同一个问题问六个 AI，你会得到六个答案

我是醒醒，AI共学社主理人，30岁程序员转型一人公司践行者。闲鱼+小红书变现五位数，已帮500+人用AI为工作提效。不教你追工具，只帮你用AI解决问题、赋能业务。长期主义者，专注让AI真正落地到你的工作里。

GEO 实战笔记 · 第 05 篇 你现在在哪：第 2 阶 · 看懂这一篇带你去哪：知道要按平台选战场，而不是把一套内容摊到六个地方

有个做跨境电商的朋友，上周做了件挺有意思的事。

他把同一句话，分别丢给了六个 AI：

「2026 年做家居收纳类目，供应链该怎么选？」

然后他把每个答案底下那几行来源抄了下来，并排放在一张表里。

结果他给我发了四个字：

「基本不重合。」

六份答案，二十多条来源，重在一起的只有两条。

这不是巧合。

这是这一篇要讲的事。

先说结论：一套内容打不了天下，但原因和你想的不一样

"每个平台口味不同"这句话，你可能已经听过了。

但大多数人理解得太浅——以为就是"这个爱长文、那个爱短文"这种程度。

真实情况要严重得多。

因为它不是一层差异，是三层差异叠在一起：

它们的信源池就不是一个池子——六个平台去翻的书架，长得都不一样
你的一个问题，在它内部会被拆成十几个小问题——拆法每次还可能不一样
而"差多少"这件事，取决于你怎么数——这一层最容易被忽略，也最容易让人做错决策

前两层解释了"为什么会不同"。

第三层解释了"为什么你看到的那些数字，可能都不是一个东西"。

下面一层一层说。

你以为的"AI"，其实是六个不同的 AI

先看第一层。

大多数人对 AI 的想象是这样的：底下是一整个互联网，六家公司各自接了一根管子上去。

所以管子不一样，抽上来的水应该差不多。

不是。

更准确的比喻是：六个平台面前摆着六个不同的书架，而且其中有四个，书架本来就是自己家做的。

一问六答 同一个问题递进去，六条路走出去。你以为是一台机器，其实是六台。

这句话是本篇的第一个关键点，我展开说。

六个主流 AI，可以按"它有没有自己的内容池"分成两类：

平台	有没有自家内容池	池子里是什么
豆包（字节）	有	今日头条、抖音、西瓜视频、快懂百科
元宝（腾讯）	有	微信公众号、视频号、腾讯新闻
文心一言（百度）	有	百度百科、百家号、百度知道
通义千问（阿里）	有	夸克、淘宝天猫
DeepSeek	没有	—
Kimi	没有	—

这张表我建议你存下来。它是本篇最有工具价值的一页。

为什么这条分界线这么重要？

因为一个平台如果有自己的内容池，它就天然更容易优先从自家池子里取水。

腾讯官方在 2024 年 5 月 30 日元宝上线的发布会上，表述得非常直白：

元宝接入了微信搜一搜、搜狗搜索等搜索引擎…… 同时，内容覆盖微信公众号等腾讯生态内容及互联网权威信源。

这句话不是营销话术，是产品说明书。

翻译过来就是：在元宝这里，公众号不是"外面的网站"，是"自家的书架"。

而 DeepSeek 和 Kimi 没有自家的书架——它们只能出去，满世界多源取证。

这带来两个完全不同的结论：

对有自家池子的四个平台：你能不能进池子，取决于你在不在它家生态里
对没有自家池子的两个平台：不存在"进不进池子"，只存在"外面有多少个地方在替你说话"

所以"一套内容通投六个平台"这句话，从第一步就走错了。

因为你面对的根本不是六个渠道，是六套结构完全不同的规则。

（顺便说一句：这六个平台的信源偏好，网上流传的百分比数字——"元宝 65% 来自微信生态""文心一言对百度系引用率 81.7%"这一类——我在这篇里一个都没用。原因第 06 篇会专门讲。)

