同一个数字，13个月内从7万变2千：读AI指标之前，先问三件事

同一个数字，13个月内从7万变2千：读AI指标之前，先问三件事

一个指标，一个发布方，一套公开的方法说明。按常理，它应该给出一个稳定、可复现的结果。但在过去十三个月里，同一个指标被报道出的数字，最极端的两版相差约三十倍——而且没有一版是伪造的。

这不是某次统计事故，而是AI搜索时代正在扩散的一个问题：我们用来判断品牌“在AI里表现如何”的数字，很多在离开发布方的那一刻，就已经不再代表它原来描述的东西了。本文要做的是把这个数字拆开，并给出一个可以立刻使用的判断方法。

一、一个指标，七个版本

这个指标叫“爬取-引荐比”。概念可以用一段话说明：每家AI公司都在运行爬虫，从网站上抓取页面；其中一些平台在用户读完答案、点击下方来源时，也会给网站带来访客。这个比率比较的就是这两件事——平台取走了多少页面，又送回多少人。五比一，意味着它抓取了五个页面、送回一个访客；七万比一，意味着它抓取了七万个页面才送回一个访客。

这个概念之所以迅速传播，是因为它精准地命名了一种失衡。搜索爬虫拿走你的页面，并送回流量作为交换，这是开放网络上一切出版行为的经济基础。而AI系统直接在原地作答，于是“拿取”继续，“送回”基本停止。这个比率，是对这种失衡最简洁的表达，因此它很快出现在董事会材料里，并开始真实影响哪些爬虫可以进门。

在约十三个月内，被引用出的同一指标数字有：70,900:1、38,000:1、23,951:1、11,122:1、10,300:1、4,580:1，以及2,237:1。它们全部被归于同一家发布方，其中两个数字声称来自同一个月，彼此相差约十七倍。

需要先把一件事说清楚：这不是造假。发布方是可信的，文档是公开的，公式是公开的，任何有服务器日志的人都可以复现。问题不在于有人撒谎，而在于一个数字离开它的语境之后，还剩下什么。

二、公式是公开的，问题出在公式之外

这家发布方在2025年7月提出该比率，并清楚说明了计算方式：取与某个平台相关的用户代理发出的HTML响应请求总数，除以Referer头包含该平台相关主机名的HTML内容请求总数，再归一化为一次引荐。这就是完整公式，公开、无歧义、可复现。

它还公布了会削弱自身指标的注意事项——这比大多数公司做得更多。也就是说，注意事项从一开始就存在，并且是用通俗语言写的，没有藏在条款里。

真正值得观察的，是一个精心构建的数字在离开公司之后，会经历什么。

三、把它拆开：四个分母，以及第五个决定

1.统计窗口

首发文章使用的样本期是2025年6月19日至26日的一周。在这一周里，某个平台的比值被计算为70,900:1；而同月另一处的数字是73,000:1。以周为窗口、以月为窗口，或者以其中哪一周为窗口，结果并不相同。

发布方自己报告过，Google的比值在一周内变化了19.4%，并把原因归于某一天开始的GoogleBot抓取下降。一个抓取调度上的决定，就让公布的数字在七天内移动了五分之一。两位分析师如果各自真诚地选择了不同窗口，就会得出不同答案，而且两个人都没有错。

2.统计了哪个机器人

同一个平台的训练爬虫和用户请求爬虫使用不同的用户代理，但在分析中被汇总到同一个平台名称之下。而这两种行为几乎没有共同之处：一个按设计大规模消耗内容、不返回任何东西；另一个按需获取，并可能产生引用。混在一起统计之后，得出的平台数字既不能描述前者，也不能描述后者。

这一点对企业尤其敏感：你要屏蔽的，可能正是唯一会引用你的那个爬虫。

3.统计了谁的站点

发布方看到的是经过自家网络的流量。这是一个巨大的样本，但仍然只是样本，并且偏向位于其后的资产。当有分析师在同一时期，用该网络与另一个小型商业面板分别测量同一指标时，某个平台的比值大约翻了一倍。仅仅是面板构成的变化，就足以移动结论。

