 条 | 中高 | 中 | 口语化表达、跟风式提问 |
消费品牌通常靠前三类就够；B2B 与 SaaS 团队必须把销售通话纪要算进来，因为采购决策里的问题（合规、迁移成本、集成范围）几乎不会出现在客服工单里。
没有任何一手语料的冷启动怎么办？ 三条替代路径，按可用性排序：一是抓取电商详情页的"商品问答区"和竞品评论区，这两处都是用户主动打字提问；二是导出小红书、知乎相关话题下的提问贴标题，保留原始口语；三是让销售同事凭最近 20 通电话回忆并写下客户原话——注意是"复述客户说的话"而不是"总结客户的需求"，后者会立刻退化成猜测组。
第一步：脱敏怎么做才既合规又不丢语义？
脱敏的原则是删掉身份，保留语言。手机号、订单号、地址、姓名必须清除，但"我家是老房子""孩子刚满周岁"这类场景描述要完整保留——那正是限制条件的来源，删掉就等于把语料变回了关键词表。
可执行的脱敏清单：
- 字段级删除：姓名、手机号、微信号、收件地址、订单号、身份证、支付账号，整字段丢弃而非打码。
- 正则清洗：手机号
1[3-9]\d{9}、订单号\d{15,20}、邮箱、快递单号，替换为[已脱敏]。 - 场景保留：房型、材质、家庭结构、使用频率、预算区间、既有品牌一律保留。
- 角色标注：只保留"用户"侧发言用于抽取，客服话术单独存放（客服话术是品牌语言，会污染问法）。
- 权限与留痕：脱敏后语料单独建库，标注处理时间与操作人；跨部门调用走审批。
《中华人民共和国个人信息保护法》第六条规定处理个人信息应"限于实现处理目的的最小范围"，第七十三条则把"无法识别特定自然人且不能复原"定义为匿名化——这意味着达到匿名化标准的语料才不再受该法约束，仅做打码的"去标识化"数据仍属个人信息。涉及用户会话批量导出时，先与法务确认口径。
流程上有个反直觉的顺序建议：先脱敏再抽取，不要先抽取再脱敏——后者会让原始个人信息进入中间产物（提示词日志、模型返回缓存、中间表），清理成本成倍上升。如果抽取环节调用的是第三方大模型 API，这条顺序不是优化建议而是硬约束。
第二步：需求抽取要抽出哪五个字段？
一句抱怨里至少藏着五层信息，只抽"问题"会丢掉最值钱的部分。我们固定抽取这五个字段：核心问题、限制条件、已试方案、对比对象、情绪强度。
以一条真实脱敏后的客服原话为例："买之前问一下，我家是实木地板，之前用过某某牌的清洁剂结果发白了，你们这个会不会也这样啊，有点不敢买。"
| 字段 | 抽取结果 |
|---|---|
| 核心问题 | 清洁剂是否会导致地板发白 |
| 限制条件 | 实木地板 |
| 已试方案 | 竞品清洁剂（发白） |
| 对比对象 | 具体竞品品牌 |
| 情绪强度 | 中偏负（"不敢买"＝购买阻力） |
批量抽取可以直接用大模型跑，这是我们在生产里用的提示词，逐条喂脱敏文本即可：
你是需求分析师。下面是一段脱敏后的客服会话，只分析用户侧发言。
请输出 JSON，字段固定为：
{
"core_question": "用户真正想确认的一件事，一句话，不超过30字",
"constraints": ["限制条件，如材质/预算/人群/场景，没有则空数组"],
"tried_solutions": ["用户提到已经试过或正在用的方案"],
"compared_brands": ["用户提到的其他品牌或品类"],
"sentiment": "正面 | 中性 | 负面",
"purchase_stage": "认知 | 评估 | 决策 | 售后"
}
规则：
1. 只提取用户明确表达的内容，不推测、不补全。
2. 保留用户原始用词，不要改成书面语。
3. 无法判断的字段留空，不要编造。
会话文本：<<<{{text}}>>>
案例中 12,842 条会话跑完，产出 3,470 条有效候选问题，抽取失败或信息量不足的占 27.4%（多为纯物流催单）。这一步最容易犯的错是让模型"总结"而不是"提取"——总结会自动把口语改成书面语，语言保真度当场归零。实操上有两个防线：提示词里写死"保留用户原始用词"，以及抽完随机抽检 50 条比对原文，看名词是否被替换（"发白"被改成"泛白／褪色"就是典型信号）。
