AI引用 没被推荐，指品牌内容出现在 AI 回答的参考来源里，品牌名却没出现在答案正文的推荐名单里。根因不是内容质量，而是引用与推荐走两套判定标准。 引用回答"这段话的依据在哪"，推荐回答"这个场景下该选谁"。前者只要内容可信、相关、能佐证事实；后者要求模型把你的品牌当成一个可比对的候选项。
大量品牌卡在中间：内容被当背景知识用了，品牌没进候选池。
这篇文章拆的就是中间这段断层——四类典型错配、每类的识别信号、以及对应改法。
被引用和被推荐，到底差在哪
一句话区分：被引用是"你的内容被当证据"，被推荐是"你的品牌被当选项"。 前者判定 URL 和段落，后者判定品牌实体。
两条链路的判定输入完全不同：
| 维度 | 引用链路 | 推荐链路 |
|---|---|---|
| 判定对象 | 单个 URL / 单个段落 | 品牌实体 |
| 核心信号 | 内容相关性、来源可信度、新鲜度、段落自包含程度 | 品类归属、场景匹配、可比对属性、跨源一致性 |
| 失败表现 | 完全不出现在来源列表 | 来源里有你，名单里没你 |
| 常见修法 | 改段落结构、补结构化数据、提排名 | 补品类锚定、补场景限定、补可比字段 |
| 见效周期 | 快，通常跟着重抓走 | 慢，要等跨源信息趋同 |
这也解释了一个常见困惑：排名和引用高度相关，但排名和推荐不是。自然排名进前十能大幅提高被抓进来源列表的概率（相关性与例外见自然排名第几才会被 AI 引用），但排名本身不告诉模型"这个品牌属于哪个品类、适合什么预算、和谁可比"——推荐名单要的正是后面这些。
SEO 分析师 Lily Ray 公开分享过一组观察：一批企业自撰的"最佳厂商榜单"页面被 AI 累计引用数百次，但多数情况下 AI 引用了这些页面、推荐的却是页面里列出的竞争对手。模型把这类页面读成了"关于这个品类的知识"，而不是"关于这个品牌的证据"。
实测：4 个平台 × 6 个行业 × 180 条 Prompt
为量化这段断层，我们在 MaxAEO 监测面板里抽了一批样本做定向复核。方法与口径如下，数字都来自这批样本，不是行业普适值。
- 平台：DeepSeek、豆包、Kimi、通义千问，均使用联网搜索模式的网页端。
- 行业：家居建材、母婴、宠物食品、跨境电商 SaaS、企业协同软件、职业教育，各 30 条 Prompt。
- Prompt 类型：全部为推荐意图问句（含"推荐""哪个好""怎么选""有哪些品牌"），不含纯定义类问题。
- 样本量：180 条 Prompt × 4 平台 = 720 次回答，每条 Prompt 同日内跑 3 次取并集，以降低随机性。
- 统计口径：只统计"品牌官网或品牌自有内容出现在参考来源"的那部分回答，记为分母；其中"品牌名同时出现在答案正文推荐名单"的记为分子。这个比值我们内部叫引用转推荐率（C2R）。
结果：
| 平台 | 被引用的回答数 | 其中进入推荐名单 | C2R |
|---|---|---|---|
| 豆包 | 148 | 51 | 34.5% |
| DeepSeek | 131 | 39 | 29.8% |
| 通义千问 | 126 | 44 | 34.9% |
| Kimi | 119 | 30 | 25.2% |
| 合计 | 524 | 164 | 31.3% |
这批样本里每 3 次"官网被引用"，只有约 1 次转化成"品牌被推荐"。 另外三个值得记的观察：
- 分行业看，标品属性强的品类（宠物食品、母婴）C2R 明显高于服务型品类（职业教育 21.7%、企业协同软件 24.4%）。可比对参数越少的品类，断层越深。
- 同一品牌在四个平台的 C2R 极差最大到 28 个百分点。只看单一平台会严重误判问题严重程度，建议至少同时监测三个平台。