它还会把你的一句话拆成十几个小问题

第二层，更深一点。

就算信源池一样，答案也未必一样。

因为——你问的是一句话，但 AI 看到的不是一句话。

Google 在自己的官方文档里把这个机制写得很清楚：

AI 概览和 AI 模式都可能使用"查询扇出（query fan-out）"技术，在生成回答的过程中，针对不同子话题和数据源发起多次相关搜索。

说人话：

你把一个问题递进去，它先把它拆成十几个小问题，分头去搜，再把结果拼回一个答案。

查询扇出 你递进去一句，它散出去一把。捡回来的不是同一把，拼出来的自然不是一个答案。

Google 产品副总裁 Robby Stein 在 2025 年 7 月的一次访谈里提到过，一次提问通常会产生 8 到 12 个并行子查询。

8 到 12 个。

这就解释了一个很多人想不通的现象：

同一个问题，你今天问和明天问，答案不一样。

因为拆法变了，搜到的书就变了。

有一家做 SEO 工具的机构测过这个稳定性，发现只有大约 27% 的扇出子查询在重复运行中保持不变。

也就是说，剩下七成多的"小问题"，每次都是现拆的。

而一篇更有分量的研究——发在 ACL 2026 上的《生成式 AI 时代的网络搜索特征》——把这层差异说成了学术结论：

不同引擎在依赖内部知识还是外部检索的程度上、在来源多样性上、在稳定性上，都存在显著差异；而且生成式搜索的输出会随时间和执行次数变化。

这篇是同行评审的。它给了一件很确定的事：

不稳定不是 bug，是这类系统的固有特征。

再补一个更扎心的数据。

有一家监测机构跟踪了 15,155 个品牌，每天跑，看它们在 Google 自己那三个不同答案界面上的可见度。

他们发现了一个可以作为"地板"的数字：

同一个模型，跟自己比——今天跑一次、明天跑一次——它提到的公司，重合度也就是刚刚过半。

同一个模型，同一个问题，隔一天。

一半都不到的地方，就已经在变了。

所以别怪 AI 记性差。它本来就不是在"记"，每一步都是现算的（这一点上上篇讲过）。

那到底差多少？先别急着信那个数字

第三层，本篇最硬的一节。

我猜你现在想问的是：那到底差多少？

你去搜，会看到一堆数字：

有的说不同 AI 引擎引用的页面，只有 6.8% 是重合的
有的说近 80% 的网站只被其中一个引擎引用
有的说不同引擎提到同一个品牌的比例是 30.3%
有的说只有 11% 的域名同时被两个引擎引用
有的说 AI 概览和 AI 模式引用的 URL 重合 13.7%
有的说 Jaccard 相似度是 37.4%
还有的说 URL 重合 58%、域名重合 88%

看出问题了吗？

从 6.8% 到 88%，跨度超过十倍。

它们全是错的吗？

恰恰相反——它们可能全是对的。

这就是我这一节想让你带走的东西，我把它叫分母问题。

分母问题 同一堆方块，同一件事，三把尺子量出三个数。问题不在方块，在尺子。

举个最直观的例子。

假设一个 AI 答案引用了 10 个域名，传统搜索的前 10 名也是 10 个域名，其中 2 个是重合的。

同样是这一件事，你可以算出三个完全不同的数：

你怎么数	结果
重合的 2 个 ÷ 被引用的 10 个	20%
重合的 2 个 ÷ 两堆加起来的 18 个（Jaccard）	11.1%
有重合的查询 ÷ 全部查询（只要有一个重合就算）	100%

三个数字，算术上全对。

但它们说的事完全不同。

20% 说的是"我引的书里有多大比例也在前排"
11.1% 说的是"两堆书合起来有多少是重叠的"
100% 说的是"有多少个问题至少出现过一次重合"

所以，当你看到任何一个人说"AI 引擎的引用重合度只有 X%"，第一件事是问他：

你这个 X，分子分母分别是什么？

不写分母就报重合度，是误导。

那前面那一堆数字打架，到底为什么？

有一家做监测的机构把这批研究并排放在一起，找到了两个主要原因：

原因一：单位不同。 有按精确 URL 算的，有按网站/域名算的，有按品牌名算的。同一份数据，换一把尺子，数字就换一个量级。

原因二：算的时候看的是"单个问题"还是"整堆问题"。

这一点特别关键，我用两家机构自己的描述给你看：

一家监测机构报告：五引擎的引用，在页面级只有 6.8% 重合，网站级却有 79.6% 的网站只出现在一个引擎上，品牌级是 30.3%
另一家机构做的是域名级统计，明确写着：如果用精确 URL 匹配，得到的分数会更低

