大模型开始「挑信源」了：你的稿子发在对的地方了吗

10 月 30 日凤凰网那篇《GEO 要变了：大模型开始挑信源》把一件反直觉的事实测出来了：同样一篇稿子，发在不同地方，被引用的概率可以差几倍。10 个主流 AI 平台、16 条提问、3 天的信源结构实测显示——大模型不再平均地看全网内容，而是对少数几个渠道形成了稳定偏好。

投放的”量”不再是唯一变量，”位置”成了更关键的变量。这篇把第一信源实测数据、三条结构性事实、反复引用的复利效应，做成一份「信源池占位」的操作指南。和 158 期讲”内容怎么派生”不同，本篇讲的是稿子应该发在哪个平台。

第一信源实测：三家平台，三个完全不同的”第一信源”

AI 平台	第一信源	占该平台引用比例	含义
豆包系	抖音	约 40 个百分点	没有抖音内容资产，就很难进入豆包的检索引擎
文心一言	百家号	31 个百分点	百度系信源深度绑定，百家号是主入口
DeepSeek 系	知乎	31 个百分点	只读知乎与科技媒体，没知乎储备 = 在这个平台基本不可见

三条结构性事实

事实	数据	对企业的直接含义
文心/通义进池即被引用	这两个平台采纳率高	投放效率最高，进池就容易被引
DeepSeek 系只读知乎+科技媒体	没有知乎内容储备 = 在这个平台基本不可见	不做知乎储备，DeepSeek 优化等于零
豆包系信源被抖音垄断	抖音占该平台引用约 40 个百分点	没有抖音内容资产，进不了豆包检索引擎

反复引用产生复利：1 篇被引 50 次 > 50 篇各 1 次

这是整篇最反直觉的结论。大模型在组织答案时，倾向于引用它”见过并且确认过”的信源。一篇文章被反复引用，会逐渐成为某个问题下的默认答案——产生复利。

所以 GEO 不是铺得越多越好，而是要在关键问题上做出”标准答案”。选 1 个高频问题（比如”XX 哪家好””XX 多少钱”），把那个问题的答案做透、做对、做可核验，让大模型反复引用它，比铺 50 篇浅内容有效得多。这和 159 期”优先推荐率 60 个百分点”是同一件事的两面——159 期讲”被排第一的概率”，本篇讲”概率怎么积累”。

引用变得可追溯：归因能力第一次出现

过去做内容营销，最难回答的问题是”这篇稿子到底有没有用”。现在可以追踪到：哪篇文章被哪个平台引用、被哪条提问触发、首次引用时间是什么时候、一共被引用了多少次。

这个能力的意义不只是报表好看。它让内容投放第一次具备了归因能力——哪类选题被引用得多、哪个渠道的稿子转化率高，可以反过来指导下一轮生产。这是 158 期”口径可回溯”的深化：从口径回溯，到引用归因。

和 151/158/159 的划界

篇	讲什么	粒度
151 期	视频信源崛起（抖音权重 8→10 月 +10 个百分点）	趋势
158 期	六平台口味矩阵 + 一次生产多端适配	内容怎么派生
159 期	月度复测 + 优先推荐率 60 + 5 个坑	怎么持续监测
本篇（160）	第一信源实测 + 信源池占位 + 反复引用复利 + 引用可追溯	稿子发在哪

151 期发现”抖音权重在涨”，本篇给出延伸实证——豆包系信源被抖音垄断（约 40 个百分点），权重涨的结果是垄断。158 期讲”同一底座派生六种端”，本篇讲”派生出来的内容应该发到哪个信源池”。159 期讲”推荐率往 60 靠”，本篇讲”怎么靠”——靠反复引用积累。

FAQ

Q：第一信源占比 40/31/31 是固定数字吗？
A：不是。这是 10 月 30 日 16 条提问 × 3 天的实测（平台级口径），不同时间窗口会有波动。结论以结构性差异为主——豆包偏抖音、文心偏百家号、DeepSeek 偏知乎，这个结构性倾向短期不会变。具体数值会随平台策略迭代漂移（159 期讲的动态漂移）。

Q：只有抖音资产但目标客户在文心场景，怎么办？
A：按平台信源池占位——目标在文心就补百家号内容资产，目标在 DeepSeek 就补知乎储备。没有对应内容资产的品牌，先补资产再谈 GEO。在平台不读的渠道铺量 = 浪费，这条比内容策略更重要。

