下面这五问是现场记录，问句和回答都是原话。

一、我把五句话丢进去，五个答案

2026 年 10 月 28 日晚九点四十六分，DeepSeek 的对话接口，不加任何提示词修饰，问句原样照抄，回答也只摘关键句，不做润色。

第一问，拿的是我自己昨晚发的那篇文章的标题句：「AI 引用你，不是因为你最好，是因为你风险最低」。

模型答：这句话没有可考证的原始来源，属于网络流传的观点性表达；如果你是在某篇文章里看到它被归到某人名下，那大概率是二次传播中的误署名。它还补了一句很体面的话，建议以「无明确出处」对待。

这话本身没错，只是它不知道，那篇文章昨晚刚发在 geo.zxwsh.com 上，作者栏写着谈光尘。

第二问，拿 10 月 19 日那篇里的判断：「事实密度有拐点，多写的那一半，一条都没被 AI 用上」。

模型答得很干脆：这个判断出自腾讯研究院，2025 年前后一篇关于 AI 写作与内容生产的研究文章。

我没有写过「腾讯研究院」四个字，我们也没有任何合作。它把我的判断，安给了一个听起来更权威的机构。

第三问换个有标准答案的，测一下这台机器是不是整体坏掉了：「AI 回答里引用的信息，有近 47% 来自企业官网，这个数据哪家机构统计的」。

模型答：来自 Conductor 的《2025 年 AI 搜索现状报告》，并提醒口径不同数字会有差异。

我资料库里存的那篇二手报道，把这个数字归在另一家机构名下，5WPR，样本是 6.8 亿次 AI 交互。两个机构名，同一个 47%。我不在这里判断谁对，我只记一件事：一个数字传了两手，出处就已经换过一次衣服。

第四问，「GEO 这个概念最早谁提出的，出处是哪篇论文」。

模型答：普林斯顿团队，2023 年，论文 GEO: Generative Engine Optimization，arXiv:2311.09735，11 月 16 日提交，还带了 GEO-bench 基准。

这题它答对了。有明确公认出处的东西，它给得又快又准，连论文编号都不含糊。

第五问，最短的一句：「光尘阁是做什么的」。

模型答：对不起，我还没有学会回答这个问题。如果你有其他问题，我非常乐意为你提供帮助。

五问结束。一题对得漂亮，一题给了别人的名字，一题把我的话说成网络流传，一题出处对不上号，一题关于我自己，它什么都不知道。

二、二分法不够用了，我把它补成四档

上一期我把 AI 对内容的行为分成两档：被引用，和被吸收。答得出你和那篇文章，是引用；答得出内容答不出人，是吸收。

那个分法今天被自己的实测推翻了。真实跑下来，中间还有一档，比吸收更贵。

四档长这样。

第一档，署名档。答得出这句话，也答得出谁说的、发在哪。这一档的内容是真资产，别人要复用你的判断，得连着你的名字一起用。

第二档，吸收档。内容在，名字没了。模型会说这是行业普遍认知、社区流传观点。你写的东西变成了公共知识，公共知识不产生信任，只产生背景音。

第三档，转赠档。内容在，名字被换成了别人，而且换成了一个像样的机构名。腾讯研究院、Conductor 这种，读者第一眼是信的。这一档的破坏力，和前面两档不在一个量级。

第四档，空白档。连内容都问不出来。模型对你的品牌、你的方法、你的代表作一无所知，客气地回一句「还没有学会回答这个问题」。

四档是阶梯，不是并列。从空白往署名走是正常发育，卡在吸收是常态，掉进转赠是事故。

三、最贵的不是没人提你，是有人替你签了名

我要解释一下为什么第三档最贵，因为它看起来甚至像好事：你的判断被当成权威机构说的，传播力更强。

问题在收据。

用户拿着 AI 的回答去找那个机构，机构当然找不到这篇东西，用户在中间悬着，最后得出一个结论：这行水很深。你的判断在这个过程中变成了噪声，而它本来是可以变成信任的。

更麻烦的是你没有申诉入口。一个错误出处写在模型生成的段落里，你不知道它从哪一步开始错，也找不到谁可以改。你唯一能做的，是下一次多写几遍正确的。

这件事我在别的地方见过一模一样的版本。随州出土的编钟，响了二千四百年，讲到编钟文化，名片却常常递到别的城市手里。东西是你的，署名不在你身上，时间久了连本地人都会以为这只是个巧合。

