大模型竞品怎么查：答案里谁被推荐，引用了谁

多数公司都有一份竞品名单。它通常来自销售遇到的对手、行业报告里的分类、或者老板心里的那几家。

而 AI 有另一份名单。

当用户问「预算 X、场景 Y，推荐哪家」的时候，AI 回答里和你并列出现的那几个名字，经常和你自己那份名单对不上。

对不上的那部分，才是这件事的价值所在。 它告诉你：在用户做决策的那个语境里，你实际在和谁竞争。

这篇文章讲怎么把这份名单查出来，以及查出来之后该看什么。

一、为什么两份名单会不一样

你的名单是按行业归类排的：同一个品类、同一个价位段、销售场上真碰过面的。

AI 的名单是按问题语境排的。同一个品牌，在不同问法下会和完全不同的一批对手并列：

```
「预算三千的扫地机器人推荐」 → 和同价位段并列
「养猫家庭适合什么扫地机」 → 和主打宠物毛发的并列，可能跨价位
「刚装修完，全屋清洁怎么配」 → 和洗地机、吸尘器并列，跨品类了
```

第三种最容易被忽略。 在用户的真实决策语境里，你的对手可能根本不是同品类的产品，而是另一种解决同一问题的方案。这种"跨品类竞争"在传统竞品分析里几乎看不到，但它在 AI 回答里天天发生。

二、查之前必须先解决一件事：问题选错了，名单就是错的

这一步决定后面全部，而且最容易做错。

我们用 1047 条真实 query 做过一次分区实测，按问题里是否含品牌名分区，测「跑偏率」——AI 回答偏离提问原意的比例：

```
空白区（问题里不含任何品牌名） 跑偏率 13.3%
含品牌名的三个区 跑偏率 5.4% ~ 6.6%
```

空白区的跑偏率是有品牌区的两倍多。 而查竞品最自然的问法恰恰是空白区的——「XX 品类哪个好」。

所以竞品名单要用两类问题交叉查，不能只用一类：

```
对比型（含品牌名，跑偏率低）
「A 和 B 哪个好」「A 的替代品有哪些」
→ 拿到的是「AI 认为和你可比的」
→ 噪声小，适合做基线

场景型（不含品牌名，跑偏率高但更接近真实）
「预算X、场景Y、要求Z，推荐哪家」
→ 拿到的是「用户决策时 AI 实际会推荐的」
→ 噪声大，★ 必须多问几遍才能用
```

两类的结果对不上是正常的，而且这个差值本身就是信息：对比型里出现、场景型里不出现的对手，说明它在用户真实决策场景里没有存在感。

三、三家引擎要分开查，名单不一样

这是很多人跳过的一步，跳过之后会得到一份混合了三种口径的名单。

五家国产引擎的语料来源结构完全不同：

```
豆包 引用的视频内容里，34% 全部来自抖音
元宝 引用明显达人化，达人内容占比 70%
千问 相反，权威信源占比 33%，是五家里最「认官方」的
```

含义很具体：在达人占比 70% 的元宝里"竞品"是谁，取决于哪些品牌被达人提得多；在权威信源占 33% 的千问里，取决于谁的官方信息更完整。 这可能是两份差别很大的名单。

所以：分引擎查，分引擎记，不要合并。 合并之后你会得到一份"平均竞品名单"，而这份名单在任何一家引擎里都不成立。

四、名单查出来之后，看四件事

拿到名单只是开始。真正有决策价值的是下面四项。

其一：谁在什么语境下出现

```
□ 这个对手是在所有问法里都出现，还是只在某一类场景里出现？
全场景出现 → 它是品类里的默认答案，硬碰成本高
单场景出现 → 它在某个细分场景上赢了，这个场景是可争的
```

单场景对手比全场景对手更值得研究，因为它的优势是具体的、可拆解的。

其二：AI 引用了谁的内容来说它

这一项的信息密度最高，也最少人做。

点开答案里每个引用角标，看这条推荐的依据来自哪儿：

```
来自它自己的官网 → 它的事实层做得扎实
来自第三方测评/媒体 → 它在做媒体投放或 PR
来自达人/自媒体内容 → 它在做内容种草
来自用户评价/问大家 → 它在做站内资产
```

这四种对应四套完全不同的打法，成本也完全不同。 知道对手的可见度是从哪来的，比知道它排第几有用得多。

其三：它被怎么描述，你被怎么描述

把两段描述并排放：

```
□ AI 给它的定语是什么？给你的定语是什么？
□ 它的参数被说对了吗？你的呢？
□ 在同一个回答里，谁的描述更具体、更像"推荐"，谁更像"顺带一提"？
```

被提到不等于被推荐。 一个在答案末尾被带一句的品牌，和一个被展开讲了三行的品牌，在"提及 +1"这个口径下完全一样。

还要注意反向的风险：负面内容的影响不是线性的——我们的行业观测里，负面内容对判断的影响倍数在汽车行业是 2.2 倍、餐饮 1.6 倍。

其四：有没有"空白结果"

```
□ 有多少条问题，AI 只推荐了品类、没点名任何品牌？
```

这一项经常被当成失败记录跳过，但它是好消息：说明这个语境里 AI 还没形成推荐习惯，位置还空着。空白率高的那些问题，是投入产出最好的起点。

五、一张可以直接填的表

```
问题类型 问法 引擎 并列出现的品牌 各自的引用源 描述差异
────────────────────────────────────────────────────────────────────────
对比型 「我们 和 ___ 哪个好」 豆包
对比型 「我们 的替代品有哪些」 千问
场景型 「预算__、__场景，推荐哪家」 豆包
场景型 （同上，问 3 遍） 千问
场景型 （换一个场景） 元宝
```

三条执行纪律：

```
□ 场景型问题必须问 3 遍以上 —— 跑偏率 13.3%，单次结果不能用
□ 每条都新开对话，不要在同一会话里连问 —— 会被前面的对话污染
□ 同一个账号、同一个入口（网页端和 APP 端不要混）
```

六、一个需要说清楚的边界

这份名单是"AI 认为的竞争关系"，不是"真实的市场竞争格局"。

两者经常重合，但不总是。AI 可能因为某个对手的内容更结构化、更容易被抽取，而在答案里高估它的分量——内容可见度和市场份额是两回事。

所以这份名单的正确用法是：

```
✓ 用来发现「我没注意到的对手」和「我以为的对手其实不在场」
✓ 用来分析「对手的可见度是怎么来的」
✗ 不要用来推断市场份额
✗ 不要用来做「我们排第几」的结论 —— 那是另一个指标
```

还有一条关于我们自己的：任何自动抽取"竞品"的工具（包括我们的）都可能把你自己的子品牌、产品线名称误识别成竞品。拿到名单先人工过一遍，把自家的名字挑出来——这是一个已知的、普遍存在的抽取噪声，不是某一家的问题。

附：数据出处

• 五区跑偏率 13.3% / 5.4%~6.6%：1047 条真实 query 分区实测。
• 分引擎信源结构、负面锚定倍数：2026 年 8 月五引擎信源观测，
  追踪 DeepSeek、文心、豆包、元宝、千问的网页端与移动端共 8 个入口，
  覆盖 22 个行业、2100 多个品牌，按占比口径。
• 第六节关于竞品抽取噪声的说明来自实际使用中的观察，未做量化统计。