03a | AI可见性监测系统 - 技术规格书

内部机密 | 返回 技术壁垒与产品化路线 | 返回 报告目录

目录

• 1. 系统概述
• 2. API接口设计
• 3. 数据模型设计
• 4. Prompt调度引擎
• 5. 回答解析流水线
• 6. 指标计算公式详解
• 7. 性能与扩展性设计
• 8. 告警系统设计

1. 系统概述

1.1 系统定位

AI可见性监测系统是GEO SaaS平台的 P0核心模块，负责持续追踪品牌在多个AI平台（DeepSeek、豆包、Kimi、文心一言、ChatGPT、Perplexity、Gemini）中的可见性表现。该系统是整个平台的数据基座，为内容优化引擎（P1）、幻觉检测系统（P2）、竞品对标分析（P2）提供底层数据支撑。

1.2 系统边界

1.3 设计目标

2. API接口设计

2.1 API总览

所有接口遵循RESTful规范，基础路径为 /api/v1，认证方式为 Bearer Token（JWT）。

2.2 品牌管理接口

POST /api/v1/brands - 创建品牌

// Request
{
  "name": "资生堂",
  "category": "beauty",
  "market": ["jp", "cn", "kr"],
  "aliases": [
    {"name": "Shiseido", "language": "en"},
    {"name": "しせいどう", "language": "ja"},
    {"name": "시세이도", "language": "ko"}
  ],
  "competitors": ["SK-II", "雪花秀", "POLA"]
}
 
// Response 201
{
  "id": "brand_8f3a2b1c",
  "name": "资生堂",
  "category": "beauty",
  "aliases": [...],
  "competitors": [...],
  "created_at": "2026-04-15T08:30:00Z"
}

GET /api/v1/brands - 品牌列表

查询参数: page, page_size, category, market

PUT /api/v1/brands/{brand_id} - 更新品牌配置

DELETE /api/v1/brands/{brand_id} - 删除品牌

2.3 监测任务接口

POST /api/v1/monitoring/tasks - 创建监测任务

// Request
{
  "brand_id": "brand_8f3a2b1c",
  "platforms": ["deepseek", "chatgpt", "perplexity", "gemini"],
  "languages": ["zh", "ja", "en"],
  "prompt_template_ids": ["tpl_001", "tpl_002", "tpl_003"],
  "schedule": {
    "type": "recurring",
    "cron": "0 */6 * * *"
  }
}
 
// Response 201
{
  "task_id": "task_a1b2c3d4",
  "status": "scheduled",
  "next_run_at": "2026-04-15T12:00:00Z",
  "estimated_cost_per_run": 0.42
}

GET /api/v1/monitoring/tasks/{task_id}/status - 查询任务状态

// Response 200
{
  "task_id": "task_a1b2c3d4",
  "status": "running",
  "progress": {
    "total_queries": 84,
    "completed": 67,
    "failed": 2,
    "pending": 15
  },
  "started_at": "2026-04-15T12:00:01Z"
}

2.4 结果查询接口

GET /api/v1/visibility/scores - 可见性得分查询

查询参数: brand_id, platform, language, start_date, end_date, granularity(hourly/daily/weekly)

// Response 200
{
  "brand_id": "brand_8f3a2b1c",
  "period": {"start": "2026-04-01", "end": "2026-04-15"},
  "overall_score": 72.5,
  "scores_by_platform": [
    {"platform": "chatgpt", "score": 78.3, "trend": "+2.1"},
    {"platform": "deepseek", "score": 65.8, "trend": "-1.4"},
    {"platform": "perplexity", "score": 81.2, "trend": "+5.3"}
  ],
  "time_series": [
    {"date": "2026-04-01", "score": 70.1},
    {"date": "2026-04-02", "score": 71.3}
  ]
}

GET /api/v1/visibility/mentions - 品牌提及详情

查询参数: brand_id, platform, prompt_id, sentiment, page, page_size

GET /api/v1/visibility/competitors - 竞品对比数据

查询参数: brand_id, competitor_ids, platform, date_range

2.5 Prompt模板接口

POST /api/v1/prompts/templates - 创建Prompt模板

// Request
{
  "name": "product_recommendation",
  "category": "beauty",
  "template": "推荐一款适合{skin_type}的{product_type}，预算在{budget}左右",
  "variables": ["skin_type", "product_type", "budget"],
  "languages": ["zh", "ja", "en", "ko"],
  "tags": ["recommendation", "skincare"]
}

GET /api/v1/prompts/templates - 模板列表

POST /api/v1/prompts/generate - 从模板批量生成Prompt

3. 数据模型设计

3.1 ER关系图

3.2 核心表字段说明

Brand（品牌表）

AIResponse（AI回答表）

VisibilityScore（可见性得分表）

4. Prompt调度引擎

4.1 架构设计

Prompt调度引擎负责将模板转化为具体的查询Prompt，并按照成本最优路径分发到多个AI平台执行。核心组件包括：

• 模板渲染器：将Prompt模板与变量组合，生成多语种Prompt实例
• 调度器：基于cron表达式或事件触发的任务编排器
• 路由器：根据平台状态、成本、速率限制选择最优执行路径
• 限流器：per-platform的Token Bucket速率控制
• 重试管理器：指数退避重试 + 死信队列

4.2 调度流程

4.3 成本优化路由策略

路由器按以下优先级选择平台执行顺序：

4.4 速率限制配置

5. 回答解析流水线

5.1 流水线架构

5.2 品牌提及检测详细逻辑

检测按以下优先级顺序执行，匹配命中后标记 match_type 和 confidence：

5.3 推荐排位提取规则

解析器识别以下结构模式以提取推荐排位：

1. 编号列表：1. 品牌A 2. 品牌B -> position = 序号
2. Markdown列表：- **品牌A**: ... -> position = 出现顺序
3. 段落首提：第N段首次提及 -> position = N
4. 表格结构：表格行中的排列顺序
5. 未列入推荐：品牌未被提及 -> position = NULL