- 分内容类型看，被引用最多的是科普长文，但贡献推荐的主要是产品页和带参数的对比页。引用量大的页面和推荐贡献大的页面往往不是同一批，这是很多人把"引用涨了"误读成"见效了"的原因。
把 360 次"引用了但没推荐"的回答做人工归因，归出四类错配，覆盖其中约 87%。剩下 13% 多为下文"三种看起来像错配、其实不是"的情况。
错配一：内容被读成品类科普，品牌没进候选池
占比最高的一类（样本中约 34%）：你的内容被引用在答案的"知识铺垫段"，而不是"选购建议段"。 典型场景：一篇《XX 怎么选：5 个关键参数》被引用来解释参数含义，然后 AI 用这些参数去评价了另外五个品牌。
怎么识别
在 AI 回答里定位你被引用的角标位置。角标全部落在前 1/3 的概念段、名词解释段，几乎没有落在"推荐""建议""可以考虑"这类句子附近，就是这一类。 可以直接追问：
你刚才提到的第 X 个参考来源，是哪个品牌发布的？这个品牌在你的推荐列表里吗？没有的话，原因是什么？
多数平台会给出可读的解释。这是事后合理化，不能当作模型内部机制的证据，但归因方向通常有效——重复问 10 次做词频统计，比单次回答可靠得多。
为什么会这样
模型组织答案时通常先建立品类框架、再填充候选。纯科普内容只喂了框架，没有向候选池贡献任何"这个品牌可以被放进来"的信号。 页面里如果连一次自我指称的产品事实都没有，品牌实体和品类之间就没有建立关联边。
改法
在科普内容里加入一段自我指称的事实块：品牌名 + 具体产品 + 可核验参数 + 适用场景，不写形容词。
把"我们的产品性能优异"改成"XX 系列 A3 型号，静音 32 分贝，适用于 20-30 ㎡ 卧室"。一段 80-120 字即可，位置放在参数解释段之后、结论段之前。
注意区分两件事：这一步的目的是建立"品牌—品类"关联边，不是把科普文改成软文。整篇文章的知识密度不能降，事实块只占一段。
错配二：缺可比对的结构化事实，模型没法把你放进对比
识别方法一句话：把 AI 答案里给出的对比维度抄下来，逐条对照你的官网，看有几条是"页面上根本查不到值"的。 常见维度是价格区间、部署方式、支持人数、服务周期、适用规模。
我们复核的 47 个案例里，平均缺失 3.2 个维度，其中"价格区间"和"适用规模"缺失率最高（分别为 79% 和 64%）。这两个恰好是用户提问时最常带的限定条件——缺这两条，等于在多数带限定的问句里自动出局。
改法按性价比排序：
- 先补全文本里的字面值。表格、参数列表、明确写出数字和单位，不要藏在图片或 PDF 里。图片里的参数表对模型基本等于不存在。
- 再补结构化数据。Product、Service、Offer 类型对可比字段的传递最直接；哪些 Schema 类型真有增量、哪些是白做，见Schema 结构化数据分类型实测与投入优先级。
- 最后处理不便公开的字段。价格敏感可以给区间或起步价，写"面议"等于主动放弃这一维度。
Google 在《Creating Helpful, Reliable, People-First Content》官方指引里强调的"提供原创信息与实质性描述"，在这里有直接对应：能被比较的具体事实，就是最基础的实质性描述。
错配三：缺场景限定词，只在泛化问题里被引用
只在"XX 品牌有哪些"这类宽问句里被引用，却在"预算 3000 以内、租房用、南方潮湿地区"这类带限定的问句里消失——问题出在场景覆盖，不在权威度。 这类占样本约 18%。
真实的推荐意图 Prompt 极少是裸品类词。用户会带预算、人群、地域、使用条件、对比对象。模型要在这些限定下筛选候选，筛选依据是内容里有没有出现对应的限定词及其取值。
