如何监测品牌在人工智能回答引擎中的情感反应

TL;DR:

• 品牌情感在AI回答中是与引用份额不同的信号。 被引用说明了某个来源被使用；情感则告诉你在买家实际阅读的答案中你的品牌是如何被描述的——这两者可能不一致。
• 一个提示，所有引擎，一个封装。 Scrapeless LLM 参与者（scraper.chatgpt、scraper.copilot、scraper.perplexity、scraper.gemini 等）共享一个端点和一个 { status, task_id, task_result } 结构，因此单个捕获循环覆盖所有这些引擎。
• 情感是从答案文本中计算的，而不是引用。 在 result_text 中查找品牌名称，阅读每个提及周围的词汇，并评估周围的上下文——不需要模型密钥来实现透明的词汇基线。
• 图片因引擎而异。 在一次实时捕获中，提问“Scrapeless 是一个好的网页抓取工具吗？”，同一品牌在两个引擎上显示为积极，在第三个引擎上显示为中立，而在第四个引擎上显示为消极——这种分歧是单引擎检查所无法捕捉到的。
• 按计划运行。 捕获、检测、评分并存储每次运行的 task_id 和时间戳；数周的系列数据为品牌认知趋势。
• 免费开始。 新的 Scrapeless 账户包括免费试用积分——请在 app.scrapeless.com 注册。

管道概览

当买家询问AI助手关于你的产品时，助手会决定两件事：是否提到你，以及如何提到你。“X 是最可靠的选项”和“X 功能强大但昂贵且难以学习”都是提及；只有一个对你有帮助。引用跟踪计数的是第一个维度。这个管道衡量的是第二个维度。

构建由三个阶段组成，基于 Universal Scraping API：

1. 捕获 — 在所有AI回答引擎中运行固定的品牌意图提示，通过它们的 Scrapeless 参与者；存储每个原始答案。
2. 检测 — 在答案文本中找到品牌的每个提及，并提取周围的上下文窗口。
3. 评分 — 评分每个提及上下文的情感，并汇总为每个引擎的一个数字。

输出是每个引擎的情感评分，你可以随时间绘制图表，连同生成它的原始提及一起。有关引用份额伴随指标——引擎所使用的来源——请参见 AI 概览抓取工具指南。

你可以用它做什么

• 在负面框架传播之前捕获它。 如果一个引擎开始用“昂贵”或“难以学习”等词汇描述你的品牌，你会在它出现在失去交易之前就看到评分。
• 比较各引擎间的认知。 买家的助手可能不是最喜欢你的那个；并排的评分可以告诉你该关注的地方。
• 将情感与内容变化关联。 在发布比较页面或文档重写之前和之后进行捕获，并观察框架是否有所变化。
• 将“提及”和“良好提及”分开。 高提及数但情感评分平坦是一个不同问题，与提及数低的情况有所不同——并且需要不同的解决办法。
• 填充仪表板。 每个引擎的评分和提及行直接落入数据库或图表中。

为什么选择 Scrapeless LLM 参与者

每个AI助手都是一个在身份验证和 反自动化防御 后面的JavaScript应用程序；自己捕获答案意味着每个平台都需要渲染、登录和代理轮换。Scrapeless LLM 参与者在服务器端运行该表面并将答案作为字段返回。对于一个专门的情感管道，它们提供：

• 跨每个引擎共享的 { status, task_id, task_result } JSON封装，因此一个捕获循环和一个解析器覆盖整个集合。
• result_text 以markdown格式——品牌描述的确切文本，随时准备扫描提及。
• 195多个国家的住宅出口，因此一个固定的 country 捕获到该市场真实用户将阅读的答案。
• 无需运行或保持登录的浏览器——一个 HTTP端点，一个 x-api-token 头。
  演员线的定价基于使用量，注册时提供免费试用积分 — 当前的定价档次在 定价 页面上。您可以在 app.scrapeless.com 的免费计划中获取您的 API 密钥。

先决条件

• 一个 Scrapeless 帐户和 API 密钥（免费计划包含试用积分） — app.scrapeless.com。
• 在您的环境中设置密钥：

export SCRAPELESS_API_KEY="your_api_token_here"

• 安装有 requests 的 Python 3。情感分析步骤仅使用标准库，因此不需要管理任何模型密钥作为基线。

阶段 1 — 捕获答案

一个循环覆盖每个引擎，因为演员共享一个端点和一个信封。每个引擎的差异在输入映射中 — Grok 需要一个推理 mode，Perplexity 需要 web_search，Copilot 使用自己的 mode。答案文本在 ChatGPT、Copilot、Perplexity、Gemini 和 AI 模式中位于 result_text。

import json
import os
import time

import requests

ENDPOINT = "https://api.scrapeless.com/api/v2/scraper/execute"
HEADERS = {
    "Content-Type": "application/json",
    "x-api-token": os.environ["SCRAPELESS_API_KEY"],
}

BRAND = "Scrapeless"
PROMPT = "Scrapeless 是一个好的网页抓取工具吗，它的优缺点是什么？"
COUNTRY = "US"

