最近，绿雪智能科技旗下“AI心智指数”网站发布了《2026毕业旅行运动鞋品牌AI心智指数报告》。

这份报告基于6个主流AI平台，包括豆包、DeepSeek、通义千问、Kimi、文心一言、腾讯元宝，围绕“毕业旅行运动鞋”这一细分消费场景进行了3600次独立提问采集。每个平台600次采集，并在后续处理中进行有效样本识别和无效回答剔除，因此最终有效样本低于3600次。

从结果看，新百伦综合得分第一，耐克提及率最高，阿迪达斯位列第三，李宁、安踏进入前五，萨洛蒙、亚瑟士、Hoka One One、迈乐等功能型和户外型品牌也进入榜单。

如果只把它看成一份运动鞋品牌榜单，价值并不完整。

从技术角度看，这份报告真正有意思的地方在于：它展示了一种新的品牌评价方式——不是基于销量、搜索量、投票量或电商评论，而是基于生成式AI回答中的品牌呈现结果，对品牌在AI系统中的“被想起、被推荐、被解释”能力进行量化。

这背后涉及一整套技术问题：

• 如何设计覆盖真实用户意图的问题集？
• 如何在多个AI平台上稳定采集回答？
• 如何识别回答中的品牌实体？
• 如何区分“提及”和“推荐”？
• 如何处理品牌别名、英文名、中文名和同义表达？
• 如何计算提及率、推荐率和综合得分？
• 如何避免AI回答中的噪声、幻觉和无效样本影响结果？
• 如何把结果转化为品牌GEO优化建议？

本文尝试从技术视角拆解这份报告背后的方法论。

---

1. 这份报告本质上不是“鞋榜”，而是一个AI回答观测系统

传统品牌排行榜通常依赖几类数据：

类型	数据来源
销量榜	电商平台、渠道销售、企业披露
声量榜	社交媒体、搜索指数、媒体曝光
口碑榜	评论、评分、用户调研
影响力榜	品牌资产、广告投放、市场份额

而《2026毕业旅行运动鞋品牌AI心智指数报告》观察的是另一类数据：

生成式AI回答数据。

也就是说，它不是统计用户买了什么，也不是统计用户搜索了什么，而是统计：

当用户向AI提出真实消费问题时，AI回答里出现了哪些品牌？
哪些品牌只是被提到？
哪些品牌被AI明确推荐？
哪些品牌被AI放进具体场景中解释？

这类数据可以被理解为一种“AI输出层观测数据”。

在搜索时代，我们关心的是：

用户搜索关键词 -> 搜索引擎返回网页 -> 用户点击结果

在AI时代，链路变成：

用户提出场景化问题 -> AI生成综合答案 -> 用户参考AI建议

这意味着，品牌评价对象从“网页排名”变成了“答案位置”。

这就是AI心智指数的技术意义。

它观察的不是品牌在传统互联网里的位置，而是品牌在AI回答生成结果里的位置。

---

2. 问题集设计：为什么不能只问“运动鞋品牌排行榜”？

这类报告最关键的第一步，不是模型调用，而是问题集设计。

如果只问：

运动鞋品牌排行榜有哪些？

得到的结果会非常泛化，大概率会集中在耐克、阿迪达斯、彪马、New Balance、李宁、安踏等传统高认知品牌上。

但真实用户不会总是这样提问。

真实用户更可能问：

毕业旅行穿什么运动鞋比较舒服？
学生党毕业旅行买什么运动鞋合适？
去重庆旅行爬坡多，穿什么鞋不累？
准大学生暑假旅行，想买一双开学也能穿的运动鞋，怎么选？
女生毕业旅行想买舒适又百搭的运动鞋，有哪些品牌？
长时间走路不累的运动鞋品牌有哪些？
预算有限，国货运动鞋适合毕业旅行吗？

