TL;DR / 核心要点总结
- 推荐不是引用的升级版，是另一套计算。 引用看“这条证据能不能用”，推荐看“这个品牌能不能选”。Lily Ray 的 100 个 B2B 查询实测里，AI 引用了你自家的对比文章，69% 的情况仍然推荐竞对，只有 21% 把你评第一。
- 推荐名单在官网上决定不了。 Shero Commerce 分析的 1,851 个引用来源中，只有 2.8% 是品牌自有网站、59% 是第三方媒体；即便 AI 点名推荐了某个品牌，它的官网被引用概率也只有 31%。
- 进名单要三件事同时成立：品类归属、可比事实、第三方共识。 它们分别回答“该不该想起你”“能不能把你放进对比”“凭什么选你”——没有一件能在官网上单独完成。
- 自夸是负资产。 形容词撑不起选择：“专业、领先、一站式”在对比结构里无处安放，只有可交叉验证的事实才能被摆上推荐台。
- 先学会读名单，再谈优化。 “被推荐了但官网没被引用”是常态而非事故；推荐率波动要先排除模型换代（AI Mode 底层模型已进入三周一换的节奏）。
一、推荐不是引用的升级版，是另一套计算
先去问一次：“推荐几家做 [你的服务类别] 的公司。”多数企业会在答案里看到两件同时发生的事：你的一段内容被引用了（比如你的价格说明被拿来解释行业行情），名单里却没有你。
这不是失败，而是两个指标的错位。引用题问的是“这条证据能不能用”，推荐题问的是“这个品牌能不能选”——前者是证据判断，后者是选择判断，中间隔着一条落差。
| 维度 | 引用（Citation） | 推荐（Recommendation） |
|---|---|---|
| 判断对象 | 页面、段落 | 品牌 |
| AI 在这一步想什么 | 这条证据能不能用 | 这个品牌能不能选 |
| 决定因素 | 可提取性、来源可信度、口径完整度 | 品类归属、可比事实、第三方共识 |
| 失败表现 | 答案里完全没有你 | 答案里有你的证据，名单里没有你 |
| 主要发生地 | 官网与内容资产 | 官网之外 |
这条落差有实测数据支撑。Lily Ray 用 100 个 B2B 查询做过交叉验证：AI 引用了公司自家“最佳/对比”类文章时，69% 的情况仍然推荐了竞对，只有 21% 把你评第一——AI 拿你的自夸当信息源，但不当结论（实测细节、引用与推荐的账怎么算）。Shero Commerce 的全球分析给出了另一面：ChatGPT、Perplexity、Google AI Mode 引用的 1,851 个来源里，仅 2.8% 是品牌自有网站，59% 是第三方媒体；当 AI 点名推荐某个品牌时，该品牌官网被引用的概率只有 31%（完整拆解）。
对企业的翻译：把引用做到满分，也只是让 AI 愿意“用你”，不等于让它愿意“选你”。 如果你的 GEO 动作全部发生在官网上，你优化的只是那 31% 里的引用概率，而名单是在别处生成的。
这也是本文与另外两篇的分工：GEO 优化怎么做 讲五个工作面按什么顺序推进，如何让 AI 引用我的网站 讲一次引用会在哪道关断掉；本文只处理另一个结果——AI 在推荐题里给出的那份名单，你是靠什么进去的。
二、推荐名单是怎么形成的：AI 在做“选择”时要三样东西
把 AI 想象成一个正在做 shortlist 的采购方：它不会因为你说自己好就选你，它要先确认你在候选范围内，再找到能横向比较的维度，最后看有没有别人也这么说。
| 三件事 | AI 在这一步实际在判断什么 | 缺了会怎样 | 主要发生地 |
|---|---|---|---|
| 品类归属 | 这个问题下，有哪些品牌属于候选范畴 | 你连候选都不是，答案里根本不出现你 | 官网定位 + 第三方共现 |