4.是否“主动表明身份的引荐”

这是四个分母里最关键的。这个分母并不是“引荐”，而是“主动表明身份的引荐”。

只有当一次请求携带了标明平台的Referer头时，这次引荐才会进入计算。发布方直接说明，来自某个AI原生应用的引荐流量不包含该头，并相信其他供应商的原生应用也是如此；因此这个分母漏掉了它本应计数的未知数量，算出的比率可能被系统性高估。关于失真的规模，它们的原话是：不清楚高估了多少。

这段表述值得慢慢读一遍。发布这个指标的公司，在宣布它的那篇文章里，主动说明分母漏掉了未知数量，而这些平台的使用正越来越多地发生在恰好不会被计数的位置。这不是一条可以忽略的脚注，而是在承认：这个指标有一个没有人能估量的误差范围——而这一承认，来自唯一有位置知道答案的一方。

5.还有一处判断，看起来不像判断

发布方还排除了来自Google自有网络的引荐流量，理由是推测性的预取并不是人在消费内容。这个排除站得住脚，但它仍然是一个判断。另一位分析师完全可以做出不同判断，得到不同的Google数字，而两个人都没有错。

于是，一行看起来只是除法的公式，实际上至少包含了五个决定。

四、数字在下传过程中被剥掉了什么

上述注意事项确实存在，并且由来源方在发布时就以通俗语言公布。但当这些数字到达季度回顾的幻灯片时，没有一条随行。

这里需要说清楚：那不是欺诈，也谈不上错误，它更像一种压缩。第一次转述丢掉了“原生应用不发送Referer”的注意事项，因为它让标题变得复杂；第二次转述丢掉了统计窗口，因为一个不带日期范围的数字更好引用；第三次转述读到的是第二次的内容，于是又丢掉了一点。每次压缩都合理，累积起来却面目全非。

在那七个数字里，有一个明确警告说：该比率与特定窗口绑定，绝不能在时间段之间取平均，并且这些数字既真实、又都不是普适的。这一版做得完全正确。但它和那些省略了警告的版本，出现在同一个搜索结果里，看起来一模一样。

这正是这类失真最难防的地方：做对的和做错的，外观没有任何区别。

五、这个数字已经开始决定谁能进门

如果它只是装饰性的，上面这些就只是学术抱怨。但它不是。

出版方正在用这个比率决定允许哪些AI爬虫、屏蔽哪些AI爬虫——这正是该指标被构建出来时本想支持的用途，也是它完全合理的用途。与此同时，营销团队在用同样的数字论证“AI引荐流量不值得追求”。这两个决定都很难逆转。

现在把四个分母放到决策面前，会看到更具体的风险。如果某个平台的很大一部分引荐来自不发送Referer头的原生应用，那么这个比率高估了失衡程度，而这个高估没有人量化过。如果数字把训练爬虫和用户请求爬虫混在了一起，你可能为了阻止一个永远不会引用你的爬虫，而顺手屏蔽了那个本来会引用你的爬虫。

在被端到端验证之前，这些比值描述的是特定公司在特定时刻的个别产品决策。把其中任何一个当作平台的稳定属性，本身就是一种范畴错误。

六、一个零成本的测试：读任何指标之前，先问三件事

这篇文章真正想留下的，并不是一个关于爬虫比率的结论，而是一套可以迁移的判断方法。它远不止适用于这一个指标，也适用于你现在可能相信的许多数字。

方法只有一句话：没有窗口、分组方式和采集边界的数字，不是一个数字，而是一个看起来像数字的形状。

这三样东西不是附在数字上的注意事项，它们本身就是数字的组成部分。一个与它们分离的数字，并没有被简化，而是变成了“无法使用、却仍然看起来可用”。这比明显错误更糟：明显错误的数字会在会议室里被质疑，而看起来正确的数字不会。

具体测试只有三问：

它覆盖什么时期？为了得出它，把什么归了组？采集在哪里停止？

问它们不是为了刁难。如果这三个答案不能立刻给出，那么拿着数字的人，其实也不知道它意味着什么——你们两个人就即将依据一个形状做决定。这个测试零成本，而且能很快把问题筛出来。

