AI回答里的信源归类怎么做到99.65%识别率——三段漏斗的实现与演进

睿贤Agentic GEO · 技术案例 · 2026-09-27

GEO检测的核心数据之一，是"AI回答时引用了哪些信源"。要把一次检测中成百上千条引用归类到官方权威、权威媒体、电商交易、社交内容、营销软文、知识聚合六大类，才能算出每个AI平台的采信结构。芜湖睿贤在打磨睿贤Agentic GEO 3.0的过程中，信源归类经历了三代方案。

第一代：人工字典，换行业即失效

最早的做法是维护一张域名到类别的映射字典，见一个记一个。行业集中时准确率尚可，一旦检测对象换行业，AI引用的一批新域名全部无法识别——实测某汽车行业批次，未识别占比达到21.34%。人工补字典等于追着数据跑，永远追不完。

第二代：AI归类，暴露静默失败问题

引入大模型判断域名类目后，准确率明显提升，但出现两个隐蔽问题：一是模型调用异常时，归类层会静默跳过，报告上看不出任何异常；二是模型输出超出预定义编码时，该条引用被静默计入未识别，没有人知道丢了多少。检测系统最怕的不是报错，而是"看起来正常"。

第三代：三段漏斗，两轮封顶，放弃可见

现行方案是一条三段漏斗：规则初筛（缓存与已知域名直接命中）→ AI精筛（只收高置信结果）→ 带语境复核（注入企业与行业背景再判一轮）。两轮筛不出就放弃，进入"待人工清单"——不参与占比统计，但数量与明细完全可见。

最近一次生产跑批中，573次信源引用的未识别占比为0.35%。关键设计不是追求100%自动归类，而是让每一次"放弃"都显式可见、可人工补录——数据可解释，比数字漂亮更重要。