| 可比事实 | 拿什么维度把你和竞品放在一起比 | 无法把你放进对比结构，直接跳过 | 官网事实页 + 对比页 |
| 第三方共识 | 除你之外，还有谁用同一套说法说你 | 有候选资格，但没有当选的理由 | 第三方提及与引用 |
三件事的顺序也是硬的：品类归属决定你有没有资格被讨论，可比事实决定你能不能进入比较，第三方共识决定比较之后选谁。反过来做的代价最大——在还没有品类归属的时候猛攻第三方提及，得到的是一堆“知道但不推荐”的提及。
三、品类归属：AI 得先知道“这个问题该想起谁”
推荐题的起点从来不是品牌词。用户不会问“XX 公司怎么样”，他们问的是“推荐几家做 XX 的公司”——AI 是拿品类当索引去召回候选的，你不在这个索引里，后面所有努力都无从谈起。
失败形态一：品牌词有，品类词没有。 搜你的品牌名，AI 描述得很准；换成品类问题，它一次都想不起你。这说明 AI 认识的“你”是一个孤立实体，而不是某个品类里的一个选项。
失败形态二：一个品牌挂在五个品类下。 官网同时讲五条业务线、三个客群，每段都说“我们也做”——结果是每个品类里你都不是那个最明确的答案。
Semrush 与 Kevin Indig 对 1094 个品类、5 万+ 品牌的研究里，有两条对判断这件事的优先级特别关键：品牌搜索量是唯一统计显著的 AI 品牌占有率预测变量——它代表的正是“品牌名与品类被一起提及的密度”，而不是你的 SEO 表现；同时 53.7% 的品类在 AI 搜索里还没有明确的品牌所有者，而一旦某个品牌在 90.4% 的月度对比中守住第一，它的位置很难被抢走（研究拆解）。窗口是存在的，但它是“先到先得”的。
修法
- 写一句可被复述的品类归属句。 格式是“我们是给［谁］提供［什么品类］的［什么角色］”，短到 AI 能原样搬走，全站统一。
- 让品牌名与品类名以同一种说法共现。 官网上出现不算数，要让行业媒体、垂直社区、第三方档案里也使用同一句表述——说法不一致会削弱归属，而不是增加曝光。
- 收敛品类数量。 优先经营一到两个能守住的品类，其余业务线放在次级位置。
自测： 问 AI“［你的品类］有哪些值得关注的品牌/供应商”，看它复述你的定位时用的那句话，与你希望它用的那句话是否一致。
四、可比事实：进不了对比表，就进不了推荐名单
推荐题的输出形态决定了它对内容的要求：名单、对比表、推荐理由——它们是“维度 + 取值”的结构，不是“印象 + 形容词”的结构。
一家只有品牌叙事、没有可比值的企业，在 AI 眼里无法被安放进这个结构，于是只能被跳过。这不是 AI 不礼貌，是结构上放不进去。
7,387 次引用的实测给出了旁证：“货比三家”式提示词只占 20%，却贡献了约 27% 的引用（约 1.33 倍超额回报）；产品页以 24.1% 成为最大单一来源；88.3% 的引用落在品牌可控内容上（页型分布完整数据）。可比要素是你最能控制、回报也最直接的一块。
失败形态（都是“不可比”的典型写法）
- 通篇是形容词：专业、领先、一站式、行业标杆——没有任何一栏可以填进对比表。
- 关键参数只存在于图片或 PDF 里，正文找不到一句可搬运的陈述。
- 价格只有“按需报价”，周期只有“视项目而定”，等于把所有可比值都留空。
- 只写适用场景，不写边界——AI 判断不了你“不适合谁”，也就无法把你和另一个品牌区分开。
修法
- 把广告词翻译成可比量。 价格区间、交付周期、团队规模、集成清单、服务半径、起始门槛——能填进表格的才是可比事实。
- 写清楚“不适用场景”。 这一条反直觉但有效：可比的反面是可验证，敢于划定边界的品牌，更容易被放进对比结构，也更容易被交叉验证。
