一、为什么品牌需要一个”AI推荐分数”
先想一个问题：你如何判断自己的品牌在AI搜索中做得好不好？
打开豆包问几个问题看看有没有被提到？让同事在DeepSeek搜一下品牌排名？这些零散的检查无法回答三个关键问题：
- 整体表现如何？ 在成千上万条AI对话中，品牌被推荐的程度究竟怎样？
- 和竞品差距多大？ 你在品类中处于什么位置？被谁压制？领先谁？
- 优化有没有效果？ 做了一堆GEO工作，到底有没有提升？提升了多少？
推荐指数就是为了回答这三个问题而设计的——用一个0-100的分数，把品牌在AI搜索中的综合竞争力量化出来。
二、推荐指数的计算逻辑
推荐指数不是一个单一维度，而是五项因子的加权综合得分：
推荐指数 = 品牌排名得分 × 60% + 提及词频得分 × 15% + 篇幅占比得分 × 15% + 域名匹配得分 × 5% + 引文频次得分 × 5%
每一项因子都不是随意设定的，而是对应品牌在AI回答中”被推荐”的不同维度。
因子一：品牌排名得分（权重60%）
这是决定推荐指数的最核心因子。
当AI回答用户问题并给出品牌推荐列表时（例如”推荐几款畅销的扫地机器人：A品牌、B品牌、C品牌…”），品牌在列表中的排列顺序直接决定了这一项的得分：
- 排第1名：100分
- 排第2名：90分
- 排第3名：80分
- …以此递减
- 排第10名：10分
- 排第11名及以后：0分
为什么这项权重最高（60%）？因为排名直接反映品牌在AI”心中的地位”——AI在生成回答时，会按照自己认为的相关性和可信度来排序推荐。排名越靠前，AI越认为你是这个问题的”最佳答案”。
因子二：提及词频得分（权重15%）
衡量品牌名称及其别名在AI回答中被提及的频次，上限10次，超过按10次计算，转化为百分制。
例如用户问”买投影仪需要注意什么”，AI回答中多次提到你的品牌并围绕它展开说明，这意味着品牌与品类建立了强关联。反之，如果品牌的提及次数远低于竞品，说明品牌在该品类的问题域中影响力不足。
因子三：篇幅占比得分（权重15%）
衡量品牌相关描述文字占AI回答全文的百分比。这个因子关注的不是”提没提到”，而是”说了多少”。
比如AI在对比推荐中给了A品牌一大段详细分析，给B品牌只提了一句话——即使两者都被提到了，A品牌的篇幅优势意味着更强的推荐强度。篇幅占比由大模型精确提取品牌相关描述后计算。
因子四：域名匹配得分（权重5%）
品牌内容是否出现在AI平台的搜索结果页面中（域名、标题或摘要任一匹配），存在即100分，不存在即0分。
这个因子虽然权重低，但它是一个”底线指标”——如果你的品牌在AI搜索结果中压根不存在，说明品牌的基础信源建设存在严重缺口。
因子五：引文频次得分（权重5%）
品牌在搜索结果中被引用的总次数，上限5次，超过按5次计算，转化为百分制。
引用频次高的品牌，意味着其内容在多个权威来源中被提及、被认可，AI更倾向于将其作为可靠信源。
三、不同分数段的竞争含义
推荐指数不只是”一个分数”，它是品牌AI竞争状态的直观标尺：
| 分数段 | 竞争状态 | 典型特征 | 优化重点 |
|---|---|---|---|
| 80-100 | 品类领导者 | 在多数品类问题中被优先推荐，品牌排名稳定在前3，内容份额高 | 维持优势，防范竞品突破，扩展新场景覆盖 |
| 60-79 | 有力竞争者 | 推荐频率较高但排名不稳定，部分场景可见度高，部分场景不可见 | 补齐弱势场景，提升信源质量，冲击首位展示率 |
| 40-59 | 被动参与者 | 偶尔被提及，但描述不准确或排名靠后，近半数场景不可见 | 系统性建设信源矩阵和语义矩阵，先解决”可见”再追求”优先” |