诊断做法：列出 10 条真实客户最常问的带限定问句，逐条跑一遍，记录"被引用"和"被推荐"两个结果。如果两列差异集中在带某类限定的问句上（比如所有含预算的都掉），就是限定词覆盖漏洞。
改法不是堆长尾页，而是在既有页面里补限定词—取值—结论的三元组：
"预算 3000 元以内，建议选 A2 而不是 A3，因为 A2 去掉了 Wi-Fi 模块但保留了同样的电机。"
这种写法同时满足限定匹配和可比对两个条件。一个三元组能覆盖一类限定，10 个三元组通常够覆盖一个品类里 80% 的真实问法。
错配四：被归到相邻品类，推荐名单不在你这条赛道
最隐蔽的一类（约 9%）：你被引用了，但模型认为你属于品类 B，用户问的是品类 A，名单里自然没有你。 例如做"AI 搜索可见性监控"的工具被归进"SEO 工具"，做"跨境独立站建站"的被归进"ERP"。
识别信号有三个，出现任意一个都要查：
- 直接问"XX 品牌是做什么的"，返回的品类词和你的定位不一致。
- 你在竞品对比问句里被拿来和一批你不认为是竞品的产品并列。
- 你被引用的问句集中在某个相邻品类，而不是主品类。
根因通常是跨源信息不一致：官网说 A，百科词条写 B，媒体通稿写 C，行业目录归到 D。模型取的是多源交集，少数派表述会被抹掉。
修法是自上而下统一实体描述——先定一句 15-25 字的品类定义句，然后同步到这几处，按传导权重排序：
- 官网首页首屏 + 关于我们（自己可控，最快）
- 百科词条（权重最高，审核周期最长，建法见百科词条怎么建 AI 才当权威信源引用）
- 主流媒体通稿（写法上要让 AI 认作新闻源，见新闻通稿怎么写 AI 才把它当新闻源引用）
- 行业名录、垂直社区、问答平台（数量补一致性，平台优先级见站外 AEO 资产该先建哪个平台）
同步顺序有讲究：先改官网再改站外。 站外编辑往往以官网为参照，官网没改就去改百科，容易被驳回或改回。
一手案例：某家居品牌 6 周把 C2R 从 9% 提到 48%
一家做静音门窗的区域品牌，监测初期表现是典型的"引用高、推荐低"：官网技术科普文在 30 条相关 Prompt 里被引用 22 次（引用率 73%），品牌只进了 2 次推荐名单，C2R 仅 9.1%。
归因后确认踩了三类错配：科普内容无自我指称（错配一）、官网无隔音分贝与价格区间（错配二）、内容全是通用知识没有地域和户型限定（错配三）。
执行动作只有三条，6 周内完成：
- 在 8 篇科普文的参数段后各加一段 100 字左右的自有产品事实块，写明型号、隔音分贝、适用窗宽。
- 产品页补齐 5 个可比维度：隔音分贝、玻璃层数、型材壁厚、价格区间、适配户型，并加 Product 结构化数据。
- 新增 6 篇带限定的选购内容：临街户型、老房改造、南方防潮、20 ㎡ 以下小卧室。
第 7 周复测同一组 Prompt（同平台、同模式、同样 3 次取并集）：
| 指标 | 优化前 | 第 7 周 | 变化 |
|---|---|---|---|
| 引用次数 | 22 / 30 | 25 / 30 | +3 |
| 进入推荐名单 | 2 | 12 | +10 |
| C2R | 9.1% | 48.0% | +38.9pp |
| 首位推荐次数 | 0 | 3 | +3 |
引用次数几乎没动，变化全部发生在推荐侧。 这正好印证开头那句：两条链路各走各的，提升引用不会自动带来推荐。
三条动作里，第 2 条（补可比维度 + Product 结构化数据）单独复测时贡献了 +6 次推荐，是三条里回报最快的。这是单品牌单品类的结果，分母只有 30 条 Prompt，不能外推成通用增幅；放出来是为了说明"动作—指标"的对应关系，不是承诺幅度。
自查清单：一个人半天跑完一个品类
按下面顺序做：