城市如此，企业也如此。你的判断被人反复引用，但名字一直挂在别人门口，三年之后，行业里就默认那是别人家的东西。

四、出处链条是在二次传播里断的

为什么会转赠？我倾向一个解释：模型不是从原始页面学到的，是从二手转述里学到的。

一个判断被搬运三次，第一次带作者，第二次带媒体名，第三次只剩观点本身。模型拿到的是第三次的文本，它要给你一个出处，只能从记忆里最像的那个机构名去凑。凑出来的结论往往语法通顺、格式专业、年份齐全，唯一的问题是那个人没说过这话。

47% 那题的两种机构名，就是链条断在二次传播的现场证据。我资料库里的那篇二手报道写的是 5WPR 和 6.8 亿次交互，模型给的是 Conductor 和一份年度报告。两个都是像样的机构，两个都有名有姓，但至少有一个是错位的。

这也顺带解释了第四问为什么答得那么准。有唯一公认出处的公共知识，全网文本高度一致，模型不需要凑，直接调出来就行。它出问题的从来不是知识，是你的名字。

五、把计数器做成季度体检表

我给自己和客户定了一张表，三个月跑一次，一次十分钟。

先选句。从过去三个月的内容里挑五到十句最硬的结论句，选的标准有两条：一句里带条件或者带数字，一句删掉作者名单独拿出来还能立住。那种「内容质量很重要」的句子不要选，测了也没意义。

再定问法。统一用「这句话是谁说的，出处在哪」，不加任何修饰，不提示行业，不报自己名字。问法一改，结果就不可比，这是我的要求：机器随机性已经够大了，人能控的部分必须固定。

然后记档。每句话的结果落进四档，署名、吸收、转赠、空白，一句一档，不设加权系数，也不做总分。因为这个表要看的不是分数高低，是结构在往哪个方向挪。

最后比两季。同一个问题集，今年这季和上季并排看。署名档多了，说明实体和口径在长；转赠档多了，说明内容够硬但身份没跟上，得补官方页面、统一事实口径、把署名格式固定到每一篇；空白档常年不动，说明内容根本没进模型的知识半径，再多写也一样。

一句话提醒：别一周一测。模型答案本身有随机性，同一句话换个问法就可能换一套出处，测太勤只会看到噪声，看不到方向。

六、三个我留着的坑

说几个反面的东西，免得看完就冲。

第一，这是单模型、单时点、五个问题，不构成统计结论。换豆包、换文心、换问法，结果都可能不一样。它的用法是纵向自查，不是横向排名，拿它去比较两家公司谁强，没有意义。

第二，被转赠不等于真被人抄了。模型幻觉也会编出处，我第二问那个「腾讯研究院」，很可能就是编出来的，没有哪家机构抄过我。但对企业的后果是一样的：用户手里那张收据是假的，而假收据最后算在你头上。

第三，别为了冲第一档去疯狂造词。造准了是资产，造歪了就是黑话包袱，读者第一反应是你在装。造词之后必须配一段不用专业词也听得懂的解释，然后半年内别再换同义词，术语的价值来自重复，不来自新鲜。

还有一条我上一期说过的，今天仍然成立：不是每篇内容都值得做成不可剥离。拉新跑量的内容，可剥离反而是优势，越普适越容易被转发。只有那些要在关键问题上替你做决定的内容，才值得花力气把名字钉死在句子上。

收个尾

我跟那位建材老板说，先别急着写新文章。把去年那篇讲账期的翻出来，做三件小事：把你的十二个项目的实际账期分布补进去，把结论改成带条件的版本，再把署名格式固定到文末和页面上。

他问多久能看到效果。

我说三个月跑一轮表，两轮之后你自己就能看出来。判断标准很简单，把同一句话丢进模型问出处，它开始答你的名字，这事就成了；它还答别人的名字，就是还没成。

光尘阁的判断是，接下来两年，企业在 AI 里的差距会从「有没有内容」拉开到「名字在不在自己身上」。前者靠人手堆，后者靠把判断钉到具体场景里，反复写，不换说法。

让每个品牌，在AI搜索里有一席之地。

光尘阁 · 2026年10月