首轮被引用，后面更容易再被引用：“对话捕获”研究对多轮 AI 对话 GEO 测量意味着什么

一位买家问 AI 助手：最好用的 CRM 工具有哪些？回答列出了五款产品，引用了几个来源。买家接着追问：哪几款适合 10 人团队？再问：最便宜的套餐少了什么功能？然后又问：那个集成功能的说法准确吗？到第五轮，候选名单只剩下一个名字。

大多数 AI 可见度报告只给第一轮回答打分。2026 年 9 月 30 日提交到 arXiv 的一篇论文认为，单个回答这个分析单位太小了。作者来自 UniConvo、筑波大学、广岛大学和日本国立情报学研究所，他们提出了 “对话捕获”（conversational capture）：在对话早期被引用的来源，之后被再次引用的概率会明显上升 [1]。这篇论文将收录于 2026 年 9 月 16–19 日在大阪举办的人机交互国际会议 HAI '26 [1]。

这项结论是理论性的。论文中的数字来自数学模型，作者没有在 ChatGPT、Gemini 或 Google AI Mode 上做测试。不过，今年夏天几项针对商业 AI 助手的行业研究，指向的方向与之一致。它们共同说明了许多品牌团队已经隐约感到的测量缺口：在一个回答里出现，和在整段对话里留下来，是两种不同的结果。

---

先给结论

对话捕获，是多轮 AI 对话中的路径依赖。论文认为它通过两条通道发生 [1]：

1. 机器侧：AI 系统会结合对话历史进行检索，影响过前几轮回答的来源，会继续影响后面的回答。
2. 用户侧：每一个回答都会改变用户的判断，于是下一个问题会朝着用户已经看到的内容偏移。

在作者的模型里，早期几轮在很大程度上决定了结果；在捕获形成的过程中，被优化来源的累计收益会随对话轮数超线性增长。单轮评估完全看不到这部分反馈。在论文的 10 轮示例中，实际收益是“单轮测量结果乘以轮数”的 2.23 倍，而且单轮测试给优化方法排出的顺序，与整段对话测试排出的顺序并不一致 [1]。

对品牌来说，现实影响是要改变测量对象：把对话当作一条轨迹来追踪，看品牌在哪一轮进入、能否撑过每一次追问、被哪一次追问淘汰、到做决定的那一轮是否还在。这需要场景式多轮对话模拟，包括固定追问、自适应追问和无历史对照。

有三条边界：

• 论文中的数值由模型推导得出，在对话数据集上做实证验证，是作者明确的下一步。
• 本文引用的来源都没有测出对话捕获在某个具体商业 AI 助手中的强度。
• 外部模拟只能近似真实对话，无法还原任何个人用户的聊天历史或记忆。

---

什么是“对话捕获”？

论文指出，现有的 GEO 评估通常是固定一个查询、运行一次引擎，再给目标来源在这个回答里的显著程度打分。这种做法默认查询来自系统外部，每一轮彼此独立 [1]。真实对话里，这两个前提都不成立：用户读完回答会调整下一个问题，引擎回答这个问题时，也会带着前几轮的上下文去检索。早期的优势可以同时进入这两个循环。

作者用强化过程理论来建模，也就是用于描述“优先连接”和经济“锁定效应”的波利亚罐子（Pólya urn）模型。每被引用一次，被引来源的权重就增加一点，下一次被引用的概率随之上升。模型得出两个结论 [1]：

• 过程是非遍历的：早期几轮决定结果，所以优化的杠杆集中在最初几个回答上。
• 累计收益是超线性的：在捕获形成的过程中，被优化来源的总收益增长得比轮数更快。

有一个细节对品牌尤其重要：论文指出，这种持续性可以与来源当前的相关性无关。一个来源可能只是因为之前被引用过，所以继续被引用。作者把这一点与“信任校准”联系起来：反复出现会让来源显得更可靠，同时减少用户接触其他来源、修正判断的机会 [1]。

用大白话看懂论文里的指标

模型示例给出了什么

在一个 10 轮示例中，被优化来源的总收益是 2.68 个单位的累计可见度。其中直接项只占 1.20，其余 1.48 来自反馈：机器侧 0.85，用户侧 0.63。复合比率为 2.23。作者用两种方式给五种优化方法排序，结果一致性很弱（Kendall's tau 为 0.4）：单轮测试中表现最好的方法，放到整段对话里只排第三 [1]。

