如何设计 12 个核心检测问题？按五类意图分组
问题集决定了后面所有数字的含义。同一个品牌，用 8 个宽泛问题和用 12 个带场景的问题，算出的提及率可能差一倍。设计原则只有一条：写客户真正会问的那句话。
12 个问题怎么分布
| 意图 | 要回答什么 | 建议题量 | 样例问法 |
|---|---|---|---|
| 认知 | 这类产品/服务是什么，怎么衡量 | 2 题 | GEO 和 SEO 有什么区别 |
| 选择 | 有哪些可选，谁值得考虑 | 3 题 | 国内有哪些 AI 品牌监测工具 |
| 证据 | 怎么验证、怎么算 | 2 题 | AI 提及率怎么算 |
| 风险 | 会不会不准、会不会有坑 | 2 题 | AI 每次回答不一样，检测结果准吗 |
| 行动 | 怎么查、多少钱、有没有免费 | 2 题 | 怎么查我的品牌有没有被 AI 提到 |
| 品牌基线 | AI 知不知道这个品牌 | 1 题 | XX 品牌怎么样 |
品牌基线题必须单独统计。它测得是「实体存在感」，与自然可见度不是一回事。
写问题时的四条硬规则
- 不加前缀、不加引导：问题要能直接发给 AI，不需要「请帮我分析」这类包装。
- 一题一问：把两个问题塞进一句，得到的回答无法归因到其中任何一个。
- 带场景但不带答案：「家装门窗品牌怎么选」可以，「家装门窗品牌哪家性价比最高」会诱导价格维度的回答。
- 品牌词题与非品牌词题分开编号，统计时分母不能混。
什么时候该扩题，什么时候不该改题
扩题：当某一类意图的回答几乎全是「无法判定」，说明这一类问题设计得太宽，需要拆细。
不该改题：一旦开始用这批问题采集，它就该冻结。改题等于换了一把尺子，新旧结果不能放在一起比较——要改就开新批次，并把旧批次单独标注。
题量为什么是 12 而不是 100
12 题 × 6 个平台 × 2 条入口 = 144 次采样，已经足够看出结构，也还在能读完的范围内。题量再往上，边际信息递减，人工复核的成本却线性上升。
样本量小于 30 条有效回答时，比率主要反映随机性。12 题起步的意义在于「能反复跑」，而不是「一次跑够」。
依据与出处
问题集不能从关键词表里长出来。这一点连做关键词工具的厂商自己也承认——Profound 在发布相关功能时写道：
Keyword-level analysis cannot fully capture what actually matters to your brand.
出处：Profound《Brand Relevant Prompts》（2026-01，境外厂商研究，仅作参考）
边界
- 本页给的是结构建议，不是标准答案。不同行业的客户问法差别很大，12 题只是一个起步规模。
- 问题集一旦用于采集就应当冻结；修改问题集会让新旧数据不可比，这一点没有例外。
常见追问
- 12 个问题够吗？
- 起步够。12 题覆盖五类意图，能在可接受的成本内看出结构。等你看懂第一轮数据、知道哪一类问题最有信息量之后，再按类别扩题，比一开始就堆到一百题更有效。
- 问题里要不要写自己的品牌名？
- 要有，但只能有一条，且必须单独统计。带品牌名的提问测的是「AI 认不认识你」，不带品牌名的提问测的是「AI 在解决这类问题时会不会想到你」，两者含义不同。
- 可以直接用竞品的关键词当问题吗？
- 不建议。关键词是搜索框里的短语，AI 回答面对的是一句完整的问题。把关键词原样发给 AI，得到的回答往往泛而无用。要把关键词还原成客户会问的那句话。
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。