看出来了吗——"页面级 6.8%"和"品牌级 30.3%"是同一份数据、同一批问题。

它们不矛盾，它们量的是不同的东西。

那为什么有的研究能算出 58%、88% 这么高？

因为它是先把六个月的引用全倒进一个大池子，再取交集——只要一个域名在任何一个问题的任何一方的名单里出现过，就算"共享"。

而低值，是按单个问题逐个对的。

一个问"这一题我们答得一样吗"，一个问"我们俩的书架上有没有同一本书"。

两个问题都对，但不是同一个问题。

所以这一节的结论是反直觉的，但很重要：

不要用任何一个"重合度"数字去做决策。 先看它是怎么数出来的。

这句话，是这一整篇里你最该记住的一句。

（顺便交代一下我的取舍：上面那些数字，我只挑了两组能追到原始研究的用——一组是覆盖 2,270 万条引用、115 万个问题的跨引擎重合度研究，一组是它的独立复核。源头查不到出处的，我全部没用。）

那对你来说，先打哪一个

讲到这儿，最自然的问题是：

六个平台，我总不能全做吧？

对，不能。而且你也不需要。

给你四个判断标准，你可以直接拿去用：

第一，看你的客户在哪儿。

他们平时用哪个 AI？是手机上的豆包，还是微信里的元宝，还是电脑上开 ChatGPT？客户不来，做得再好也是自嗨。

第二，看你的内容已经在哪儿。

如果你本来就长期写公众号——恭喜，你已经在元宝的信源池里了，只是还没被翻到。

如果你本来有个独立站——那你的战场更接近 Bing、Google 那一路。

第三，看你有没有能力在那个平台"进池"。

有自家内容池的四个平台，门槛是你能不能进它家生态。没有自家池子的两个，门槛是外面有多少地方在提你。

这两个门槛，难度不一样，投入方向也不一样。

第四，看哪个平台的答案，是你能影响的那批页面决定的。

这是最实用的一条。

你在上一章已经有了一张"信源地图"（第 04 篇的动作）。

现在把那张地图换个平台重新画一遍——你会看到：在哪个平台上，答案是由你能碰到的那批页面决定的。

那个平台，就是你的第一个战场。

不是六个，是一个。

元宝这一节，公众号作者请细看

如果你和我一样，长期在公众号上写东西，那这一节我只说一件事。

回到开头那张表：

平台	有没有自家内容池	池子里是什么
豆包	有	头条、抖音、快懂百科
元宝	有	微信公众号、视频号、腾讯新闻
文心一言	有	百度百科、百家号
通义千问	有	夸克、淘宝天猫
DeepSeek	没有	—
Kimi	没有	—

四个有自家内容池的平台里，公众号是唯一一个"个人和企业都能自己生产、而且门槛最低"的池子。

百科要审核，百家号要养，淘宝天猫要开店。

只有公众号——你注册了就能发。

两类信源池 左边四个平台各有一口自家的井，右边两个只能提着桶到处打水。而公众号，是你唯一能自己往里注水的那口井。

腾讯官方那句话说得很清楚：元宝的内容覆盖微信公众号。

这意味着什么？

意味着你每一篇认真写的公众号文章，都天然躺在元宝的信源池里。

不是"要不要去做 GEO"，是你已经在池子里了——问题只是它翻没翻到你。

这是绝大多数中小企业做 GEO 时，性价比最高的起点配置。

（具体怎么做，第 09 篇整篇都在讲这件事。）

但这里必须补一句，不然就成鸡汤了。

"在池子里"不等于"会被翻到"。

上一章讲的三道关——翻得到、信得过、摘得走——在元宝这套体系里，要重新算一遍。

你在微信生态里"翻得到"，不代表你在豆包那里也翻得到。

这就是这一篇的全部意思：

同样一篇内容，换一个平台，三道关得重新过。

把这一篇的词一次性翻成人话

老规矩，这张表你随时回来查：

术语	说人话
信源池	AI 回答时可能去翻的那一堆页面
自家内容池	平台自己家的内容平台（公众号、头条、百科、百家号……）
查询扇出 / fan-out	你问一句话，它内部拆成十几个小问题分头搜
子查询	拆出来的那些小问题
引用重合度	两个平台引用的来源，有多少是同一批
分母	你这个比例到底"除以什么"——这是所有数字的前提
页面级 / 网站级 / 品牌级	三种不同的数法：算单个网页、算整个网站、只算名字
Jaccard 相似度	一种算法：交集 ÷ 两堆加起来
稳定性	同一个问题重复问，答案里的来源会不会变

