AI监测内容选题，是把AI品牌监测发现的异常（提及率下滑、引用信源被占、AI答案说错、无品牌答案）按固定阈值路由成内容动作的过程。 核心不是多买一个看板，而是给每类异常绑定一个默认动作、一个责任人、一个交付日期。
不是"发现提及率掉了 → 开会讨论"，而是"提及率单平台周环比掉 8 个百分点 → 自动开工单 → 内容负责人 T+3 定稿选题 → T+10 上线 → T+14 复测"。
多数团队的监测已经跑起来了：豆包、DeepSeek、Kimi、通义千问上的提及率、排名、情感、引用来源都有看板。卡住的是下一步——数据变成了周报里的折线图，没变成内容日历上的一行排期。
本文给出的东西： 四类异常的判定阈值表、五步流水线与时限、RACI 分工表、四条复测规则、以及 12 个客户账号 214 条告警／38 个内容工单跑完一个季度的有效率数据。
为什么大部分AI监测数据最后没变成选题
答案很直接：监测输出的是"状态"，内容团队需要的是"动作"，中间缺一张翻译表。 看板告诉你"DeepSeek 上提及率从 34% 掉到 21%"，但内容负责人真正要知道的是：这该改一篇老文章，还是写一篇新文章，还是根本不该动内容而该去谈一个第三方信源。
我们在 12 个客户账号上做过一次流程复盘，回看 2026 年一季度到二季度的 214 条监测告警。真正在 30 天内产生了任何内容动作的只有 61 条，占 28.5%。 剩下的 71.5% 里，最大的一类不是"判断为误报"（那只有 40 条），而是没有归属人——告警落在监测同学的群里，内容同学不认为那是自己的排期输入。
第二个原因是动作歧义。同样一条"提及率下滑"，三个不同团队给出了三种反应：一个去写新文章，一个去改标题，一个去投稿第三方媒体。没有默认动作，每次都要重新讨论，讨论成本高到不如不做。
所以流水线的第一件事不是买工具，是把异常分类和动作对齐。
哪四类异常值得触发内容动作
只有四类监测异常值得占用内容产能：提及率下滑、引用信源被竞品替换、AI答案说错、目标提示词下完全无品牌答案。 其余波动（单次采样抖动、排序微调、措辞变化）默认不进内容排期，只进观察池。
这四类的共同点是：它们都能被一段具体的内容改变。而"AI 今天把我们排在第 3 而不是第 2"这种，往往和内容无关，是采样噪声或模型侧变化——AI 推荐结果本身就存在系统性波动，Why AI Search Results Keep Changing 里量化过这种抖动的幅度。
下面这张表是我们实际在用的路由规则，阈值可以按品类调整，但**"一类异常只有一个默认动作"这个原则不要改**。
| 异常类型 | 判定阈值（我们的默认值） | 默认内容动作 | 产出物 | 优先级 |
|---|---|---|---|---|
| AI 答案说错 | 同一提示词 3 次采样中 ≥2 次复现同一错误陈述 | 建事实纠正页 / 澄清 FAQ，同步结构化数据与高权重信源 | 1 个事实页 + schema 更新 | P0 |
| 提及率下滑 | 单平台周环比 ≥8pp，或连续两周累计 ≥12pp，且同题竞品未同步下滑 | 先查引用源是否衰减，再更新既有页（刷新数据、补时效信号） | 1 篇存量文章重写 + 引用源修复 | P1 |
| 信源被竞品占 | Top3 引用域名中我方消失，或竞品新域名连续 2 周出现在 ≥60% 采样 | 拆解被引用段落结构，做可替换的段落级内容 + 第三方信源投放 | 1 篇结构对标内容 + 1 个外部信源计划 | P1 |
| 无品牌答案 | 某提示词簇连续 3 周 0 提及，且该簇确有真实需求 | 内容空白点选题，新建内容 | 1–3 篇新文章 | P2 |
为什么 P0 给了"答案说错"而不是"提及率下滑"： 错误陈述会被其他模型和内容农场二次复述，修复窗口越拖越贵；而提及率下滑通常是可逆的排序问题。负面信息刚出现时的处置节奏在负面刚发生AI就开始复述：72小时监测与内容对冲里单独讲过，这里只保留路由部分。
提及率下滑：先别急着写新文章
提及率掉了，八成不是因为你内容不够多，而是因为原来支撑你的那条引用链断了。 我们复盘的 61 条有效工单里，31 条属于提及率下滑，其中 19 条最终定位到原引用页面被降权、被改版、或干脆是站内 URL 变更导致的 404。
