| 理论 | 出处 | IDAEO 怎么用 |
|---|
| 本书图 8-2 列出的 17 项学理（19 条出处） |
|---|
| 检索增强生成 | Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., 等（2020）。Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks。Advances in Neural Information Processing Systems 33（NeurIPS 2020）。arXiv:2005.11401。 | AI 回答前先检索 → 当场来读 |
| 委托代理 | Jensen, M. C., & Meckling, W. H.（1976）。Theory of the firm: Managerial behavior, agency costs and ownership structure。Journal of Financial Economics, 3(4), 305–360。 | AI Agent 是客人的代理人 |
| AI 可读标准（robots 协议） | Koster, M., Illyes, G., Zeller, H., & Sassman, L.（2022）。Robots Exclusion Protocol。RFC 9309，IETF（Proposed Standard），2022 年 9 月。 | AI 读网站有规矩 → AI 放行 |
| AI 可读标准（结构化数据词汇） | Schema.org。About Schema.org。Schema.org 社区（创始公司：Google、Microsoft、Yahoo、Yandex）。 | AI 读网站有规矩 → AI 放行 |
| 顾客旅程（消费者决策旅程） | Court, D., Elzinga, D., Mulder, S., & Vetvik, O. J.（2009）。The consumer decision journey。McKinsey Quarterly，2009 年 6 月。 | 消费决策是有回流的循环 → 十步骤 |
| 顾客旅程（零关键时刻 ZMOT） | Lecinski, J.（2011）。Winning the Zero Moment of Truth。Google（免费电子书）。 | 客人在购买前先上网查，路径可前进也可回头 → 十步骤 |
| 注意力稀缺 | Simon, H. A.（1971）。Designing Organizations for an Information-Rich World。收于 M. Greenberger（编），Computers, Communications, and the Public Interest（页 37–72）。Baltimore: The Johns Hopkins Press。 | 信息越多，注意力越稀缺 → S6 AI 一次只点名几家 |
| 信息不对称 | Akerlof, G. A.（1970）。The Market for "Lemons": Quality Uncertainty and the Market Mechanism。The Quarterly Journal of Economics, 84(3), 488–500。 | 质量信息不对称影响交易判断 → 以验证补足可信依据 |
| 来源可信度 | Hovland, C. I., & Weiss, W.（1951）。The Influence of Source Credibility on Communication Effectiveness。Public Opinion Quarterly, 15(4), 635–650。 | 谁说的，会影响人信不信 → 主张溯源定律：每项主张都附来源 |
| 信任三要素 | Mayer, R. C., Davis, J. H., & Schoorman, F. D.（1995）。An Integrative Model of Organizational Trust。The Academy of Management Review, 20(3), 709–734。 | 信任看能力、善意、正直，并随行为更新 → 信任随时效更新 |
| 实体解析 | Fellegi, I. P., & Sunter, A. B.（1969）。A Theory for Record Linkage。Journal of the American Statistical Association, 64(328), 1183–1210。 | 同一家要多个字段对上 → 身份连续定律 |
| 数据溯源 | Moreau, L., & Missier, P.（编）（2013）。PROV-DM: The PROV Data Model。W3C Recommendation，2013 年 4 月 30 日。 | 每条数据从哪来、何时 → 主张溯源定律 |
| 第三方认证中介 | Lizzeri, A.（1999）。Information Revelation and Certification Intermediaries。The RAND Journal of Economics, 30(2), 214–231。 | 认证中介决定披露多少信息 → 验证独立定律 |
| 信号理论 | Spence, M.（1973）。Job Market Signaling。The Quarterly Journal of Economics, 87(3), 355–374。 | 信号的成本因类型而异，高质量一方更能承担 → 服务分级的可信信号 |
| 能力成熟度模型 | Paulk, M. C., Curtis, B., Chrissis, M. B., & Weber, C. V.（1993）。Capability maturity model, version 1.1。IEEE Software, 10(4), 18–27。 | 能力分级，逐级往上 → 服务分级 |
| 版本化定价 | Shapiro, C., & Varian, H. R.（1998）。Versioning: The Smart Way to Sell Information。Harvard Business Review, 76(6), 106–114。 | 同一产品分版本提供 → 服务分级内容不同 |
