NiubiGEO架构深度解析：一条AI回答如何变成可测量的数据点

NiubiGEO架构深度解析：一条AI回答如何变成可测量的数据点

【免费下载链接】niubigeoOpen-source AI brand visibility and competitor reports. Official website: https://niubigeo.ai/ | Paid services: AI testing by real people and GEO optimization. Pricing: https://niubigeo.ai/pricing项目地址: https://gitcode.com/gh_mirrors/ni/niubigeo

NiubiGEO 是一个开源的 AI 品牌可见度监测工具，它的核心使命只有一句话：把 AI 回答变成可测量的数据点。当你想知道"用户问 AI 时，我的品牌是否会被提到"，NiubiGEO 会用固定的协议向多个模型提问，把每次回答完整归档、解析，再聚合成带分子、分母的指标点，最终画成可对比的可见度曲线。这篇文章带你沿着一条真实回答的生命周期，拆解这套 GEO 测量引擎的完整架构。

4个阶段：从一次提问到一张图表

整条链路可以用 4 个阶段概括：

① 冻结测试条件 → ② 先归档后解析 → ③ 结构化提取 → ④ 聚合成指标点

对应源码主目录在 src/product/，完整的模块职责表见 docs/ARCHITECTURE.md。

阶段一：冻结条件，让每次回答"可比"

测量的前提是条件可控。NiubiGEO 会先把模型选择、语言、联网模式（离线 / Provider 原生搜索）、协议版本打包成一个不可变的Baseline 快照，之后每次运行都引用它。

提问时，发送给模型的只有规范化域名、语言和固定协议指令——不注入品牌名、别名、竞品名单或官网正文。这样得到的回答才是"模型自己怎么看你"，而不是被提示词引导的结果。参数默认temperature=0、maxTokens=900，详见 docs/how-it-works.md。

这里设计了两种探针：

阶段二：先归档，后解析

这是整套架构里最值得新手注意的设计：回答原文永远先落盘，再做任何解析。

服务收到模型响应后，先写入一个带完整原文的response_saved尝试记录（Attempt），然后才尝试解析结构化内容。请求失败、响应截断、字段缺失、解析失败，是被严格区分的不同状态——解析失败不会丢弃原文，而是保留失败归档。

实现见 src/product/recognition/recognition-service.ts。这意味着你看到的任何结论，背后都有一份可复核的原始回答，而不是一个"算出来就完了"的黑盒分数。

阶段三：结构化提取，每个字段都带定位

归档之后，本地解析器把回答拆成结构化字段：

• 域名识别声明：recognized / not_recognized / unknown
• 业务描述、产品类别：模型眼中的你是做什么的
• 竞品与逐竞品关键词：模型把谁当成你的对手
• 引用与 URL：Provider 返回的引用、回答正文中出现的普通链接——三类来源严格分开记录
• UTF-16 偏移定位：每个字段证据都记录了它在原文中的精确位置（如[173, 726)），可用"切出原文该片段是否等于引用文字"来机器复核

这套规则完整定义在 docs/evidence-model.md，字段状态表（如"合法空数组 ≠ 现实中不存在"）对新手理解"AI 报告该怎么读"非常有帮助。

阶段四：一条回答如何变成数据点

单次回答只是"观察"，变成测量靠的是重复与聚合。每次测量运行按固定链路展开：

MeasurementRun → MeasurementModelRun → ProbeRun（计划观察） → ProbeAttempt（执行尝试）→ 指标点

统计服务 src/product/measurements/measurement-stats.ts不调用任何模型，它只读取已归档的探针结果，按公式生成指标点：

两个关键细节值得记住：

1. 重试不增加样本——同一探针只取第一次尝试，保证曲线不被"刷出来"；
2. 0% 与 null 是两回事——真实未命中是有效分母下的 0%，无法计算才是 null。完整公式见 docs/measurement-methodology.md。

最终，工作台把指标点按模型、对象、关键词、时间画成图表（界面代码在 src/ui/product-phase5-app.ts），你可以点开任一个数据点，一路回溯到那几条原始回答。

亲自验证：20个公开案例

不用安装也能看到这套架构的完整产物。仓库内置 20 个真实域名的双语研究案例（含原文、引用、费用与失败状态），每个案例的result-summary.json里就存着可重算的指标点：

• 案例入口：examples/README.md
• 推荐从 R04 · posthog.com 读起：它保留了三轮测量（含一次真实定时触发）、原始回答与来源分类
• 研究计划与输入冻结在 examples/study-plan.json

小结

NiubiGEO 的架构可以浓缩为一句话：条件冻结 → 原文优先归档 → 带定位的结构化解析 → 可回溯的指标聚合。它不承诺"AI 内部在想什么"，只承诺你看到的每个数字都能沿证据链回到某一条原始回答——这正是开源 GEO 测量工具与黑盒 SaaS 报告的最大区别。想继续深入，可以从 docs/ARCHITECTURE.md 的数据关系图和 docs/measurement-methodology.md 的指标定义读起。

【免费下载链接】niubigeoOpen-source AI brand visibility and competitor reports. Official website: https://niubigeo.ai/ | Paid services: AI testing by real people and GEO optimization. Pricing: https://niubigeo.ai/pricing项目地址: https://gitcode.com/gh_mirrors/ni/niubigeo