引用度量：平行采样、置信度与位置加权可见度

生成式引擎的输出有随机性，同一个提问问两次，品牌可能出现也可能缺席，单次采样得出的结论跳动极大。可行做法是对同一提问执行多次平行采样，标准是 3 次，采样落在同一时间窗口内，避免模型更新带来的干扰；然后看多数结果，3 次里 2 次提及才算稳定提及，偶尔出现的一次只能算波动。采样时固定提问原文与引擎集合，任何一项变了，前后数据就不可比。

监测的本质，是把我对 AI 表现的印象变成可以用数字管理的指标体系。

置信度衡量被引用得多可信：按提及位置、频次、顺位与情感加权计算，并对多次采样之间的不一致施加一致性惩罚。强引用，即明确出现品牌与可溯源 URL，计满分；弱提及，即只出现品类或模糊描述，计部分分；未提及计 0；幻觉，即编造品牌信息或失效链接，单独标记为风险项而非加分项。

可见度衡量被看见得多靠前：统计品牌句占回答的份额，再按位置做指数衰减加权，越靠前的位置权重越高，先出现的先被看见。位置加权背后的逻辑很朴素：用户与下游模型都更可能复述回答开头的品牌，先出现先被记住。两个指标一纵一横，回答提没提与提得怎么样。

引用质量还有更细的七维评审：相关、影响、独特、位置、呈现、点击、多样，各维打分后加权合成，用来回答这次引用的成色如何。

三条读数纪律：看趋势不看单点，单批次波动没有意义；看稳定性，采样间忽有忽无的提问优先补内容；看七维里最弱的一项，它决定下一轮优化的动作。另外，把自家数据与竞品提及放在同一张图上看，相对位置比绝对数字更有信息量。

一个常见的误读是把置信度当份额：置信度回答可不可信，可见度回答占多大位置，两者不能互相替代，汇报时分开说。

监测页内置指标口径说明，每个指标怎么算就地可查；仪表盘五张 KPI 卡覆盖提及率、置信度、可见度等核心口径，逐引擎结果卡可以看到每次回答的原文、情感、稳定性与引用详情。新提问先用快测跑一轮，确认值得追踪后再加入常态化监测。口径一旦调整，历史数据要标注断点，避免趋势图上出现假涨跌。