所以这一类的第一个动作是溯源而不是产出。三步查完：
- 把该提示词过去 4 周的 AI 引用来源列表拉出来，逐条打开 URL 确认是否还是 200。
- 对活着的页面，确认被引用的那句话是否还在页面上（改版常把它删掉或折进折叠区）。
- 确认页面是否仍允许 AI 爬虫抓取——robots.txt 里新加的
GPTBot／Bytespider屏蔽规则是高频原因。
只有三步都通过、内容也在、就是不再被选中，才升级为"重写"。引用衰减的机制和量化方法可参考 AI Citation Decay: Why Sources Disappear From Answers。
信源被竞品占：抄结构，不抄内容
竞品挤掉你的位置时，值得复制的是它被引用那一段的结构，不是它的观点。 我们观察到被 AI 反复引用的段落有三个共同点：开头 40–60 字直接给结论、句子里带具体数字、名词指代完整（写"MaxAEO 的提及率监测"而不是"我们的功能"）。
具体操作：把竞品被引用的原文段落抠出来，逐句标注它回答了哪个隐含问题，然后在自己的页面里写一段回答同一问题、但信息量更大的段落。
同时开第二条线：找 2–3 个该品类 AI 高频引用的第三方站点（行业媒体、垂直评测、问答社区），把同一组事实同步过去。单靠自有站点很难夺回已经被占住的信源位——后文复盘数据里，无效工单最集中的特征就是这一条。
AI答案说错：区分事实错误和叙事错位
这里要分两种：说错了事实（价格、功能、资质），和说对了但重点错了（把你当低价选项，你其实主打专业服务）。 两者的内容动作完全不同。
事实错误走纠正路径： 建一个明确、可被摘录的事实页，用"X 是…"句式给出正确表述，配上结构化数据，同步到官网最权威的位置。奖项、认证这类证据材料要写成可核验事实（含颁发机构、年份、编号），写成广告词模型会跳过。
叙事错位不能靠纠正，只能靠盖过去： 需要一批持续输出的、围绕你想主打的价值点的内容，把模型的语料权重挪过来。判断是不是叙事错位，看情感分之外的维度——AI 提及你时用的形容词、归入的品类、对比的对象，AI Brand Sentiment Analysis 拆过这套多维度读法。雇主品牌方向的同类错位（求职者问"这家公司怎么样"）见求职者问AI"这家公司怎么样"：雇主品牌的AI监测与优化。
无品牌答案：优先级最低，但产出最高
连续 3 周 0 提及的提示词簇是最干净的选题信号——没有历史包袱，写什么都是增量。 但它排 P2，因为不紧急，且往往需要 2–3 篇内容才见效。
这类选题的挖掘方法是反向的：不从关键词工具出发，从"AI 在哪些问题上根本没提到你"出发，具体做法见用内容空白点定下一批选题。
每个季度用 20% 的内容产能吃这一类，剩下 80% 留给 P0/P1 的被动响应，节奏比较健康。
从告警到上线：五步流水线怎么跑
完整流水线是五步：告警分级 → 归因判定 → 选题定稿 → 内容上线 → 复测结案。 每步有固定交付物和固定时限，跨过时限自动升级到负责人的上级，不靠人催。
- T+0 告警分级。 监测系统按上表阈值自动开工单，标注异常类型、涉及平台、涉及提示词、当前数值与基线差值。这一步不需要人判断。
- T+1 归因判定。 监测负责人做一次快速排除：是不是模型更新期？是不是竞品同步下滑（说明是行业级变化）？是不是采样量不够？排除后打上"确认"标签。误报在这一步关掉，不进内容池。
- T+3 选题定稿。 内容负责人产出一页选题卡：目标提示词、目标平台、内容类型（新建／重写／事实页）、必须包含的事实点、预期被引用的那一段怎么写。
- T+7 至 T+10 内容上线。 重写类走 7 天，新建类走 10 天。上线同时提交 sitemap、检查结构化数据、记录上线时间戳（复测要用）。
- T+14 首轮复测，T+28 二轮复测，T+42 结案。 两轮都无改善则关单并转入"待观察"，不无限期挂着。
这五步里最容易被跳过的是第 2 步。省掉归因判定的直接后果是：内容团队被误报喂满，两个月后就不再相信告警。
选题卡上必须有的六个字段
选题卡是监测和内容之间唯一的交接物。少一个字段，工单就会退回重问：
- 目标提示词（原句 + 2 条同义变体）
- 目标平台（哪几个模型上出的问题）
- 内容类型（新建／重写／事实页／FAQ 补段）
