在企业推进生成式引擎优化（GEO）的日常工作中，市场与运营负责人最常遇到一个令人困惑的现象：上午用某个行业问题测试豆包，参考来源列表里出现了自家的官网或行业媒体稿件，正文里也提到了品牌名称；到了下午，用完全相同的一句话再次提问，参考来源列表里的网站域名却换了一批，甚至连正文中提及的品牌与机构名单都发生了变化。

围绕这一现象，企业团队在评估豆包geo召回效果时，通常会提出三个核心问题： 第一，豆包检索源包含哪些？它的“引用池”到底是一个固定的静态网站白名单，还是每次生成时动态抽样的候选集合？ 第二，为什么同一天内用一字不差的相同问题重复询问，豆包检索的来源域名与回答正文里的推荐实体每次都在波动？ 第三，当企业页面出现在参考来源列表中，是否就证明模型触发了实时搜索调用、且页面内容已经被答案正文真正吸收？

在官网此前的《中文AI检索通道与豆包机制：三层结构与GEO实操判断》一文中，我们从静态结构维度梳理过检索通道与通道内来源类型（如百科、新闻媒体、垂直平台、机构官网等）的层次划分；在《换个问法，豆包还会提到同一个成都楼盘吗？》与《跨平台GEO度量框架：从多源数据整合到效果评估的系统化指南》中，我们分别讨论了不同问法（Query 变体）带来的结果偏移以及跨平台宏观指标的整合逻辑。

本文将切入一个更底层的垂直切面——在完全相同的题面与同日快照条件下，拆解豆包的检索召回与引用池动态替换机制。文中引用的全部统计数据，均来自作者王涛（Taomir）公开的 geo-open-dataset v1.0.1 数据集及基于该公开数据集重算的未投稿预印本（涵盖六个成都行业批次 B01–B06、共 234 道作者设计题目、1,686 条有效回答，采样于 2026-09-29 至 2026-10-16）。通过这组实证数据，我们可以看清豆包引用池检索的真实运行特征。

一、豆包检索源包含哪些？从“静态白名单”误区到“头部集中 + 长尾动态替换”

许多市场负责人在初次接触 GEO 时，习惯沿用传统搜索引擎时代的“排位”思维，认为只要摸清豆包检索源包含哪些站点、把内容投放到所谓的“白名单媒体”上，就能获得稳定的引用展示。然而，公开数据集的统计结果揭示了一个看似矛盾实则统一的底层特征：豆包的来源域名分布呈现出显著的“头部高度集中”与“同题长尾动态替换”并存的结构。

头部效应：前五域名贡献约半数至近三分之二的引用份额

根据未投稿预印本对公开数据集的重算结果，在豆包覆盖的各个行业批次中，来源前五域名占全部引用的比例达到 48.28%–64.39%。

这一区间数据说明，无论是在住宅、进销存软件、婚纱摄影、留学咨询、汽车贴膜还是高新南改善住宅批次中，豆包检索的来源都存在极强的头部聚集效应。头部站点构建了模型回答行业问题的基础信源底座，占据了约一半到近三分之二的参考来源席位。

动态替换：同日同题重复采样下，97.22% 的题目来源域名并集发生变动

既然前五域名占比高达 48.28%–64.39%，这是否意味着单次提问看到的来源列表就是固定的静态名单？答案是否定的。

为了观察同题重复提问时的引用池稳定性，我们在 B05（汽车贴膜，豆包）批次中进行了同日首组与追加组的重复采样对比。统计结果呈现出强烈的动态波动特征：

  • 在 B05 批次的 36 道题中，首组与追加组有 35 道题的来源域名并集不同，波动比例高达 97.22%；
  • 首组与追加组来源域名集合的平均 Jaccard 相似度仅为 0.437；
  • 具体到替换方向上，追加组中有 28 道题出现了首组没有的新域名，同时有 33 道题在首组中出现的部分域名未在追加组中再现。

