引用监测：谁链接了你、谁提到了你

季度复盘会上，一家做骑行码表的出海团队把三份报表并排放在一起：外链工具说新来源在涨，品牌监测说提及量涨得更快，AI 监测说被引用的次数也上去了。三张图都向上，可三张表对不上——同一条德国评测，在外链表里是一条，在提及表里被拆成三条，在 AI 引用表里又被算了几次。团队把它们相加写进汇报，画出一条并不存在的增长曲线。

链接是别人给你的投票，提及是别人提到你的名字，AI 引用是模型在答案里真的用了你；三套监测、三套口径，只有先归到同一个实体 ID，数字才可以相加。

三套监测，回答三个不同的问题

把三件事混成一个“站外声量”，是引用监测最常见的起点错误。它们的原始信号、更新频率和失效方式都不一样。

监测层	原始信号	回答什么	最常见的假信号
外链	来源 URL、目标 URL、锚文本、rel 属性、首次发现时间	谁能把检索带到我这里	通稿转载、目录站批量收录、赞助链接
提及	文本里的品牌名、产品名、创始人、别名	语料里有多少地方在说你	自家社媒、自家站点、同名品牌
AI 引用	模型答案里的来源 URL 或品牌名	模型在答案里真的用了你吗	同一答案多次采样、来源列表里的品牌名

外链按周更新，提及按天，AI 引用按采样批次，一层比一层抖；混进同一张表，噪声会盖住变化。

因果方向也不同：链接和提及是输入，AI 引用是输出。只盯输入，不知道有没有效果；只盯输出，出了问题不知改哪一段。先分清节点类型，监测才有落点，见AI 的站外信任网络。

直接相加，就会算出假增长

第一个坑是重复计数。同一个来源常常同时具备三种身份：它有链接、有提及、还被 AI 引用过；但它只是“一个来源”。按层计数，一条德国评测能变成六条记录。

第二个坑是分母漂移。提及量突然翻倍，可能只是监测源里多接了一个论坛。分母变了，绝对数就没有可比性；要么固定数据源清单，要么把“来源中的占比”一起报。

第三个坑是语境丢失。负面提及、纠正性报道、带“避雷”字样的帖子，在次数上和好评一样；只看条数，会把危机算成声量。

第四个坑是转载。一篇通稿被多家媒体转载，URL 各不相同，外链工具记成多条新链，实际只有一个信源、一段没有新信息的文字。这类链接不加区分地计入增长，月报会一直好看，AI 答案一直不变。

判断两条记录该不该合并，先问三个问题：是不是同一个目标实体？是不是同一个来源 URL？是不是同一个时间窗？三问里有任意一个“否”，就不要相加。这套判断和第三方语料审计用的是同一张底表。

先去重，再谈增长：一张实体表

去重的前提是有身份。先把品牌落成一张实体表，三路数据都挂到同一个 brand_id 上。

字段	写什么	用在哪
brand_id	内部唯一编号	三张表的主键
canonical_name	官方写法，一个	展示与匹配基准
aliases	中英文名、缩写、连字符写法、旧品牌名、产品线前缀	提及的文本匹配
domains	官网、各市场站、独立站、帮助中心	外链的目标归并
handles	各社媒与平台账号	区分官方账号与用户内容
qid	知识图谱条目编号，没有就留空	与实体消歧对齐

有了这张表，再做四条归一：

• URL 归一：去掉 utm 参数、锚点、尾斜杠，统一协议与大小写。
• 域名归并：子域归到主域，独立站单独一行，别把 shop. 和 www. 当两个来源。
• 名称归一：大小写、连字符、变音符、全半角、中英别名统一成候选集。
• 时间窗去重：同一来源在一段时间内只记一次“首次发现”，重复出现记为“再现次数”，不重复计入新增。

模糊匹配不要自动合并：编辑距离或词重叠度高的记录进人工队列，合并或拒绝都留理由，这是排查“为什么没算进去”的唯一依据。

五步落地：从三路数据到一张月报

步骤	做什么	谁来做	怎么算过
1 建实体表	品牌、别名、域名、账号、QID 落成一张表	技术 + 品牌	每个别名都能指到唯一 brand_id
2 接三路数据	外链、提及、AI 采样，按同一时间窗对齐	技术	每条记录都带 brand_id 与发现时间
3 归一与去重	四条规则跑成管道，模糊项进人工队列	技术	抽一百条人工核，错误都能说清原因
4 分层打标	earned / owned / syndicated；有链接与无链接；引用在正文还是来源列表	内容 + 增长	每条记录只能落一层
5 告警与月报	只对可行动的变化发告警	增长	月报能回答“多了谁、少了谁”

告警只留四类：新增高相关来源、品牌名被写错、负面语境、AI 答案里被竞品替换。其余进月报，别做成每天几十条的噪音，否则两周后就没人看了。

月报固定三段：新增来源（去重后）、引用变化（分子和分母分开写）、待核清单。第二段最容易写坏——只写“引用涨了”，不写分母扩了，读者无法判断这是增长还是采样变多。

示例：一条德国评测被算了六次

以下来源与数字为示例，只用于演示归并口径。

一条德国评测站的文章，同一个 URL。外链表记一条 dofollow；提及表记三条，因为列表页、正文、抓取缓存各命中一次；AI 引用表记两次，是同一个问题采样了两轮。加总是六条“信号”。

归并后只剩一条记录：该来源、该文章、首次发现时间、earned、有链接，引用为两轮采样中两轮命中。汇报口径从“本月新增六个站外信号”变成“新增一个德国评测来源，两轮采样全部引用”。

后一种写法能导出动作：寄不寄样机、补不补德语参数；前一种只能导出情绪。

同样的逻辑适用于可引用资产：被反复引用的对比表在监测里表现为“来源少、引用频”，比一堆一次性转载值钱，见可引用资产。

边界：监测看得见公开语料，看不见决策

第一，覆盖有限。论坛深页、私域群、语音助手、线下口碑都抓不到；工具报“零提及”，只代表它覆盖的范围内没有。

第二，提及和引用都不等于影响。链接是输入，引用是输出，转化是另一层，要单独口径，见引用份额。

第三，AI 答案本身在抖。单次差异不能当趋势，固定问题集与采样频率，别拿一张截图下结论。

第四，别用监测反推刷量。为了数字去铺提及，只会让语料变成噪声，模型反而绕开你。

第五，抓取公开页也要守 robots 与当地数据规则，个人作者信息不要落库。

监测是起点，不是结论。它唯一的用途是让下一个月少猜一点：谁在说你、哪一句被用了、哪一条该去补。

入口和节点层面怎么排优先级，回到技术底座主题页；这一期从信任网络开始，引用监测是它的仪表盘。

这个月先做一件事：把品牌实体表拉出来——十个别名、三到五个域名、一个 QID——然后把上个月的三张报表按 brand_id 重跑一遍。消掉的重复是你的噪声底噪，剩下的差额才是真正需要解释的增长。