- 必须包含的事实点（带出处，如"2025 年 ISO 27001 证书编号"）
- 目标被引用段（40–60 字的结论句，直接写好）
- 结案判定条件（提升多少 pp 算有效）
提示词变体的构造框架见AI搜索Prompt怎么写：从SEO关键词到AI监测问题的实操框架。
谁负责哪一段：责任人与时间表
流水线失败最常见的原因不是流程设计错，是没人对"工单不动"负责。 下面这张分工表是最小配置，四个角色，一个人可以兼两个，但每格必须有名字。
| 阶段 | 负责（执行） | 审批 | 被知会 | 时限 |
|---|---|---|---|---|
| 告警分级 | 监测系统自动 | — | 内容负责人 | T+0 |
| 归因判定 | 监测负责人 | — | 内容负责人 | T+1 |
| 选题定稿 | 内容负责人 | 市场负责人 | SEO/AEO 工程 | T+3 |
| 内容生产 | 内容作者 | 内容负责人 | 公关（涉负面时） | T+7～T+10 |
| 技术落地 | SEO/AEO 工程 | — | 内容负责人 | 与上线同步 |
| 复测与结案 | 监测负责人 | 市场负责人 | 全组 | T+14 / T+28 / T+42 |
两个实践细节：
第一，P0 的事实错误工单要给公关一个否决权。 有些错误陈述涉及法务或客户隐私，内容团队不一定判断得了。
第二，把"选题卡"作为唯一交接物。 监测和内容之间不传截图、不传聊天记录，只传选题卡。这一条落地后，我们跟踪的账号里工单平均停滞时长从 9.2 天降到 3.4 天。
复测怎么做才算数
复测最容易造假的地方是：只用原来那句提示词、只测一个平台、只测一次。 这三条同时犯，任何内容改动看起来都会"有效"。
四条复测规则：
- 换表述。 除原始提示词外，至少加 2 条同义变体（口语版、比较版、场景版）。只测原句会把"模型记住了这句话"误判成"品牌可见度提升"。
- 跨平台。 至少覆盖 3 个平台。同一问题在不同模型上的答案差异比多数人预期的大。
- 多次采样取中位数。 每条提示词每次复测采 3 次，取中位数，不取最好那次。
- 避开模型更新窗口。 模型版本变动期间的数据不用于结案判断，模型更新对品牌可见度的冲击幅度见 How AI Model Updates Affect Brand Visibility。
结案标准提前写死：目标提示词组的 AI 提及率相对基线提升 ≥10pp，或引用来源列表中重新出现我方域名，二者满足其一即结案为"有效"。
还有两个会污染复测的变量值得单独排除：提问顺序（同一组问题换个先后，推荐结果会变）和账号历史（带对话历史的账号与全新会话结果不同）。所以复测统一用新会话、固定提问顺序。这两个效应的对照实验见 Does Prompt Order Affect AI Answers。
一手复盘：38个内容工单跑完一个季度的结果
样本说明： MaxAEO 平台上 12 个客户账号（消费品 5、B2B SaaS 4、服务业 3），时间窗为 2026 年一季度至二季度，监测覆盖 DeepSeek、豆包、Kimi、通义千问等 9 个国产 AI 平台，每条提示词每周采样 3 次取中位数。214 条告警中确认有效并进入内容排期的共 38 条。
| 异常类型 | 工单数 | T+28 判定有效 | 有效率 | 中位见效天数 |
|---|---|---|---|---|
| AI 答案说错 | 7 | 6 | 86% | 12 |
| 信源被竞品占 | 9 | 5 | 56% | 24 |
| 提及率下滑 | 14 | 7 | 50% | 21 |
| 无品牌答案 | 8 | 3 | 38% | 33 |
| 合计 | 38 | 21 | 55% | 21 |
三个可以直接拿去用的结论：
第一，事实纠正类的投入产出比最高。 86% 的有效率、12 天的中位见效天数，且往往只需要一个页面。原因不难理解：模型在事实类问题上更依赖明确、结构化、来源可信的单一答案源，而多数品牌根本没做这类页面。
第二，无品牌答案类见效最慢（中位 33 天），38% 的有效率也最低。 从 0 到被提及需要的语料积累远大于从"提及过"到"重新被提及"。所以它适合排进常规产能，不适合当救火手段。
