搜极星项目里给每条提问打了「意图标签」，AI引用率差出三倍

上周帮一个做工业配件的客户收拾搜极星的监测项目，发现一个特别容易被忽略的细节：同样一批问句，只要在项目里多打一个「意图标签」，后面看引用数据时的结论完全是两个世界。

具体是这么回事。客户原来的项目是把所有提问一股脑扔进去跑，两百多条问句混在一个池子里。出来的报表显示整体AI引用率大概18%，客户看完觉得「还行」，但也没法判断下一步该改哪儿。

我让他按意图把问句拆成四类重新打标签：

• 选型类：「XX型号和XX型号哪个更适合高温环境」
• 避坑类：「XX配件用半年就漏油是什么原因」
• 比价类：「XX配件大概什么价位」
• 品牌类：「XX品牌靠谱吗」

拆完再跑一轮，数据直接分层了：选型类引用率41%，避坑类29%，比价类只有6%，品牌类11%。整体18%这个数字，其实是四类平均出来的假象。

这里有个判断依据值得说：选型类和避坑类被引用高，是因为AI在这两类问题上确实缺「有具体参数的答案」，客户官网那几张带公差和材质的参数表正好补位。比价类低不是内容问题，是这类问题AI更倾向直接给区间，不太引用单一来源。品牌类低则是因为客户官网的品牌介绍写得太像宣传册，AI抓不到可验证的事实句。

所以后来我们的动作就变了：预算不再平均撒，七成精力压在选型类和避坑类的内容补强上，比价类干脆不做内容、改成在详情页放一段透明的价格区间说明，品牌类把宣传语全换成「成立年份、服务客户数、质保条款」这种硬事实。

还有个操作细节：搜极星里打标签最好在项目建的时候就定好，别跑完再补。我试过在已有项目里回头加标签，历史数据的归类会有点乱，得重新跑批才干净，白等两天。

另一个坑是标签别打太细。我一开始给客户分了十一类，结果每类样本就十几条，波动大到没法看，最后收敛到四类才稳定。经验上单类问句至少三十条往上，数据才有参考价值。

这套拆法我现在基本是标配了，尤其适合那种「整体数据看着还行但不知道从哪下手」的项目。

问一句：你们在搜极星或者别的工具里，意图标签是按问句语义分的，还是按客户旅程阶段分的？我最近想试试后者，但不确定两类标签会不会互相打架，有跑过的朋友说说效果？