这类问题有几个特点：

第一，它不是关键词，而是场景。

第二，它包含人群约束，比如学生党、准大学生、女生、男生。

第三，它包含功能需求，比如舒适、耐走、防滑、缓震、百搭。

第四，它包含地点暗示，比如重庆、成都、西安、云南等毕业旅行常见目的地。

第五，它包含预算和后续使用场景，比如开学后还能穿、日常通勤也能用。

所以，在技术实现中，问题集不能只是简单关键词扩展，而要覆盖多个维度：

品类维度：运动鞋、旅行鞋、跑鞋、徒步鞋
人群维度：高考生、准大学生、学生党、女生、男生
场景维度：毕业旅行、城市漫游、轻户外、校园生活
功能维度：舒适、耐走、防滑、缓震、百搭
预算维度：平价、性价比、学生预算
地点维度：重庆、成都、西安、云南、长沙、青岛等

可以抽象成一个问题生成矩阵：

Question = 人群 + 场景 + 品类 + 功能需求 + 约束条件

示例：

准大学生 + 毕业旅行 + 运动鞋 + 长时间走路不累 + 学生预算

生成问题：

准大学生毕业旅行，预算有限，想买一双长时间走路不累的运动鞋，有哪些品牌可以参考？

这种问题集设计，比单纯问“品牌排行榜”更接近真实AI使用场景。

---

3. 多平台采集：为什么必须跨多个AI平台？

报告覆盖了6个AI平台：

• 豆包
• DeepSeek
• 通义千问
• Kimi
• 文心一言
• 腾讯元宝

每个平台600次独立提问，共3600次采集。

从技术角度看，多平台采集很重要，因为不同AI平台的回答存在差异：

差异类型	表现
训练语料差异	不同模型对品牌、产品、平台信息的熟悉程度不同
对齐策略差异	有的平台更谨慎，有的平台更愿意给明确推荐
回答风格差异	有的平台喜欢列清单，有的平台喜欢解释原则
中文品牌识别差异	对国货品牌、英文品牌、别名的识别能力不同
场景理解差异	对毕业旅行、学生党、轻户外等语义的理解不同

如果只采集一个平台，结果可能受单一模型偏好影响。

跨平台采集的意义在于降低单模型偏差，更接近“生成式AI生态中的整体表现”。

一个简化的采集流程可以表示为：

问题集生成
    ↓
按平台分发任务
    ↓
调用各AI平台
    ↓
保存原始回答
    ↓
清洗无效回答
    ↓
品牌实体识别
    ↓
推荐意图识别
    ↓
指标计算
    ↓
榜单输出

工程上，这类采集系统通常需要考虑：

• 并发控制
• 失败重试
• 请求限速
• 平台异常处理
• 原始回答留存
• 任务状态追踪
• 采集结果可复核
• 不同平台回答格式统一化

如果是生产系统，不建议只保存最终统计结果。更合理的是保存完整链路：

question_id
platform
prompt_text
raw_answer
normalized_answer
mentioned_brands
recommended_brands
is_valid
created_at

这样后续可以回溯每一个品牌为什么被计数。

---

4. 品牌实体识别：最容易被低估的技术难点

这类报告最大的技术难点之一，是品牌实体识别。

看起来只是统计品牌出现次数，但真实情况很复杂。

以新百伦为例，AI回答中可能出现：

新百伦
New Balance
NB
new balance
NewBalance

以 Hoka One One 为例，可能出现：

Hoka
HOKA
Hoka One One
霍卡
厚底跑鞋Hoka

以萨洛蒙为例，可能出现：

萨洛蒙
Salomon
所罗门
萨洛蒙户外鞋

如果不做实体归一，榜单会被拆散。

例如：

New Balance 800次
新百伦 600次
NB 183次

如果系统不合并，就会把同一个品牌算成多个品牌，导致排名失真。

所以，品牌实体识别至少需要三层处理：

4.1 品牌词典

建立标准品牌库：

{
  "brand_id": "new_balance",
  "canonical_name": "新百伦",
  "aliases": ["New Balance", "NB", "new balance", "NewBalance"]
}

