被提及、被引用、被推荐：AI 的三道门槛

拿到一份"AI 可见度报告"，先别急着高兴或沮丧——"被提及"和"被引用"是两回事，"被引用"和"被推荐"又是两回事。把三个层级混在一起谈，是 GEO 效果评估里最常见的误区。这篇文章把三道门槛拆开讲。

被提及、被引用、被推荐，差别在哪？

• 被提及（Mention）：回答文字里出现了你的品牌名。可能只是众多选项中的一个，没有来源标注，语气中性甚至只是列举。
• 被引用（Citation）：回答把你的内容当作依据，附上了来源标注或链接，用户能顺着找到你。
• 被推荐（Recommendation）：AI 在观点上向你倾斜——"如果预算有限，建议优先考虑某品牌"，甚至给出选择理由。

用同一类句式体会三者的差异：提及是"不少团队也在用 XX 这类工具"；引用是"根据 XX 官网定价页，标准版为每人每年 480 元"，并附来源；推荐是"如果预算有限，建议优先考虑 XX，它对 50 人以下团队有免费版"。推荐句式里通常带条件判断与理由，这是模型在替用户做权衡的信号，也是三种状态里最接近转化的一种。

层级	用户感知	对 AI 的要求	优化难度
被提及	知道有你	全网存在共识性信息	低
被引用	能溯源到你	内容被检索且被采信	中
被推荐	按回答行动	综合信任、口碑与场景匹配	高

三层级的价值并不均匀：被引用带来可溯源的品牌资产，被推荐直接影响购买决策。GEO 的进阶路线，本质上是沿着这三道门槛往上走。一个常见的错配，是把预算全押在冲推荐上，而监测显示连引用都不稳定——资源应该沿着"把提及做稳、把引用做实"的顺序逐层上移，跳层投入是最常见的浪费。

为什么 AI 提到了品牌却不给引用？

四个常见原因：

1. 这次回答压根没走检索通道。简单事实性问题，模型用"出厂记忆"直接作答，自然没有来源标注——这不是你的内容不行，是这次它没查。
2. 检索命中了，但你的页面不是最佳摘录对象。同一问题往往召回多个候选，谁的片段结构更清晰、事实更具体，谁被引用。
3. 内容缺少可引用的"硬信息"。品牌名出现在抒情文案里，AI 可以提及，但无来源可标——引用需要事实和数据，不需要形容词。
4. 生成阶段的取舍。候选材料超出上下文预算时，模型会丢弃部分来源，只保留表述。

判断方法：连续多天、换不同问法复测同一问题。如果"提到不给引用"稳定出现，大概率是第 2、3 条，问题在你的内容形态；如果时有时无，更多是第 1、4 条，属于机制波动，不必过度反应。

还有一种容易误判的情况：AI 引用了你的品牌信息，但来源是第三方转载页或聚合页，而不是你的官网。这不是坏事，说明共识已经形成；但它暴露出"引用入口不在自己手里"的问题——值得核对转载页与官网的口径差异，并靠原创内容的时效与深度优势，逐步把引用入口拉回官网。

最后要分清四个原因的可控性：只有第 2、3 条是你的内容能直接改变的；对第 1、4 条，正确姿势是扩大问题覆盖面、提高内容事实密度，让引擎每次走检索通道时，你的候选内容都足够强，而不是纠结某一次回答有没有标注你。

三个层级分别怎么发力？

• 冲提及：把品牌的基础事实（是谁、做什么、什么定位）铺满高权重信源，让全网共识里有你的一席之地。百科词条是第一站，其次是品类核心问答下的高赞回答，两者覆盖了模型构建品牌认知的主要取材位。
• 冲引用：在官网与第三方平台同步建设"事实型内容"——参数、对比、数据、方法、案例，每个页面都有能被独立摘走的信息块。自检标准：随便截一个段落，模型能否不加改动地直接引用。
• 冲推荐：引用之外，重点经营口碑型信源（评测、问答、用户讨论）。推荐依赖多方证据的交叉印证，单一官方渠道说服不了模型；尤其是带条件的推荐理由（"适合某类团队"），几乎只来自第三方场景讨论。

评估上也要分层看：如果监测只报一个"提及率"，要追问引用与推荐的占比。做分层基线时，搜极星（横琴必优科技旗下）的 AI 北极星品牌报告可以给出品牌在各 AI 平台可见度的起步画像；企业客户想系统量化各层级现状，可以借助 InsGEO 的基线体检把提及、引用、推荐的分布摸清楚，再决定资源投向。

小结

提及、引用、推荐是三道递进的门槛，对应不同的依赖条件与优化动作。先确认自己在哪一层，再决定资源投向哪里——这是 GEO 策略里最基本的一步诊断。