研究 / PersonaSignal

PersonaSignal 研究档案

研究AI如何理解、筛选并推荐品牌。

PersonaSignal 使用结构化消费者情境，观察 GPT 与 Gemini 在不同研究条件下如何理解品牌、判断产品适配，并形成可观察的推荐结果。

我们开展真实的结构化推荐研究，并只选择完成证据映射、匿名处理与边界审查的发现进入公开内容流程。

查看 NOTE-001 研究方法

02

研究范围

研究对象不是一个分数，
而是一组可区分的推荐状态。

不同研究条件回答不同问题。以下是 PersonaSignal 可以组织的研究方向，不代表每篇研究记录都同时使用全部条件。

01
推荐发现
自然推荐
不预先提供目标品牌，观察它是否自然进入回答、推荐列表或第一选择。
02
品牌理解
品牌信息与适配
提供品牌背景，观察模型如何描述定位、适配、信息缺口与不确定性。
03
产品适配
产品 / 消费者适配
把产品信息放回具体购物情境，观察适配判断、替代选择与无合适产品状态。
04
模型比较
跨模型观察
在记录版本、提示与条件差异的前提下，对照多个历史模型中的可观察输出。
05
搜索 / Grounding
搜索与来源
作为独立研究条件，记录搜索状态与答案中出现的公开来源；不自动推断因果。

03

精选研究

一篇研究记录 · 证据先于结论

研究笔记 NOTE-001

AI知道你的品牌，
不等于AI会推荐你的品牌

Brand Recognition Is Not Recommendation

一项匿名历史结构化研究显示：当品牌背景被提供时，模型可以理解并评价品牌；但在独立的 Blind / Natural 推荐条件下，品牌仍可能没有自然进入推荐结果。

匿名历史研究
GPT + Gemini
结构化购物情境
已完成证据映射 · 已人工复核

查看 NOTE-001

100结构化
购物情境

3历史
模型

300自然盲测（Blind / Natural）
模型运行

进入推荐列表

0 / 300未被选择

第一选择

0 / 300未被选择

仅出现于 Gemini 安全说明

4 / 300仅提及不是推荐
不是第一选择

提及≠推荐≠第一选择

300 表示同一组 100 个结构化购物情境分别由 3 个历史模型运行，不是 300 名消费者，也不是市场样本。

04

证据原则

公开发现之前，
先把证据边界说清楚。

研究记录不是批量内容。每项公开发现都需要保持匿名、映射证据，并保留模型、条件与时间边界。

01
已匿名化
真实历史研究对象、产品、竞品、域名与来源身份不进入公开页面。
02
证据已映射
公开结论对应到经过核对的证据与定义，不从记忆或示例数据推导结果。
03
结构化记录
研究使用明确的购物情境、测试条件、模型与可观察状态进行记录。
04
结论有边界
结论只对应被测试的模型、提示、情境、条件与时间，不自动代表整个市场。

继续了解

查看研究如何被设计，
以及交付会如何呈现。

继续了解查看研究方法如何构造情境、控制条件并复核证据交付示例查看示例报告诊断结果如何组织为可阅读的书面交付