4.2 模糊匹配

处理大小写、空格、标点、翻译差异。

def normalize_text(text: str) -> str:
    return (
        text.lower()
            .replace(" ", "")
            .replace("-", "")
            .replace("_", "")
    )

4.3 上下文消歧

有些缩写可能存在歧义。例如“NB”在中文语境里可能不是品牌，而是口语表达。因此不能只要出现“NB”就计入新百伦，需要结合上下文判断：

推荐NB的327、574系列

这种可以判定为品牌。

但如果出现：

这双鞋真的很NB

就不能算作品牌提及。

所以较稳妥的技术方案是：

词典匹配 + 正则规则 + LLM辅助校验 + 人工抽检

这也是品牌AI心智测评系统能否可信的关键。

---

5. “提及”和“推荐”不是一回事：推荐意图识别更难

报告中有两个关键指标：

• 提及率
• 推荐率

提及相对容易判断：

这类鞋可以看看耐克、阿迪达斯、新百伦、李宁、安踏。

这里多个品牌都被提及。

但推荐更复杂。

例如：

如果更看重舒适和百搭，新百伦会更适合毕业旅行。

这是推荐。

耐克和阿迪达斯知名度高，但有些鞋款长时间走路未必最舒服。

这里虽然提到了耐克和阿迪达斯，但不一定是正向推荐。

不建议只为了潮流选择厚重鞋款。

如果后文关联某品牌，还可能是负向判断。

所以推荐识别不能只看品牌是否出现，而要识别语义角色。

可以把品牌在回答中的状态分成几类：

状态	含义
mentioned	被提到
recommended	被明确推荐
compared	被比较
cautioned	被提醒谨慎
negative	被负面评价
neutral	中性出现

一个简化的推荐识别规则可以是：

品牌附近出现“推荐、适合、可以选择、优先考虑、值得看、比较合适”等动词或短语

但仅靠规则不够。

更稳妥的方法是让模型对每段回答做结构化抽取：

{
  "brands": [
    {
      "name": "新百伦",
      "mentioned": true,
      "recommended": true,
      "reason": "舒适、百搭、适合城市步行"
    },
    {
      "name": "耐克",
      "mentioned": true,
      "recommended": true,
      "reason": "款式多、年轻人熟悉"
    },
    {
      "name": "阿迪达斯",
      "mentioned": true,
      "recommended": false,
      "reason": "被作为知名品牌提及，但未明确推荐"
    }
  ]
}

当然，LLM抽取也会有误差，所以生产级系统一般要叠加校验：

规则初筛 -> LLM结构化抽取 -> 置信度判断 -> 异常样本抽检

推荐率的技术含义其实比提及率更深。

提及率回答的是：

AI知道谁？

推荐率回答的是：

AI认为谁适合这个问题？

这就是为什么报告中耐克提及率最高，但新百伦综合得分第一。

---

6. 指标建模：综合得分不应该只是简单平均

报告中使用了综合得分、提及率、推荐率、提及次数、推荐次数。

以公开数据看：

品牌	综合得分	提及率	推荐率
新百伦	81.59	88.26%	78.00%
耐克	78.59	91.36%	71.72%
阿迪达斯	74.20	89.42%	66.00%
李宁	63.67	63.18%	63.94%
安踏	59.67	60.72%	59.11%

从结果看，综合得分不是简单等同于提及率，也不是简单等同于推荐率，而是综合了多个维度。

在技术上，综合得分通常可以考虑以下因素：

综合得分 = f(提及率, 推荐率, 平台覆盖度, 问题覆盖度, 场景解释度, 稳定性)

一个简化模型可以写成：

score = w1 * mention_rate
      + w2 * recommend_rate
      + w3 * platform_coverage
      + w4 * scenario_coverage
      + w5 * explanation_quality

其中：

• mention_rate：品牌被AI想起的能力
• recommend_rate：品牌被AI推荐的能力
• platform_coverage：品牌是否只在某个平台强，还是多平台稳定
• scenario_coverage：品牌是否只在单一问题中出现，还是在多个场景中出现
• explanation_quality：AI是否能说清楚推荐理由

