团队常把社交倾听习惯带进 AI 搜索：追逐正负情绪，为正面高兴，为负面紧张，却忽略真正影响偏好的那句话。
在回答系统中，情绪更接近候选名单里的描述方式。“强大但昂贵”可能直接影响购买判断，不能仅按一个正负分数理解。
测量什么，不测量什么？
| 应观察 | 不应作为主要依据 |
|---|---|
| 以实际提及为条件的情绪 | 一次带品牌词的赞美聊天 |
| 价格、复杂性、现代性、信任和风险标签 | 无标签的混合平均数 |
| 比较问题中的相对描述 | 没有出现基础的情绪 |
| 各引擎差异 | 忽略具体取舍词的单纯正负判断 |
| 描述是否帮助购买判断 | 通过改问题重新包装糟糕结果 |
建立描述标签表
先人工校准一周，例如：
- 高端、昂贵、实惠。
- 易用、复杂、仅适合大型企业。
- 创新、传统、稳妥。
- 可信、陌生、有争议。
- 最适配、普通备选、有风险。
再把人工判断与同一问题集上的自动分析对照。标签应简短，八至十二个通常比词典式列表更可操作。
为每个标签保存回答原句、问题编号和同行集合。这既能培训新分析人员，也能防止事后为了美化结果重新贴标签。
问题类别影响含义
| 类别 | 描述通常反映什么 |
|---|---|
| 类别发现 | 类别刻板印象，如传统厂商或热门创业公司 |
| 比较 | 相对优势和限制，尤其留意转折措辞 |
| 推荐 | 未入选可能比轻微负面更重要 |
友好的类别描述，可能掩盖比较问题中的不利定位，所以应按类别汇报。
怎样避免误导管理层？
使用三层结构：
- **出现情况：**固定类别的提及率。
- **描述组成：**已提及回答中，各标签出现的比例。
- **偏好线索：**首次提及、推荐措辞和信任形容词。
不要把未提及的问题放入第二层平均数，也不要混合品牌词与无品牌提示问题。必须提供一个数字时，也要同时给出类别、同行和统计条件。
工作规则
- 固定问题，不因负面结果改措辞。
- 情绪变化同时核对引用和同行。
- 重复负面描述转成定价页、文档或评测证据任务。
- 必要时用 Brand Wiki 核对背景。
- 优先处理影响业务的描述，而非每个不够热情的段落。
- 修改交付两周后复测受影响类别。
怎样汇报？
较差说法：“情绪改善了。”
说明性示例：“18 个出现品牌的无品牌提示比较问题中，修正定价说明后，‘昂贵’描述由 11 次降为 4 次；实施类问题中，同行仍占据‘易部署’定位。”数字只用于演示写法。
进一步应写明已关闭任务、复测日期，以及下一项需要检查的描述。
常见失败
| 失败 | 误导原因 |
|---|---|
| 只问品牌好不好 | 与真实类别需求不同 |
| 只看最友好的模型 | 可能忽略买家实际使用的助手 |
| 用活动替代修复 | 活动视频不能自动修好仍被引用的旧定价页 |
| 没有描述负责人 | 图表变成展示品 |
常见问题
谁负责汇报和修复？
AEO 负责人校准标签并汇报，各类事实负责人交付对应材料修正。
怎样加入每周节奏？
诊断环节一次选一个类别、一项变化和一个任务，交付后复测，不能靠修改问题重贴标签。
应拒绝哪种单一分数？
混合品牌词与无品牌提示、或把未提及问题纳入平均的分数。应附统计背景，否则不宜使用。
最容易怎样自我欺骗？
问“这个品牌是不是很棒”来追逐赞美，却忽略真实类别问题中仍被描述为昂贵、老旧或完全缺席。
让描述分析回到证据
固定问题、校准标签，再修正影响描述的资料。Brand Wiki是参考记录，情绪测量应由独立研究流程完成。