这些数字展示的是模型的行为，不是对任何商业 AI 系统的测量结果。

论文没有证明什么

作者自己列出了局限 [1]：

• 数值由模型推导。计划中的实证研究，会在 TopiOCQA、QReCC、ORConvQA 等对话式问答数据集中注入优化段落和对照段落，再用开源检索增强生成（RAG）流程逐轮运行。
• 开源流程与闭源商业引擎不同。
• 估计用户侧通道需要经过校准的用户模拟器，结果也应报告对模拟器的敏感程度。
• 研究没有测量真实用户的信任或感知。
• 多个被优化来源之间的竞争，不在模型范围内。

论文还为 AI 回答引擎提出了防御措施：每一轮重新检索依据、在单轮回答里强制保持来源多样性、解释某个来源为什么被持续引用 [1]。平台如果采纳这些措施，捕获效应就会减弱。这也是为什么应该把对话捕获当作测量概念，而不要把它当成可以利用的技巧。

---

用户实际上是怎么和 AI 对话的？

多轮对话本来就是使用 AI 助手的常见方式，平台也在专门为它设计产品。

• 用户主要在寻求建议和信息：一项针对截至 2025 年 7 月 ChatGPT 消费者使用情况的研究发现，“实用指导”“寻找信息”“写作”三类话题合计约占全部对话的 80%，产品价值很大程度上来自辅助决策 [2]。
• 对话往往不止一问一答：研究数据集 WildChat 收集自主动同意参与的用户，包含 100 万段 ChatGPT 对话、超过 250 万轮交互 [3]。
• 平台鼓励追问并保留上下文：2026 年 1 月，Google 允许用户直接从 AI Overview 发起追问，进入 AI Mode 继续对话。Google 表示，测试发现用户更喜欢自然过渡到对话的体验，带着 AI Overview 上下文的追问也让搜索更有帮助 [4]。
• 购物工具会反问用户：OpenAI 把 ChatGPT 的购物研究功能描述为一场对话，先询问购物者在意什么，再给出选项供进一步筛选 [5]。

追问也有可识别的类型。论文提出的用户模拟器，参考了从交互日志中归纳出的追问分类：深入、换个说法、质疑、转向 [1]。行业测试补充了对商业决策很关键的几类：增加购买条件，以及在比较、验证、选择等阶段之间推进 [6][7]。

其中“深入、换个说法、质疑、转向”来自论文的分类；“增加条件”来自 Clovion 的测试设计；“比较、验证、选择”对应 Semrush 研究中的买家旅程阶段。

---

针对商业 AI 助手的研究发现了什么？

今年夏天有两项行业研究测试了商业 AI 助手的多轮表现。它们都没有直接验证论文的模型，但都说明：只看首轮回答，会漏掉后面发生的大部分事情。

一次追问就能重排候选名单：总部位于奥斯陆的研究机构 Clovion AI，在 Claude、ChatGPT 和 Gemini 上运行了 69,120 段多轮对话，覆盖 36 个 B2B 软件和金融科技品类。每段对话先问一个开场问题，例如“最好的 CRM 工具有哪些？”，再接一个贴近真实的追问。原样重问一次，推荐名单保留了 90%；只加一个普通的购买条件“适合小团队”，名单只保留了 28%。研究的标题数据是：第一轮回答中的品牌，有 62% 在第二轮消失了。测试“适合大型企业”时，流失率同样在 72% 左右，而单纯重问时只有约 10% [6]。Search Engine Journal 的专栏作者认为，名单变化反映的是模型是否已经判断出“这个品牌适合谁”。同一专栏还提到，报告草稿曾有排版错误，Clovion 已经更正，以上数字均为专栏报道的数字 [6]。

能否延续取决于推理模式：Semrush 与 Growth Memo 的 Kevin Indig 合作，用 GPT-5.2 的低推理和高推理两种模式，运行了覆盖 20 条买家旅程的 100 个提示词。每条旅程分为五个阶段：问题、探索、比较、验证、选择。他们检查在“问题”阶段被引用的品牌，到同一旅程的“选择”阶段是否仍被引用。低推理模式下，没有一条旅程做到全程延续；高推理模式下，20 条中有 4 条做到了。高推理模式还更常在同一个回答里多次引用同一个域名：100 个回答中有 51 个，低推理模式只有 26 个 [7]。Semrush 还提到，ChatGPT 会自动把比较、评估这类复杂提示词交给高推理模式处理 [7]。

两项结果看似矛盾：一项显示早期引用会延续，另一项显示多数早期推荐会消失。其实它们描述的是同一个特性的两面。每一轮都在筛选候选集，撑过筛选的来源往往会继续出现。符合买家新增条件的品牌可能越来越占优，适用人群不清楚的品牌则可能在第一个具体问题时就出局。只看首轮快照，两种变化都看不到。