第三步：怎么把客服原话改写成用户会对 AI 说的话？
改写不是润色，而是换语境：用户对客服说话时默认对方知道自己买了什么，对 AI 说话时必须自己交代背景。四条原则：补主语、补品类、留原词、去客套。
改写前后对照（均来自实际语料）：
| 客服原话（脱敏后） | 直接照抄的问题（错误） | 改写后入库问题（正确） |
|---|---|---|
| "这个会不会伤实木地板" | 会不会伤实木地板 | 免洗地板清洁剂用在实木地板上会不会发白或者伤漆面 |
| "有孩子能用吗" | 有孩子能用吗 | 家里有一岁小孩，地板清洁剂选哪种成分比较安全 |
| "跟某某牌比哪个好" | 跟某某牌比哪个好 | 免洗地板清洁剂哪个牌子好用，主要看什么指标 |
| "多久拖一次" | 多久拖一次 | 用免洗清洁剂拖地多久一次比较合适，会不会残留 |
注意第三行：竞品品牌名在入库时被降权处理了。原因是纯品牌对比问题在 AI 平台上答案高度模板化，信息量不如"选购指标"型问题；真正需要做品牌对位的场景，单独建一组对比类问法清单去覆盖，不要混在主库里稀释信号。
站内搜索词只有几个字，怎么补全成完整问句？
案例中 6,214 个独立站内搜索词里，63.1% 长度在 2–4 个字（如"免洗""地板""气味"），而客服会话中同类需求的平均表达长度是 26 字。直接把站内搜索词丢进 AI 监测，等于把限制条件全部丢掉，测出来的提及率会偏高且不可解释。
可行的补全方法是"用客服语料给搜索词配上下文"，三步：
- 按语义把搜索词映射到已抽取的意图簇（用向量相似度或人工归类均可）。
- 从该簇的客服原话里借限制条件，拼成完整问句。
- 把搜索次数作为该问句的需求强度权重保留，写进入库表的"语料频次"字段。
例如搜索词"气味"映射到"清洁剂残留气味"簇后，补全为"地板清洁剂拖完有味道正常吗，家里有宠物要注意什么"。
有一类问句在传统关键词工具里搜索量显示为零，但在客服里每周出现——不要因为"没量"就砍掉。AI 对话里的问法本来就比搜索框长、比搜索框细，关键词工具的采样口径覆盖不到。判断该不该做，看两条：这个问题是否直接卡住购买决策，以及你有没有内容能回答它。
第四步：几千条候选问题怎么去重、聚类和排优先级？
3,470 条候选不可能全上监测，成本和噪音都不允许。处理顺序是：语义去重 → 意图聚类 → 打分筛选。案例中 3,470 条经去重聚类后收敛为 412 个意图簇，最终入库 214 条。
具体做法：
- 语义去重：用向量相似度阈值 0.9 合并近似问句，每簇保留出现频次最高的那一条原话作为代表。
- 意图聚类：按"认知／评估／决策／售后"四阶段 + 主题双维度归类，每个簇标注原始语料条数。
- 打分筛选：
优先级 = 商业价值(1-5) × 语料频次权重(1-5) × 可干预性(1-3)，其中可干预性指你是否有对应内容或第三方来源可以影响答案。 - 配额平衡：品牌词问题占比压到 25% 以内（案例首版是 38%，调整后 22%），售后类问题保留 15%——它们决定复购期的品牌口碑。
- 封顶：单品类首版控制在 150–250 条，超过这个量级人工复核跟不上，问题库会迅速腐化。
第 3 步里最容易被打低分又最值得做的是"可干预性"维度。它不只看你有没有自有内容——如果某个问题的答案来源集中在测评站、行业媒体或问答社区，而这些站点上没有你，那么再写十篇自有文章也难以改变答案。第三方来源该按什么顺序去做，MaxAEO 拆过一份外部来源建设的优先级排序，打分时可以直接拿来给"可干预性"定级。
第五步：问题库入库要设哪些字段、多久跑一次？
入库不是存一张问题清单，而是建一张能追责、能复盘、能关联内容的表。字段设计直接决定后面能不能做归因。
| 字段 | 说明 | 示例 |
|---|---|---|
| 问题ID | 唯一标识 | Q-0087 |
| 问句正文 | 入库监测的完整问句 | 实木地板能用免洗清洁剂吗 |
| 原始语料ID | 可回溯到哪几条客服会话 | T-3391, T-4102 |
| 意图阶段 | 认知／评估／决策／售后 | 评估 |
| 限制条件 | 材质、人群、预算等 | 实木地板 |
| 语料频次 | 该意图簇的原始语料条数 | 47 |