公开报告没有披露完整公式，因此不能反推具体权重。但从结果看，新百伦综合得分第一，说明推荐率和场景适配度在评估中具有较高权重。

这是合理的。

因为AI心智指数不是传统知名度指数。只被AI提到但不被推荐，说明品牌有认知，但不一定能转化成AI建议。

在AI问答场景中，“推荐”比“提及”更接近用户决策入口。

---

7. 为什么新百伦综合第一？从技术角度看，是“场景匹配分”更高

从结果看，耐克提及率最高，为91.36%；阿迪达斯提及率为89.42%；新百伦提及率为88.26%。

三者都很高。

但新百伦推荐率最高，为78.00%。

这说明在模型回答中，新百伦更容易从品牌候选集合进入建议集合。

从技术角度看，可以理解为：

品牌候选召回：耐克、阿迪达斯、新百伦都很强
场景推荐排序：新百伦在毕业旅行语境中更靠前

这很像搜索和推荐系统里的两阶段架构：

Recall 阶段：召回候选品牌
Ranking 阶段：根据场景进行排序

如果把AI回答看成一个隐式推荐系统：

• 提及率接近召回能力
• 推荐率接近排序后的输出能力
• 综合得分接近最终答案位置价值

新百伦的优势不是召回压倒性领先，而是在排序阶段更适合“毕业旅行运动鞋”这个query intent。

原因在于它的语义标签更贴合：

舒适
百搭
复古
城市步行
日常穿搭
学生可接受
旅行和校园都能用

这些标签和用户问题之间的相似度高。

如果用向量检索的语言解释，可以理解为：

embedding("毕业旅行 运动鞋 舒适 百搭 长时间走路 学生")

与新百伦相关内容的语义距离，可能比与纯竞技、专业运动、潮流篮球等内容更近。

当然，真实AI模型不是简单向量匹配，但这个类比有助于理解：

AI推荐品牌时，本质上会受到品牌公开内容、语义标签、场景关联和回答模板的共同影响。

---

8. 国货品牌进入前五：说明AI推荐不是单纯“国际品牌优先”

李宁和安踏进入前五，是这份报告中比较积极的技术信号。

这说明在“学生党、准大学生、预算、国货、校园运动”等问题中，AI会形成国产品牌候选集。

从AI系统角度看，品牌能否进入回答，取决于多个因素：

品牌知名度
公开内容规模
场景内容丰富度
语义标签清晰度
用户问题匹配度
模型对该品牌的知识稳定性

李宁、安踏的优势在于，它们具备比较清晰的AI标签：

国货
性价比
学生党
运动基础款
校园生活
日常运动
年轻人

这些标签刚好匹配毕业旅行运动鞋问题中的部分高频约束。

这说明一个重要现象：

AI不一定只推荐最大牌，而是会在具体约束下推荐更适配的品牌。

对国产品牌来说，这提供了GEO优化机会。

不要只做宏大品牌叙事，也要做足够细的场景内容：

适合准大学生的运动鞋
适合毕业旅行的国产运动鞋
学生党平价运动鞋
长时间步行不累的国货运动鞋
大学校园日常穿搭运动鞋
城市旅行运动鞋选择指南

这些内容越清晰，AI越容易在相关问题中建立品牌和场景的连接。

---

9. 功能型品牌上榜：说明AI正在识别“长走场景”

