尧图网站建设 
NiubiGEO架构深度解析一条AI回答如何变成可测量的数据点【免费下载链接】niubigeoOpen-source AI brand visibility and competitor reports. Official website: https://niubigeo.ai/ | Paid services: AI testing by real people and GEO optimization. Pricing: https://niubigeo.ai/pricing项目地址: https://gitcode.com/gh_mirrors/ni/niubigeoNiubiGEO 是一个开源的 AI 品牌可见度监测工具它的核心使命只有一句话把 AI 回答变成可测量的数据点。当你想知道用户问 AI 时我的品牌是否会被提到NiubiGEO 会用固定的协议向多个模型提问把每次回答完整归档、解析再聚合成带分子、分母的指标点最终画成可对比的可见度曲线。这篇文章带你沿着一条真实回答的生命周期拆解这套 GEO 测量引擎的完整架构。4个阶段从一次提问到一张图表整条链路可以用 4 个阶段概括① 冻结测试条件 → ② 先归档后解析 → ③ 结构化提取 → ④ 聚合成指标点对应源码主目录在 src/product/完整的模块职责表见 docs/ARCHITECTURE.md。阶段一冻结条件让每次回答可比测量的前提是条件可控。NiubiGEO 会先把模型选择、语言、联网模式离线 / Provider 原生搜索、协议版本打包成一个不可变的Baseline 快照之后每次运行都引用它。提问时发送给模型的只有规范化域名、语言和固定协议指令——不注入品牌名、别名、竞品名单或官网正文。这样得到的回答才是模型自己怎么看你而不是被提示词引导的结果。参数默认temperature0、maxTokens900详见 docs/how-it-works.md。这里设计了两种探针探针发送内容回答什么D域名认知只发域名模型认识你吗描述你什么提到哪些竞品和关键词K关键词选型只发一个中性词不点名你的品牌时回答里出现谁阶段二先归档后解析这是整套架构里最值得新手注意的设计回答原文永远先落盘再做任何解析。服务收到模型响应后先写入一个带完整原文的response_saved尝试记录Attempt然后才尝试解析结构化内容。请求失败、响应截断、字段缺失、解析失败是被严格区分的不同状态——解析失败不会丢弃原文而是保留失败归档。实现见 src/product/recognition/recognition-service.ts。这意味着你看到的任何结论背后都有一份可复核的原始回答而不是一个算出来就完了的黑盒分数。阶段三结构化提取每个字段都带定位归档之后本地解析器把回答拆成结构化字段域名识别声明recognized / not_recognized / unknown业务描述、产品类别模型眼中的你是做什么的竞品与逐竞品关键词模型把谁当成你的对手引用与 URLProvider 返回的引用、回答正文中出现的普通链接——三类来源严格分开记录UTF-16 偏移定位每个字段证据都记录了它在原文中的精确位置如[173, 726)可用切出原文该片段是否等于引用文字来机器复核这套规则完整定义在 docs/evidence-model.md字段状态表如合法空数组 ≠ 现实中不存在对新手理解AI 报告该怎么读非常有帮助。阶段四一条回答如何变成数据点单次回答只是观察变成测量靠的是重复与聚合。每次测量运行按固定链路展开MeasurementRun → MeasurementModelRun → ProbeRun计划观察 → ProbeAttempt执行尝试→ 指标点统计服务 src/product/measurements/measurement-stats.ts不调用任何模型它只读取已归档的探针结果按公式生成指标点字段含义planned/denominator计划样本数 / 有效样本数numerator命中数如确实被提及的回答数value百分比 分子 / 分母 × 100pointStateno_data/partial/completesamples每个样本都能沿probeRunId打开对应原文两个关键细节值得记住重试不增加样本——同一探针只取第一次尝试保证曲线不被刷出来0% 与 null 是两回事——真实未命中是有效分母下的 0%无法计算才是 null。完整公式见 docs/measurement-methodology.md。最终工作台把指标点按模型、对象、关键词、时间画成图表界面代码在 src/ui/product-phase5-app.ts你可以点开任一个数据点一路回溯到那几条原始回答。亲自验证20个公开案例不用安装也能看到这套架构的完整产物。仓库内置 20 个真实域名的双语研究案例含原文、引用、费用与失败状态每个案例的result-summary.json里就存着可重算的指标点案例入口examples/README.md推荐从 R04 · posthog.com 读起它保留了三轮测量含一次真实定时触发、原始回答与来源分类研究计划与输入冻结在 examples/study-plan.json小结NiubiGEO 的架构可以浓缩为一句话条件冻结 → 原文优先归档 → 带定位的结构化解析 → 可回溯的指标聚合。它不承诺AI 内部在想什么只承诺你看到的每个数字都能沿证据链回到某一条原始回答——这正是开源 GEO 测量工具与黑盒 SaaS 报告的最大区别。想继续深入可以从 docs/ARCHITECTURE.md 的数据关系图和 docs/measurement-methodology.md 的指标定义读起。【免费下载链接】niubigeoOpen-source AI brand visibility and competitor reports. Official website: https://niubigeo.ai/ | Paid services: AI testing by real people and GEO optimization. Pricing: https://niubigeo.ai/pricing项目地址: https://gitcode.com/gh_mirrors/ni/niubigeo创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 NiubiGEO架构深度解析：一条AI回答如何变成可测量的数据点