| 效果层级 | Lavidge, R. J., & Steiner, G. A.（1961）。A Model for Predictive Measurements of Advertising Effectiveness。Journal of Marketing, 25(6), 59–62。 | 知道、有好感、行动有先后 → 曝光、口碑、品牌公关 |
| 声量占比 | Jones, J. P.（1990）。Ad Spending: Maintaining Market Share。Harvard Business Review, 68(1), 38–42。 | 广告声量占比要和市场份额一起看 → 借这个概念测量 AI 点名率 |
| 古德哈特定律 | Goodhart, C. A. E.（1976）。Problems of Monetary Management: The U.K. Experience。收于 Papers in Monetary Economics, Vol. I。Sydney: Reserve Bank of Australia。（1975 年 7 月于悉尼的研讨会发表，通行引作 Goodhart 1975） | 指标成为目标会削弱其衡量效力 → 同时看点击与 AI 每一步的取用 |
| 延伸文献：营销学基础 |
|---|
| 营销的官方定义 | American Marketing Association。Definition of Marketing。AMA 官方网站（2026/10/11 查阅）。 | 营销是为顾客与社会创造并交换价值的活动 → 对象扩展到 AI |
| AIDA（注意、兴趣、欲望、行动） | Strong, E. K., Jr.（1925）。Theories of selling。Journal of Applied Psychology, 9(1), 75–86。 | Strong 整理注意、兴趣、欲望、行动的销售阶段说法 → 顾客旅程分阶段的早期参照 |
| 顾客旅程与顾客体验 | Lemon, K. N., & Verhoef, P. C.（2016）。Understanding Customer Experience Throughout the Customer Journey。Journal of Marketing, 80(6), 69–96。 | 旅程分消费决策前、中、后与多触点 → 十步骤加入 AI 触点 |
| 基于顾客的品牌资产 | Keller, K. L.（1993）。Conceptualizing, Measuring, and Managing Customer-Based Brand Equity。Journal of Marketing, 57(1), 1–22。 | 品牌资产来自顾客脑中的品牌知识 → 延伸到 AI 脑中的知识 |
| 服务主导逻辑 | Vargo, S. L., & Lusch, R. F.（2004）。Evolving to a New Dominant Logic for Marketing。Journal of Marketing, 68(1), 1–17。 | 价值在使用中与顾客共创 → AI 代办也是共创的一环 |
| 口碑对新产品扩散的影响 | Arndt, J.（1967）。Role of Product-Related Conversations in the Diffusion of a New Product。Journal of Marketing Research, 4(3), 291–295。 | 正面口碑能促进消费者采用新产品 → 口碑是“AEO+ 口碑”的核心 |
| 两级传播与意见领袖 | Katz, E., & Lazarsfeld, P. F.（1955）。Personal Influence: The Part Played by People in the Flow of Mass Communications。Glencoe, IL: Free Press。 | 意见领袖替大众解读、转述信息 → AI 扮演同样的中介角色 |
| 传统与社交赢得媒体的销售效果 | Stephen, A. T., & Galak, J.（2012）。The Effects of Traditional and Social Earned Media on Sales: A Study of a Microlending Marketplace。Journal of Marketing Research, 49(5), 624–639。 | 赢得媒体能带动销售 → 第三方证据比自己说有力 |
| 服务蓝图 | Shostack, G. L.（1984）。Designing Services That Deliver。Harvard Business Review, 62(1), 133–139。 | 服务蓝图标示流程的潜在失败点 → 十步骤逐步确认改进重点 |
| 承诺与信任（关系营销） | Morgan, R. M., & Hunt, S. D.（1994）。The Commitment-Trust Theory of Relationship Marketing。Journal of Marketing, 58(3), 20–38。 | 信任与承诺是关系营销成功的关键 → 信任验证接到 S10 回来再问 |
| 顾客价值 | Gupta, S., Lehmann, D. R., & Stuart, J. A.（2004）。Valuing Customers。Journal of Marketing Research, 41(1), 7–18。 | 顾客的长期价值可以用来估算企业价值 → 成效一路看到回访 |
| 延伸文献：生成式引擎与 AI 搜索研究 |
|---|
| 生成式引擎优化（GEO） | Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., & Deshpande, A.（2024）。GEO: Generative Engine Optimization。Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining（KDD '24），页 5–16。 | 首次定义 GEO 并测量能见度 → GEO 这一领域的学术依据 |