萨洛蒙、亚瑟士、Hoka One One、迈乐上榜，也是一个值得技术分析的现象。

它说明AI并没有把“毕业旅行运动鞋”简单理解为“运动鞋品牌”，而是进一步识别了场景背后的功能需求：

长时间步行
缓震
支撑
防滑
轻户外
徒步
城市漫游
旅行舒适度

这类需求会把AI的推荐空间从传统运动品牌扩展到功能型品牌、户外品牌和跑鞋品牌。

这体现了AI问答和传统搜索的差异。

传统搜索中，用户如果搜索“运动鞋品牌”，结果会偏品类通用。

但在AI问答中，只要用户问题包含“毕业旅行”“走路不累”“重庆爬坡”“云南旅行”等场景信息，AI就可能进行隐式需求解析。

可以抽象为：

用户问题：毕业旅行穿什么运动鞋？
隐含需求：长时间步行 + 舒适 + 百搭 + 学生预算
候选品牌：运动品牌 + 跑鞋品牌 + 户外品牌 + 国货品牌

这对功能型品牌非常有利。

过去它们可能主要在专业圈层中被讨论；现在，通过AI场景理解，它们有机会进入更大众的问题答案中。

---

10. 从SEO到GEO：品牌内容正在进入机器可理解时代

这份报告背后最值得技术人关注的，是GEO。

SEO关注的是：

网页能不能被搜索引擎收录、排名和点击

GEO关注的是：

品牌能不能被生成式AI理解、引用、提及和推荐

二者底层目标不同。

SEO时代，页面优化经常关注：

• 标题
• 关键词
• 外链
• 页面结构
• 收录
• 点击率
• 排名

GEO时代，品牌更需要关注：

• 实体识别是否清晰
• 品牌别名是否统一
• 场景内容是否具体
• 产品优势是否可解释
• 权威信息源是否完整
• AI是否能稳定抽取品牌价值
• 品牌是否与真实用户问题建立连接

技术上，可以把GEO拆成四层：

Entity Layer：品牌实体层
Content Layer：内容语义层
Scenario Layer：场景匹配层
Answer Layer：AI回答呈现层

对应到品牌建设：

技术层	品牌侧任务
Entity Layer	统一品牌名称、别名、官网、百科、产品线
Content Layer	建立清晰、稳定、可机器理解的内容
Scenario Layer	覆盖真实用户问题和具体生活场景
Answer Layer	监测AI是否提及、推荐、解释品牌

AI心智指数的价值，就在于它不是只看内容有没有发布，而是直接观察最终AI回答。

这比传统SEO监控更靠近用户接触点。

---

11. 一个可参考的AI品牌心智分析架构

如果要从工程角度搭建类似系统，可以分成八个模块。

11.1 品类与场景配置模块

{
  "category": "毕业旅行运动鞋",
  "target_audience": ["高考生", "准大学生", "学生党"],
  "scenarios": ["毕业旅行", "城市漫游", "轻户外", "校园生活"],
  "requirements": ["舒适", "长时间步行", "百搭", "平价", "国货"]
}

11.2 问题生成模块

根据品类、场景、人群和功能需求组合问题。

audiences = ["高考生", "准大学生", "学生党"]
scenarios = ["毕业旅行", "暑假旅行", "城市旅行"]
requirements = ["长时间走路不累", "舒适百搭", "预算有限"]

questions = []

for a in audiences:
    for s in scenarios:
        for r in requirements:
            questions.append(f"{a}{s}想买一双{r}的运动鞋，有哪些品牌可以参考？")

11.3 多平台调用模块

platforms = [doubao, deepseek, qwen, kimi, wenxin, yuanbao]

每个平台独立采集，避免单模型偏差。

11.4 原始回答存储模块

CREATE TABLE ai_answers (
    id BIGINT PRIMARY KEY,
    platform VARCHAR(50),
    question_id BIGINT,
    question_text TEXT,
    raw_answer TEXT,
    is_valid BOOLEAN,
    created_at TIMESTAMP
);

11.5 品牌实体识别模块

CREATE TABLE brand_aliases (
    brand_id VARCHAR(100),
    canonical_name VARCHAR(100),
    alias VARCHAR(100)
);

11.6 推荐意图识别模块

抽取每个品牌在回答中的角色：

{
  "brand": "新百伦",
  "mentioned": true,
  "recommended": true,
  "sentiment": "positive",
  "reason": ["舒适", "百搭", "适合城市步行"]
}

11.7 指标计算模块

mention_rate = mention_count / valid_answer_count
recommend_rate = recommend_count / valid_answer_count

