一句话定义
Prompt Universe 是围绕品牌、品类、竞品、风险和用户场景设计的 AI 答案探测问题集系统。
可以把它理解成品牌在 AI 世界里的「考试题库」。随机问 AI 几个问题，只能得到碎片感觉；用固定题库持续测试，才能知道品牌在哪些问题上缺席、被误解或被竞品压制。
_概念示意图：星图仅表达问题集的结构化组织，不代表真实题库规模。_
起源与背景
传统监测通常采集已经发生的内容，例如新闻、帖子、评论和搜索结果。但 AI 答案并不总是公开静态存在，它往往在用户提问时即时生成。
因此，品牌需要主动构造问题，去探测模型会如何回答。这就是 Prompt Universe 的基础：用系统化问题代替临时提问。没有稳定题库，提及率、推荐率和 Answer SoV 都无法跨周期比较——因为你不知道自己是在测同一场考试，还是每次换了一套卷子。
它与主动探测密切相关，是衡量Answer SoV和AI 可见性的前提。产品侧的问题地图实践，可参考品牌 Prompt Battle Map。
Prompt Universe 包含哪些问题
一个完整的问题宇宙通常包含五类问题：
| 问题类型 | 示例方向 | 观察重点 |
|---|---|---|
| 品牌事实 | 这个品牌是什么、适合谁 | 是否说对品牌实体和定位 |
| 品类推荐 | 某类需求有哪些品牌值得考虑 | 是否进入候选和推荐理由 |
| 竞品比较 | A 和 B 哪个更适合某场景 | 是否被公平比较 |
| 风险疑问 | 这个品牌有什么缺点或争议 | 是否出现旧负面或幻觉 |
| 场景决策 | 某预算、行业、角色如何选择 | 是否进入真实业务语境 |
_概念示意图：图标分区仅表达题型结构，不表示某一行业的固定题量配比。_
这五类问题共同构成 AI 答案里的品牌决策环境。只测「品牌是什么」会低估推荐缺口；只测「推荐谁」又会漏掉事实错误与风险残留。题型配比应随品类决策链路调整，但核心集合应保持稳定以便复测。
与关键词库的区别
Prompt Universe 不是关键词库。
| 维度 | 关键词库 | Prompt Universe |
|---|---|---|
| 基本单位 | 词或短语 | 完整问题 |
| 使用场景 | 搜索排名、内容覆盖 | AI 答案探测 |
| 关注重点 | 是否覆盖关键词 | 模型如何生成判断 |
| 输出结果 | 排名、流量、点击 | 提及、推荐、引用、准确性 |
| 变化节奏 | 可随 SEO 项目频繁增删 | 核心题应长期稳定，扩展题可专项增减 |
关键词库更适合 SEO，Prompt Universe 更适合 AI 可见性管理。两者可以关联——高频搜索意图可转写成自然问句——但不能互相替代。把「关键词覆盖率」直接当成「AI 推荐能力」，会系统性高估或低估真实表现。
设计原则
设计 Prompt Universe 时，建议遵循四个原则：
- 接近真实用户问题。 不要只用内部术语，要模拟用户、采购、媒体、投资人或消费者的真实问法。
- 覆盖决策链路。 从认知、比较、评估、风险到购买，每一步都要有问题。
- 保持可复测。 核心问题不要频繁变化，否则无法比较趋势。
- 允许分层。 核心问题用于长期追踪，扩展问题用于临时专项（新品、危机、竞品动作）。
额外两条实操约束也很关键：
- -点名题与不点名题分开。 「XX 品牌怎么样」更适合检查实体与事实；「某场景推荐哪些品牌」更接近自然候选能力。
- -记录提问版本。 同一意图的措辞微调也会改变答案，版本号应与答案样本一并留存。
好的问题集不是越多越好，而是能稳定反映品牌在关键场景中的表现。题目膨胀却缺少分层，只会让复测成本上升、结论变钝。
落地时还可以加一条「禁止项」：不要把内部 KPI 口号、产品 roadmap 黑话、未公开代号写进对外探测题。题库服务的是用户真实问法；用内部语言测模型，得到的是内部幻觉，不是市场可见性。
在品牌 AI 可见性中的实践意义
Prompt Universe 能帮助品牌发现三类问题：
- -缺席问题：用户问到某类需求时，AI 没有提到品牌。
- -误解问题：AI 提到品牌，但定位、功能或事实错误。
- -竞争问题：品牌出现了，但竞品被解释得更清楚、更可信。