---

为什么只测第一轮会误导判断？

根据以上证据，可以归纳出四个风险：

1. 低估早期优势：如果捕获正在形成，单轮测量会完全漏掉反馈部分。在论文的模型中，反馈项在单轮评估下恒为零 [1]。
2. 看不到退出点：Clovion 的结果显示，多数品牌是在第一个具体追问时流失的，而单轮追踪从来不会问到这一轮 [6]。
3. 选错优化方法：在模型中，单轮排序和轨迹排序的一致性很弱 [1]。
4. 把延续当成相关：一个来源可能只是因为之前被引用过，才继续被引用 [1]。竞品在你所在品类里持续出现，可能更多反映了它占位早，而不是它更适合。

逐轮测量依然有用。论文的轨迹指标，正是用现有流程已经产出的逐轮可见度数据计算出来的 [1]。变化在于，要把各轮连起来看。

---

怎么测多轮对话里的 AI 可见度？七步流程

第一步：从真实买家旅程中提炼场景

从买家真实会进行的对话出发，素材可以来自销售通话、客服工单、站内搜索和在线咨询。每个场景都要定义角色画像（职位、公司规模、市场、语言）、任务和常见的限制条件。一个场景应该像一份简报：“德国一家 40 人物流公司的运营负责人，正在比较路线规划软件，预算敏感，需要与 SAP 集成。”

第二步：写好开场问题和追问路径

先写这个角色会问的开场问题，再按上表的追问类型编排后续问题：增加条件、比较、质疑、验证、选择。起步时，四到六轮可以覆盖大多数购买旅程，复杂的 B2B 决策可能需要更多轮。措辞要自然，开场问题里不要出现自己的品牌名，因为带品牌名的提示词会抬高可见度。

第三步：每个场景跑三个版本

这个设计对应论文的拆解方法。在相同问题上比较固定追问与无历史对照，可以估计机器侧的历史效应，论文指出这一项不需要任何用户模型。比较自适应追问与固定追问，可以近似估计用户侧的偏移，其准确性取决于模拟追问与真实追问有多接近 [1]。

第四步：逐轮记录

每一轮都记录：品牌是否被提及、是否被推荐以及排在第几、引用了哪些 URL 和域名、出现了哪些竞品、对品牌说了哪些事实以及是否准确，以及下一个问题是否指向该品牌。

第五步：计算轨迹指标

第六步：重复运行并记录条件

AI 的回答每次都可能不同。每个场景在每个平台上都要重复运行多次，使用全新会话，并记录平台、模式、模型、语言、地区和日期。推理模式要单独分组：Semrush 发现，同一组提示词在低推理和高推理模式下，被引用域名只有 25.6% 重合 [7]。模型更新应视为断点，更新后重新建立基线。

第七步：按退出点诊断

• 品牌从未进入：加强问题阶段和探索阶段的内容，明确写出品类、方法或产品名称。
• 品牌进入后在“增加条件”时退出：在 AI 可以引用的页面上写清产品适合谁，包括团队规模、行业、地区和预算。
• 品牌在“质疑”时退出：用文档、更新日志和第三方佐证，让说法可以被核实。
• 品牌只靠第三方来源延续：核查这些来源是否准确，同时发布 AI 可以直接引用的第一方文档。
• 竞品早早被“捕获”：已经发生的引用无法撤销，重点是在条件收窄候选范围的那几轮，成为证据最充分的答案。

---

Innflows 能帮上什么

在 AI 平台外部，无法直接观察真实买家的对话，但可以用结构化模拟去近似，并用同一套方法长期测量。

Innflows 在 ChatGPT、Gemini、Google AI Mode 等主流 AI 平台上、跨语言运行模拟用户提问，持续记录品牌提及、推荐角色和引用来源。针对多轮监测，Innflows 采用场景式对话模拟的方式：

• 场景库：根据品牌自身客户的真实问题，建立角色画像和购买旅程，并按市场和语言组织。
• 逐轮执行：每个场景作为一段连续对话运行，用固定追问保证可比性，用基于角色的自适应追问提升真实性，并用无历史对照作为基线。
• 逐轮记录：每一轮的提及、推荐位置、引用 URL、竞品组合和事实准确性。
• 轨迹报告：进入轮次、留存、退出触发点和决策轮结果，并按运行、平台和时间对比。
• 行动对应：把每个退出点对应到需要改进的页面或第三方来源。

