被动监控看到陈述，主动探测看到问题
被动监控以品牌词、产品词和风险词为入口，发现媒体、社媒与公开网页已经说了什么。主动探测则以用户任务为入口，向项目实际接入的 AI 入口提交固定问题，观察品牌是否出现、事实是否正确、条件是否完整。
两者不能互相替代。公开讨论可以帮助发现真实问法，主动探测验证这些问法在 AI 答案里如何被处理；完整监测边界可参考AI 答案管理定义。
七类问题，七种验收标准
| 问题类型 | 用户真正要完成的事 | 首要核验 |
|---|---|---|
| 身份 | 弄清品牌是谁、属于谁 | 主体、名称、关系与地区 |
| 产品事实 | 确认参数、价格、状态 | 型号、版本、时间与来源 |
| 使用场景 | 判断是否适合自己 | 人群、条件、限制与替代 |
| 比较 | 在候选之间权衡 | 同对象、同口径与取舍 |
| 推荐 | 获得可行动候选 | 推荐理由、排除条件与风险 |
| 风险 | 判断争议是否影响决策 | 事件状态、时间线与证据 |
| 服务政策 | 解决购买后的问题 | 地区、资格、生效时间与例外 |
同一个品牌可能在身份题上准确，却在推荐题里完全缺席；也可能在比较题中被肯定，但服务条件已经过时。把七类问题混成一个总分，会掩盖真正需要处理的部门。
跨模型差异要按问题类型解释
国内主流 AI 产品的入口、模式和可见来源不同，同题回答出现差异是常态。下面仅说明记录方法：示意·非真实客户数据，入口甲、乙、丙不对应任何特定模型。
用户问：“这个品牌的产品适合带孩子出行吗？”入口甲给出正向推荐但没有年龄限制；入口乙列出限制却混入旧型号；入口丙不推荐，并以无法核验的售后信息为理由。三条回答不是简单的正、中、负，而分别暴露完整性、准确性和证据问题。
因此，模型差异分析应保存完整问题、回答、时间、地区、语言、会话条件与实际展示来源。没有这些条件，就只能保留为不可比样本。
三维答案质量如何落到每一类问题
准确性：将回答拆成独立事实，对照现行责任源判断正确、错误、过时、冲突或无法核验。
完整性：仅检查完成当前决策必需的条件，不以篇幅长短打分。
情感倾向：标注评价针对品牌、产品、服务还是某类用户，并保留理由；“不适合某场景”不等于品牌整体负面。
指标分母和抽检方式可沿用AI 答案表现监测口径。错误事实应进入系统化修复指南，推荐缺席则先检查候选与理由，不混成同一个工单。
从问题池到责任路由
- 收集真实问法：从客服、销售、站内搜索、公开评论和业务访谈汇总，但不默认系统已接入非公开数据。
- 去重并分类：保留人群、场景、地区和时间差异，合并只换语气的重复问法。
- 绑定事实基线：为每类问题指定官方责任页、独立评价或风险时间线。
- 指定负责人：身份交品牌或法务，参数交产品，政策交运营，风险交公关与法务，推荐理由由品牌与产品共同复核。
- 建立复测组：高风险、快变化问题提高优先级；稳定事实保留固定基线。
问题分类不是一次性标签。新品发布、地区扩张或政策变化后，旧问题可能需要新版本，不能把新旧样本直接拼成趋势。
最小可用的问题卡
每个问题至少包含：原始问法、类型、意图、是否点名品牌、人群与场景、地区与时间、事实责任人、合格答案要点、禁止外推项、入口范围、复测节奏和原始样本链接。
若要扩展为固定治理清单，可接入品牌 AI 问题路由体系。成熟的问题分析不是猜用户还会问什么，而是让每类问题都能找到正确事实、责任人和关闭条件，让主动探测真正转化为可执行的答案治理。