| 优先级分 | 打分公式结果 | 60 |
| 目标页面 | 希望被引用的自有内容 | /guide/wood-floor |
| 监测平台 | 该问题跑哪些平台 | DeepSeek／豆包／通义 |
| 监测频率 | 周／双周／月 | 周 |
| 负责人 | 内容或公关归属 | 内容组-李 |
监测频率按优先级分层：前 20% 高分问题每周跑，中间 50% 双周，长尾 30% 每月一次，每次同一问题至少重复 3 遍取多数结果——AI 答案有随机性，单次结果不能作为结论。
平台分配不必平均。不同引擎的答案来源和推荐逻辑差异很大，同一条问题在四个平台可能得到四种品牌名单，原因可以参考 MaxAEO 对不同 AI 引擎为何给出不同品牌答案的拆解；至于哪些引擎值得投入监测预算、哪些可以先放着，见如何判断哪些 AI 引擎真正影响你的买家。做出海业务的团队还要额外注意，Google 的 AI 概览与 AI 模式对同一问题会给出不同来源，两者需要分开记录，差异原因见AI 模式与 AI 概览的来源差异分析。
用什么工具跑：手工、脚本还是平台
三条路线，按团队规模选：
- 手工问询：50 条以内、每月一次，两个人半天能跑完。适合验证方法是否有效，不适合长期。
- 脚本 + API：DeepSeek、通义千问、Kimi 都有开放 API，写个脚本批量跑并存结果，成本极低。但豆包等部分入口的 API 结果与 App 内答案存在差异，需要抽样人工校验。
- 监测平台：条数过 200、平台过 4 个、要看时间序列时，人力成本就超过工具成本了。
无论哪条路线，都要把"同题重复 3 次"和"原始答案全文留档"这两件事做进流程。只存"是否提及"的布尔值，等到提及率下滑时你会无法回答"当时答案里引用的是谁"。
怎么判断问题库够不够真实：两个自建指标
问题库建完必须验收，否则你无法区分"品牌真的没被提及"和"问题本身就问错了"。我们用两个自定义指标做体检，都可以用 Excel 算出来。
问法覆盖率（QCR）：随机抽 200 条新的真实客服问题，看其中有多少条能在现有问题库里找到同意图条目。计算式为"可匹配条数 ÷ 200"。案例首版 QCR 只有 52%，补了售后与安装场景后三轮迭代提升到 78%。建议阈值 ≥70%，低于 60% 说明语料覆盖有结构性缺口。
语言保真度：改写后的问句保留了多少原始用户用词。取用户原话中的名词与限定词，统计其在改写后问句中的保留比例，目标 ≥60%。低于 50% 通常意味着抽取环节被模型"总结"污染了。
两个指标要分开看：QCR 低是"漏问了"，加语料、扩品类；保真度低是"问歪了"，回头改抽取和改写环节。同时低，说明问题库基本是猜出来的，推倒重建比修补快。
一手案例：某家清品牌 90 天问题库落地与提及率变化
案例对象为一家国内家用清洁品牌，主推免洗地板清洁剂，通过天猫与私域双渠道销售。语料窗口为 2026 年 2 月至 5 月，包含客服会话 12,842 条、站内搜索 38,506 次（去重后 6,214 个独立查询词）、退货备注 1,930 条。
执行动作：按上文五步建成 214 条 AI搜索问题库，对暴露出的三类缺口（实木材质限制、宠物家庭安全性、与竞品的成分对比）补充自有内容与第三方来源建设，90 天后用同一批问题在同样的四个平台复测，每题 3 次。
| 指标 | 建库时（基线） | 90 天后复测 | 变化 |
|---|---|---|---|
| 语料组问题平均提及率 | 18.7% | 39.5% | +20.8pp |
| 限制条件型问题提及率 | 9.0% | 44.0% | +35.0pp |
| 答案中出现自有站点引用来源 | 6 次 | 31 次 | +25 次 |
| 问法覆盖率 QCR | 52% | 78% | +26pp |
| 品牌词问题占比 | 38% | 22% | -16pp |
最反直觉的一条：涨幅最大的不是品类大词，而是带限制条件的窄问题。"实木地板能不能用"这类问题基线提及率只有 9%，因为几乎没有品牌专门写过这个场景，竞争极稀薄；补上一篇讲清材质适配的内容后，四个平台里有三个开始在回答中引用并点名品牌。相比之下，"地板清洁剂哪个牌子好"这种大词提及率只从 24% 涨到 29%——头部老品牌占据答案位，短期难撬动。
