实体覆盖率：AI 能认出你多少 SKU

三月第一周，一家做户外电源的独立站复盘 Q1。运营很兴奋：问 AI“露营用的便携电源买哪个”，答案里出现了他们的品牌。技术负责人把原文调出来，发现三处错：型号是上一代，容量写成 500Wh，实际那款是 768Wh，品类还被归成“充电宝”，顺带建议“可带上飞机”。品牌被认出来了，商品没有。团队汇报了半年“提及率”，没人算过：100 个在售 SKU 里，AI 能说对几个。

品牌被提及与 SKU 被认出是两层能力；实体覆盖率测的是后者——抽 100 个 SKU，看 AI 能否说出品牌、型号与关键属性，并且说对。

口径：认出、说对、排得上，是三件事

AI 回答比较型问题时，会先把商品解析成实体：品牌、型号、属性、关系。它要在你的页面上找到能对齐的一组事实，才敢把你放进候选。型号只出现在标题末尾、变体靠下拉框切换、同一款在站内叫三个名字，模型就会把多个 SKU 合并成一个模糊实体，或者退回类目层去答。商品在 AI 眼里从来不是一条 SKU，见Product Graph。

所以“没被提到”只是最表面的失败。更常见的是被错误地提到：型号串了、参数旧了、适用场景说反了。买家拿着错误参数去比价，退货和差评会在成交后才出现。

三个数要分开记：

指标	定义	回答的问题
识别率	100 个样本中，答案能对应到具体型号或商品的比例	AI 知不知道有这个 SKU
准确率	被识别的 SKU 中，关键属性全部说对的比例	它说的是不是这一款
可比较率	在对比或场景问题里进入候选、并给出理由的比例	它会不会拿你去比

这三个数只做诊断，不做考核；它们属于度量与增长这条线，产出是下一步改哪一层，不是一个综合分。

一个反例：有团队用“你听说过 X 品牌吗”测出九成识别率，换成“X 的 A 型号和 B 型号差在哪”后掉到三成。问法决定数字，是非题测的是品牌记忆，不是商品实体。

抽样：100 个 SKU 怎么抽，决定这个数有没有用

按销量等比例抽，是最省事也最没信息量的做法：100 个里八十个是爆款，测出来只反映头部，长尾和变体照旧是黑箱。样本要按层抽，每层至少 20 个，四层凑满 100：主力在售、长尾在售、本季上新、变体与套装。

变体必须单独占一层。颜色、尺寸、容量版本共用一套文案时，模型最容易张冠李戴，而这类错误在头部 SKU 上反而最少。抽完把清单冻结：SKU ID、canonical URL、型号别名、三个关键属性。中途换样本，等于换尺子，上个月的数字立刻不可比。

抽取前还要确认一件事：这些页面能被检索类爬虫读到。读不到时识别率低是抓取问题，不是实体问题，先看抓取覆盖率。

提问：三种问法，分开记

不要问“你认识这个品牌吗”，要问只有调用具体属性才能回答的问题。三种问法各管一层：

问法	例子	主要测什么
指名问	“X 品牌 A 型号的容量多大，适合几个人用”	识别与属性准确
比较问	“A 和 B 有什么区别，哪个更适合带小孩露营”	能否被放进比较
场景问	“三千元以内、能上飞机的便携电源买哪个”	能否进入候选

每个样本至少覆盖一种问法，主力 SKU 三种都问；每条问三遍，间隔一天以上，固定引擎、地区与语言。记录字段不超过八个：日期、引擎与模式、地区语言、问法原文、答案原文、说错的属性、引用 URL、是否进候选。字段再多，执行就会崩。

这里有个容易忽略的判断：准确率比识别率更能说明问题。 识别率低，可能是站外语料不够；准确率高但可比较率低，说明事实对了、理由没给，问题在答案单元和第三方印证，不在实体层。

从缺口到修复顺序：五步

步骤	做什么	谁来做	怎么算过
1 冻结	定 100 个样本与三种问法，写进一张表	增长	样本可复现，问法不改写
2 采样	每个样本按统一问法采样，存答案原文与引用	运营	每条有原文，不靠印象打分
3 算率	算识别率、准确率、可比较率，按层拆开	增长	能看到哪一层最差
4 归因	把错误分类型：型号对不上、属性说错、变体混淆、无第三方印证	内容与工程	每类有 3 个以上实例
5 修复与复测	只改数量最多的那一类，30 天后同口径重跑	负责人	有前后对比，能解释差异

修复顺序不按缺口数量排，按“是否阻断比较”排。型号与 GTIN 对不上是硬伤，模型无法把你和竞品放进同一张表；变体混淆会让 AI 张冠李戴；关键属性不一致让比较失效；缺第三方印证只影响推荐，不影响识别。先修前三类，再谈站外。

具体动作通常落在三处：把型号、GTIN、关键属性补进结构化数据与首屏文案；拆分变体的 canonical 与标题；统一品类与别名表述。这三件事的源头是商品主数据，不是文案技巧，参见先统一商品主数据，再谈 GEO。属性补完还要翻译成买家能用的理由，见属性不是参数表。

示例：一次虚构的 100 SKU 测量

示例：某虚构的户外电源品牌（假设场景，不含真实品牌与数据），美国站，英文，两个引擎，100 个样本。第一次结果：识别率 64%，准确率 58%，可比较率 21%。按层看，主力层识别率 82%，变体层只有 41%。错误集中在两类：容量写成上一代数值；“能否上飞机”被当成产品属性回答，而它其实取决于航空公司的锂电池规定。

修复没有从写文章开始。团队先给 12 个变体建了独立 canonical 和带型号的标题，再统一了“便携电源”与“充电宝”的品类表述，把容量写进每页第一句可摘录的话。30 天后同口径复测：识别率 79%，准确率 71%，可比较率仍是 23%。最后一个数字没动，恰好说明下一步不在官网，而在评测与社区语料。

边界：这个指标什么时候会骗你

SKU 少于 30 个。 全量测，不用抽样；样本太小时百分比没有意义，只报具体哪几款对不上。

成交主要在平台内。 亚马逊、Shopee 的商品实体由平台字段决定，测官网 SKU 是测错了对象；改测 listing 的型号、属性完整率与评论里的型号提及。

定制或非标品。 没有稳定型号，AI 本来就不该按 SKU 认；改测品类能力与交付边界。

新品牌、站外几乎无语料。 识别率低是常态，先解决品牌实体是否存在，再谈 SKU 覆盖，别把它当内容团队的 KPI。

跨月比较。 模型更新、索引重排、地区差异都会让数字整体漂移。固定引擎、地区、语言，一次波动不构成结论。

如果只做一件事：导出 100 个 SKU 的分层清单，每个补上型号、GTIN 和三个关键属性，用一条指名问和一条比较问各问三遍，只算识别率与准确率，把错误分成“型号对不上、属性说错、变体混淆”三类，挑实例最多的一类，改完 30 天后用同一张表重跑。