要测「AI 引用覆盖率」，到底需要多少个提问才算够？

简短回答：在你相信一个覆盖率数字之前，先做到大约 30 到 50 个提问。低于这个量级，「我们在 40% 的问题上被引用」和「我们在 55% 的问题上被引用」之间的差别，主要是抽样噪声，而不是你的引用位置真的变了。超过大约 100 个之后，你通常只是在购买一种不会改变你决策的精度。数量没有提问集的结构重要：提问应该铺开在买家真正想完成的任务上，而不是堆在你的头部商品名周围。

## 为什么只测一两个提问，比不测更糟

多数「检查 AI 可见度」的店铺只跑几个提问：品牌名、品类词，也许加一个商品相关的问题。这样会产出一个数字，而数字看起来像证据。通常它不是。

引用是按提问计算的，不是按店铺计算的。助手在回答「100 美元以内、能装 15 寸笔记本的最轻旅行背包」时，和在回答「有维修计划的旅行背包品牌」时，跑的是不同的检索、不同的页面证据，引用的来源往往来自你商品库里不同的部分。测一个然后推广到另一个，是经典错误。

如果你测 5 个提问、拿到 2 次引用，你并不知道自己的覆盖率是 40%——你只知道有两个具体问题站在了你这边。正确的解读是：覆盖率落在某个很宽的区间内，而这个区间宽到你无法据此排优先级。

## 一套站得住的提问集长什么样

把提问集当成一份调查问卷，而不是一张勾选清单。有四件事决定它站不站得住。

1. 铺开在不同意图类型上。 购买意图类提问（「最适合 Y 的 X」）、对比类提问（「X 和 Z 在 Y 上谁更好」）、约束与筛选类提问（「N 美元以内、支持次日达的 X」）、以及关于具体商品的事实类提问，各自拉动的是不同的页面证据。一套只有「最好的 X」这类提问的集合，会让拥有强品类页的店铺被高估引用率，同时漏掉其他所有情况。 2. 铺开在你真实的商品库上。 如果你 70% 的 SKU 在配件里，却只测你的明星单品，那你测的就是你的明星单品。 3. 放进你预期会输的提问。 对照提问是让覆盖率数字变得有意义的关键。一套 30 个问题的集合，如果都是因为你本来就在这些词上排名好才挑出来的，那就不是测量，是庆功。目标是建立一套你自己诚实估计胜率在 30% 到 45% 之间的集合。 4. 按买家的说法写，不要按商家的说法写。 买家写的是约束、混合语言和半成形的需求。商家写的是关键词。二者不是同一个分布，而提问式查询正是助手如今承担大部分购物工作的场景。

一个实用的起始结构：8-12 个购买意图提问，6-10 个对比提问，6-10 个约束与筛选提问，5-8 个商品事实提问，再加 5 个你预期会输的对照提问。这样自然会落在 30-50 附近，而不需要刻意凑数。

## 按商品库规模配置提问集，而不是按你的雄心

一个常见失误是：拿一套 40 个提问的集合去测 900 个 SKU 的商品库，然后得出「覆盖率还行」的结论。提问层面的覆盖率和商品库层面的覆盖率是两个不同的量。

如果你的提问集是有代表性的，提问层面的覆盖率与商品库层面的覆盖率应该大致同步。当二者明显背离——提问覆盖率很高、商品库覆盖率很低——通常是因为你的提问集中在一小块已被优化过的商品上。解法不是加更多提问，而是让提问集像买家那样抽样商品：按人们真正会问的东西加权，而不是按你已经修好的东西加权。

这和「测量覆盖率而不是只看页面」是同一套纪律：你要找的是那片隐形货架，而一个狭窄的提问集恰恰是把它藏起来的那件工具。到 [/audit](/audit) 跑一次扫描，拿到页面层面和商品库层面的图景，然后用提问去检验修复是否真的改变了助手的回答。

## 如何避免骗到自己

• 不要把 10 个提问的结果和 40 个提问的结果对比。 不同的仪器，不同的数字。覆盖率只能与固定的同一套集合比较。
• 记录提问的原文。 改写过的话就是不同的提问。如果你的集合每周漂移，你的趋势线也在漂移。
• 至少在两个助手上测试。 引用行为差异足够大，一个助手只是一个样本，不是趋势。
• 在改动集合之前，先把同一套集合重复跑一遍。 有理由时才改进集合，而不是因为上一次的数字不好看。
• 单次运行中大约 10 个点以内的变化，视为未经确认，直到第二次运行复现它。这个量级的提问集精度到不了那么细。

## Visora 在哪里派上用场

Visora 正是围绕这个问题构建的：与其测几个提问然后靠猜，它扫描你的商品库，找出助手无法引用某个页面的结构性原因——结构化数据缺失或不一致、事实只存在于图片里、规格信息存在但不可提取——并在商品库规模上给出报告。然后你用一套固定的提问集去检查助手的回答是否移动了。诊断和提问回答的是不同的问题，两者你都需要。[FAQ](/faq) 里写了扫描能测什么、不能测什么。

## 常见问题