同一个问题，豆包和 DeepSeek 的答案为什么不一样？| 易杭

先还原一个场景。你听说客户现在都去问 AI 了，于是自己坐下来试：打开豆包，问「深圳做户外储能电源的厂家有哪些」；再打开 DeepSeek，问一字不差的话。

结果你发现：两边给出的名单，只有一部分重合。再翻到 ChatGPT 用英文问一遍，又是另外一批公司。

于是最直接的问题来了——到底该优化哪一个？

先给结论：不同 AI 的答案不一样，不是因为它们「各有偏好」，而是因为它们本来就没在同一个资料库里找东西。所以真正该问的不是「挑哪个引擎去讨好」，而是「哪些投入是所有引擎都认的」——那才是钱该花的地方。

边界也要说清楚：本文不列「每个 AI 分别偏爱哪些网站」的占比表。市面上流传的这类数字，绝大多数来自单次抓取或工具商自述，样本口径不一、时间点不同，本文不引用——用错了比不写更糟。本文只讲两件有据可查的事：答案为什么不同，以及哪些因素跨引擎一致。

一、AI 不是「知道」，是「现查」

很多老板对 AI 的想象是：它脑子里存了一个巨大的公司名单，谁有名就写谁。实际情况不是这样。

你在对话框里敲下问题的那个瞬间，AI 做的动作大致是四步：把问题拆成几个子查询 → 去检索索引里找一批页面 → 从这些页面里摘出可用的句子 → 用这些话拼成答案。

Google 官方文档把这个过程叫 query fan-out（查询扇出）——同一个问题会被拆成多个检索动作，分别去查不同的侧面。这个机制是公开的，不是行业猜测。

所以关键在于：AI 说出来的每一句，都是它「刚刚查到的」，不是它「一直记得的」。

这一步推到底，就解释了答案为什么会不一样：两个不同的 AI，背后接的索引、抓过的网站、排序的模型都不是同一套。你等于在两个不同的资料库里查同一个问题，结果当然对不上。

这也是为什么「我在网上发过文章了，为什么 AI 不提我」这类困惑大量存在——你发的地方，可能根本不在那个引擎的检索池里。

二、差得有多远？有实测，不是感受

这件事有研究测过，而且结论比多数人想的更极端。

一篇 SIGIR 2026 的论文用 Jaccard 重合度衡量不同引擎引用的来源重叠比例——测出来的值是 0.18。这个指标的意思是：如果两个引擎各自引用了 100 个来源，其中只有大约 18 个是双方都用的。

另一项研究（arXiv:2603.16138，题为 Answer Bubbles）用了 11000 个查询、横跨 4 个系统，得出的说法更直接：不同的 AI 系统之间，存在「结构性不同的信息现实」。

口径区分：这两项都是学术研究（前者为会议论文，后者为预印本），结论限定在它们各自的查询集与实验条件下，反映的是「引用来源的重合程度」，不是「某个引擎对某类网站的权重」。不能反推成「某引擎只用某几个网站」。

但即便只看方向，这个数字也足够让人重新算账：如果你只在一个引擎上做投入，它对你其他引擎表现的影响，可能远小于你的预期。

三、答案分家了，但有三件事是通的

看到这里，正常的反应是「那就五个引擎各做一遍」——但这里有个更重要的发现，方向和上一节正好相反。

虽然各引擎引用的来源重合度很低，但学界和业界在测「什么因素让内容更容易被引用」时，反复测出同一批答案。挑三条最硬的：

• 第三方引用。一份对 100 位营销人的访谈研究（NP Digital，2026 年 6 月）给出了一个结论：第三方引用是唯一在全部六个平台上都保持一致的信号，评分在 4.5 到 4.8 之间。换句话说，引擎的偏好各不一样，但「别人提到你」这件事，所有引擎都认。
• 主题相关性 + 上下文位置。一项 25.2 万次受控实验（六个模型、18 类因素，每次只改一个变量）的结论是：决定一段内容会不会被引用的，最关键是它跟问题的相关程度，以及它出现在页面的什么位置。这个实验特意把品牌名全部匿名，就是为了排除知名度干扰。
• 第三方页面的存在量。一份行业研究（AirOps《State of AI Search》2026）统计：AI 答案里约 85% 的品牌提及来自第三方页面，而非企业自家官网。

口径区分：以上三项都来自有商业动机的机构或厂商自述研究（工具商、行业媒体），属观察性统计，未经独立复核，不能推导因果关系；25.2 万次实验那项是受控实验，但结论是受控条件下的相对偏好，不是效果承诺。

把第二、第三节放在一起，能得出一个与直觉相反的判断：

引擎之间的差异，是「信息来源」的差异；引擎之间的共性，是「什么内容值得被引用」的共性。

前者你控制不了，后者你能控制。这就决定了钱该怎么分。

四、所以策略不是「选一个引擎」，是「两层投入」

基于上面这个判断，GEO 的投入可以拆成两层。这两层的性质完全不同，混在一起做，就是最常见的浪费。

第一层：地基——跨引擎共享，做一次，处处受益

这一层是「什么内容值得被引用」，所有引擎都认。四件事：

1. 事实一致。公司名（含英文名）、成立时间、地址、电话、主营业务，全网一个版本。不一致本身就是扣分项——AI 交叉核对时会同时降低对两边的采信度。
2. 真的回答问题。先列你客户最常问的 20 个问题，逐条检查官网能不能正面回答。这一步比多写 100 篇泛泛的行业文章有用。
3. 内容能被摘取。一段话讲清一个点，配小标题；概念先定义再用。注意「结构」是信息怎么组织，不是字号颜色——这两件事经常被混为一谈。
4. 在第三方那里存在。行业媒体、B2B 平台、社区、视频、百科——别人提到你的地方，是 85% 品牌提及的来源。