| 20-39 | AI隐形品牌 | 极少数场景可见，几乎从未被优先推荐，品牌信息碎片化 | 从零开始做信源建设和语义结构化，建立基础监测能力 |
| 0-19 | 未被AI感知 | 主流AI平台几乎无品牌信息，用户在AI中搜索品类时完全看不到该品牌 | 紧急建设官网内容、权威媒体覆盖、结构化FAQ |
四、推荐指数如何指导优化决策
推荐指数不只是一个”成绩单”，它是一套诊断工具。通过拆解五项因子的单项得分，可以精准定位优化方向：
场景一：推荐指数低，排名得分也低
问题诊断：品牌基础可见度不足，AI在回答品类问题时”搜不到”品牌。
优化方向：优先做信源矩阵建设——确保品牌官网、权威媒体、垂直行业平台、问答社区等多渠道均有高质量内容覆盖。信源覆盖度上来后，排名得分自然上升。
场景二：推荐指数尚可，但提及词频和篇幅占比远低于竞品
问题诊断：品牌被提到了，但AI对品牌的”重视程度”不够——可能只是简单提到名字，没有展开描述。
优化方向：重点做语义矩阵优化——不只是让品牌”被提到”，而是让AI在提到品牌时”有话可讲”。需要提供更丰富的品牌故事、产品参数、用户评价等结构化内容素材。
场景三：域名匹配得分持续为0
问题诊断：品牌在AI平台的搜索结果中找不到对应的信源页面，说明内容分发渠道存在堵塞。
优化方向：检查品牌内容的分发渠道是否覆盖了AI模型采信的域名范围，优化内容在目标平台上的可检索性。
场景四：推荐指数波动大，不同平台差异明显
问题诊断：品牌在不同AI平台上的表现不均衡，说明优化的平台覆盖度不足。
优化方向：针对表现弱的平台做定向优化——不同AI平台的采信机制有差异，不能”一套内容打天下”。
五、推荐指数与其他GEO指标的关系
推荐指数是一个综合结果指标，它反映的是品牌的最终表现。但要理解”为什么会是这个分数”，还需要配合其他指标做交叉分析：
| 配套指标 | 与推荐指数的关系 |
|---|---|
| 可见度 | 可见度是推荐指数的前提——品牌首先需要”被AI看到”，才有可能被推荐 |
| 首位展示率 | 高推荐指数的品牌通常有较高的首位展示率，”默认答案”能力驱动排名得分 |
| 内容份额 | 内容份额直接影响提及词频和篇幅占比两个因子的得分 |
| 信源质量 | 信源质量（内容使用率/采纳率/引用率）是排名得分的底层驱动 |
| 情感倾向 | AI对品牌的情感态度会影响推荐的积极程度，间接影响推荐指数 |
| 时效与衰减度 | 即使当前推荐指数高，如果内容老化也会导致指数持续下降 |
六、品牌如何开始追踪自己的推荐指数
对于还没有系统化GEO监测体系的品牌，建议按以下步骤起步：
第一步：锚定核心品类关键词。 明确品牌最关心的品类问题是什么——你的目标客户会用AI搜索哪些问题来找你这类产品/服务？通常覆盖品牌词、产品词、场景词、痛点词、需求词、行为词六个维度。
第二步：在主流AI平台上进行基线测试。 在豆包AI、DeepSeek、百度AI、腾讯元宝、通义千问中逐一测试核心问题，记录品牌是否出现、排名第几、占据多大篇幅。
第三步：计算基线推荐指数并找差距。 基于排名位置、提及频次、篇幅占比等信息，估算当前的推荐指数水平，并与品类头部品牌对比。
第四步：建立持续监测机制。 手动抽查无法反映全貌。AI平台的搜索行为每天在变化，品牌需要持续监测来追踪推荐指数的变化趋势，而非只看一两次的静态结果。
推荐指数是 Laver AI 自研MDOVR监测体系的核心指标之一，由品牌排名得分（60%）、提及词频（15%）、篇幅占比（15%）、域名匹配（5%）、引文频次（5%）五项因子加权计算。Laver AI 日处理超1000万条AI对话，基于800+客户验证，帮助品牌实现推荐指数的系统追踪与持续提升，品牌AI推荐率平均提升156%。