第三，55% 的整体有效率意味着近一半的工单白做了。 回看这 17 个无效工单，11 个的共同点是：内容上线了，但没有任何第三方信源同步。 纯自有站点的改动在竞争激烈的品类里推不动 AI 的引用选择——这是整份复盘里最反直觉的一条，也直接改了我们的排期规则：信源类工单不配第三方投放计划就不排期。
样本量只有 38 个工单、12 个账号，行业分布不均衡，这些数字应作为量级参考而非行业基准。
怎么和常规内容日历合并
不要给监测驱动的选题单开一条产线，把它作为固定配额塞进现有日历。 推荐 70/20/10：70% 常规内容战略选题，20% 监测异常响应（P0/P1），10% 空白点探索（P2）。
执行上，每周一做一次工单巡检，把确认的 P0/P1 直接插到当周排期，挤掉的常规选题顺延而不是取消。P0 允许打断当周排期，P1 只能占用预留的 20% 配额，这条界线不划清楚，内容团队会被告警拖着走。
另外提醒一点：为 AI 修复而生产的内容，仍然要对真人读者有用。Google 在创建有用、可靠、以用户为中心的内容中给出的自评问题（"读者读完是否觉得已经得到足够帮助"）同样适用于这些页面——为了纠正一个 AI 错误而堆出来的空洞页面，通常既救不了 AI 可见度，也会拖累自然搜索表现。
起步：第一个月怎么落地
不用一次搭全套。按这个顺序上，第一个月就能跑通一条完整工单：
- 第 1 周： 只开"AI 答案说错"一类告警（P0），阈值设松。这类误报少、见效快，最容易建立团队信任。
- 第 2 周： 补上归因判定这一步和选题卡模板，跑通第一条工单的完整链路。
- 第 3 周： 加入"提及率下滑"（P1），同时把复测的四条规则写进结案模板。
- 第 4 周： 统计前三周误报率，调阈值；再决定是否放开"信源被竞品占"和"无品牌答案"两类。
三个常见踩坑
第一坑：把波动当异常。 AI 答案本身有采样波动，单次差异不代表趋势。解法是所有阈值都基于"连续 N 期"而非单点，且必须对比同题竞品是否同步变化。
第二坑：一条告警开一堆工单。 提及率在 5 个平台同时掉，往往是一个根因。先归因，再决定开一单还是五单，否则内容团队会被同一个问题重复消耗。
第三坑：只做AI搜索竞品分析，不做自查。 看到竞品在 DeepSeek 品牌推荐里排前面，第一反应是研究竞品做了什么，但很多时候答案在自己这边——页面改版丢了那段被引用的话，或者 robots 规则挡了 AI 爬虫。归因顺序应该是先自查、再看竞品、最后看模型侧。
常见问题
监测告警的阈值应该设多松还是多紧？
先设松（容易触发），跑 4 周后统计误报率。误报率超过 40% 就收紧阈值，低于 10% 说明可能漏报，可以放宽。关键是让内容团队在前两个月建立起对告警的信任，宁可少报也不要多报。
一个人的营销团队跑得动这套流水线吗？
跑得动，但要砍到只保留两类异常：AI 答案说错（P0）和无品牌答案（P2）。前者不做会持续放大，后者可以完全排进常规日历。信源和提及率两类需要更多分析工时，人手不足时先放进观察池，季度复盘时统一处理。
复测显示没改善，是内容不行还是时间不够？
看是哪一类。事实纠正类 T+14 还没动静，多半是内容或落地有问题（结构化数据没生效、页面没被抓取）；空白点新建类的中位见效天数是 33 天，T+14 无变化属正常，应等到 T+28 再判。
监测数据能直接生成选题吗，还需要人写选题卡吗？
监测数据能给出"改哪个提示词、缺哪些事实点、对标哪个引用源"，这些可以自动化。但内容类型的选择和必须包含的事实点仍需要人定——尤其涉及资质、客户案例、价格口径时，自动生成的选题卡容易写进不准确的表述。
AI舆情监控和这套流水线是什么关系？
AI 舆情监控负责发现负面和错误陈述，是这套流水线的输入源之一，对应"AI 答案说错"那一类。区别在于舆情侧重速度和处置，内容侧重结构化修复和长期覆盖，两者共用同一张工单表但走不同的时限：舆情类 T+1 就要有初步动作，其余类别按 T+3 定稿即可。
一条监测异常从告警到能判定有效，最少要多久？
按本文的时限表，最快是 T+14（事实纠正类，中位见效 12 天）；提及率和信源类中位 21–24 天，应等到 T+28；空白点类中位 33 天，T+42 才结案。任何早于 T+14 的"有效"判定基本都是采样噪声。