| 生成式搜索引擎的可验证性 | Liu, N. F., Zhang, T., & Liang, P.（2023）。Evaluating Verifiability in Generative Search Engines。Findings of the Association for Computational Linguistics: EMNLP 2023，页 7001–7025。 | 生成式搜索的引用支撑程度有差异 → 正确率要另行测量 |
| 对话式搜索引擎的排名操纵 | Pfrommer, S., Bai, Y., Gautam, T., & Sojoudi, S.（2024）。Ranking Manipulation for Conversational Search Engines。Proceedings of the 2024 Conference on Empirical Methods in Natural Language Processing（EMNLP 2024），页 9523–9552。arXiv:2406.03589。 | 网页文字可操纵 AI 推荐排序 → 所以要有三方验证 |
| 操纵语言模型提高产品能见度 | Kumar, A., & Lakkaraju, H.（2024）。Manipulating Large Language Models to Increase Product Visibility。arXiv 预印本 arXiv:2404.07981。 | 在商品页加一段字就能挤进推荐首位 → 点名率可被操纵 |
| 针对语言模型的对抗式 SEO | Nestaas, F., Debenedetti, E., & Tramèr, F.（2025）。Adversarial Search Engine Optimization for Large Language Models。ICLR 2025。arXiv:2406.18382。 | 竞相操纵 AI，各方表现一起变差 → IDAEO 主张以可验证事实长期经营 |
| AI 搜索偏好赢得媒体 | Chen, M., Wang, X., Chen, K., & Koudas, N.（2025）。Generative Engine Optimization: How to Dominate AI Search。arXiv 预印本 arXiv:2509.08919。 | AI 搜索引用第三方来源多于品牌自有 → 第三方证据最关键 |
| 对话式 SEO 是否有效的基准测试 | Puerto, H., Gubri, M., Green, T., Oh, S. J., & Yun, S.（2025）。C-SEO Bench: Does Conversational SEO Work?。Advances in Neural Information Processing Systems 38（NeurIPS 2025 Datasets & Benchmarks），页 31145–31169。arXiv:2506.11097。 | 多数改写技巧效果有限 → 以实测成效判断优化成果 |
| AI 搜索“有引用就可信”的落差 | Narayanan Venkit, P., Laban, P., Zhou, Y., Mao, Y., & Wu, C.-S.（2025）。Search Engines in the AI Era: A Qualitative Understanding to the False Promise of Factual and Verifiable Source-Cited Responses in LLM-based Search。Proceedings of the 2025 ACM Conference on Fairness, Accountability, and Transparency（FAccT '25），页 1325–1340。arXiv:2410.22349。 | 附来源的 AI 回答仍常出错 → 要逐条事实验证 |
| AI 概览降低点击 | Chapekis, A., & Lieb, A.（2025）。Google users are less likely to click on links when an AI summary appears in the results。Pew Research Center，2025 年 7 月 22 日。 | 出现 AI 概览时用户较少点链接 → 同时衡量点击与 AI 取用 |
| 延伸文献：AI 顾客与 AI Agent |
|---|
| 算法消费者 | Gal, M. S., & Elkin-Koren, N.（2017）。Algorithmic Consumers。Harvard Journal of Law & Technology, 30(2), 309–353。 | 算法替人挑选并下单 → 营销对象延伸到 AI 顾客 |
| 自动购物系统的采用障碍 | de Bellis, E., & Johar, G. V.（2020）。Autonomous Shopping Systems: Identifying and Overcoming Barriers to Consumer Adoption。Journal of Retailing, 96(1), 74–87。 | 消费者交由系统代做消费决策时面临心理障碍 → S8 需要信任基础 |
| AI 购物代理如何选品 | Allouah, A., Besbes, O., Figueroa, J. D., Kanoria, Y., & Kumar, A.（2025）。What Is Your AI Agent Buying? Evaluation, Biases, Model Dependence, & Emerging Implications for Agentic E-Commerce。arXiv:2508.02630；另收于 Proceedings of the ACM Web Conference 2026，页 8697–8700。 | AI 代理选品有位置与模型偏好 → 商家要为代理优化 |
| 代理对代理的市场实验环境 | Bansal, G., Hua, W., Huang, Z., Fourney, A., Swearngin, A., Epperson, W., Payne, T., Hofman, J. M., 等（2025）。Magentic Marketplace: An Open-Source Environment for Studying Agentic Markets。arXiv 预印本 arXiv:2510.25779。 | 用模拟市场研究交易双方代理互动 → S8 的实验依据 |