这组数据直接回答了市场负责人的疑惑：为什么同一天问同一个问题，看到的参考网站不一样？因为豆包引用池检索并非从一个封闭的静态小名单里全量读取，而是在“头部高频域名底座 + 候选池动态抽样”的机制下运行。在单日快照的重复生成中，除了极少数高频头部域名保持较高重现率外，大量中长尾域名处于持续的“进入与滑出”状态（36 道题中有 28 道引入新域名、33 道丢失原有部分域名）。

预印本分析进一步指出：简单累积总域名数会隐藏底层的替换过程，且现有的重复采样次数仍不足以识别来源全集。如果运营团队仅凭单次截图来汇报“我们的链接已经进入豆包引用池”，或者把多次测试的域名简单相加来衡量覆盖面，就会掩盖高比例的动态替换风险——今天首组测试里出现的页面，在同日追加测试中很可能属于那“33 道题中未再现的部分域名”。

二、“带来源列表”不等于发生实时搜索，非空率与列表长度是两套机制

在日常审阅外部 GEO 服务商结案报告时，企业市场负责人常会看到两类指标：一是“联网搜索触发率”（以回答是否附带参考来源列表、或回答正文中是否出现“已为您搜索”等字样为准）；二是“引用链接总条数”。

但从 geo-open-dataset v1.0.1 的联网字段分析来看，这两个常用汇报口径都存在明显的方法论漏洞。

联网字段边界：带来源列表或自称“搜索”不单独证明外部搜索调用

公开数据集对联网字段的核验明确指出：来源列表非空，或者回答文本中自称进行了“搜索”，并不单独证明后台实际发生了外部实时搜索调用。因此，企业不能把界面上展示的“参考资料卡片”简单等同于实时网页抓取的直接证据。

跨平台机制差异：来源非空率与列表长度不能混为一谈

在公开数据集的六个批次中，B02–B04 覆盖了豆包、DeepSeek、千问三个平台（B01、B05、B06 仅采样豆包）。通过跨平台对比可以清楚看到，不同生成式引擎在呈现参考来源时遵循着截然不同的产品机制。

以 B02（进销存软件）批次为例：

  • 某平台在 119/120 条回答中带有来源列表，但每条回答的平均来源数为 3.77 项；
  • 另一平台在 87/120 条回答中带有来源列表，但带来源回答的平均来源数高达 15.68 项。

这组对比清晰地表明：来源非空率（回答是否附带来源列表）与列表长度（单次列出多少个来源项）完全是两回事。某平台倾向于在绝大多数回答中附带精简的少量参考源（119/120 非空，均值 3.77 项），而另一平台触发来源列表的频次相对较低（87/120 非空），一旦触发则会挂载长列表（均值 15.68 项）。如果企业在做跨平台监测时不区分非空率与列表长度的机制差异，直接汇总“某月累计获得多少次链接展示”，列表更长的平台就会在绝对数量上产生虚假繁荣。

此外，不少内容团队直觉上认为：“只要让模型生成的回答越长，它引用的外部域名数量就会越多。”但数据检验同样推翻了这一线性假设：回答长度与来源域名数的相关方向会随行业批次发生变化——例如在 B01（住宅）批次中，两者的相关系数为 ρ=0.468（呈正相关）；而在 B04 批次中，相关系数则为 ρ=-0.042（近乎无关甚至微弱负向）。同时，跨平台同题回答的双字符集合题均 Jaccard 相似度仅为 0.08–0.10 左右，说明面对完全相同的题目，不同平台生成的文本组织与信息结构差异极大，不能用单一平台的字数或列表长度经验去套用其他平台。

三、进入引用池不等于正文吸收：同题实体集合波动与“点名题”假象

对于企业而言，研究豆包的检索召回最终是为了弄清：当页面进入引用池后，品牌或产品实体能否稳定地出现在豆包的回答正文里？

在探讨这一问题时，我们需要把观察颗粒度从“来源域名”推进到回答正文中的“实体集合（Entity Set）”。

三个豆包批次的实体稳定性实测：所有题目重复回答均发生实体变化

在公开数据集仅针对豆包进行密集采样的 B01、B05、B06 三个批次中，我们对完全相同题目的重复回答提取了正文实体集合，并计算了题均 Jaccard 相似度：

批次编号与行业类别题目数量同题实体集合题均 Jaccard重复回答中实体集合发生变化的题目占比
B01（住宅）50 道题0.24250 道题全部有变化
B05（汽车贴膜）36 道题0.37336/36 道题全部有变化
B06（高新南改善住宅）28 道题0.42228 道题全部有变化

