提及 vs 引用：大多数 GEO 仪表板搞错的语音份额分裂

我们在 AI 搜索的遥测数据里看到一种反复出现的形态：ChatGPT 回答一个类目问题，在第二段里点名你的品牌，然后在底部引用了四个 URL——没有一个是你的。普通读者会觉得这条回答"提到"了你，看起来像赢了。但底层在测引用图的分析层会告诉你：你在这条答案的来源层里隐身。

两种读法都没错。它们测的，是漏斗的不同段。

提及型 SoV 和引用型 SoV 不是同一个数字

GEO 这个品类起步的时候，几乎所有人都只汇报一个数字：提及型语音份额（mention-based SoV）。统计你的品牌名在一组提示词的回答正文里出现的次数，除以所有竞品在同样回答里的总提及次数，就是你的份额。它直觉、人类阅读时第一个会看的就是这个、所有 GEO 落地页头图展示的也是这个。

后来有几家平台——Conductor 是第一家把它做成 UI 一等公民的，Profound 把它当作旗舰分析——开始单独暴露另一个数字：引用型语音份额（citation-based SoV）。同一组提示词，但不统计正文提及，而是统计 LLM 链接到或基于其作答的URL，归一化到域名层级。所有被引用的来源里，有多少属于你 / 谈到了你，相对于竞品？

这两个数字分叉的频率比大多数人想象的更高，而分叉本身才是信号。

两种真实的分叉形态，以及它们各自的含义

正文提及强、引用弱。 LLM 在回答里自信地点名你，但底下的 URL 都属于竞品和第三方——它们顺带提到了你而已。几乎可以确定发生了什么：模型从训练数据里"记得"你——大概率是你曾经获得密集媒体报道、播客提及，或者 2024 年中那一波广泛覆盖的时期——但当下的检索层找不到一篇关于你的权威页面可以引用。你赢了过去，正在输掉现在。

修这个问题，方向不是再多刷一些品牌名露出（LLM 已经知道你存在了），而是：当模型为类目里的某条声明去找一个可引用的来源时，你的文档、产品更新日志、或者一条关于你的 Reddit 帖子要存在、要够新、要被检索出来。

正文提及弱、引用强。 镜像情况：你的 URL 出现在引用列表里（你的文档、博客、G2 资料页），但答案正文谈论的是竞品。背后是这样：模型把你当作真理来源——它会引用你的基准、你的定义、你的术语——但不会把你当作类目里的一个可命名选项推出来。你被当成了维基百科。你没有被当成供应商。

这里的修法也不同。品牌名缺席不是权威问题——你的内容已经够权威，足以被引用了。这是定位问题：在某个语料层面，你被归档成了"类目的中性参考"，而不是"对这个类目可购买的回答"。这是内容框架和类目语言问题，不是外链问题。

为什么大多数仪表板还是只展示其中一个

纯提及型 SoV 容易做。原始回答正文加一个正则、一份品牌同义词列表，就能算出来——不需要按 provider 做特化、不需要归一化层、不需要域名分组逻辑。建造成本低、阅读成本低，所以理所当然地上了仪表板。

引用型 SoV 难，因为每一家 LLM provider 把引用数据吐出来的方式都不同。Perplexity 给你一个干净的 citations 数组。Gemini 带 grounding 时返回 groundingChunks。OpenAI 的网页搜索工具在特定回答里返回 urls 字段。还有一些回答压根没有结构化引用，你得从 Markdown 里抠内联链接。然后你还得把 URL 归一化到域名、按类别分桶（Reddit、维基、对比站、自家域名），再判断每个域名"代表"哪个品牌。这是实打实的工程量，也正是为什么这个行业目前还分裂成"做到了"和"没做到"两阵营。

某些仪表板的妥协方案——开一个"Citations"标签页，列一堆原始 URL，但没有 SoV 视图——并不算是替代品。一条可滚动的链接列表不是一个指标。

怎么读这两个数字之间的差值

如果你的工具同时展示这两个数字，把它们之间的差值当成页面上最有意思的东西来读。

任何一个方向上 10 个点的差距都是策略信号。提及远高于引用？品牌认知在替你扛事、自有 / 赢得的来源层没在干活——去投资来源层。引用远高于提及？你的内容在干活，但模型没把你的名字和这个类目挂上钩——去投资类目语言、对比型内容和明确定位。

差距很小，意味着 AI 搜索里你的两层呈现大致同步：品牌在正文和来源两端都读出了一个一致的样子。这是无聊、健康的状态。

这在 SeenForAI 里的样子

这正是为什么我们在仪表板上把提及型 SoV 和引用型 SoV 并排展示，而不是合成一个混合分数。混合看起来更整洁，但会丢掉信号——两者之间的差值才是可执行策略所在的地方。

如果你现在用的 GEO 工具只展示一个数字，那不是「你看到的一半画面错了」。那是「你少看了半张画面」。值得查一下你少的是哪一半。