NiubiGEO架构深度解析一条AI回答如何变成可测量的数据点【免费下载链接】niubigeoOpen-source AI brand visibility and competitor reports. Official website: https://niubigeo.ai/ | Paid services: AI testing by real people and GEO optimization. Pricing: https://niubigeo.ai/pricing项目地址: https://gitcode.com/gh_mirrors/ni/niubigeoNiubiGEO 是一个开源的 AI 品牌可见度监测工具它的核心使命只有一句话把 AI 回答变成可测量的数据点。当你想知道用户问 AI 时我的品牌是否会被提到NiubiGEO 会用固定的协议向多个模型提问把每次回答完整归档、解析再聚合成带分子、分母的指标点最终画成可对比的可见度曲线。这篇文章带你沿着一条真实回答的生命周期拆解这套 GEO 测量引擎的完整架构。4个阶段从一次提问到一张图表整条链路可以用 4 个阶段概括① 冻结测试条件 → ② 先归档后解析 → ③ 结构化提取 → ④ 聚合成指标点对应源码主目录在 src/product/完整的模块职责表见 docs/ARCHITECTURE.md。阶段一冻结条件让每次回答可比测量的前提是条件可控。NiubiGEO 会先把模型选择、语言、联网模式离线 / Provider 原生搜索、协议版本打包成一个不可变的Baseline 快照之后每次运行都引用它。提问时发送给模型的只有规范化域名、语言和固定协议指令——不注入品牌名、别名、竞品名单或官网正文。这样得到的回答才是模型自己怎么看你而不是被提示词引导的结果。参数默认temperature0、maxTokens900详见 docs/how-it-works.md。这里设计了两种探针探针发送内容回答什么D域名认知只发域名模型认识你吗描述你什么提到哪些竞品和关键词K关键词选型只发一个中性词不点名你的品牌时回答里出现谁阶段二先归档后解析这是整套架构里最值得新手注意的设计回答原文永远先落盘再做任何解析。服务收到模型响应后先写入一个带完整原文的response_saved尝试记录Attempt然后才尝试解析结构化内容。请求失败、响应截断、字段缺失、解析失败是被严格区分的不同状态——解析失败不会丢弃原文而是保留失败归档。实现见 src/product/recognition/recognition-service.ts。这意味着你看到的任何结论背后都有一份可复核的原始回答而不是一个算出来就完了的黑盒分数。阶段三结构化提取每个字段都带定位归档之后本地解析器把回答拆成结构化字段域名识别声明recognized / not_recognized / unknown业务描述、产品类别模型眼中的你是做什么的竞品与逐竞品关键词模型把谁当成你的对手引用与 URLProvider 返回的引用、回答正文中出现的普通链接——三类来源严格分开记录UTF-16 偏移定位每个字段证据都记录了它在原文中的精确位置如[173, 726)可用切出原文该片段是否等于引用文字来机器复核这套规则完整定义在 docs/evidence-model.md字段状态表如合法空数组 ≠ 现实中不存在对新手理解AI 报告该怎么读非常有帮助。阶段四一条回答如何变成数据点单次回答只是观察变成测量靠的是重复与聚合。每次测量运行按固定链路展开MeasurementRun → MeasurementModelRun → ProbeRun计划观察 → ProbeAttempt执行尝试→ 指标点统计服务 src/product/measurements/measurement-stats.ts不调用任何模型它只读取已归档的探针结果按公式生成指标点字段含义planned/denominator计划样本数 / 有效样本数numerator命中数如确实被提及的回答数value百分比 分子 / 分母 × 100pointStateno_data/partial/completesamples每个样本都能沿probeRunId打开对应原文两个关键细节值得记住重试不增加样本——同一探针只取第一次尝试保证曲线不被刷出来0% 与 null 是两回事——真实未命中是有效分母下的 0%无法计算才是 null。完整公式见 docs/measurement-methodology.md。最终工作台把指标点按模型、对象、关键词、时间画成图表界面代码在 src/ui/product-phase5-app.ts你可以点开任一个数据点一路回溯到那几条原始回答。亲自验证20个公开案例不用安装也能看到这套架构的完整产物。仓库内置 20 个真实域名的双语研究案例含原文、引用、费用与失败状态每个案例的result-summary.json里就存着可重算的指标点案例入口examples/README.md推荐从 R04 · posthog.com 读起它保留了三轮测量含一次真实定时触发、原始回答与来源分类研究计划与输入冻结在 examples/study-plan.json小结NiubiGEO 的架构可以浓缩为一句话条件冻结 → 原文优先归档 → 带定位的结构化解析 → 可回溯的指标聚合。它不承诺AI 内部在想什么只承诺你看到的每个数字都能沿证据链回到某一条原始回答——这正是开源 GEO 测量工具与黑盒 SaaS 报告的最大区别。想继续深入可以从 docs/ARCHITECTURE.md 的数据关系图和 docs/measurement-methodology.md 的指标定义读起。【免费下载链接】niubigeoOpen-source AI brand visibility and competitor reports. Official website: https://niubigeo.ai/ | Paid services: AI testing by real people and GEO optimization. Pricing: https://niubigeo.ai/pricing项目地址: https://gitcode.com/gh_mirrors/ni/niubigeo创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考