| 延伸文献：信息检索与可信度 |
|---|
| PageRank 与大型搜索引擎架构 | Brin, S., & Page, L.（1998）。The anatomy of a large-scale hypertextual Web search engine。Computer Networks and ISDN Systems, 30(1–7), 107–117。 | 爬取、索引、以链接算权威 → S2 与 S4 的技术原型 |
| 权威来源与枢纽（HITS） | Kleinberg, J. M.（1999）。Authoritative sources in a hyperlinked environment。Journal of the ACM, 46(5), 604–632。 | 权威由他人指向来认定 → 第三方引用是权威的来源 |
| 以事实正确性评估来源可信度（KBT） | Dong, X. L., Gabrilovich, E., Murphy, K., Dang, V., Horn, W., Lugaresi, C., Sun, S., & Zhang, W.（2015）。Knowledge-based trust: Estimating the trustworthiness of web sources。Proceedings of the VLDB Endowment, 8(9), 938–949。 | 用网页事实对不对来评可信度 → 逐条事实验证的依据 |
| 知识图谱（实体而非字符串） | Singhal, A.（2012）。Introducing the Knowledge Graph: things, not strings。Google 官方博客，2012 年 5 月 16 日。 | 搜索从匹配字符串改成认识实体 → 店家要成为可识别实体 |
| 知识图谱综述 | Hogan, A., Blomqvist, E., Cochez, M., d'Amato, C., de Melo, G., Gutierrez, C., Kirrane, S., Labra Gayo, J. E., 等（2021）。Knowledge Graphs。ACM Computing Surveys, 54(4), 1–37。 | 知识图谱如何建立、验证与更新 → S4 的学术总览 |
| E-E-A-T（经验、专业、权威、可信） | Google Search Central（2022）。Our latest update to the quality rater guidelines: E-A-T gets an extra E for Experience。Google Search Central Blog，2022 年 12 月 15 日。另见 Google Search Central。Creating helpful, reliable, people-first content（2026/10/11 查阅）。 | Google 的质量评分指南看四个方面，信任最重要 → 验证的对照 |
| 事实核查数据集 FEVER | Thorne, J., Vlachos, A., Christodoulopoulos, C., & Mittal, A.（2018）。FEVER: a Large-scale Dataset for Fact Extraction and VERification。NAACL-HLT 2018（Long Papers），页 809–819。 | 每条声明对证据判支持、反驳或不足 → 验证三态的原型 |
| 原子事实正确率 FActScore | Min, S., Krishna, K., Lyu, X., Lewis, M., Yih, W., Koh, P. W., Iyyer, M., Zettlemoyer, L., 等（2023）。FActScore: Fine-grained Atomic Evaluation of Factual Precision in Long Form Text Generation。EMNLP 2023，页 12076–12100。 | 把回答拆成单一事实逐条算正确比例 → 正确率的计算方法 |
| 语言生成的幻觉综述 | Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., Ishii, E., Bang, Y. J., 等（2023）。Survey of Hallucination in Natural Language Generation。ACM Computing Surveys, 55(12), 1–38。 | 语言模型会生成无依据内容 → 为何要测量正确率 |
| 延伸文献：成效测量 |
|---|
| 净推荐值（NPS） | Reichheld, F. F.（2003）。The One Number You Need to Grow。Harvard Business Review, 81(12), 46–54。 | 推荐意愿和企业增长相关 → 口碑测量的参考，另外跟踪回访量 |
| 多渠道转化归因 | Li, H., & Kannan, P. K.（2014）。Attributing Conversions in a Multichannel Online Marketing Environment: An Empirical Model and a Field Experiment。Journal of Marketing Research, 51(1), 40–56。 | 转化要分摊给各接触渠道 → AI 渠道也要算进归因 |
| 数据驱动的多触点归因 | Shao, X., & Li, L.（2011）。Data-driven multi-touch attribution models。Proceedings of the 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining（KDD '11），页 258–264。 | 用数据估算每个触点的贡献 → 把读取量连到导客量 |