可以看到，在 B01（50 道题）、B05（36 道题）和 B06（28 道题）中，没有任何一道题在同日重复回答中保持了完全一致的实体集合。在竞争激烈、候选标的众多的通用住宅批次（B01）中，同题实体集合的题均 Jaccard 仅 0.242；即便在范围更聚焦的高新南改善住宅批次（B06），题均 Jaccard 也仅为 0.422。

结合前文 B05 批次来源域名平均 Jaccard 为 0.437、实体集合题均 Jaccard 为 0.373 的数据可以发现：从“检索源域名抽样”到“正文实体生成”，波动是逐层传递的。即使某个来源域名在重复采样中侥幸留存，模型在生成答案正文时对证据的摘取与实体罗列依然存在显著的不确定性。

警惕验收陷阱：点名题组（0.538）与不点名题组（0.267）的本质差异

为什么有些企业在内部测试或服务商汇报中，觉得豆包对自家品牌的提及非常稳定？B06（高新南改善住宅）批次的分层数据揭示了背后的关键变量——题目中是否直接包含了实体名称（点名题 vs 不点名题）。

在 B06 批次中，我们将测试题目拆分为“点名题组”（题面本身带有特定楼盘或品牌名称，如询问某具体项目如何）与“不点名题组”（题面仅描述区域、预算或改善需求，不出现具体项目名）：

  • B06 点名题组的同题实体集合题均 Jaccard 达到 0.538；
  • B06 不点名题组的同题实体集合题均 Jaccard 仅为 0.267。

正如预印本所强调的：重复出现题面实体，根本不等于模型的主动推荐。当用户在问题里已经点出了品牌名，模型顺着题面主语展开回答是基本的指令遵循能力，这会让实体集合的稳定度（0.538）看起来比不点名需求题（0.267）高出一倍以上。如果市场负责人在制定 GEO 验收题集时，混入了大量包含自家品牌词或竞品词的“点名题”，得出的提及率与稳定度就会严重失真，无法反映品牌在真实潜在客户“按品类/按痛点提问（不点名）”时的豆包geo召回竞争力。这与我们在《类目词为什么优先于品牌词：GEO 的需求侧选词逻辑》及《GEO项目怎么验收？企业应该用什么标准判断是否达标？》中反复强调的诊断原则完全一致。

四、给企业市场与运营负责人的豆包 GEO 实操判断

面对豆包引用池检索中前五域名占比 48.28%–64.39% 的头部集中度，以及同日同题 97.22% 的来源域名并集波动率，企业市场与运营负责人应当如何调整自身的 GEO 诊断、审阅与复测策略？以下提供四项实操判断建议：

第一，在评估指标中严格区分“候选池召回”与“正文证据吸收”

不要再把“网页链接出现在豆包参考来源列表”直接定义为 GEO 的最终交付成果。出现在参考来源列表中，仅代表该页面在当次生成抽样中进入了候选池召回（Citation Selection）；而由于 B05 同日追加采样中有 33 道题的首组部分域名未再现、且回答正文实体集合题均 Jaccard 仅在 0.242 至 0.422 之间波动，页面能否在多次采样中稳定留存，且其核心事实与产品属性是否被模型真正提取进回答正文（即正文证据吸收，Citation Absorption），才是决定用户感知的关键。这正是我们在《GEO 五断点里最容易被忽略的一环：证据强度不足》中所拆解的核心断点。

第二，废除“单次截图报喜”，建立固定题集下的同题重复采样基线

单次提问的截图既不能证明品牌已经稳定占领引用池，也不能证明某次未出现就是彻底掉线。既然简单累积总域名数会掩盖替换过程，企业在做内部诊断或外部服务审阅时，应当参照《GEO 采样为什么必须固定题集、题集哈希与评分版本》的方法，锁定一组标准化测试题，在同一观察窗口内执行同题重复采样。重点监测两个核心指标：一是目标来源域名在多次重复采样中的重现率与 Jaccard 稳定度；二是核心实体在回答正文中的集合交集比例，而非单次偶发的命中。

