AI 引用来源计数器:粘贴豆包、Kimi、元宝的引用列表,按网站和类型计数

· 约 13 分钟 · 作者

标注说明:【官方】出自官方文档;【实测】出自本站服务器日志或观测 #001 的公开数据;【推断】由前两者推出或来自第三方;【未知】现有数据回答不了。

目录
  1. 这个工具解决什么问题?
  2. 怎么用?
  3. 结果怎么读?
  4. #001 示例结果
  5. 分类表从哪来?
  6. 能做什么、不能做什么
  7. 常见问题
    1. 我粘贴的内容会被上传吗?
    2. 为什么有的来源没有被计入?
    3. 来源类型是怎么判断的?准吗?
    4. 为什么医美资讯站占比这么高?
    5. 能直接输入网址,让工具去抓 AI 的回答吗?

一句话说明:把豆包、Kimi、腾讯元宝、千问等 AI 回答里的引用列表粘进上面的框,就能看到这次回答引用了哪些网站、各占多少、哪类来源最多。打开页面时已经填好了观测记录 #001里 4 个平台的 37 个真实引用网址,所以结果是现成的【实测】。

这个工具解决什么问题?#

AI 助手回答「附近哪家好」「某某品牌怎么样」时,会在回答旁边列出参考资料。品牌方、商家和做 GEO 的人最想知道的是:它到底引用了谁?是官网、新闻、短视频,还是第三方资讯站?

一条一条看链接很慢,也很难比较。这个计数器只做三件事:

  1. 从粘贴的文字里抽出所有网址和裸域名(例如 m.qcc.com),重复的只算一个网址,但记下出现次数;
  2. 按网站(主域名)计数,看哪些网站被引用得最多;
  3. 按分类表给每个网址标上来源类型,算出占比。

它不判断来源好坏,也不给任何「评分」。

怎么用?#

  1. 1在 AI 助手的网页上提问,等回答出来后,展开「参考资料」「引用来源」之类的列表。
  2. 2全选复制(连标题一起复制也可以,工具只取网址),粘贴到上面的框里,结果会自动更新。
  3. 3看「来源类型占比」和「按站点计数」两张表;需要存档或对比时,点「下载 CSV」。

几点建议:同一个问题在不同平台各测一次,分别粘贴、分别下载,便于横向比较;记下提问时间、是不是新开的对话。观测 #001 里,同一对话里聊过的内容会改变后面的搜索词和推荐【实测】,所以是否新对话要写清楚。

结果怎么读?#

工具会把每一种情况写明,不会在没抽到东西时给出看起来正常的结果:

状态什么意思你可以做什么
正常抽到了网址,大部分能归类看两张表;未识别的网址可以自己归类
没抽到网址粘贴的文字里只有站名,没有链接回到 AI 页面,复制带链接的来源列表
都未识别抽到了网址,但没有一个在分类表里站点计数仍然有效,类型需要自己判断
有行没计入部分行只写了站名或视频标题这些来源本工具数不到,结果里会写有几行

占比按不同网址计算:同一个网址在回答里被引用 4 次,占比里算 1 个,「出现次数」一栏记 4。

#001 示例结果#

预填的是观测 #001 主会话第 3 问「苏州当地有哪些医美」4 个平台的引用网址,只有网址,不含标题【实测】。工具算出的结果:

平台取的是哪一层网址站点来源类型(网址数)
豆包参考列表里带网址的来源116短视频 4、新闻媒体 4、医院官网 2、健康医疗平台 1
Kimi回答里实际引用的网页88医美资讯站 5、健康医疗平台 1、微信公众号 1、其他 1
腾讯元宝引用列表1211医美资讯站 7、其他 3、微信公众号 2
千问送进模型的素材63医美资讯站 5、健康医疗平台 1
合计3726医美资讯站 17、短视频 4、新闻媒体 4、其他 4、健康医疗平台 3、微信公众号 3、医院官网 2

能看出的差别:豆包这次一个医美资讯站都没有引用,短视频和新闻各占 4 条;千问的 6 条素材里 4 条来自同一个医美资讯站;Kimi 的 8 个网页来自 8 个不同网站【实测】。四个平台取的「层」不一样(参考、引用、素材),只能各自看,不能直接比大小【推断】。