| 坎贝尔定律（指标被用于决策就会被扭曲） | Campbell, D. T.（1979）。Assessing the impact of planned social change。Evaluation and Program Planning, 2(1), 67–90。 | 量化指标越用于决策越被扭曲 → 九个成效指标要互相制衡 |
| 广告成效的实验与观察比较 | Gordon, B. R., Zettelmeyer, F., Bhargava, N., & Chapsky, D.（2019）。A Comparison of Approaches to Advertising Measurement: Evidence from Big Field Experiments at Facebook。Marketing Science, 38(2), 193–225。 | 观察数据算出的成效，和实验结果常有差距 → 成效比较一律用同一口径 |
| 延伸文献：启动与累积 |
|---|
| 先发优势 | Lieberman, M. B., & Montgomery, D. B.（1988）。First-mover advantages。Strategic Management Journal, 9(S1), 41–58。 | 先入场有优势，也要付出代价 → 早期红利靠持续投入守住 |
| 收益递增与路径依赖 | Arthur, W. B.（1989）。Competing Technologies, Increasing Returns, and Lock-In by Historical Events。The Economic Journal, 99(394), 116–131。 | 收益递增时，早期领先可能锁定市场 → 复利领先的学理参照 |
| 冷启动问题 | Schein, A. I., Popescul, A., Ungar, L. H., & Pennock, D. M.（2002）。Methods and metrics for cold-start recommendations。Proceedings of the 25th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval（SIGIR '02），页 253–260。 | 新项目还没有积累数据时，推荐系统难以推荐 → 冷启动的学理参照 |
| 延伸文献：AI 平台官方文档与代理协议 |
|---|
| OpenAI 爬虫说明 | OpenAI。Overview of OpenAI Crawlers。OpenAI 开发者文档（2026/10/11 查阅）。 | GPTBot、OAI-SearchBot、ChatGPT-User 各有用途 → 训练、建目录、当场来读三种读取 |
| Anthropic 爬虫说明 | Anthropic。Does Anthropic crawl data from the web, and how can site owners block the crawler?。Claude Help Center（2026/10/11 查阅）。 | ClaudeBot、Claude-SearchBot、Claude-User 各有用途 → 同一家平台也分三种读取 |
| Perplexity 爬虫说明 | Perplexity。Perplexity Crawlers。Perplexity 官方文档（2026/10/11 查阅）。 | PerplexityBot 建搜索结果，Perplexity-User 随用户提问来读 → 建目录与当场来读 |
| Amazon 爬虫说明 | Amazon。About Amazonbot。Amazon Developer（2026/10/11 查阅）。 | Amazonbot 改善产品与服务、可能用于训练，Amzn-User 随用户需求来读 → 训练与当场来读 |
| Google 爬虫概览 | Google。Google's common crawlers。Google Crawling Infrastructure 文档（2026/10/11 查阅）。 | Googlebot 建搜索目录，Google-Extended 管理 AI 用途 → 搜索引擎爬虫与 AI 用途分开看 |
| AI 爬取与导客的外部测量 | Tomé, J.（2025）。The crawl-to-click gap: Cloudflare data on AI bots, training, and referrals。Cloudflare Blog，2025 年 8 月 29 日。 | 外部测量把 AI 爬取和导客分开统计 → AI 曝光数与 AI 带客分开测量 |
| 模型上下文协议（MCP） | Model Context Protocol。Specification（2025-06-18 版）。modelcontextprotocol.io。 | AI Agent 通过标准接口取用数据与工具 → S8 替客人办事 |
| 代理对代理协议（A2A） | Google（2025）。Announcing the Agent2Agent Protocol (A2A)。Google Developers Blog，2025 年 4 月 9 日。 | 不同的 AI Agent 用共同标准交接任务 → AI Agent 是新的营销受众 |
| 代理支付协议（AP2） | Google Cloud（2025）。Announcing Agent Payments Protocol (AP2)。Google Cloud Blog，2025 年 9 月。 | 代理交易要有用户授权与可追溯的凭证 → S8 到 S9 的信任验证 |
| llms.txt 提案 | Howard, J.（2024）。The /llms.txt file（当前为 v2）。llmstxt.org，2024 年 9 月 3 日首次发布。 | 替模型准备一份内容导览 → S1 店家准备好的 AI 可读层 |
| 延伸文献：七大定律与旅程的学理 |
|---|
| 受众适配定律｜语义网 | Berners-Lee, T., Hendler, J., & Lassila, O.（2001）。The Semantic Web。Scientific American, 284(5), 34–43。 | 网页加上机器读得懂的结构，软件代理才能替人办事 → 对人、对 AI 各用对方读得懂的表达 |
