A
自然盲测
自然推荐
不主动提供被研究品牌名称，从消费者的需要直接提问。
观察
品牌是否自然进入回答、候选与推荐，以及哪些替代品牌出现。
方法
不是多问几个AI问题，而是控制研究条件。
PersonaSignal 从一个具体的消费者情境开始，控制品牌提示、产品信息、模型、搜索状态与测试条件，再比较这些条件下出现的回答和推荐结果。
可观察边界我们研究可观察的回答、描述与推荐行为，不声称读取 AI 的隐藏推理、内部权重或专有排序规则。
01
研究对象
我们测试的，
不只是“AI知不知道品牌”。
识别一个品牌、复述它的产品信息，与在具体购买问题中选择并推荐它，是不同的可观察现象。PersonaSignal 把重点放在后者，同时保留对回答内容和证据充分程度的记录。
可观察状态 A品牌识别
≠
AI 能说出品牌、产品或网站信息。
可观察状态 B推荐
AI 在一个具体消费者需求中选择该品牌或产品。
统一状态语言
用于描述单次或汇总后的可观察结果；它们不是品牌评分。
- 已推荐
- 品牌或产品被明确列为推荐选择。
- 已提及
- 答案提到品牌，但没有把它作为明确推荐。
- 未入选
- 测试对象没有进入最终选择，答案推荐了其他选项或没有选择它。
- 未知 / 证据不足
- 答案不足以支持清晰分类，需要保留不确定性。
状态记录回答中发生了什么，不自动解释为什么发生。
02
消费者优先
先定义“谁在问”，
再观察AI推荐什么。
研究不是从一个孤立关键词开始，而是先构造多个结构化消费者情境：人物、任务、完整需要、筛选条件与产品匹配信息共同限定问题。
- 01
消费者
谁在做决定
生活阶段、经验水平、家庭或个人背景等与购买有关的信息。 - 02
场景 / 任务
正在完成什么任务
国家、气候、使用环境、购买时点与实际任务。 - 03
完整需求
完整需要是什么
目标、使用方式、预算、偏好、必须满足与不能接受的条件。 - 04
筛选标准
如何筛选选择
把完整需要整理为可用于比较产品的明确判断条件。 - 05
产品匹配
产品如何对应需要
观察公开产品信息是否足以支持匹配、区分或排除。 - 06
AI 推荐结果
AI 最终推荐什么
记录进入候选、被推荐、被提及或未被选择的品牌与产品。
测试设计框架
这六个阶段用于设计测试与整理观察，不代表 AI 内部必然按照同一顺序推理。PersonaSignal 会使用多个结构化消费者情境进行比较，但不声称这些情境代表全部真实消费者。
03
三种测试模式
改变一个关键条件，
看看推荐结果怎么变。
三种模式从同一个消费者情境出发，改变研究对象可获得的品牌或产品信息。它们回答不同问题，也为后续对照提供清楚的输入记录。
B
品牌理解
品牌理解
明确提供品牌名称，观察 AI 如何识别和描述品牌与定位。
观察
品牌信息是否被准确理解，以及“知道品牌”是否转化为具体推荐。
C
产品 / 消费者适配
产品 / 消费者匹配
提供与研究相关的产品公开信息，再放回相同消费者需要中比较。
观察
产品信息是否改变匹配判断、推荐状态或替代选择。
04
对照比较
保持消费者不变，
只改变提供给AI的信息。
对照设计让每次差异都有可追溯的输入背景。观察到的变化是进一步检查的线索，不自动构成因果证明。
保持恒定
相同消费者画像+相同购买需求
不提供品牌提示
不提供品牌提示
观察自然出现的品牌、产品与推荐状态。提供品牌名称
提供品牌名称
观察品牌理解与推荐结果是否出现差异。提供产品信息
提供产品信息
观察具体匹配与选择是否出现差异。比较可观察输出
比较品牌出现、描述方式、推荐状态与替代选择，帮助识别值得进一步验证的差异。
05
重复运行
一次回答，
不等于稳定结论。
同一个消费者情境可以在相同测试条件下重复运行，观察品牌、产品、竞品和推荐状态是否反复出现，以及结果在哪些位置发生变化。
相同测试条件
消费者画像 P-07 · 自然盲测 · 相同模型- 运行 01已推荐
目标产品进入明确推荐。
替代 · 品牌 A - 运行 02已提及
目标产品被提及，但没有成为明确选择。
替代 · 品牌 B - 运行 03已推荐
目标产品再次进入明确推荐。
替代 · 品牌 A - 运行 04未入选
答案选择了另一项产品。
替代 · 品牌 C
观察
- 重复出现的状态
- 运行之间的变化
- 替代品牌或产品
- 无法清晰分类的回答
解读边界
重复运行帮助观察结果的重复性与变化，也帮助区分一次性现象和值得继续分析的模式；它不会自动让研究具有统计代表性，也不产生“置信分数”。