- 把对比做成内容。 对比页、规格页、FAQ 里的量化问答，都是推荐题的供给来源；但摆上去的必须是可核验的事实——自夸式的“我们第一”会被引用，不会被采信（回到第一节那 69%）。
五、第三方共识：只有你自己说，AI 不敢推
推荐意味着背书。AI 为一个品牌署名式的推荐承担了风险，因此它在推荐题上的风险偏好是保守的：倾向选择“多处都能印证”的对象，回避只有单一来源、尤其是只有自述来源的对象。
数据已经把这条规律画得很清楚：
| 研究 | 结论 | 对推荐的含义 |
|---|---|---|
| 16.7 万次引用的大样本研究 | 85.7% 的 AI 引用指向第三方网站（事实性问题上第一方官网才反超 40%） | 你的说法需要别人替你说一遍 |
| Shero Commerce（1,851 个来源） | 2.8% 为品牌自有网站、59% 为第三方媒体 | 官网不是共识的发生地 |
| Semrush / Kevin Indig（1094 品类） | “被引用”与“被提及”重叠率仅 21%，且呈轻微负相关 | 引用多 ≠ 被提及多，两件事要分开做 |
| 国内引擎机制（豆包 / DeepSeek 双引擎） | DeepSeek 在整合输出前做多源交叉验证，多信源共同提及者胜出 | “孤证不立”是工程事实，不是修辞 |
（数据出处：证据采购全景、引用与提及是两件事、豆包 + DeepSeek 双引擎拆解。）
失败形态
- 所有表述都只在官网出现，第三方零提及或只有成立时的通稿。
- 同一个事实在不同渠道有三个版本（不同的数字、不同的定位描述），互相削弱。
- 只有一次性的曝光，没有持续输出——共识是密度，不是单次事件。
修法
- 锁定三类渠道并持续供给： 行业媒体报道、垂直社区讨论、可被第三方引用的资产（原创数据、调研、工具、SOP）。
- 统一说法。 把第三节那句品类归属句，连同 2–3 个核心可比事实，做成一份“对外统一表述”，所有渠道只使用这一个版本。
- 让具体的人出面。 创始人、专家的署名文章与访谈，是共识里最容易被识别为“实体”的部分，也和 品牌实体的一致性 直接相关。
需要提醒的是：共识是相对量。 名单里其他候选也在做同样的事，所以这件事的衡量方式只能是“与竞品的差距”，而不是绝对次数。
六、有些推荐题，网页层根本不在场
还有一类情况必须提前知道：在采购决策类的推荐题上，候选名单有时不来自网页。
AI Mode 的购物与选品场景实测显示，它的“货架”不是从网页排名扇出式取材，而是从平台自己的数据层（Shopping Graph、图谱实体）直接构造——普通搜索里排名第一的网页，在 AI Mode 里可能根本不在候选池里（机制与实测）。国内更直接：豆包自 8 月 10 日起开启按成交收费的抽佣机制（酒店佣金 8% → 12%），“被 AI 推荐”第一次直接对应“被下单”；微信“小微”则把同一套逻辑搬进了私域生态（拆解）。
对企业的翻译：平台数据层不在你官网的控制范围内。 在这类问题里，能做的只有两件事——进入平台的数据体系（保证价格、库存、可用性、评价的可得与一致），或者接受自己在这类推荐题里不可见。把官网内容做到满分，也换不来平台货架上的一个位置。
各引擎推荐题的证据来源并不相同，机制层面的逐条拆解见 六大模型官方规则 与 豆包 + DeepSeek 双引擎拆解。
七、推荐率怎么测：记录“名单”，不只是记录“有没有我”
推荐率的测量对象和引用率不同：引用率记的是 URL，推荐率记的是名单。 GEO 优化怎么做 讲过三套指标要分栏记录，如何让 AI 引用我的网站 讲过引用率的三个字段，这里只补推荐率该记什么。
固定 10–20 个推荐类问题（“推荐几家做 X 的公司”“X 品类里有哪些选择”“A 和 B 哪个更适合［场景］”），每次复测记录四个字段：
| 字段 | 为什么要记 | 常见错法 |