| 受众适配定律｜媒介丰富度 | Daft, R. L., & Lengel, R. H.（1986）。Organizational Information Requirements, Media Richness and Structural Design。Management Science, 32(5), 554–571。 | 不同的信息需求适合不同的表达方式 → 按受众安排内容形式 |
| 身份连续定律｜品牌即信号 | Erdem, T., & Swait, J.（1998）。Brand Equity as a Signaling Phenomenon。Journal of Consumer Psychology, 7(2), 131–157。 | 一致、可信的品牌信号降低客人的不确定性 → 身份长期一致，信任才积累得起来 |
| 身份连续定律｜实体链接 | Shen, W., Wang, J., & Han, J.（2015）。Entity Linking with a Knowledge Base: Issues, Techniques, and Solutions。IEEE Transactions on Knowledge and Data Engineering, 27(2), 443–460。 | 系统靠名称与上下文把文字连回同一个实体 → 名称一致，AI 才能连回同一家店 |
| 验证独立定律｜审计独立性 | DeAngelo, L. E.（1981）。Auditor size and audit quality。Journal of Accounting and Economics, 3(3), 183–199。 | 验证质量看能不能发现问题、敢不敢如实报告 → 验证结论不随委托关系改变 |
| 验证独立定律｜质量披露与认证 | Dranove, D., & Jin, G. Z.（2010）。Quality Disclosure and Certification: Theory and Practice。Journal of Economic Literature, 48(4), 935–963。 | 第三方认证的效果取决于认证者的激励与做法 → IDA 验证的整体学理参照 |
| 事实先行定律｜数据质量 | Wang, R. Y., & Strong, D. M.（1996）。Beyond Accuracy: What Data Quality Means to Data Consumers。Journal of Management Information Systems, 12(4), 5–33。 | 数据质量除了正确，还包括完整、及时、可理解 → 店家事实逐项核实并标注时效 |
| 主张溯源定律｜生成内容的归因 | Rashkin, H., Nikolaev, V., Lamm, M., Aroyo, L., Collins, M., Das, D., Petrov, S., Tomar, G. S., 等（2023）。Measuring Attribution in Natural Language Generation Models。Computational Linguistics, 49(4), 777–840。 | AI 生成内容里讲到事实的句子，要能指回已识别的来源 → 每项主张附可追溯的依据 |
| 主张溯源定律｜数据来源谱系 | Buneman, P., Khanna, S., & Tan, W.-C.（2001）。Why and Where: A Characterization of Data Provenance。Database Theory — ICDT 2001，Lecture Notes in Computer Science 1973，页 316–330。 | 数据要能回答“为何产生、来自哪里” → 每条主张连回具体证据 |
| 外部印证定律｜传播者偏差 | Eagly, A. H., Wood, W., & Chaiken, S.（1978）。Causal inferences about communicators and their effect on opinion change。Journal of Personality and Social Psychology, 36(4), 424–435。 | 听众会推断说话者为什么这样说 → 本方说法配上独立印证更有力 |
| 外部印证定律｜三角验证 | Jick, T. D.（1979）。Mixing Qualitative and Quantitative Methods: Triangulation in Action。Administrative Science Quarterly, 24(4), 602–611。 | 不同来源的证据可以互相检查 → 官方、本方、第三方合看 |
| 全程成效定律｜不点击也满足需求 | Li, J., Huffman, S., & Tokuda, A.（2009）。Good abandonment in mobile and PC internet search。Proceedings of the 32nd International ACM SIGIR Conference on Research and Development in Information Retrieval（SIGIR '09），页 43–50。 | 用户没有点击就离开，有一部分是需求已在结果页满足 → 回答阶段的取用本身就是成效 |
| 全程成效定律｜顾客权益与营销回报 | Rust, R. T., Lemon, K. N., & Zeithaml, V. A.（2004）。Return on Marketing: Using Customer Equity to Focus Marketing Strategy。Journal of Marketing, 68(1), 109–127。 | 营销投入要连到顾客的长期价值 → 九个指标从前段一路看到回访 |
| S6 AI 点名几家｜考虑集 | Hauser, J. R., & Wernerfelt, B.（1990）。An Evaluation Cost Model of Consideration Sets。Journal of Consumer Research, 16(4), 393–408。 | 评估有成本，客人只会把部分品牌放进考虑集 → AI 点名率就是进入候选名单的机会 |