综合得分可以根据业务目标设定权重：

score = (
    0.35 * mention_rate
    + 0.45 * recommend_rate
    + 0.10 * platform_coverage
    + 0.10 * scenario_coverage
)

这里的公式只是示例，实际报告公式需以具体系统设定为准。

11.8 报告生成模块

输出：

• 综合榜
• 提及率榜
• 推荐率榜
• 平台差异
• 场景差异
• 品牌标签图谱
• GEO优化建议

---

12. 技术难点总结

这类AI心智指数系统，真正难的不是调用大模型，而是以下几个问题：

12.1 问题集是否足够真实

如果问题集设计不贴近真实用户，结果就会偏离实际使用场景。

12.2 品牌实体归一是否准确

同一品牌不同写法必须合并，否则排名会被拆散。

12.3 推荐意图识别是否可靠

提到品牌不等于推荐品牌。推荐率识别决定了报告解释力。

12.4 多平台差异是否被正确处理

不同AI平台回答风格不同，不能简单混合而不做平台维度分析。

12.5 无效样本是否剔除

拒答、泛化回答、无品牌回答、重复回答都需要处理。

12.6 指标是否可解释

综合得分不能只是黑箱分数，需要能解释为什么品牌排名靠前。

12.7 报告表达是否避免误导

AI心智指数不是销量榜、质量榜、消费推荐榜，必须明确边界。

这些难点决定了这类系统不只是“爬一批AI回答然后数品牌名”，而是一个涉及数据工程、NLP、实体识别、意图识别、指标建模和报告生成的完整链路。

---

13. 对开发者和品牌方的启发

对开发者来说，这份报告提供了一个很好的AI应用方向：

不要只做内容生成工具，要做AI输出观测系统。

现在很多AI产品还停留在“帮用户生成内容”的阶段，但更有长期价值的方向，是观测AI生态本身：

• AI如何回答行业问题？
• AI如何推荐品牌？
• AI如何理解产品？
• AI如何呈现企业？
• AI如何形成答案排序？
• AI对不同平台、不同问题、不同品牌是否存在差异？

这类系统未来会成为GEO基础设施。

对品牌方来说，这份报告也说明一个现实：

品牌不能只做广告声量，也不能只做传统SEO。

未来要持续监测：

AI知道我吗？
AI会在什么问题里提到我？
AI会不会推荐我？
AI推荐我的理由是否准确？
AI有没有把我和错误场景绑定？
竞品在AI回答里为什么更靠前？

这类问题会成为品牌数字化运营的新模块。

---

14. 结语：AI品牌排名的本质，是对“答案位置”的量化

《2026毕业旅行运动鞋品牌AI心智指数报告》的表面结果是：

新百伦综合得分第一，耐克提及率最高，阿迪达斯位列第三，李宁、安踏进入前五，萨洛蒙、亚瑟士、Hoka One One、迈乐代表功能型品牌进入AI推荐视野。

但从技术角度看，它真正揭示的是：

生成式AI正在成为新的信息分发层。

用户不再只是搜索关键词，而是提出完整问题。

AI不再只是返回网页，而是直接生成答案。

品牌不再只是争夺搜索排名，而是争夺AI回答里的答案位置。

这就是AI心智指数的技术价值。

它把一个看似抽象的问题量化了：

当用户向AI提出真实问题时，谁更容易成为答案？

在搜索时代，品牌需要关注SEO。

在推荐时代，品牌需要关注内容分发。

在生成式AI时代，品牌还需要关注GEO和AI心智。

毕业旅行运动鞋只是一个具体切口。

未来，这种方法可以扩展到手机、电脑、汽车、旅游城市、咖啡、茶饮、护肤、教育服务、企业软件、云服务、开发工具等更多领域。

对技术人来说，这是一类值得关注的新型数据产品。

对品牌来说，这是一块正在形成的新战场。

对用户来说，这意味着未来我们看到的AI答案，也会成为影响认知和选择的重要入口。