本节动作

五分钟，做一件事：亲眼看见"口味不同"。

第一步：挑一个你行业里真人会问的问题。

不要带你的品牌名。要像真人在做选择前会问出口的那种。

第二步：把这个一模一样的问题，分别丢给两个平台。

建议选这两个：一个有自家内容池的（比如元宝或豆包），一个没有的（比如 DeepSeek）。

因为这两个的差异最大，对比最明显。

第三步：把两边答案底下的来源，一条一条抄下来，左右两栏并排。

第四步：数三个数：

左边有几条
右边有几条
两边重合的有几条

第五步：算一下——重合的那几条，除以"两边加起来一共几条"。

这就是你自己算出来的、有分母的"重合度"。

做完你会拿到什么？

一张两边对照的来源表。

它会告诉你一件很难得的事：

在你的行业里，这两个平台，是从完全不同的地方打听你的。

这就是你的第五份基线。

第 01 篇：测「有没有被提到」
第 02 篇：测「有没有被说对」
第 03 篇：测「是从哪儿被提到的」
第 04 篇：测「它翻的书在谁手里」
这一篇：测「换一个平台，它的书还在不在那个人手里」

GEO 实验日志 · 第 05 期

先报状态：还是 0。

三个固定问句、六个平台，目前没有一条回答里出现过我。

这一期我不加问句、不加平台。只加一栏。

上一期我加的第五栏是「它引用了谁」——记的是路径。

这一期要补第六栏，因为这一期我学到了一件事：每个平台打听消息的地方不一样。

所以我需要的不是"我有没有被提到"，是：

同一个问题，换个平台，它翻的还是不是同一批书。

日期	平台	问句	提到我？	它引用了谁	✅ 新增：换平台后来源重合吗
—	元宝	问句 A	○	—	—
—	豆包	问句 A	○	—	—
—	DeepSeek	问句 A	○	—	—
—	文心	问句 A	○	—	—
—	通义	问句 A	○	—	—
—	Kimi	问句 A	○	—	—

还是空的。六个圆圈，三列破折号。

我知道这张表现在看着挺尴尬的。

但我留着它，是因为它回答了一个我一直在躲的问题：

我到底该先做哪个平台？

这一栏填上第一行的时候，就是答案出来的时候。

第五栏记的是「它从哪儿拿的料」
第六栏记的是「这些料，是不是只有一个平台在用」

如果一个来源只在一个平台出现——那它就是这个平台的专属入口。

找到三个这样的入口，你就知道自己该先打哪儿了。

下一次公布：第 06 篇文末。

写在最后

这一篇只讲了一件事：

同一个问题，六个平台给你六个答案。

拆开看是三层：

信源池不一样——四个有自家的井，两个只能出去打水
检索方式不一样——你的一句话，它内部拆成十几个小问题分头去搜
而你看到的那些数字，量法可能完全不一样——从 6.8% 到 88%，可能全是对的

这三层里，我觉得最值钱的是第三层。

因为前两层，最多让你做错内容；第三层，会让你做错决策。

你拿着一个"重合度只有 11%"的数字，去说服老板把预算摊到六个平台——

但那个 11%，可能只是因为它按域名算、按单个问题算。

换个算法，同一份数据可以是 88%。

今天带走一句话就够了——

别问"AI 引擎之间的重合度有多少"。 先问"你这个数字，分子分母是什么"。

九个数字里，只有一个你能用。前提是你知道它是怎么来的。

觉得有用就点个赞、在看吧，下次被AI概念绕晕的时候回来看看。

这一篇读完，你应该能做到： 说出六个主流 AI 在"有没有自家内容池"上的分野，讲清"查询扇出"为什么会让答案每次都不一样，并在看到一个"重合度"数字时先问它的分母是什么。

下一篇预告： 第 2 阶 · 第 6 篇《为了搞懂 GEO，我把中文互联网搜了一遍，全是软文》——这一篇里我反复说"这个数字我没用""那个我没用"，下一篇就把原因摊开：同一个市场，市场规模有五个互相差十倍的数字，而且每一个都追不到源头。这是整个系列里最该看的一篇。