七、对企业意味着什么

AI可见度领域现在有大量公司在推出测量产品，这本身是好事。但也意味着，企业会越来越多地收到各种“看起来像数字的形状”。

一个值得记住的区分是：值得花钱的产品，会像这家发布方一样，不用你问就告诉你它的窗口、分组和边界；不愿意说的产品，是在要求你相信一个它没有定义的数字。

对企业来说，有三件事可以立刻做。

第一，向供应商或工具方提那三个问题，并把答案记录下来。这不是不信任，而是把一次采购变成一次可复现的约定。

第二，在自己的监测记录里，除了结果，也记下口径——查询的时间范围、平台样本、统计对象。很多企业内部报告的失效，不是因为结果错了，而是因为半年之后没人记得它是怎么算出来的。

第三，遇到一个变化剧烈的数字时，先判断它是“现象变了”还是“口径变了”。这两种情况的应对方式完全不同：前者要调整策略，后者要先确认测量本身是否还成立。

在AI搜索这个仍在高速变化的领域，一个不带窗口的数字，它的有效期可能比它所描述的现象还短。

常见问题

问：那么，那些数字都是假的吗？

不是。就目前能看到的信息，其中大多数数字本身是准确的。这篇文章讨论的不是真伪，而是可用性：一个脱离了统计窗口、分组方式和采集边界的数字，即便准确，也无法支撑一个可复现的决策。准确和可用，是两件事。

问：那“爬取-引荐比”这个概念，还有没有价值？

有，但价值在于方向而不是绝对值。它能有效地说明“AI在大量取用内容的同时，送回的比例很低”这一结构性问题。把它当作一个必须按时点、按平台、按口径明确标注的观察量，它是好工具；把它当作一个可以跨时间比较的稳定指标，它就会误导你。

问：我们公司没有服务器日志，也做不了这种分析，怎么办？

那就不做这个指标，但把方法用在你已经拿到的报告上。任何第三方交给你的AI可见度数字，都可以用那三个问题去检验。多数情况下，你需要的不是自己重算，而是要求对方说明它的口径。

问：这和评估GEO效果有什么关系？

关系很直接。GEO的效果目前主要通过第三方测量产品来呈现，而这些产品的结论，都建立在某种口径之上。企业如果只读结论、不读口径，就很难判断一次“下降”是市场真的变了，还是测量的定义变了。把口径作为采购与验收的一部分，是目前最务实的做法。

关于本文

本文讨论的测量口径问题，同样适用于企业评估自身的AI可见度。重庆传粉科技在为客户搭建AI可见度监测时，会把每一次查询的时间范围、平台样本与统计对象一并记录在案，原因正在于：一个不带口径的数字，很快会变成无法追溯的形状。这类工作的难点往往不在工具，而在长期、可复核的记录习惯。

数据来源与边界声明

本文引用的外部信息及出处如下：

· 爬取-引荐比的七个版本（70,900:1、38,000:1、23,951:1、11,122:1、10,300:1、4,580:1、2,237:1）、计算方式、样本期、注意事项，以及“排除Google自有网络”的判断，均出自Cloudflare公开发布的材料及其第三方汇总转述；原始数据归Cloudflare所有，本文未做独立核验。

· Google比值一周内变化19.4%、训练爬虫与用户请求爬虫被汇总统计、面板差异导致比值约翻倍、“原生应用引荐不发送Referer头且高估幅度不明”等细节，均为Cloudflare自述或第三方对其材料的转述。

· 文中“压缩”一词为本文对数字传播过程的描述性概括，非原始来源用语；对风险的量化影响（如“可能屏蔽了会引用你的爬虫”）为本文基于已披露口径的推断，非发布方结论。

以上信息均为外部研究或厂商公开材料，非传粉科技原创，未经独立核验，不构成对任何平台算法、爬虫策略或统计方法的事实陈述，亦不构成效果承诺。