- 建 Prompt 集。写 20-30 条真实推荐意图问句，至少一半带限定词（预算/人群/地域/场景）。裸品类词不超过 5 条。
- 双列记录。每条 Prompt 在目标平台各跑 3 次，分两列记：A 列"参考来源里有没有我"，B 列"推荐名单里有没有我"。算出 C2R。
- 按四类错配归因。只看 A 有 B 无的行，逐条判断角标位置（错配一）、缺失对比维度（错配二）、限定词类型（错配三）、品类归属（错配四），统计各类占比。
- 按占比最高的一类先改。一次只动一类，两周后用同一 Prompt 集复测，才能把变化归因清楚。
- 建立复测节奏。间隔不短于两周；内容本身也有时效衰减，翻新频率和重抓延迟见内容多久该翻新一次。
记录时保持三个口径不变：平台、是否联网、每条跑几次。 换了任何一个，前后数据就不可比——这是自测里最容易出错的地方。
三种看起来像错配、其实不是的情况
不是所有"有引用没推荐"都需要修：
- 问句本身不是推荐意图。"什么是隔音门窗"这类定义题，答案里本来就不该出现品牌名单，统计时要剔除，否则 C2R 会被系统性拉低。
- 答案给的是品类建议而非品牌建议。部分平台在医疗、金融、法律等高风险或强主观品类会刻意回避点名，这是平台策略，不是你的信号问题。判断方法：换一个同品类竞品去问，如果谁都没被点名，就是策略性回避。
- 模型明确给出负面理由。答案里出现"不太建议""口碑一般"这类表述，已经不是错配，而是负面信号进了知识库，处理路径完全不同，见AI 主动劝人别选你时怎么排查和纠偏。
补一层背景：判断哪些信号真正驱动了引用与信任（作者、结构化数据、排名、新鲜度四类的权重实测），见AI 凭什么选中这一篇。
常见问题
引用率高但推荐率低，说明内容白做了吗
没有白做。引用是推荐的必要不充分条件——模型至少已经确认你的内容可信、相关、能被检索到。缺的是品牌实体侧的信号：品类归属、可比属性、场景匹配。在已有引用基础上补这三类，成本远低于从零建可见度。
四类错配可以同时存在吗，先修哪个
绝大多数品牌同时存在 2-3 类。按"占比 × 修改成本"排序：错配一和错配三改内容就行，一两周见效；错配二涉及产品信息公开尺度，要跨部门；错配四要同步多个站外源，周期最长但收益最持久。先做前两类，同时启动错配四的信源梳理。
改完多久能在 AI 回答里看到变化
取决于两段延迟：搜索引擎重抓延迟，加上 AI 平台索引更新延迟。我们的样本里，官网内容改动到 AI 答案出现对应变化，中位数约 12-18 天；站外信源（百科、媒体）传导更慢，常见 4-8 周。所以复测间隔不要短于两周，否则读到的是噪声。
只监测一个平台够不够判断这个问题
不够。同一品牌在四个平台的 C2R 极差在我们的样本里最大到 28 个百分点，单平台结论很容易把"平台特性"误读成"自身问题"。最少覆盖三个平台，每次复测保持平台、模式、次数口径一致。
有没有办法直接看到 AI 为什么没推荐我
没有确定性接口，但追问式诊断有效：先问"这个问题下你会推荐哪些品牌，依据是什么"，再问"XX 品牌为什么不在其中"。把多次追问的理由做词频统计，高频出现的缺失维度基本就是真实短板。持续记录比单次追问可靠得多。
作者署名会影响被推荐吗
影响引用大于影响推荐。作者实体主要作用在可信度判定，决定内容能不能进来源列表；推荐名单看的是品牌实体信号。但两者会叠加——署名一致的专家内容更容易被反复引用，间接抬高品牌实体的曝光频次，具体建法见作者实体、专家署名和跨平台身份一致性怎么建。
C2R 多少算正常
参照我们这批样本的合计值 31.3%：低于 20% 说明存在系统性错配，值得优先排查；30-40% 属于样本内常见区间；持续高于 50% 说明品牌实体信号已经建起来了，重点该转向抢首位推荐。注意这是 6 个行业的混合基准，服务型品类的实际水位会更低。