自研拆解：A-F 六类 32 子类信源编码，如何把 2153 次 AI 引用变成可复现的数据

GEO 检测的核心难点只有一个：信源数据能不能复现。

我们见过太多案例——同一家企业，A 机构说"权威媒体占比高，继续投媒体"，B 机构说"社交内容不足，赶紧补小红书"，结论互相打架。原因在于：各自的信源分类粒度不同，权重口径不同，谁都无法复核。

睿贤 Agentic GEO 3.0 的解法是：做一套可复现的信源编码体系，让每一次检测都能逐题回查。本文拆解这套自研系统的技术设计与实测结果。

一、设计目标：三个"可"

- 可分类：任何一条 AI 引用，都能唯一归入一个类目，不重叠、不遗漏；

- 可量化：只统计实测次数，不做人工打分，不掺主观权重；

- 可溯源：每个数字都能回查到具体题目、具体回答、具体链接。

二、编码设计：A-F 六类 32 子类

第一层，按信源性质分六大类：

第二层，在六大类下细分到 32 个子类。为什么必须到子类？以 B 类为例：实测中，B3 行业垂直媒体单类占比 18.23%，而 B5 财经券商研报只有 4.93%——如果只统计到"权威媒体"大类，两者的差距就被抹平了，优化方向也随之失真。

编码规则上坚持三条：一条引用只归一个类（去重归并）、无法确定子类时归大类兜底、所有归并动作留痕可查。

三、实测过程：6 平台 200 题 2153 次引用

我们以"企业判定档案 + 零品牌名模拟客户问法"驱动实测：不带品牌名的真实采购问题喂入 6 个 AI 平台（豆包、通义千问、腾讯元宝、文心一言、智谱清言、DeepSeek），共 200 题，逐题独立干净会话作答，抓取全部引用源——合计 2153 次引用。

关键原则：不做打分。 引用次数是多少就是多少，推荐提及多少次就记多少次。所有原始值进入自研信源权重分析引擎，完成"解析 → 归并 → 量化 → 归因"四步处理，输出结构化结果。

四、实测结果：引用结构里的三个发现

发现一：权威媒体合计权重过半。

B 类（权威媒体）合计超过 40%，加上 A1 官网类，"权威 + 自有"是 AI 推荐 B 端企业的主信源结构。

发现二：每个 AI 平台的引用偏好完全不同。

- 文心一言：百家号占 33%；

- 豆包：凤凰系占 22%；

- 腾讯元宝：中国经营报占 13.7%；

- 智谱清言：搜狐占 14.6%；

- 通义千问：知乎专栏占 8%；

- DeepSeek：蓝色光标官网占 10.5%。

不存在"一篇内容通吃所有 AI"。 信源布局必须按平台做差异化——这正是编码体系落地价值最大的场景。

发现三：缺口诊断可以直接出行动清单。

给每个子类套四类缺口标签（有资产低命中/缺失资产/无资产纯第三方/事实背景），再和行业基准对比，得到可排序的缺口：例如某企业电商交易 C 类缺口 -17.89、社交内容 D 类 -9.01、知识聚合 F 类 -5.02、T0 自有官方信源完全缺失。先补哪类、投哪个平台、量化目标是什么，直接排成 P0-P3 行动清单。

五、工程实现：自研链路与低成本运行

这套体系不是手工整理，而是一条自研自动化链路：

- 信源权重分析引擎：解析 AI 返回内容中的引用链接，按编码规则归并量化，输出信源权重表；

- MCP 连接器：打通 AI 平台与检测系统的数据通道，支撑实测与智能体优化闭环；

- 报告生成器：客户端无关，换客户只改数据、零代码复算；

- 智能体自动优化：原始实测数据经 AI 智能体处理，自动生成优化行动清单，衔接内容生产与多平台分发。

整条链路基于零代码 AI 驱动开发（豆包工作 + 腾讯 WorkBuddy 技术栈）搭建——这也是成本能压下来的原因：自研系统的边际成本极低，检测费用可以做到单平台 20 元/次、6 平台标准检测约 120 元/次，会员 365 元/年（首次送 1000 积分），再叠加 WorkBuddy 与豆包工作的免费额度，让每个企业都做得起检测与优化。检测、优化、监测在一条全链路服务闭环上，不需要为每个环节单独付费。

结语

信源分析的价值，不在图表多好看，而在数据能不能复核、缺口能不能落地、成本能不能承受。A-F 六类 32 子类编码 + 实测原始值 + 自研自动化链路，是我们给这三个问题的答案，欢迎同行验证与对比。

本文实测数据均为睿贤 Agentic GEO 3.0 系统 2026-09 实测原始值（6 平台 200 题、2153 次引用），逐题可溯源；价格与权益以官方公布为准。