|---|---|---|
| 名单构成 | 你和谁一起出现，决定你实际在和谁争 | 只看有没有自己 |
| 位次 | 推荐顺序反映共识强度与置信度 | “提到了”和“第一位”混为一谈 |
| 推荐理由 | AI 复述了哪条事实，就是它采信的可比要素 | 只看名字，不看理由 |
| 引擎 + 模型版本 | 推荐率波动大多来自模型换代，不标版本无法归因 | 只写“ChatGPT” |
两个边界要提前接受：一是 Google 已于 2026 年 8 月 31 日向全球开放 Search Console 的生成式 AI 性能报告，但它只给曝光、不给点击，拿它当推荐报表看一定会误判（口径与边界）；二是“被推荐了但官网没被引用”属于正常现象——推荐是品牌级计算，引用是页面级证据，两者本来就不必同时出现（幽灵引用与品牌落差）。
真正需要警惕的是模型换代噪声：AI Mode 的底层模型已进入三周一换的节奏，不记录版本，你会把换代当成事故处理（观测方法）。
八、30 天行动清单
今天做
- 抓 5 个真实客户会问的推荐类问题，在 ChatGPT、AI Mode、Perplexity 各测一遍，记录名单构成、位次与推荐理由
- 用一句话写下你的品类归属（给谁、提供什么品类、什么角色），核对它是否短到可以被原样复述
本周做
- 逐个查名单里出现的竞品：AI 复述了它们的哪条事实（价格？规格？场景？交付？）——那就是你缺的可比要素
- 挑 3 个高价值页面，把“专业 / 领先 / 一站式”类形容词替换成可比数字与边界条件
- 数过去 90 天第三方提到你品牌的次数（是提及，不是外链），按渠道分类，并核对说法是否一致
本月做
- 建立推荐率基线：固定 10–20 个推荐类问题，按上面四个字段复测一次并标注模型版本
- 把品类归属句与 2–3 条核心可比事实做成“对外统一表述”，分发到三类第三方渠道
- 给核心产品页与服务页补上“不适用场景”与量化边界，让对比成为可能
- 一个月后复测：先比模型版本，再比名单构成变化；没有变化就先查模型换代，再谈内容问题
结语：名单是在官网之外决定的
品牌如何被 AI 搜索推荐？三件事按顺序做：先让自己在品类问题里被想起，再把自己变成一个能被摆上对比台的对象，最后让第三方用同一套说法替你说。
这里面最反直觉的一条是：最容易做的事——把官网写得更自夸——恰好是效果最差的投资。 AI 拿你的自夸当信息源，然后照常把竞对放进推荐位。而做对这件事的回报不在“被提到”本身：AI 推荐访客的转化率是传统自然流量的 4.4 倍（数据出处）——名单之争，本质是转化之争。
如果今天只做一件事，就去做第八节的第一步：花 30 分钟，读一次你自己的那份名单。
📩 需要帮助？GEO 咨询团队可以为你做什么
想进推荐名单，可以按这个顺序往下走：
第一步 · 先看现状 —— 用免费工具 30 秒检测你的网站是否具备 AI 搜索可见度基础（AI 爬虫访问、结构化数据、内容可读性三项）：GEO 诊断工具 →
第二步 · 再找人落地 —— 想先量清自己与竞品在 AI 推荐名单里的位置：品牌 AI 可见度诊断；确认方向后要持续把品类归属、可比事实与第三方共识做扎实：GEO 优化服务 →；需要一次性深度审计再定投入方向：GEO 审计与 AI 搜索诊断 →
本文为方法说明类内容。文中数据均来自站内已发布报道的公开来源（Semrush / Kevin Indig、Shero Commerce、Ten Speed / Peec AI、16.7 万次引用样本研究等），并已在对应位置给出内链；文中“对企业的翻译”为方法论判断，不代表任何平台官方口径。AI 搜索产品的机制与命名变化较快，本文结论截至 2026 年 9 月。