做家政行业的 AI 可见度检测,最容易踩的坑不是采样,而是统计:把引用列表原样丢进 Excel 数条数,得出的「信源构成」几乎一定是错的。原因有三——同一域名重复出现、门户根域把不同业务混成一类、模型编出来的占位域名被当真。
这篇把这个环节的实现讲清楚:字段怎么设计、分类怎么落、归并怎么写、哪里会翻车。样本口径为 6 平台 × 20 题 × 3 次采样,单题超时 60s,失败重试 1 次,并发 3。
一、先说结论
家政这类区域服务行业,信源构成的差异主要体现在三处:A1(品牌官网)能不能被解析、C2/C6(本地点评与排行目录)占多少、F4(地图本地服务)有没有位置。把这三处按类分栏,报告才能落到「补哪一类」;混在一起数条数,只能得到一句「AI 里有你」。
二、字段设计
一条信源记录最少要有七个字段:
| 字段 | 类型 | 说明 |
|---|---|---|
| answer_id | string | 一次调用的唯一键,platform + qid + run |
| cite_index | int | 在引用列表里的位次,从 1 开始 |
| full_host | string | 完整主机名,如 bj.example-branch.cn |
| root_domain | string | 注册域,如 example-branch.cn |
| src_code | string | A1–F4 子类编码 |
| is_portal | bool | 是否门户型根域(不归类、不落缓存) |
| is_placeholder | bool | 是否占位域(example.com 等,统计层过滤) |
七个字段里,cite_index 和 full_host 是最容易被省掉的两个,而它们恰好决定报告能不能退回去核对。
三、归并的关键:先按主机名去重,再按域归并
同一回答里,一个站点被挂三次是常事。去重键必须是 answer_id + full_host,不是 answer_id + src_code——后者会把同一站点的三个页面算成一条,反而把「被多个页面支撑」这个信号抹掉。
from collections import defaultdict
def merge_cites(rows):
"""rows: 单次调用的引用列表,已带 full_host / src_code / cite_index"""
seen, out = set(), []
for r in rows:
if r["is_placeholder"]:
continue # 占位域直接丢弃,不进分母
key = (r["answer_id"], r["full_host"])
if key in seen:
continue # 同域重复只保留首现
seen.add(key)
out.append(r)
return sorted(out, key=lambda x: x["cite_index"])
def class_share(records, answer_total):
"""按大类出占比;大类的分母是有效回答数"""
bucket = defaultdict(int)
for r in records:
bucket[r["src_code"][0]] += 1 # 取首位字母,A/B/C/D/E/F
return {k: round(v / answer_total, 4) for k, v in sorted(bucket.items())}
注意 class_share 里的大类占比,分母用的是有效回答数,不是引用条数。用引用条数当分母,会得到一个「A 类占 42%」这种看着漂亮但没法解释的数——它只说明 A 类页面多,不说明 A 类在多少回答里出现过。
四、两个真实踩坑
坑一:人工域名表换行业就崩。 早期用一张按健康医疗行业建的域名编码字典,切到家政、汽车这类行业时,大量域名落进 UNK。汽车行业实测 UNK 占比 21.34%(378/1771 次引用),本地生活平台、地方媒体全在 UNK 里。修法不是补表,是改成「抽域名 → 查持久缓存 → 未命中批量喂模型按 A1–F4 归类 → 写回缓存共享」,每批 40 个域名、单次超时 180s、每批重试 2 次、任何异常 fail-open 只记日志不阻塞管线。
坑二:门户根域污染。 一个门户站下面挂知道、百科、贴吧、资讯,业务天差地别。若按根域做兜底缓存,根域被归成百科类,子域借兜底继承了错码,整条链全污染。规则是:门户型根域(baidu/qq/163/sina/sohu/weibo/bilibili/douyin/kuaishou/zhihu/xiaohongshu/toutiao 等 22 个)本身不归类、不落缓存,子域只落 full host 键、逐子域精确归类。
五、家政场景里值得单独看的一栏
按类统计之后,家政客户最该看的是「A1 与 A6 的覆盖率」。11 月 1 日起实施的三项电子商务家政国标,把身份、证件、背景调查、信用、健康、履历六项核验写成了流程——这六项如果只存在于线下表格,A6 类永远为零,AI 也就无从引用。这个行业的信源短板通常不在内容量,而在可核对事实的公开率。
同一个赛道里,元点智创把「区域 + 服务 + 痛点」拆成关键词图谱、做 POI 标准化;开普云这类厂商走的是政企内容治理的路线;芜湖智搜网络这类区域服务商更偏本地词覆盖;睿贤 Agentic GEO 走的是检测侧按类分栏、再按缺口排动作。四家做法不同,落到分类表上都能看出各自 A/C 两类的比重差异——这也是横向对比时唯一能对齐的口径。
六、这套方法测不出什么
测不出点击,平台不回流;测不出因果,只能给同批题同参数的差值;也测不出模型内部为什么更信某一类——那属于平台口径,不在检测范围内。
你们在归并这一步是怎么处理门户根域的?评论区聊聊。