这些问题都能转成具体动作：补事实页、更新 FAQ、修正竞品比较页、处理负面来源、增加权威引用。审计流程可参考AI 可见性审计。
对管理层而言，Prompt Universe 的价值是把「我们感觉 AI 好像不怎么提我们」变成「在哪几道核心题、哪几个模型、哪一类场景上缺席或失真」——从而能排优先级，而不是靠偶发截图做决策。
维护节奏建议
- -核心题：按季度复核意图是否仍代表真实决策，措辞尽量不动。
- -扩展题：跟随新品、活动、危机或竞品动作临时增减，用完可归档。
- -失效题：用户已经不再那样问、或品类边界已变的题目，应退役并注明原因。
- -答案样本：至少保留足以回看的原文片段，方便核对提及语境与推荐语气。
没有维护节奏，题库会慢慢变成「历史问卷」：表面上覆盖很广，实际上已偏离当前用户问法。
覆盖矩阵：先定「测什么」，再定「测多少」
一个可管理的 Prompt Universe，通常用矩阵而不是清单来设计：
| 轴 | 示例分层 | 作用 |
|---|---|---|
| 意图轴 | 事实 / 推荐 / 比较 / 风险 / 场景 | 保证决策链路不被某一类题垄断 |
| 受众轴 | 消费者、采购、渠道、媒体、投资人 | 同一品类不同问法差异很大 |
| 约束轴 | 预算、行业、地区、合规、交付周期 | 逼近真实决策条件 |
| 点名轴 | 点名品牌 vs 不点名品类 | 区分「实体准确性」与「自然候选能力」 |
题目数量不是目标。更稳妥的做法是：核心题保持少量且长期稳定，用扩展题覆盖临时战役；若某类意图长期无题，对应指标就会系统性盲区。
抽样、复测与样本留存
完整普查所有可能问法不现实，也没必要。品牌需要的是可复测的代表样本：在同一边界内，用固定核心题跨模型、跨周期对照。
操作上建议：
- 每次探测记录模型版本、提问原文、答案原文片段、品牌呈现标签。
- 同一意图若有多措辞，必须带版本号；不要把措辞漂移当成业务变化。
- 危机或新品期间可临时加重扩展题，但复盘时要标明「专项窗口」，避免污染长期趋势。
- 样本至少保留到下一次口径变更之后，方便审计「当时到底说了什么」。
没有样本留存的题库，只能产出截图印象，无法支撑治理与追责。
对第一次建设题库的团队，可以用最小可行集合起步：每个意图轴各 3–5 道核心题、覆盖 2–3 个主要模型、先跑两到三个周期。先证明「能复测、能对照、能驱动动作」，再扩受众轴与约束轴。过早追求「题库很大」通常会拖垮标注与解读带宽。
Prompt Universe 与内容生产也应双向连接：探测发现的缺席题与误解题，应回流到事实页、FAQ 与比较页；新上线的事实资产，也应回写进对应核心题，验证「补完是否被模型吸收」。只生产不回测，题库会沦为装饰。
若团队已有 SEO 关键词库，可把高意图词转写成自然问句作为候选，但必须经过「真人会不会这么问」的审核，再进入核心层。关键词覆盖率高，不等于 Prompt Universe 合格。
从题库到动作的最短闭环
Prompt Universe 只有接到动作，才算完成定义里的「系统」二字。最短闭环通常是四步：
- 探测：在固定核心题与模型清单上跑当期样本。
- 标注：按缺席、误解、竞争压制三类给答案打标签，并保留原文片段。
- 归因：判断根因更靠近实体事实、比较框架、权威来源，还是风险残留。
- 回测：改完事实页 / FAQ / 比较页后，用同一题版本复测，确认变化来自内容而非措辞漂移。
跳过标注与归因，题库只会变成「又一批截图」；跳过回测，动作无法证明有效。对第一次建设的团队，宁可核心题少而闭环完整，也不要题很多却每月只产印象。
作为 D 集群相关的基础概念，本词条负责定义「问题宇宙是什么、如何设计与维护」；具体战斗地图与探测产品形态，可继续阅读品牌 Prompt Battle Map 等实践页，把题库接到可执行的诊断闭环。
延伸阅读
- -了解探测方法，见主动探测（Active Probing）。
- -了解答案份额，见Answer SoV。
- -了解问题集产品页，见品牌 Prompt Battle Map。
- -了解 AI 可见性审计，见AI 可见性审计。
Prompt Universe 的价值，是把随机问 AI 变成可管理、可复测、可行动的品牌诊断系统。