站外权威的度量：提及、引用、推荐三层

八月，一家做宠物净化器的出海团队开季度复盘。PR 公司交上来的表很漂亮：媒体报道、行业榜单、播客访谈都有，站外提及一栏稳步上涨。同一周，运营在 ChatGPT 里问“柏林的老公寓、两只猫、想除毛除味，买哪台空气净化器”，答案给了三个品牌和一张对比表，他们不在里面。市场负责人问：这些报道，被哪一次回答用上了？没人答得上来。表上只有提及，没有一行记录答案。

站外权威不是一层指标，而是三层：提及是声量，引用是信任，推荐是转化；三层各有各的分母，混成一张表，涨的只是报表，不是候选集。

三个动作，三种证据

提及回答“有没有人知道你”，引用回答“AI 敢不敢用你”，推荐回答“买家该不该选你”。三件事发生在不同地方，由不同的人记录。

层	发生的动作	计数单位	谁来记	常见误算
提及	站外文本里出现品牌或型号	一个独立来源的一次出现	PR、内容巡检	通稿转载按家数各算一次
引用	答案给出处，指向你的页面或替你说话的语料	一次问答里的一次归属	固定问题集采样	同一答案换句话再算一次
推荐	候选名单里有你，并附比较理由	一个问题的一次排位	人工抄名单	只算被提到，不算被比较

三层像一个漏斗，但不是自动漏斗。被提及不等于被检索到，被检索到不等于被采用，被采用不等于被推荐：模型完全可能引用你页面上的参数，却把你写成“另一家也提供类似产品”；也可能在比较段里点你的名，只是当反例。

这就是把三层加成一个“权威分”会出事的原因。加法抹掉了三种证据的方向：提及可以靠投放买到，引用可以靠一句准确的事实换来，推荐只能靠一个买家愿意复述的理由。把前两层的涨幅记到第三层头上，团队会以为候选集正在改善。

分母不同，不能相加

提及的分母是“被监测的站外来源”。这个月加两个论坛、下个季度加一个德语市场，数字自然往上跳，但权威没有变强。

引用的分母是“固定问题集 × 采样次数”。问题集一改，引用率立刻不可比；样本从 30 个加到 50 个，旧基线作废。

推荐的分母是“出现候选名单的那些问题”。同一个问题隔一周再问，名单会变，单次截图说明不了什么。

还有一个常被忽略的变量：别名。社区里很少有人写品牌全称，写的是型号、系列名、缩写，甚至拼错的名字。只搜全称，你会漏掉最真实的那部分讨论，也会把一次漏检误读成“没人提”。

所以三层分开记，各自定口径，各自看趋势。真要合成一个数，先固定分母，再算变化率，而不是把三列数字相加。

五步采集：口径先行

步	做什么	谁来做	怎么算过
1 定实体	品牌名、型号、系列、常见缩写与拼错写法列成别名表	品牌 + 内容	用任一别名能召回同一批来源
2 定问题集	30–50 个问题，按品类、场景、对比、售后分组，写明语言与市场	增长	连续三个月不改，要改就另开基线
3 记提及	每条记 URL、日期、来源类型、立场；同源转载合并	PR + 内容	抽十条能追到原文
4 记引用	对同一批问题重复采样，抄下答案与出处	增长	每个出处能指到具体页面
5 记推荐	抄候选名单、排位、给出的理由	内容	能回答“为什么这次没进”

第 5 步最容易被跳过，因为它最费人。但它也是唯一能解释“引用涨了、订单没动”的一层：名单里没有你，或者有你却排在第四，理由是一句“also offers”。

月报只回答三个问题

一份站外权威月报，不需要更多图表。第一，哪一层在漏：提及涨、引用平，说明声量没有变成可引用的材料；引用涨、推荐平，说明材料没有变成比较理由。第二，漏在哪种来源：媒体、社区、评测、目录各记一层，哪一类只贡献提及、不贡献引用，就该停。第三，下个月挪什么：从哪一类来源减，加到哪一类。

按这个结构，报告里不会出现一个总分。取而代之的是三行趋势、一张按来源类型拆开的表，和一条写清负责人与验证日期的行动项。

示例：一个季度的三层账

以下品牌与数字均为示例，只用于演示三层怎么分开记。

假设一个做智能宠物喂食器的品牌，固定 40 个英文问题、美国市场，每两周采样一次。季度初：提及 60 条，引用率 9%，40 个问题里进候选名单 4 次。季度末：提及 95 条，引用率 10%，候选名单还是 4 次。

拆开看：新增的 35 条提及里，一半以上来自同一篇通稿的转载，只能算一个来源；引用率那 1 个百分点的变化，落在采样波动范围内，不足以当成绩；候选名单没动，理由清一色是“also offers”。结论很清楚：这一季的钱买到了声量，没买到比较理由。

下一步不是继续发稿，而是换材料：把这台机器的续航测试条件、卡粮率、清洗拆装步骤整理成一张可被引用的对照表，也就是可引用资产；再把预算从通稿转到能落字的评测与专家署名上。先按站外投入排序判断这一季该补哪一类节点，再决定投多少。

边界：三层会骗人的四种情况

第一，赞助与投放。付费内容算提及，不算信任；未标注的软文一旦被识别，还会反噬。单列一栏，不并进自然提及。

第二，同源转载。三家媒体转载同一篇稿子，模型看到的是一个来源。按来源去重，而不是按链接去重。

第三，引用不等于正面。被引用作反例、被写进缺点段，都是引用。立场单独记一列：正面、中性、负面。

第四，推荐可能是负向的。“不建议多宠家庭使用”比不进名单更值得处理，它会在很长一段时间里被反复引用。

另外两种情况不该硬套这套表：起步期品牌站外提及接近于零，先修抓取与实体一致，用人工巡检就够；成交几乎全在平台内的品类，评论与履约指标比站外提及更直接。这套三层账的前提，是站外真的有人替你说话——节点怎么分工，回到AI 的站外信任网络；三层指标在整条漏斗里的位置，汇总在度量与增长主题页。

这个月先做一件事：挑 30 个真实买家问题，固定语言和市场，连续问两周，把“提到你、引用你、推荐你”分别记成三列，不要合并。第三周回头看，哪一列最难看，就从这个月开始改那一层。