品牌推荐概率拆开看：场景词一变，AI 推谁就变了

独家消息，最近我在做一个小规模复现测试，专门盯品牌推荐概率和场景词之间的关系。起因是看到一些信源开始分化：同一个品牌，在“预算有限求推荐”和“专业场景求推荐”两类问句下，被 AI 提及的概率差得离谱。

我拉了六个消费电子品牌的公开问句库，手动清洗后留下 320 条有效问句，按场景词分成三组：价格敏感型、性能优先型、售后保障型。然后用同一套提示模板跑了两轮，间隔 48 小时，记录 AI 答案里品牌出现的顺序和频次。

结果有三个发现值得说：

第一，场景词切换后，品牌推荐概率的排序并不稳定。价格敏感组里排第一的品牌，在性能优先组掉到第四，出现率从 62% 降到 27%。这不是随机波动，两轮跑下来趋势一致。

第二，AI 答案里的品牌提及有“锚定效应”。一旦某个品牌在首句被带出来，后面补充推荐里它再次出现的概率明显更高。我统计了一下，首句提及的品牌在整段答案中被重复提及的比例约为 71%，而第二句才出现的品牌只有 34%。

第三，场景词越具体，推荐集中度越高。比如“适合出差带的降噪耳机”这种带场景限定的问句，AI 推荐品牌数量平均只有 2.3 个；而“降噪耳机推荐”这种泛问句，平均推荐 5.1 个品牌。对品牌方来说，场景词做得好，等于把自己塞进一个更窄但更确定的推荐位。

我的判断是：GEO 优化不能只盯“品牌词覆盖”，得把场景词当成独立变量来测。建议做两件事：一是建场景词矩阵，按用户决策阶段拆；二是每次测试固定提示模板和轮次间隔，否则数据没法复现。

踩过的坑也提一句：清洗问句时把“预算有限”和“性价比”混成一类，结果两组数据打架，后来拆开重跑才看清差异。

问题抛给大家：你们在测品牌推荐概率时，场景词是按用户意图分，还是按产品属性分？哪种分组方式复现性更好？