豆包这一问还有 6 条与一家诊所同名的来源,网址在公开数据集里已经删掉,这里没有计入;另有 12 条没有链接的视频卡片。千问「送进模型的素材」一层在数据集里列了 6 个网址,而埋点计数是 5 条,差 1 个的原因现有数据说明不了。详见 #001 的「数据与复算」。

分类表从哪来?#

分类表取自 #001 公开数据集 Maodian/opengeo-observation-001(固定版本 0ef3c61,CC BY 4.0)的 sources.jsonl:685 行来源里有 308 个不同主机名,去掉 1 个已脱敏的占位名后是 307 个,每个主机名取它在数据集里最常见的粗分类【实测】。同一个主域名下各子域名类型一致的(222 个),子域名也按主域名归类;不一致的只按完整主机名匹配。数据卡写明这套分类「不完全准确,仅供参考」【推断】。

数据集 685 行来源按类型的分布(这也是分类表覆盖得最好的几类):

来源类型行数例子(主机名)
其他(001 已见)192m.dianping.com、aiqicha.baidu.com、各类企业站
新闻媒体103www.sohu.com、www.163.com
微信公众号86mp.weixin.qq.com
政府/机构50www.suzhou.gov.cn、www.snd.gov.cn
百科49baike.baidu.com、baike.sogou.com
医美资讯站42www.verym.com、www.poucen.com
医院官网33www.wzrm-hospital.com
企业信息/工商32m.qcc.com、www.aiqicha.com
短视频14www.iesdouyin.com
品牌官网12网址在数据集中已脱敏,分类表里没有
健康医疗平台12m.39.net、search.xiaohe.cn
问答社区9wapask.39.net、zhuanlan.zhihu.com
榜单站7m.maigoo.com、www.cnpp.cn
招聘、电商/B2B、财报披露、博客/个人4、4、2、1m.zhipin.com

(另有 21 行类型为未知、12 行是没有网址的视频卡片,没有进分类表。)OpenGEO 另外补了 3 个主机名:数据集归为「其他」的 m.dianping.com、www.dianping.com 归为「点评/生活服务」,aiqicha.baidu.com 归为「企业信息/工商」【推断】。因为样本来自一个医美问题,医疗、本地生活以外的行业,未识别会比较多【推断】。分类表生成脚本和数据文件在本站仓库里(tools/solutions/make-source-data.py、data/source_classes.json),可以复算。

能做什么、不能做什么#

能做:

  • 从任意粘贴文字里抽网址和常见后缀的裸域名(.com、.cn、.com.cn、.gov.cn 等);
  • 去重、按主域名计数、按分类表归类、算占比、导出 CSV(Excel 可直接打开)。

不能做:

  • 不能抓取 AI 平台的回答,也不能登录任何平台;
  • 数不到只有站名或封面、没有链接的来源;
  • 不判断一个网站的可信度,也不推测某个来源在 AI 排序里的权重。观测 #001 里,被检索、被读取、被引用是三回事:千问检索到 20 条素材,只把 5 条送进模型【实测】。

想按场景看怎么用它,见品牌想知道 AI 回答引用了哪些来源。

常见问题#

我粘贴的内容会被上传吗?#

不会。抽取、计数和分类都在你的浏览器里完成,页面不向任何服务器发送你粘贴的文字。下载的 CSV 也是在浏览器里生成的。

为什么有的来源没有被计入?#

本工具只认网址和域名。AI 页面上只写了站名(例如「中华网」「抖音」)、没有链接的来源,或者只有封面的视频卡片,抽不出网址,结果里会提示有几行文字没有网址。观测 #001 里,豆包参考的 29 篇中就有 12 条是没有链接的视频卡片。

来源类型是怎么判断的?准吗?#

按域名查分类表。分类表来自观测 #001 公开数据集里 307 个主机名的粗分类,数据卡写明「分类不完全准确,仅供参考」。表里没有的域名显示为「未识别」,以 .gov.cn 结尾的按政府/机构归类。

为什么医美资讯站占比这么高?#

因为示例问的是「苏州当地有哪些医美」。37 个网址里 17 个来自医美资讯站,这是这一个问题、这一次观测的结果。换一个行业或问题,占比会完全不同,所以请用你自己行业的问题测。

能直接输入网址,让工具去抓 AI 的回答吗?#

不能。本工具没有后端,不登录任何 AI 平台,也不抓取网页。需要你自己在 AI 页面上复制回答或引用列表,再粘贴进来。