边界同样清楚。Innflows 不能读取真实用户的聊天历史、记忆或平台日志。自适应追问只是近似人的行为，结果取决于场景和角色的设计。监测结果描述的是测试条件（平台、模式、语言、账号状态和日期）下的情况，无法预测某个具体用户会看到什么。从外部观察到的捕获率，只能说明多次运行中的关联，无法证明是哪个内部机制造成的。任何监测工具都不能保证引用或推荐。

---

六个常见误读

1. “论文证明了 ChatGPT 会锁定第一个引用的品牌。”

论文中的数字来自模型，作者还没有测试商业引擎 [1]。

2. “单轮提示词追踪已经没用了。”

逐轮可见度仍然是基础，轨迹指标是把这些轮次连起来看 [1]。

3. “只要出现在第一轮回答里，就赢了。”

在 Clovion 的测试中，第一轮回答里的品牌有 62% 在一次追问后消失 [6]。

4. “被持续引用，说明它就是最好的来源。”

论文指出，这种持续性可以与来源当前的相关性无关 [1]。

5. “对话越长，越有利于早期领先者。”

超线性结论只在捕获形成期间成立，平台也可以通过重新检索依据和来源多样性削弱它 [1]。一次改变条件的追问，也可能让候选名单重新洗牌 [6]。

6. “模拟对话可以复现真实用户。”

模拟只能近似。论文本身就要求用观察到的行为校准模拟追问，并报告结果对模拟器的敏感程度 [1]。

---

常见问题

什么是对话捕获？

它是多轮 AI 对话中的一种模式：早期被引用的来源，会通过“结合历史的检索”和“用户的追问”两条通道，在后续轮次中更容易被再次引用 [1]。

对话捕获已经在 ChatGPT、Gemini 或 Google AI Mode 中测到了吗？

还没有直接测到。这篇论文是理论研究，数值由模型推导。行业研究在商业 AI 助手中观察到了相关现象，例如 ChatGPT 高推理模式下品牌跨买家旅程延续 [7]，以及一次追问后候选名单大幅变化 [6]。

品牌应该想办法“捕获”对话吗？

论文把捕获描述为可被操纵的环节，并提出了平台防御措施 [1]。更持久的做法，是在每一轮都成为证据最充分的答案，尤其是在增加条件和做决定的那几轮。

模拟对话应该有几轮？

论文示例用了 10 轮 [1]，Semrush 的研究每条旅程有 5 个阶段 [7]。四到六轮是大多数购买旅程的实用起点，复杂的 B2B 决策可以增加轮次。

多轮监测和提示词追踪有什么区别？

提示词追踪是给彼此独立的提示词回答打分；多轮监测是运行相互连接的多轮对话，逐轮记录，并衡量进入、留存、退出和决策轮结果。

外部监测能看到某个客户实际看到的内容吗？

不能。外部模拟无法访问私人聊天记录或记忆，只能描述受控条件下回答的分布。

多轮场景应该多久重跑一次？

按固定周期重跑；内容有重大调整后、模型更新后也要重跑，因为新模型可能改变引用行为。

---

核心结论

论文的核心观点很简单：在对话中，每个回答都会影响下一个问题，所以可见度可能在多轮之间不断累积，也可能迅速崩塌。论文的数字是理论性的，但来自商业 AI 助手的数据已经说明，首轮可见度并不能很好地预示品牌最后会落在哪里。

对 GEO 团队来说，应对方式是改变测量方法：以真实买家场景为基础，用固定追问、自适应追问和无历史对照，把对话当作轨迹来监测；然后找到品牌掉出的那一轮，补上缺失的证据。

真正重要的问题是：买家做决定的时候，你的品牌还在不在答案里。

---

参考来源

[1] - Conversational Capture: A Trajectory-Level Framework for Evaluating Generative Engine Optimization in Multi-turn Human-Agent Interaction — Junwei Yu 等，arXiv:2609.40069，2026 年 9 月 30 日提交，将收录于 HAI '26

[2] - How People Use ChatGPT — NBER 工作论文 w34255，2025 年 9 月

[3] - WildChat: 1M ChatGPT Interaction Logs in the Wild — arXiv:2405.01470，ICLR 2024

[4] - AI Mode in Google Search and AI Overviews Get Gemini Upgrades — Google，2026 年 1 月 27 日

[5] - Introducing Shopping Research in ChatGPT — OpenAI

[6] - 62% Of AI Brand Recommendations Vanish After One Buyer Question – New Data — Search Engine Journal，2026 年 7 月 9 日

[7] - Only 25% of Cited Sources Overlap Between ChatGPT's Different Reasoning Modes (Study) — Semrush 与 Kevin Indig，2026 年 6 月 30 日