文心一言 · 消费电子/家电选购
长在百度搜索与知识生态，回答「这类怎么选」时更依赖能被收录、可检索的事实页。品牌若只有宣传图、缺一页现行的品类适配说明，容易在候选里直接缺席，或被按旧定位错误归类。先补可收录、写清适用人群的选购事实页。
解决方案
想提升推荐率，先问：助手凭什么把你放进候选
国内助手分散在对话、搜索、内容与交易入口。被推荐，通常意味着：在目标问法下你出现在候选里，且理由说得对。刷曝光或堆软文，替代不了「可被选用的事实与场景匹配」。
你现在在哪里
先判清缺席、错推还是越界，别急着算一个总推荐率
若助手频繁提到你但理由错误，那是风险放大，不是成功。值数把当前状态拆成三层：目标问法下是否进入候选、理由是否可对回现行材料、适用边界是否被保留。分别记录「缺席」「理由错误」「条件缺失」「正确入选」，才知道该做增长还是先止血。
国内场景还要按入口拆：对话助手更常承接口语场景与公开讨论；搜索驱动型依赖可达事实页；内容或交易内嵌型还受平台内字段一致性影响。先选一个业务主战场，再固定用户角色、场景、候选范围和问法包。没有这些约束的百分比，只会把不同问题平均掉。
具体平台 × 品类：推荐处境为何不同
同一句「帮我选」，各家国内助手把你推进候选的门槛不一样
Kimi · B2B 服务/复杂耐用品
主打长文本与联网检索，面对「哪种情况适合、哪种不适合」更吃有目录、带条件的完整说明。只有零散短句时，它给的推荐理由会笼统，甚至把适用边界讲丢。把适用与排除写成一段可整体抽取的说明，理由才立得住。
通义千问 · 家电/数码
连着阿里云与电商生态，同一品牌会被放进「企业能否对接」和「消费者值不值得买」两种语境。官网、云市场与店铺口径不一时，可能一处把你推进候选、一处把你推给错误人群。先对齐店铺参数与官网现行事实。
豆包 · 美妆/快消
贴近字节内容生态与口语场景，用户爱用大白话问「哪个好用」「敏感肌能不能用」。只有书面通稿、缺真实使用场景表达时，容易被讲得含糊，或把适用建议说成绝对承诺。补贴近真实犹豫的场景化说明，别只留免责声明。
腾讯元宝 · 服务与私域场景
会话与内容检索交织，品牌能否被推进候选，既看公开内容，也看服务说明是否可被引用。对客政策与权益边界散在旧材料里，容易被复述成互相矛盾的承诺。相关做法见 企业微信/办公助手可见性。
怎么读这组差异
结论不是给平台排名，而是判断「在哪家、先补哪类材料」。值数 MATRIX 把这些按入口分开的诊断统一收进监测→洞察→执行→复测：同一问法留证、把缺口派成负责人与截止、改完用原问题复看，推荐处境的变化才有据可查。
两种提升法
催点名，和补「可被选用的理由」，是两条路
做法
催出现/催点名
补可被选用的理由
动作重心
催出现/催点名
更多提及、更多软文、更多关键词
补可被选用的理由
现行事实、场景匹配、边界句可抽取
短期观感
催出现/催点名
截图里名字变多
补可被选用的理由
候选理由开始说得对
长期风险
催出现/催点名
错误理由被反复推荐
补可被选用的理由
改造可沉淀为事实底座
适不适合国内分散入口
催出现/催点名
一套话术到处贴
补可被选用的理由
按入口类型分配材料形态
你想去哪里
目标不是名字更多，而是正确入选更稳定
锁定主战场入口
对话、搜索、内容还是交易——主战场不清，推荐率无法定义。目标要绑定真实决策入口。
目标问法包
用真实「帮我选/适不适合」问法，而不是只测品牌词；每题写清人群、场景与限制。
候选理由可对回
助手说的卖点必须能在现行页或货架字段找到，并且结论与适用条件同时出现。
错误推荐先止血
把你推给错误人群，比没推更伤；先修越界、串主体与旧事实，再追求候选覆盖。
怎么走
从基线诊断到复看，完成一轮可执行的推荐率提升
每一步都要留下问题、证据、材料与责任人，避免把“多发内容”当成万能解法。
步骤 01
第一步：定义成功与保护线
品类选型、场景适配、对比短名单——写清哪类问法下算正确推荐；同时写明不适用人群、禁止越过的承诺和必须保留的条件，避免用闲聊点名充数。
01
02
步骤 03
第三步：把错误映射到材料
搜索型补可达事实页；对话型补口语场景下可核对说明；交易型对齐属性与详情。每个缺口指定页面、事实负责人和完成时间，不用“加强内容建设”这类无法验收的任务。
03
04
对照
推荐理由 vs 你该被选的条件
理由对不上条件时，提升推荐率等于提升误推率。
左右滑动查看完整界面
问法
选型与适配问法。
理由
助手凭哪句话选你。
条件
现行边界是否支持。
提升
正确入选是否变稳。
误区
六个推荐率提升误区
把提及次数当推荐率
点名不等于进入可选用候选。修法：同时记录候选位置、推荐理由与适用条件。
全入口平均用力
主战场不清，投入无法沉淀。修法：先按业务决策入口定一个主战场，再扩展第二入口。
用投放热度代替事实页
热度过去后，错误理由仍可能留下。修法：让每个推荐理由都能回到现行事实页。
鼓励助手「多夸」
越界夸奖会变成误推燃料。修法：把不适用情形与限制条件写进可摘取段落。
忽略竞品被正确描述
短名单场景里，你的边界不清会被挤出。修法：比较“为什么选它”，而不是只统计谁出现。
用伪造百分比定 KPI
没有样本约定的推荐率数字没有管理价值。修法：先冻结问题集、窗口和标注规则，再谈趋势。
国内助手推荐率的提升，本质是提高「正确入选」的稳定性，而不是提高名字出现的音量。
值数对国内 AI 助手推荐率的基本判断