个性化与记忆层：同题不同答的来源

“我在北京问豆包，推荐的是 A 家；上海的同事问同一道题，出来的是 B 家。“这类观察几乎每个做过 AI 监测的人都遇到过，而围绕它的解释五花八门——地区不同、账号不同、算法看人下菜。本页把这些变量摆上解剖台，按机制分层拆清楚：同题不同答到底是哪几层原因叠加的、哪层是主变量、哪层在实测里几乎测不到，以及这组结论如何构成”无污染出口“监测方法论的依据。流水线全景见RAG 全链路页——本页讲的不是答案怎么被生产，而是同一道题为什么每次生产出的成品不一样。

即答：生成式引擎的回答不是一个确定的查询结果，而是一次概率性合成的现场产物。答案方差至少来自四层：解码随机性（模型采样）、会话记忆（上下文携带历史）、个性化层（账号与地区画像）、索引漂移（检索库随时间更新）。站方一手实验的读数是：解码随机性一层的方差就大到 0.25（回答相似度 0-1 口径），远大于地区效应的贡献——你以为的“个性化差异”，大部分只是采样噪声。

机制拆解：四层变量，各是什么

同一提问的回答方差来源
├─ ① 解码随机性 —— 模型采样：同条件重问，答案天然不同
├─ ② 会话记忆   —— 同一对话内：后问继承前问的上下文
├─ ③ 个性化与地区 —— 账号画像、语言、检索供给的地区差异
└─ ④ 索引与时间漂移 —— 检索库随抓取与热度更新

**第一层：解码随机性，方差的主贡献者。**大语言模型生成每个词是一次概率采样，不是查表——同一个提示词跑两次，措辞、结构、甚至列举的名单都可能不同。这是教科书级的机制共识，也是所有“AI 答案”的第一属性：单次输出是一次抽样，不是总体。站方用实验把这一层的量级钉了出来（2026-10-01，香港与北京双出口，3 平台 × 3 题各采 20 次，完整档案见出口对照实验）：完全相同条件下重问同一道题，两次回答的文本相似度只有 0.251。也就是说，什么变量都不动，答案自己就会变出四分之三的新样貌。

**第二层：会话记忆，监测最大的污染源。**对话产品会把同一会话内的历史轮次带进上下文——你上一问提过的品牌、纠正过的偏好，都会参与下一问的合成。这让“多问几次取平均”变成一个陷阱：在同一会话里连问，不是独立采样，是被前文污染的采样。教科书级推论：独立采样必须开新会话；监测场景还要求固定探针问句——问句一改，前后数据断代（提问冻结纪律见测量方法论）。

**第三层：个性化与地区，存在但比想象的小。**账号画像、界面语言、检索供给的地区差异，理论上都能参与检索与合成。但“理论上存在”和“实际多大”要分开——同一组实验里，香港出口与北京出口的对照读数是 0.243，与同出口重测的 0.251 只差 0.008：地区变量叠加在采样噪声之上，几乎抬不动总方差。结论分两面：对监测，境外出口采集大陆平台的效度损失可忽略（“无污染出口”方法论的依据）；对解读，单次回答的地区差异不能归因为“那个地区的用户都看到这个”。

**第四层：索引与时间漂移，慢变量。**检索库随重新抓取、内容上下线、热点更替而变化，答案随之漂移——这是四层里唯一有“方向”的变量：它对应你的 GEO 动作真实生效或失效。问题在于它和前三层混在同一条时间序列里，要把慢变量从噪声里读出来，唯一办法是拉长观察窗让噪声相互抵消——14 天趋势窗口、两次以上一致观察才描述变化，都由此而来。

**实验设计的价值在拆分。**这组实验能下结论，靠的是三变量可分：同出口重测隔离出纯随机性（0.251）；跨出口对照叠加地区变量（0.243）；单日完成压缩时间变量。另有一个次级发现值得单列：头部名单稳定（谁被提及在两种出口下一致），长尾名单善变（排第几每次都变）——能横向比的是头部，长尾位次在单次回答里本就不是稳定量。

对 GEO 的四条推论

**推论一：任何单日数字都不构成结论。**0.25 的天然方差下，“今天比昨天下降 X%“的单日解读大概率是噪声。波动治理的动作是拉长窗口，不是寻找”更稳定的出口“或”更准的问法”——把随机性摊平在 14 天里，趋势才浮出来。

推论二：AI SOV 是分布，不是定值。Share of Model 这类“模型心智份额”指标的正确读法是分布与趋势：某平台对你的提及率是“14 天窗口内 60% 的回答提及”，而不是“AI 提到你”。为一次好评或一次差评写归因报告，在机制上不成立（品牌提及的监测口径同理）。

**推论三：“无污染出口”成立，但口径要说明白。**地区效应≈噪声意味着监测可以合法使用境外出口采集，数据效度损失可忽略——前提是接受并声明这个口径：测的是“无个性化干扰的公共答案面”，不是任何具体用户看到的答案。口径不声明，数字就没有坐标系（方法全文见测量方法论）。

**推论四：自测品牌要按机制设计动作。**给自己做体检时：固定问题集（品类题不带品牌，测无提示状态下的份额）、每题开新会话（切断会话记忆）、固定出口（保持时间序列可比）、每题每日一采连续两周（摊平随机性）。四条都对着四层变量——缺任何一条，读到的都可能不是你的内容在起作用，而是某一层噪声。

常见误解

**“AI 答案像搜索一样确定，差异说明算法针对我。”**同条件重问就有 0.25 的方差，单次差异不指向任何“针对”。判断方向性变化靠窗口内分布，不靠单点对照。

**“换个出口就能代表当地用户。”**方向反了：实验显示出口（地区）差异远小于采样随机性——换出口测不出“当地用户的真实体验”，只能测出又一份带噪声的样本。地区化答案是否存在、多大，需要该地区长期固定采样才能验证，单次对照无效。

**“个性化是波动的最大来源。”**至少在这组实验的精度下不是：随机性一层就是 0.251，地区叠加只挪了 0.008。把波动归因给个性化，是把最大的锅扣在了最小的嫌疑犯头上。

**“同一会话里多问几遍就是多次采样。”**会话记忆让每次提问继承前文，采样不再独立——连问得到的是“被你自己前文塑造过的答案”。独立采样必须新会话；监测探针还必须冻结问句，否则前后断代。

限制与待核实

• PM-01：方差实验样本量小（3 平台 × 3 题 × 20 次采集，单日完成），结论对“头部稳定”较强，对“地区效应精确为零”较弱——严格表述是“低于本实验可测精度”，不是“不存在”。
• PM-02：实验只覆盖豆包、DeepSeek、Kimi 三平台网页端；元宝、千问及其他产品、App 端未入组，外推需复测。
• PM-03：各产品的记忆与个性化功能边界不公开且迭代快（会话内记忆、跨会话记忆、画像个性化是三个不同粒度），本页按机制分层讨论，不对应具体产品的功能清单。
• PM-04：相似度指标对“事实清单相同但措辞不同”与“实质不同”的区分有限，读数应结合人工核对理解（实验卡的限制原文）。
• PM-05：单日实验无法排除“地区效应在某些时段或话题上出现”的可能；“无污染出口”结论的使用前提是持续复核。