第三，在题集设计中强制剥离“点名题”与“不点名题”

鉴于 B06 批次中点名题组（Jaccard 0.538）与不点名题组（Jaccard 0.267）存在显著的稳定性鸿沟，企业市场团队在构建业务监测库时，必须将两类题目分表核算：

  • 不点名题组（类目/场景/需求词）：用于评估品牌在公域增量需求下的真实主动召回能力；
  • 点名题组（品牌/产品对比词）：不作为“主动推荐率”考核，而是用于排查模型对品牌既有事实是否存在幻觉或信息偏差（可结合官网关于“AI 说错信息的三种错误类型”的文章中的分类框架进行事实纠偏）。

第四，兼顾头部权威信源底座与结构化事实供给

既然豆包各批次来源前五域名占比达到 48.28%–64.39%，企业在规划内容资产时，一方面需要识别所在行业批次中具备高权重的头部公共信源类型（如行业垂直资料库、主流资讯与百科通道等），确保品牌的基础公开信息在这些头部信源中准确、合规且可被公开索引；另一方面，鉴于回答长度与来源域名数的相关性随批次变化（B01 为 ρ=0.468，B04 为 ρ=-0.042），盲目堆砌长篇幅水文并不能换取更多的引用席位，提供高密度、结构化、易于模型核验与抽取的客观事实，才是提升正文吸收率的有效路径。

五、数据来源与边界

为保障研究结论的透明性与可复核性，本文所有实证数字均严格限定于以下已公开核验的数据源，并明确声明方法论边界：

1. 数据集与预印本来源：

  • 公开数据集：geo-open-dataset v1.0.1（提交哈希 8dec461），作者为王涛（Taomir，个人官网 https://taomir.cn ，ORCID：https://orcid.org/0009-0004-5104-1811 ）。数据集开源仓库地址为 https://github.com/TaoGEO/geo-open-dataset ，归档 DOI 为 https://doi.org/10.5281/zenodo.23718008 。数据部分采用 CC BY 4.0 协议授权，代码部分采用 MIT 协议授权。
  • 预印本说明：文中引用的来源域名占比、同题首组与追加组域名 Jaccard、实体集合题均 Jaccard、非空率与列表长度均值、相关性系数及双字符集合 Jaccard 等指标，均引自仅基于上述公开数据集重算的预印本。该预印本目前尚未向学术期刊或会议投稿，读者在引用时应严格区分“开源数据集/未投稿预印本”与“已同行评审发表论文”的证据强度边界。

2. 采样范围与复算核验：

  • 数据集包含六个成都行业批次（B01–B06），覆盖行业依次为：住宅、进销存软件、婚纱摄影、留学咨询、汽车贴膜、高新南改善住宅；共计 234 道作者设计题目、1,686 条有效回答，采样时间范围为 2026-09-29 至 2026-10-16。
  • 采样平台涵盖豆包、DeepSeek、千问（其中 B02–B04 批次覆盖三个平台，B01、B05、B06 批次仅覆盖豆包）。
  • 在 B01 批次的公开复算核验中，汇总指标一致 56 项 / 不一致 0 项，文章数字一致 24 项 / 不一致 0 项。

3. 方法论与商业外推边界：

  • 单日快照限制：B01–B06 每个批次均为单日快照，同一批次内的重复采样仅反映同日快照下的生成波动，不构成跨时点的独立时间序列观察。
  • 联网字段限制：数据集中记录的来源列表或回答文本自称“搜索”，不单独证明后台发生了外部搜索调用。
  • 非商业排名与非效果承诺：本数据集及本文分析不是行业排名，不评价任何具体品牌或第三方站点，亦不支持推断实际商业成交、线索转化或用户购买意向；模型回答中包含的任何具体主张，均未因被采样记录而自动成为客观事实。本文内容仅作为企业市场与运营团队进行 GEO 检索机制理解、指标审阅与复测方法设计的诊断参考，不构成任何固定排名或推荐结果的承诺。