这个结果也提示了归因的坑：90 天里我们同时做了内容和第三方来源两件事，无法把 +20.8pp 精确拆给其中一项。想拿到可归因的结论，得留一组不做任何动作的问题当对照——案例里我们留了 30 条低优先级问题不动，同期它们的提及率从 17.1% 变为 18.4%（+1.3pp），这才是判断"确实是动作起效"而非"平台整体波动"的依据。任何没有对照组的 AI 可见度提升数字，都要打折看。
另一条经验是关于证据形态：AI 平台在回答限制条件型问题时明显更偏好带具体测试条件与结果的内容——"实木地板，40℃水温，静置 24 小时无发白"这种写法比"温和不伤地板"有效得多。把客户实测结果整理成可被引用的结构，可以参考把客户成果整理成 AI 可引用证据的做法。
问题库什么时候必须重建？
不用定期推倒重来，但以下五个信号出现任意一个，就该重新跑一轮语料抽取，而不是在旧库上打补丁：
- QCR 跌破 60%：真实问法已经漂移，通常发生在新品上市或行业出现新概念之后。
- 客服出现新高频词：某个此前不存在的词在 30 天内进入客服 Top 20，说明需求结构变了。
- 提及率整体骤变：如果多个平台同时出现大幅波动，先怀疑平台侧改版，再怀疑自己的内容。
- 竞品出现新入局者：答案里反复出现你没监测过的品牌，说明竞争面已经扩大。
- 业务侧新增品类或人群：新品类的语料在旧库里等于零覆盖。
常规节奏是：语料抽取每季度一次，问题库微调每月一次，监测持续跑。日常只需要盯 QCR 和提及率两条曲线，不必频繁增删条目——问题库频繁变动会让时间序列失去可比性，也就无法做因果归因。
一个例外情况值得单独说：如果所有引擎突然同时开始提到你，先别庆祝。跨引擎答案高度一致，往往意味着它们引用了同一个新出现的来源（一篇被广泛转载的稿件、一个新上榜单），而不是你的整体可见度上了台阶——这类共识信号该怎么解读，MaxAEO 单独分析过引擎一致性作为诊断指标的含义。
常见问题
问题库需要多少条才够用？
单品类首版 150–250 条是可控区间。低于 100 条覆盖不了完整决策链，高于 300 条则人工复核跟不上，条目会迅速失效。判断标准不是条数而是问法覆盖率：抽 200 条真实客服问题能匹配上 70% 以上，就说明够用了。
没有客服团队的小品牌怎么办？
用三类替代语料：电商平台的商品问答区、退货与差评备注、私域社群聊天记录。这三类都是用户主动打字描述问题，语言保真度接近客服会话。样本量少不影响方法，200–300 条真实语料已经足够抽出首版 50 条问题库。
站内搜索日志能不能单独用来建问题库？
不建议。站内搜索词平均只有 2–4 个字，缺少限制条件与场景，直接监测会系统性高估品牌表现。正确用法是把它当作需求强度的权重来源，与客服语料交叉后再补全成完整问句。
问题库里要不要放竞品品牌名？
主库里控制在 10% 以内。纯品牌对比问题在 AI 平台上的答案高度模板化，信号价值低；需要做竞品对位分析时，单独拉一组对比问法清单去跑，结果也更容易解读。
改写会不会让问题偏离用户原意？
会，所以要用语言保真度做约束：改写后保留用户原话中 60% 以上的名词与限定词。实操上一个简单校验是把改写后的问句念一遍——如果不像一个人会打字说出来的话，就是改过头了。
多久能看到提及率变化？
案例里 90 天见效，但不同问题类型速度差很多：限制条件型窄问题最快，补一篇针对性内容后 3–6 周就能在部分平台看到变化；品类大词通常要三个月以上，且受头部品牌占位影响。建议以 4 周为一个观察周期，不要按周下结论——单次问询的随机性足以造成 ±10pp 的波动。
中文平台和 ChatGPT、Google 的问题库能共用吗？
问句本身可以复用，但监测和归因必须分开。国内平台与 Google AI 模式的检索来源池差异极大，同一问题的答案来源几乎没有重合；且 Google 侧目前没有类似 Search Console 的官方数据可查，需要自建记录方式，具体做法见 MaxAEO 的无排名、无 Search Console 数据时如何衡量 AI 模式可见度。