5.4 情感分析模型

采用两层分析架构：

• 整体情感：使用微调的多语种BERT模型（支持中/日/韩/英），输出 polarity 值域 [-1.0, +1.0]
• 维度情感（Aspect-based）：对品牌关联的各维度分别打分

维度定义：

6. 指标计算公式详解

6.1 AI可见性综合得分（AI Visibility Score）

$$ V_{score} = w_1 \cdot M_{rate} + w_2 \cdot P_{norm} + w_3 \cdot S_{norm} + w_4 \cdot A_{rate} $$

其中权重默认值：$w_1 = 0.3,\ w_2 = 0.3,\ w_3 = 0.2,\ w_4 = 0.2$（租户可自定义）

得分范围：0-100

6.2 品牌提及率（Brand Mention Rate）

$$ M_{rate} = \frac{N_{mentioned}}{N_{total}} \times 100 $$

• $N_{mentioned}$：包含品牌提及的AI回答数（任意 match_type，confidence >= 0.7）
• $N_{total}$：相关Prompt的AI回答总数

6.3 平均推荐排位（Average Recommendation Position）

$$ P_{avg} = \frac{\sum_{i=1}^{n} pos_i}{n} $$

归一化到0-100分：

$$ P_{norm} = \max\left(0,\ 100 - (P_{avg} - 1) \times 20\right) $$

其中 position=1 得100分，position=6及以上得0分。

6.4 情感得分（Sentiment Score）

$$ S_{raw} = \frac{\sum_{i=1}^{n} polarity_i}{n}, \quad polarity_i \in [-1, +1] $$

归一化到0-100分：

$$ S_{norm} = (S_{raw} + 1) \times 50 $$

6.5 声量占比（Share of Voice）

$$ SoV_{brand} = \frac{N_{brand_mentions}}{N_{category_total_mentions}} \times 100% $$

其中 $N_{category_total_mentions}$ 为同品类所有被追踪品牌（含竞品）的总提及次数。

6.6 引用准确率（Citation Accuracy Rate）

$$ A_{rate} = \frac{N_{accurate_statements}}{N_{total_statements}} \times 100 $$

需要品牌知识库配合，将AI回答中的事实性陈述与品牌知识图谱进行比对。准确性判定阈值：语义相似度 >= 0.90 判定为准确。

6.7 跨平台一致性得分（Cross-platform Consistency Score）

$$ C_{score} = \frac{2}{k(k-1)} \sum_{i=1}^{k} \sum_{j=i+1}^{k} sim(R_i, R_j) \times 100 $$

• $k$：监测的AI平台数量
• $R_i, R_j$：不同平台对同一Prompt的回答
• $sim$：语义相似度函数（Embedding余弦相似度）

即对所有平台对（pairwise）计算回答语义相似度，取均值。

7. 性能与扩展性设计

7.1 并发模型

• Worker隔离：为高频调用的平台分配专用Worker，避免慢平台阻塞快平台
• 动态扩缩：基于队列深度自动调整Worker数量（Kubernetes HPA）
• 并发度：单Worker内采用asyncio协程，每Worker并发处理20个API请求

7.2 缓存策略

7.3 数据库分区策略

AIResponse表（数据量最大）采用TimescaleDB时序分区：

• 分区键：queried_at
• 分区粒度：按周自动创建分区（chunk）
• 保留策略：原始数据保留90天，聚合数据保留2年
• 压缩策略：超过7天的chunk自动压缩（约10:1压缩比）

VisibilityScore表按 score_date 分区：

• 粒度：按月分区
• 保留策略：永久保留（数据量可控）

索引策略：

7.4 水平扩展架构

扩展节点：

• API Server：无状态，直接增加实例
• Celery Worker：按平台维度独立扩展
• TimescaleDB：主库写入 + 只读副本分担查询
• ClickHouse：用于复杂聚合分析查询的OLAP引擎，通过定时ETL从TimescaleDB同步

容量规划（200品牌并发监测）：

8. 告警系统设计

8.1 告警规则引擎

8.2 告警规则配置

阈值告警（Threshold Alert）

{
  "rule_type": "threshold",
  "metric": "overall_score",
  "condition": "lt",
  "value": 50,
  "platform": "all",
  "severity": "critical",
  "cooldown_minutes": 60
}

变化率告警（Rate of Change Alert）

{
  "rule_type": "rate_of_change",
  "metric": "mention_rate",
  "condition": "decrease_pct_gt",
  "value": 20,
  "window": "24h",
  "severity": "warning",
  "cooldown_minutes": 120
}

异常检测告警（Anomaly Detection Alert）

基于过去30天的数据建立基线（均值 + 标准差），当新数据点偏离基线超过指定标准差时触发：

$$ |x_{current} - \mu_{30d}| > k \cdot \sigma_{30d} $$

默认 $k = 2.5$（对应约98.8%置信区间）。

8.3 告警严重等级与升级策略

8.4 告警升级策略

8.5 告警抑制与聚合

为避免告警风暴，系统实施以下策略：

• 冷却期（Cooldown）：同一规则在冷却期内不重复触发
• 聚合窗口：5分钟内同一品牌的多条告警合并为一条摘要
• 维护窗口：支持设定计划维护时段，期间暂停告警
• 依赖抑制：当平台API不可用时，抑制该平台的所有业务指标告警

返回 技术壁垒与产品化路线 | 返回 报告目录