| S6 AI 点名几家｜被想起就会被选 | Nedungadi, P.（1990）。Recall and Consumer Consideration Sets: Influencing Choice without Altering Brand Evaluations。Journal of Consumer Research, 17(3), 263–276。 | 品牌被想起、进入考虑集，就能改变选择 → 被 AI 点名本身就是成效 |
| S8 替客人办事｜自动化的层级 | Parasuraman, R., Sheridan, T. B., & Wickens, C. D.（2000）。A model for types and levels of human interaction with automation。IEEE Transactions on Systems, Man, and Cybernetics – Part A, 30(3), 286–297。 | 自动化分成获取信息、分析、决策、执行四种 → 分清 AI Agent 是查资料还是替客人办成事 |
| S10 回来再问｜期望确认 | Bhattacherjee, A.（2001）。Understanding Information Systems Continuance: An Expectation-Confirmation Model。MIS Quarterly, 25(3), 351–370。 | 用过以后符合期望，更愿意继续用 → 回访量看客人愿不愿意再问、再来 |
| AI 曝光数｜被读到的次数与模型记得多少 | Kandpal, N., Deng, H., Roberts, A., Wallace, E., & Raffel, C.（2023）。Large Language Models Struggle to Learn Long-Tail Knowledge。Proceedings of the 40th International Conference on Machine Learning（ICML 2023），PMLR 202，页 15696–15707。arXiv:2211.08411。 | 模型答对一件事的机会，和训练数据里相关文档的数量有关 → 被抄回去训练的次数值得测量 |
| AI 曝光数｜重复出现与模型记忆 | Carlini, N., Ippolito, D., Jagielski, M., Lee, K., Tramèr, F., & Zhang, C.（2023）。Quantifying Memorization Across Neural Language Models。ICLR 2023。arXiv:2202.07646。 | 内容在训练数据里重复越多次，模型越容易原样记住 → S3 抄回去训练的价值 |
| AI 能见度｜品牌显著性 | Romaniuk, J., & Sharp, B.（2004）。Conceptualizing and measuring brand salience。Marketing Theory, 4(4), 327–342。 | 品牌显著性是购买情境中容易被注意、被想起的程度 → AI 点名率测量的是品牌在 AI 回答里被想起的机会 |
| 成效指标｜构念效度 | Cronbach, L. J., & Meehl, P. E.（1955）。Construct validity in psychological tests。Psychological Bulletin, 52(4), 281–302。 | 指标要证明自己测量到所命名的概念 → 每个成效指标都写清楚测量的是什么 |
| IDA 第三方验证｜信任品 | Darby, M. R., & Karni, E.（1973）。Free Competition and the Optimal Amount of Fraud。The Journal of Law and Economics, 16(1), 67–88。 | 有些质量客人用过也难判断 → 执照、专业这类事实交给第三方验证 |
| 热启动｜爬虫重访调度 | Cho, J., & Garcia-Molina, H.（2003）。Effective page refresh policies for Web crawlers。ACM Transactions on Database Systems, 28(4), 390–426。 | 爬虫资源有限，重访频率要权衡页面变动来分配 → 热启动的机制参照 |
| 复利领先｜优先连接 | Barabási, A.-L., & Albert, R.（1999）。Emergence of Scaling in Random Networks。Science, 286(5439), 509–512。 | 网络增长时，新连接偏向已有较多连接的节点 → 复利领先的网络科学参照 |
| 复利领先｜累积优势 | Merton, R. K.（1968）。The Matthew Effect in Science。Science, 159(3810), 56–63。 | 已有名望的人会得到更多认可与关注 → 早被取用的内容更有机会再被取用 |
| 活的学说｜研究纲领 | Lakatos, I.（1970）。Falsification and the Methodology of Scientific Research Programmes。收于 I. Lakatos & A. Musgrave（编），Criticism and the Growth of Knowledge（页 91–196）。Cambridge: Cambridge University Press。 | 研究纲领有核心主张，并靠持续预测新事实而进步 → 七大定律是核心，每月新数据持续检验 |
| 活的学说｜设计科学 | Hevner, A. R., March, S. T., Park, J., & Ram, S.（2004）。Design Science in Information Systems Research。MIS Quarterly, 28(1), 75–106。 | 设计出的方法要在实际情境反复构建、评估、修正 → 每月实测用来修订诊断与指标 |
