推荐率怎么算？为什么必须同时看推荐覆盖率（2026）
推荐率回答的是：在能判断出态度的那些回答里，AI 有多大比例在建议选择你。判不出来的回答不进分母，同时用一个单独的「推荐覆盖率」把它占多少比例摆出来。只看推荐率、不看覆盖率，很容易被小样本骗。
推荐率的分母不是成功回答总数
推荐率 = 明确推荐的回答数 ÷ 推荐与否可判定的回答数 × 100%。
为什么不用成功回答总数做分母：一条回答可能只是复述问题、给出通用科普，或者提到多个品牌却不表态。这类回答既不能算「推荐」，也不能算「不推荐」。把它们塞进分母，等于把「判不出来」当成「不推荐」，会系统性压低推荐率。
什么算「可判定」，什么算「无法判定」
| 结果 | 典型表现 | 是否进分母 |
|---|---|---|
| 明确推荐 | 建议选择、列入推荐清单、给出「优先考虑」一类表述 | 进（分子与分母） |
| 明确不推荐 | 给出否定评价，或明确建议避开 | 进（只进分母） |
| 无法判定 | 只复述问题、只做科普、并列陈述不表态、找不到可回读的原话 | 不进 |
推荐覆盖率：把「判不出来」的量摆出来
推荐覆盖率 = 推荐与否可判定的回答数 ÷ 成功回答总数 × 100%。
它衡量的是判定链路的覆盖程度，不是效果。30% 的推荐率，背后可能是 80 条可判定样本，也可能只是 100 条里判出来的 30 条——后者说明判定本身出了问题，或者这批问题根本不涉及选择。
两个数一起读，有四种组合
| 组合 | 读法 | 下一步 |
|---|---|---|
| 推荐率高、覆盖率高 | 结论可靠：AI 在被问到时确实倾向于推荐你 | 保持复测节奏，观察跨平台差异 |
| 推荐率高、覆盖率低 | 样本太少，不要下结论 | 换更具体的比较型问题重测 |
| 推荐率低、覆盖率高 | 结论可靠：AI 知道你是谁，但不建议选你 | 补比较证据、参数对比、第三方评测 |
| 推荐率低、覆盖率低 | 判定链路或问题集有问题 | 先修问题集，再谈结论 |
依据与出处
推荐判定本质上是一次「模型判模型」：让一个模型去评另一个模型的输出。这不是本站独有的做法，而是行业普遍实现方式，值得在读任何一家的推荐率时知道：
LLM-as-a-judge Using one model to evaluate another model's output at scale. Most AI visibility and sentiment scoring is built this way, which is worth knowing when you read a vendor's sentiment number.
出处：Profound《AI Search Glossary》（境外厂商，仅作参考）
边界
- 推荐率不等于转化率。用户是否咨询、是否成交，取决于价格、渠道、销售等一堆变量，检测无法覆盖。
- 推荐判定是规则化的：它读的是回答里的表述，不是回答者的真实意图。判定规则调整时，历史数据不会自动重算成新口径——报告会标注它用的是哪一版规则。
常见追问
- 推荐率和提及率有什么区别？
- 提及率问的是「有没有说到你」，推荐率问的是「有没有建议选你」。一条回答可以提到你但不推荐你——比如把你和另外五家并列陈述，不带任何偏好。这两个比例经常相差很大，混在一起看会把「被提到」误读成「被推荐」。
- 为什么推荐覆盖率低的时候不能看推荐率？
- 因为分母太小。可判定回答只有 10 条时，推荐 3 条就是 30%，推荐 6 条就是 60%，一条回答的变动能让比率跳 10 个百分点。这种数字看起来精确，实际没有解释力。
- 「无法判定」会不会掩盖真实情况？
- 会，所以我们把它单独计数并公开。无法判定占比高，说明这批问题要么太宽泛，要么平台回答太含糊——这本身就是一条值得记录的发现，而不是需要藏起来的缺口。
这一页说明的是方法与口径，不构成效果承诺。需要看你自己的品牌在 AI 回答里的实际记录，可以注册后跑一次检测。