Q：反复引用复利和铺量打法哪个对？
A：反复引用复利对，铺量错。但复利的前提是”在关键问题上做标准答案”——选 1 到 2 个高频问题做透（158 期”做透一个平台”原则），让大模型反复引同一个信源。铺 50 篇浅内容是负优化（157 期堆砌降分 + 本篇复利逻辑）。

Q：引用可追溯需要买工具吗？
A：最低标准不需要——158 期口径可回溯四条（平台名+问题原文+时间戳+是否提到品牌+引用了谁）人工记录即可。规模化再上工具（灵察察、及木等自研引用追踪）。先跑通人工版，再决定要不要上工具。

延伸阅读

• 视频信源崛起：AI 开始引用你的短视频了——抖音权重 8→10 月 +10 个百分点（151 期）
• 六个平台六种”口味”：一次生产，多端适配，怎么落？——内容怎么派生（158 期）
• AI 的答案是流动的：GEO 没有”做完”，只有”复测”——月度复测 + 推荐率 60（159 期）

{
“@context”: “https://schema.org”,
“graph”: [
{
“@type”: “Organization”,
“@id”: “https://www.geoshizhan.com/#org”,
“name”: “GEO实战”,
“url”: “https://www.geoshizhan.com/”
},
{
“@type”: “WebSite”,
“@id”: “https://www.geoshizhan.com/#website”,
“url”: “https://www.geoshizhan.com/”,
“publisher”: {
“@id”: “https://www.geoshizhan.com/#org”
}
},
{
“@type”: “Article”,
“headline”: “大模型开始「挑信源」了：你的稿子发在对的地方了吗”,
“description”: “凤凰网 10 月 30 日对 10 个主流 AI 平台做了一轮信源结构实测（16 条提问 × 3 天）：文心一言的第一信源是百家号（占 31 个百分点），DeepSeek 系是知乎（31 个百分点），豆包系是抖音（约 40 个百分点）。同一篇稿子，发在不同地方，被引用概率差几倍——铺在平台不读的渠道上，等于没发。更反直觉的是复利：一篇被引用 50 次的内容，价值大于 50 篇各被引用 1 次。大模型倾向引用它「见过且确认过」的信源，反复引用会逐渐变成某个问题的默认答案。GEO 不是铺得越多越好，是在关键问题上做出「标准答案」。”,
“datePublished”: “2026-10-31”,
“dateModified”: “2026-10-31”,
“author”: {
“@type”: “Organization”,
“name”: “GEO实战”
},
“publisher”: {
“@id”: “https://www.geoshizhan.com/#org”
},
“image”: “https://www.geoshizhan.com/wp-content/uploads/2026/10/geo_160_cover.png”,
“mainEntityOfPage”: “https://www.geoshizhan.com/llm-source-pool-first-source-geo-2026/”,
“isPartOf”: {
“@id”: “https://www.geoshizhan.com/#website”
}
},
{
“@type”: “FAQPage”,
“mainEntity”: [
{
“@type”: “Question”,
“name”: “第一信源占比 40/31/31 是固定数字吗？”,
“acceptedAnswer”: {
“@type”: “Answer”,
“text”: “不是。这是 10 月 30 日 16 条提问 × 3 天的实测（平台级口径），不同时间窗口会有波动。结论以结构性差异为主——豆包偏抖音、文心偏百家号、DeepSeek 偏知乎，这个结构性倾向短期不会变。”
}
},
{
“@type”: “Question”,
“name”: “只有抖音资产但目标客户在文心场景，怎么办？”,
“acceptedAnswer”: {
“@type”: “Answer”,
“text”: “按平台信源池占位——目标在文心就补百家号内容资产，目标在 DeepSeek 就补知乎储备。没有对应内容资产的品牌，先补资产再谈 GEO。在平台不读的渠道铺量 = 浪费。”
}
},
{
“@type”: “Question”,
“name”: “反复引用复利和铺量打法哪个对？”,
“acceptedAnswer”: {
“@type”: “Answer”,
“text”: “反复引用复利对，铺量错。但复利前提是\”在关键问题上做标准答案\”——选 1 到 2 个高频问题做透，让大模型反复引同一个信源。铺 50 篇浅内容是负优化。”
}
},
{
“@type”: “Question”,
“name”: “引用可追溯需要买工具吗？”,
“acceptedAnswer”: {
“@type”: “Answer”,
“text”: “最低标准不需要——158 期口径可回溯四条（平台名+问题原文+时间戳+是否提到品牌+引用了谁）人工记录即可。规模化再上工具。先跑通人工版，再决定要不要上工具。”
}
}
]
}
]
}