前沿模型如何选择推荐对象：AEO 追踪器发布
前沿模型的“推荐偏好”正在变得可量化
AEO（Answer Engine Optimization，答案引擎优化）正在成为创业者、开发者关系负责人和技术产品团队关注的新议题：当用户不再只通过搜索引擎寻找答案，而是直接询问 AI Agent，模型会推荐谁？为什么推荐？哪些信息源会影响它的选择？
一个新的前沿 AEO 追踪项目试图系统化回答这些问题。该项目使用 Astra 进行答案抽取，并在多个前沿模型上测试不同类别的问题，以观察模型在产品、服务和人物推荐中的选择倾向。
方法概览
该项目的方法扩展了此前类似研究的思路，核心设置包括：
- 在 7 个模型 上运行测试；
- 每个问题使用 6 种提示词变体；
- 覆盖 161 个类别；
- 测试时开启搜索能力；
- 由 Astra 提取回答结果；
- 使用自定义 AEO 分数衡量被推荐实体的表现。
覆盖类别范围较广，包括：
- 编程 Agent；
- AI 播客；
- AI 沙盒；
- 托管数据库；
- 自动语音识别模型；
- 天使投资人；
- 企业支出管理；
- 薪资软件等。
这意味着该项目并不只关注 AI 工具本身，也试图观察更广泛商业和开发者生态中，模型如何形成“默认推荐”。
AEO 分数如何计算
项目为被推荐对象计算了一个专有的 AEO 分数。该分数不仅考虑正向推荐，也考虑负向信号。
计分因素包括：
- 首选推荐：模型明确把某个对象作为第一选择；
- 替代选择：模型把某个对象列为备选方案；
- 提及次数：模型在回答中提到某个对象；
- 轻度反推荐：模型表达谨慎、不优先推荐等态度；
- 强反推荐：模型明确不建议选择某个对象。
其中，反推荐相对少见，但确实会出现，并会对分数产生负面影响。
为什么这件事重要
对产品团队而言，传统 SEO 关注的是搜索结果页排名；而 AEO 关注的是模型直接生成答案时，谁被选中、谁被忽略、谁被负面评价。
这类追踪的价值在于，它可以帮助团队理解：
- 自家产品是否会进入 AI Agent 的推荐集合；
- 模型是否把竞争对手列为首选；
- 哪些类别中推荐格局已经较稳定；
- 哪些信息源可能影响模型的推荐判断；
- 模型在哪些场景下会出现推荐失败或不一致。
项目还提取了影响 Agent 推荐的高频引用信息源，并对主要失败模式进行了分析。不过由于具体权重和完整数据属于项目内部实现，外部读者应谨慎解读，不宜把单次榜单视为绝对市场排名。
对社区的启发
AEO 仍处在早期阶段，但它已经提出了一个实际问题：当 AI Agent 成为用户决策入口，产品的“可被推荐性”会变成新的增长变量。
对创业公司和开发者工具团队来说，值得关注的方向包括：
-
确保公开信息清晰一致
模型通常依赖可检索资料形成判断。产品定位、使用场景、定价、文档和对比信息越清晰，越有利于模型准确理解。 -
关注真实用户与第三方评价
AI Agent 的推荐可能受多类公开资料影响，包括文档、评测、社区讨论、教程和榜单等。 -
测试不同问题下的推荐表现
同一产品在“最佳工具”“替代方案”“适合初创公司”“适合企业用户”等不同问法下，可能得到完全不同的推荐结果。 -
留意负面推荐信号
即使模型没有直接推荐竞争对手，也可能因为价格、复杂度、适用场景或历史口碑，对某些产品表达谨慎态度。
小结
这个 AEO 追踪项目展示了一种观察 AI Agent 推荐行为的方法：通过多模型、多提示词、多类别测试，量化不同实体在模型回答中的出现方式和推荐强度。
它不等同于市场份额排名，也不应被视为最终结论；但它提醒技术社区，随着用户越来越多地向模型询问“我该选什么”，理解模型如何做推荐，可能会成为产品增长和开发者生态建设中的新课题。