这四件事做完，无论客户去问豆包、DeepSeek 还是 ChatGPT，你都多了一分被找到的机会。而且它们不会因为某个引擎改算法就失效。

第二层：布点——引擎分歧的部分，靠「信源类型」覆盖，不靠「猜引擎」

这一层要说清一个反直觉的做法：不要按引擎布点，要按信源类型布点。

原因很简单——你猜不准。各家 AI 的信源构成会随版本、随地区、随时间变化，任何一份「某引擎偏爱某某网站」的清单，几个月后都可能失效。你照着清单去投，等于把预算押在一个会变的规则上。

但信源类型是稳定的：官网、百科类、行业媒体、内容社区、短视频、B2B 平台店铺、开发者/技术社区——这几个池子十年没大变。引擎会换，池子不会消失。

所以第二层的正确动作是：看你客户会去哪些地方了解供应商，就让自己出现在哪些地方。覆盖的池子越多，被任何一个引擎检索到的概率越高。这也解释了为什么只做一个渠道，长期一定吃亏——不是因为那个渠道没用，而是因为它只覆盖了一个池子。

五、三个常见问题

1. 我们只做国内市场，还用管 ChatGPT 吗？

看你的客户在哪，不看引擎的名气。如果客户全在国内、全程用中文决策，重点确实在中文引擎。但有一类情况要注意：做外贸或准备出海的企业，海外买家在正式询盘前，很可能已经用英文问过一轮了——这时英文内容缺失，丢的不是「排名」，是整个前期调研阶段的曝光。判断方法很简单：问三个老客户，他们在联系你之前查过什么。

2. 不同引擎答案都不一样，我的「排名」怎么衡量？

别用排名，用出现率。AI 答案不是列表，没有稳定的第 1 名第 2 名，而且同一个问题问两次结果都可能变。可操作的做法是：固定一份 10 到 20 条的问句清单（就是客户真会问的那几句），每两周在各引擎各问一遍，记录三件事——有没有出现你、说的是不是对的、出现了哪些竞品。连续记三个月，你得到的趋势比任何「排名截图」都有用。

3. 现在哪个引擎用户最多，是不是先做那个？

用户总量和你的客户是不是同一批人，是两件事。B2B 采购的行为和普通消费者差别很大：他们的问题更长、更具体、更倾向在专业渠道求证。与其看总用户数，不如看「你的客户里，有多少人真的在用那个工具」——这个数字问五个客户就能估出来，比任何行业报告都准。

六、写在最后

把这件事收一下：「该优化哪个 AI」这个问法本身，可能就问错了。

引擎之间的差异，主要来自信息源；引擎之间的共性，来自内容本身值不值得被引用。前者你猜不准也控制不了，后者你能控制、而且做一次处处受益。

所以更实际的顺序是：先打地基，再铺池子。地基没打好就急着研究「某引擎喜欢什么」，等于房子没盖先刷墙。

你可以先做一件小事：挑三个你客户最常问的问题，分别去豆包和 DeepSeek 各问一遍，把两边的答案并排放。你会同时看到两件事——哪些公司稳定出现（那是地基打好的），哪些只是某一个引擎里有（那是池子覆盖的差异）。这一张对照表，比任何方案都更能说明你现在缺什么。

深圳易杭此前从事跨境 B2B 与阿里国际站相关服务，2024 年起拓展 GEO 方向。我们做诊断时的顺序也是先地基、后布点：先看品牌信息是否一致、内容是否真的回答了客户的问题，再看各引擎的覆盖情况。

数据与效果边界：本文引用的引用重合度（SIGIR 2026 论文，Jaccard 0.18）、Answer Bubbles 研究（arXiv:2603.16138，预印本，未经同行评审）均为学术研究，结论限定于其各自的查询集与实验条件；NP Digital 的六平台信号对照（2026 年 6 月，样本 100 位营销人）、AirOps《State of AI Search》2026 的第三方页面提及占比，均来自有商业动机的机构自行发布的研究，属观察性数据，未经独立验证，不可推导因果关系；25.2 万次受控实验（SIGIR 2026 接收论文《What Gets Cited》）的结论为受控条件下 AI 对候选内容的相对偏好，不代表真实市场表现。以上均不代表具体企业的效果。所述方法的作用是提高被检索与被引用的概率，不保证企业一定出现在任何 AI 答案中，也不承诺见效周期与业务结果。

参考资料

1. SIGIR 2026 论文：不同生成式搜索引擎的引用来源重合度（Jaccard 0.18）
2. arXiv:2603.16138《Answer Bubbles》，11000 个查询 × 4 个系统（预印本，未经同行评审）
3. NP Digital：《营销人对 AI 搜索信号的评估》，2026 年 6 月，访谈 100 位营销人
4. AirOps：《State of AI Search》2026（第三方页面品牌提及占比、社区平台引用占比）
5. SIGIR 2026（接收）：《What Gets Cited》，25.2 万次受控实验，6 个模型 × 18 类因素
6. Google Search Central：《AI features and your website》（query fan-out 机制说明）