06
模型比较
同一个问题，
不同AI可能给出不同答案。
保持消费者情境和主要测试条件一致，再比较不同模型中的推荐、提及、替代和描述差异。
保持恒定
相同消费者画像+相同需求+相同测试模式
GPT
示意输出
- 结果
- 已推荐
- 主要替代
- 品牌 A
- 描述说明
- 回答更强调产品功能与筛选条件的匹配。
Gemini
示意输出
- 结果
- 已提及
- 主要替代
- 品牌 B
- 描述说明
- 回答更强调使用情境与公开品牌描述。
比较比较模型特有差异、跨模型反复出现的模式、替代选择与描述方式，不把模型排列成高低榜单。
是否需要单模型或多模型测试，会根据研究目标与范围确认。PersonaSignal 不预设某个模型在所有研究问题中都更好。
07
搜索 / Grounding
打开搜索以后，
研究的不只是推荐结果。
当 AI 可以调用公开网络信息时，PersonaSignal 还可以记录答案中出现的公开来源，并比较开启搜索前后的回答差异。
相同消费者画像 + 相同需求
示意比较未联网
不调用公开网络信息
- 推荐
- 记录推荐状态
- 提及
- 记录品牌是否出现
- 替代
- 记录替代品牌或产品
- 来源引用
- 当前条件不适用
搜索 / 已联网
允许调用公开网络信息
- 推荐
- 记录推荐状态
- 提及
- 记录品牌是否出现
- 替代
- 记录替代品牌或产品
- 来源引用
- 记录答案中出现的公开来源
观察到的来源类型
- 01官方网站
- 02零售
- 03媒体内容
- 04社区
比较可观察输出
比较推荐、提及、替代选择与来源记录如何变化。来源类型用于整理答案中的公开信息环境，不是来源质量分数。
来源边界
记录某个来源出现在回答中，不等于证明该来源单独导致了推荐结果。PersonaSignal 也不声称知道模型在内部如何为每个来源分配权重。
08
人工核查与可追溯性
模型负责回答，
人负责把证据整理清楚。
自动运行产生原始回答，但最终诊断还需要把 Persona、测试条件、模型、运行记录、推荐状态和来源重新对应起来。
- 01
原始运行
原始回答
- 02
结构化记录
结构化记录
- 03
状态分类
状态分类
- 04
来源与上下文核对
来源与上下文核对
- 05
人工复核
人工复核
- 06
报告发现
报告发现
可追溯的结构化记录
每条发现，可以回到测试记录。
示例字段与示例报告的原始数据结构保持同一逻辑；以下内容仅用于说明记录方式。
运行 IDRUN-024
消费者画像 IDP-07
测试模式自然盲测
模型GPT
Grounding 状态未联网
推荐结果已提及
主要替代品牌 A
来源记录不适用
核查状态已核查
人工复核边界
人工复核的作用是核对分类、上下文和证据记录，处理模糊回答、替代选择与明显信息冲突；它不是把主观判断包装成模型结论，也不是决定 AI “应该”回答什么。
09
证据边界
这些结果能说明什么，
又不能说明什么？
研究价值来自对条件和证据边界的清楚说明。结论应准确描述测试中观察到的行为，而不是把有限观察扩大成普遍事实。
研究可以支持的观察
研究可以支持的观察
- 可观察的推荐行为
- 在设定的 Persona、模型和测试条件中，品牌是否被推荐、提及或未被选择。
- 反复出现的模式
- 某些结果是否在重复运行或多个相关场景中反复出现。
- 竞品替代
- 品牌未被选择时，哪些替代品牌或产品在测试场景中出现。
- 模型差异
- 相同测试设计下，不同模型是否表现出不同的推荐或描述行为。
- Grounding / 来源环境
- 开启搜索后，答案中出现或引用了哪些公开来源。
- 值得核查的信息问题
- 官网公开信息中是否存在值得进一步澄清、核对或测试的缺失、模糊或冲突。
研究不能自动证明的事项
研究不能自动证明的事项
- 全市场行为
- 测试结果不自动代表全部消费者或整个市场。
- 统计代表性
- 除非项目另有明确设计与验证，否则不能称为统计代表性样本。
- 隐藏推理
- 不能从回答反推出 AI 内部隐藏推理链、模型权重或专有排序规则。
- 因果归因
- 某个来源、页面或文案变化与推荐结果同时出现差异，不自动证明单一因果关系。
- 保证优化效果
- 不能保证修改网站后推荐率一定提升。
- 永久模型行为
- 模型、搜索结果和公开信息环境会变化，研究结果具有测试时间与条件边界。
此页面将在后续阶段开放。