新榜：AI 搜索信源结构研究（1683 万 URL）

新榜智汇 2025 年 12 月公布的这项研究，以 142.9 万次问答、1683.6 万信源 URL 的规模，画出了中文 AI 搜索信源结构目前样本最大的画像：第三方客观内容约占 AI 搜索引用的 80.9%，品牌自推内容仅约 19.1%；被引体裁集中在榜单（约 28%）、教程（约 25%）、评测（约 22%），纯资讯只有约 4%。覆盖引擎为 DeepSeek、Kimi、腾讯元宝、豆包四家。

单源口径怎么读：证据分级与引用纪律

这是服务商单源研究：样本规模可观，但没有公开的论文级方法页，采样与判定的细节无法逐项复核。本站的留档纪律因此有三条：数值引用注明“据新榜研究”；用方向做决策，不拿精确值做对标；与独立口径互证后再收敛结论。它的方向与全球学术结论（生成式引擎偏好赢得媒体而非品牌自述）一致（赢得媒体），这是它虽为单源却值得留档的理由：学术实验与服务商实测两个独立传统，指向了同一个引用结构。服务商研究的另一个使用要点是版本：研究有发布时间，引用池又在持续变化，注明某年某月的口径不是学究动作，而是让读者能判断数据的保鲜度。

单源不等于不可用，而是用法受限。判断“内容预算该往哪边倾斜”这类方向问题，单源大规模数据足够支撑；要在两个渠道之间做精细的资源分配，就需要等更多独立口径。把这条边界写进引用现场，比事后的勘误便宜得多。

四引擎覆盖的读法

研究对象覆盖 DeepSeek、Kimi、腾讯元宝、豆包四家，构成中文 AI 搜索的主流使用面，但覆盖本身也是边界：未被纳入的引擎不能直接外推。各家引擎的检索源、生态偏好与产品形态差异很大——元宝重腾讯生态已是显例——同一份信源结构，换一个引擎可能就要重画。把“中文 AI 搜索的信源结构”读成“这四家的信源结构”，是使用这份数据的第一步收敛。

第二步收敛是品类。全站口径的体裁分布落到具体行业会有偏移：工具软件类问题天然偏教程与评测，消费品比较类问题偏榜单与横评，B2B 参数类问题则偏向规格页与行业平台。全站分布给的是内容形态的大盘子，自己品类的分布要用固定问题集自己采——大盘校准方向，小盘决定动作。

80.9% 对 19.1%：AI 为什么爱引“别人说你好”

这个比例结构的机制解释与全球研究同源。品牌自述天然利益相关：官网说自家产品最好，这句话在评估者那里要打折；第三方内容无利益关联，又天然构成可交叉印证的多源——多源交叉印证 的采信逻辑在中文引擎里同样成立。落到预算表上，结论常常让人不舒服：多数品牌的内容编制恰好压在那约两成的自推池里，占八成的第三方池子只有公关预算的零头在覆盖。

策略含义由此清晰：内容预算向“可被第三方引用的资产”倾斜——原创数据让媒体有料可写，评测素材让横评有你一席，榜单依据让盘点绕不开你。自推内容不是不做，而是把角色改成“口径锚点”：官网钉住标准定义与参数，供第三方转述时引用，而不是指望它直接进答案。

还有一个容易滑过去的辨析：第三方不等于高质量。第三方池子里同样分层次——独立媒体的横评、专业社区的深评、自媒体的测评、掺水的通稿，采信权重并不一样。80.9% 说的是引用池的结构倾向，不是“随便什么第三方内容都会被引”。把预算投向第三方形态时仍然要选层：优先进入有编辑责任与实测纪律的渠道，绕开一眼可辨的软文渠道——后者名义上是第三方，实际是自推的马甲，被引擎识别出马甲属性后，待遇可能比自推更差。

引擎生态差异是中文市场的特殊变量。腾讯元宝的引用高度集中于腾讯自有生态——约 64% 的引用来自腾讯生态、公众号独占 44.1%（腾讯元宝生态集中度）——想进腾讯元宝的引用池，公众号几乎是必选项；其他引擎的池子构成又各自不同。中文矩阵设计因此要按引擎生态分别配比，不能一张表打天下。矩阵配比的起点是一张引擎乘平台的机会表：哪些平台在哪些引擎的引用池里高频出现、自家在哪些格子上缺位，先补最值钱的空格再扩面——配比没有恒定答案，它跟着引擎生态走，也跟着信源报表的季度读数走。

体裁分布说明内容预算该往哪挪

榜单、教程、评测三类体裁位居被引前列，纯资讯垫底，这个分布回答了“做什么内容”的问题。原因直白：资讯的生命周期短、时效口径易过期，对以存量知识为主的引用池贡献有限；榜单与评测是“决策型”内容，直接对应用户的比较问题；教程解决“怎么做”，是长青的需求入口。AI 引擎偏爱的不是新鲜，而是可复用的判断依据。

内容规划的动作由此可排：把新闻稿式的预算往常青评测与教程挪；做榜单要配得出依据——没有原创数据的榜单既难被引，也容易被识别为软文；教程要做成结构化、可切块的形态，适配引擎的检索方式。体裁选择的优先级，高于同一体裁内的措辞打磨。

榜单的做法值得单独说。被引的榜单不是随便排个名，而是有依据、可核对、有更新节奏的盘点：依据是原创数据或明确的方法说明，条目结构化便于引擎切块引用，更新节奏让它在时间维度上保持可信。做不出依据的榜单宁可不做——它既是弱内容，也是声誉负债。教程则要把“怎么做”拆成可独立成立的步骤块，每块自带前提条件与结果判定，这正好是引擎偏好引用的形态。

落成例行动作，就是一张按引擎的信源报表：固定品类问题集，季度滚动，记录每个引擎的高频被引域名、体裁与自家内容的位置变化。报表的价值不在单期数字，在变化方向——哪个引擎的池子在换血、哪种体裁在走强、自家在哪个引擎始终缺位。新榜的数据给了起点基线，后续的刻度要自己画。

同名数字的坑：与 CNNIC 的 80.9% 勿混

中文圈流传的“80.9%“有两个，含义完全不同。新榜这个 80.9% 是”AI 搜索引用中第三方内容的占比”，刻画信源结构；CNNIC 的 80.9% 是“生成式 AI 用户中用它回答问题的比例”，刻画用户用途结构（中国生成式 AI 用户规模）。分母不同、对象不同，引用时务必注明来源，混用会让论证直接失效——这是两张卡的留档里都写明的纪律。这次同名碰撞还提示了一个更广的纪律：中文 GEO 语境里，占比类数字尤其容易被裁掉分母后流传，看到任何占比先问三件事——分母是谁、统计窗口多长、来源是官方还是服务商。把这三问养成习惯，比记住任何一个具体数字更能防住引用事故。

顺带把 CNNIC 的用户底盘也摆正：中国生成式 AI 用户已达 5.15 亿（同一数据卡，CNNIC 官方口径），中文 GEO 的需求不是预测而是现状。单源的结构数据放在这个规模底盘上读，方向判断才稳：等更多独立口径出现，再校准精确值——对一切服务商单源研究，这既是引用纪律，也是使用纪律。