品牌在豆包AI中的提及监测：从问题库至结果分析

佚名 2026-07-09 08:14:55

当AI开始替你回答用户问题，品牌方最该担心的不是“被提到”，而是“被怎么提到”。

一、为什么品牌需要关注AI回答

如果你负责品牌公关，可能会发现一个尴尬的事实：你精心维护的搜索引擎结果、官网文案、社媒内容，正在被AI“重新诠释”。

用户问豆包“推荐一款适合敏感肌的洗面奶”，AI可能推荐了你的竞品；问“XX品牌怎么样”，AI的回答可能综合了用户评价、新闻报道、产品参数，形成一种你完全无法控制的“品牌画像”。

这不是危言耸听。AI大模型正在成为新的信息入口，而品牌在这个入口中的“人设”，很大程度上取决于模型如何理解、归纳和呈现关于你的信息。

换句话说，品牌在AI时代的声誉管理，不是“我发了什么”，而是“AI说了什么”。

二、监测体系设计：从问题出发

我们为某美妆品牌设计了一套AI提及监测系统，核心思路不是爬取所有可能提到品牌的对话，而是从用户真实问题出发，反向构建监测矩阵。

1. 问题库构建四维度

我们将问题分为四个维度，每个维度设计50-100个具体问法：

维度	示例问题	监测目的
品牌认知	“XX品牌是什么档次”	品牌定位是否被准确传达
产品推荐	“敏感肌用什么洗面奶”	品牌是否进入推荐集合
对比评价	“XX和YY哪个好”	竞品对比中的优劣势
负面澄清	“XX品牌有致癌物吗”	风险问题的AI回应方式

关键设计原则：

问题要覆盖口语化表达（“咋样”“靠谱吗”“敢不敢买”）
包含带限定条件的问法（肤质、预算、年龄）
包含带情绪的问法（“踩雷了吗”“是不是智商税”）

问题库不是一次性建完的，它需要根据发现动态扩充——当你发现一个新的用户问法，就要立刻加入监测池。

2. 技术实现：自动化提问与采集

我们构建了一个轻量级的自动化采集系统：

┌─────────────┐     ┌─────────────┐     ┌─────────────┐
│  问题库      │────▶│  调度引擎    │────▶│  豆包API    │
│  (动态更新)  │     │  (定时/触发) │     │  (多轮对话)  │
└─────────────┘     └─────────────┘     └──────┬──────┘
                                               │
                    ┌─────────────┐             │
                    │  分析引擎    │◀────────────┘
                    │  (情感/对比) │
                    └──────┬──────┘
                           │
                    ┌──────▼──────┐
                    │  结果存储    │
                    │  + 日报生成  │
                    └─────────────┘

核心代码片段（基于豆包API调用）：

import volcengine_ml_platform as vmp
import pandas as pd
from datetime import datetime

class BrandMonitor:
    def __init__(self, api_key, brand_name):
        self.client = vmp.Client(api_key)
        self.brand = brand_name
        self.results = []
    
    def query_doubao(self, question, conversation_id=None):
        """向豆包发起提问并获取完整回答"""
        response = self.client.chat(
            model="doubao-pro",
            messages=[{"role": "user", "content": question}],
            temperature=0.1,  # 低温度保证可复现性
            conversation_id=conversation_id
        )
        return {
            'question': question,
            'answer': response.content,
            'timestamp': datetime.now(),
            'conversation_id': response.conversation_id
        }
    
    def run_monitor_cycle(self, question_bank):
        """执行一轮完整监测"""
        for category, questions in question_bank.items():
            for q in questions:
                result = self.query_doubao(q)
                result['category'] = category
                self.results.append(result)
        return pd.DataFrame(self.results)

工程要点：

使用低temperature（0.1-0.3）保证回答相对稳定
每次提问使用新的conversation_id，避免上下文污染
设置合理的请求间隔，尊重API限流
结果附带时间戳，支持趋势对比

三、分析维度：不只是“正面还是负面”

原始回答拿到后，真正的挑战才开始。我们设计了五层分析框架：

第一层：提及分析

品牌是否被提及？
在回答中的位置（首位、中段、末尾）？
是主动推荐还是被动提及？

第二层：情感极性

正面/中性/负面/混合
特别注意“虽然...但是...”这种转折结构
对负面表述进行细分：产品缺陷/服务问题/价值观争议

第三层：信息准确性

产品功效描述是否准确？
价格、成分等硬数据是否有误？
是否引用了过时信息？

第四层：对比态势

与竞品对比时的排序
推荐场景的独占性（“如果预算有限选XX”）
是否出现“替代建议”（“其实YY更好”）

第五层：变化追踪

同一问题本周 vs 上周回答差异
情感得分的波动趋势
新增/消失的关键描述词

def analyze_sentiment_with_aspects(text, brand_name):
    """基于方面的情感分析"""
    # 使用豆包自身进行结构化分析
    prompt = f"""
    分析以下AI回答中对品牌"{brand_name}"的提及情况，输出JSON：
    {{
        "mentioned": true/false,
        "mention_position": "开头/中段/结尾",
        "sentiment": "正面/中性/负面/混合",
        "key_descriptions": ["描述1", "描述2"],
        "competitor_comparison": "优于/持平/逊于/无对比",
        "factual_errors": ["错误1"] or [],
        "recommendation_type": "主动推荐/条件推荐/被动提及/未推荐"
    }}
    
    回答文本：{text}
    """
    response = client.chat(model="doubao-pro", 
                          messages=[{"role": "user", "content": prompt}])
    return json.loads(response.content)