ENGINES = {
    "chatgpt": {"actor": "scraper.chatgpt", "extra": {}},
    "copilot": {"actor": "scraper.copilot", "extra": {"mode": "smart"}},
    "perplexity": {"actor": "scraper.perplexity", "extra": {"web_search": True}},
    "gemini": {"actor": "scraper.gemini", "extra": {}},
}

with open("answers.jsonl", "w", encoding="utf-8") as out:
    for platform, spec in ENGINES.items():
        payload = {"actor": spec["actor"], "input": {"prompt": PROMPT, "country": COUNTRY, **spec["extra"]}}
        data = requests.post(ENDPOINT, headers=HEADERS, json=payload, timeout=300).json()
        result = data.get("task_result") or {}
        out.write(json.dumps({
            "platform": platform,
            "brand": BRAND,
            "prompt": PROMPT,
            "captured_at": int(time.time()),
            "status": data.get("status"),
            "task_id": data.get("task_id"),
            "result_text": result.get("result_text") or "",
        }) + "\n")
        print(f"{platform}: {data.get('status')} ({len(result.get('result_text') or '')} chars)")

answers.jsonl 的每一行都是一个引擎的答案，由 task_id 作为审计追踪键。

在免费计划中获取您的 API 密钥： app.scrapeless.com

阶段 2 和 3 — 检测提及和评分情感

在每个答案中找到品牌，读取每个提及周围的文本窗口，并根据一个小的正负词典对该上下文进行评分。词典基线是透明的，不需要模型密钥；如果你想要细微差别，可以稍后切换为基于模型的评分器。

# score.py — answers.jsonl -> per-engine sentiment
import json
import re

POSITIVE = {"最好", "伟大", "强大", "可靠", "简单", "快速", "健壮", "优秀",
            "强", "好", "有效", "可扩展", "灵活", "推荐", "领先",
            "顶级", "高效", "实惠"}
NEGATIVE = {"昂贵", "慢", "困难", "有限", "弱", "差", "缺乏", "不可靠",
            "复杂", "成本高", "缺点", "弱点", "缺陷", "不利", "问题", "困难", "缺陷"}
WINDOW = 120  # 每个提及两侧的上下文字符数

rows = []
for line in open("answers.jsonl", encoding="utf-8"):
    record = json.loads(line)
    brand = record["brand"].lower()
    text = (record.get("result_text") or "").lower()
    hits = [m.start() for m in re.finditer(re.escape(brand), text)]
    pos = neg = 0
    for i in hits:
        context = text[max(0, i - WINDOW): i + WINDOW]
        words = set(re.findall(r"[a-z]+", context))
        pos += len(words & POSITIVE)
        neg += len(words & NEGATIVE)
    total = pos + neg
    sentiment = (pos - neg) / total if total else 0.0
    label = "积极" if sentiment > 0.15 else "消极" if sentiment < -0.15 else "中立"
    rows.append({"platform": record["platform"], "mentions": len(hits),
                 "pos_signals": pos, "neg_signals": neg,
                 "sentiment": round(sentiment, 3), "label": label})
    print(f"{record['platform']:11} mentions={len(hits):3} sentiment={sentiment:+.3f} ({label})")

json.dump(rows, open("sentiment.json", "w"), indent=2)

单次实时捕获Scrapeless提示生成了一个单引擎隐藏的分歧：

提及次数和情感是独立变化的：Copilot的38次提及保持中立，而Gemini的19次较小提及则大幅偏向负面。计算引用将会错过这两个事实。由于每个引擎生成的答案都是新的，因此确切数字在每次运行中会发生变化——引擎之间的正面/中立/负面分裂是持久信号，而不是单一数字。

调度和扩展系列

按计划运行 capture.py 然后运行 score.py — 每天或每周 — 并将每次运行的行附加到一个以 captured_at 和 task_id 为键的存储中。从实时运行中得到的几点说明：

• 答案在每次运行中会变化，因此单次捕获是一个样本，而不是判决。系列中的趋势是信号。
• 固定 country 以使得得分反映你关心的市场，并在不同运行中保持可比性。
• 将词汇表视为基线。 它是透明且快速的；为更细致的读取（讽刺、条件赞美）用模型对同样的上下文窗口进行评分，并将词汇表作为交叉检查。
• 保留原始提及。 当得分变化时，存储的上下文窗口能告诉你哪些短语推动了它。

结论：衡量AI如何描述你

引用跟踪告诉你助手使用了你的页面；情感跟踪告诉你阅读答案的买家是否留下了好印象。Scrapeless LLM参与者使得第二个可测量化：一个捕获循环，答案文本作为一个字段，结合透明的评分机制，将“AI引擎如何谈论我们？”转化为一个可图表化的数字。

准备构建你的AI答案数据管道吗？

加入我们的社区，领取免费的计划，并与构建AI答案管道的开发者联系：Discord · Telegram。

在 app.scrapeless.com 注册获取免费试用积分，并将管道指向你需要监测的品牌、提示和市场。

常见问题

问：品牌情感与引用份额有什么不同？

答：引用份额计算你的域名是否作为来源被使用；情感读取你的品牌在答案文本中的描述。一个品牌可能会被频繁提及，但描述平淡；或者描述热情但几乎不被提及——这两个指标回答不同的问题。

问：我需要模型API密钥用于情感步骤吗？

答：不需要。基线评分器使用透明的正/负词汇表通过上下文窗口运行，因此仅依赖标准库。基于模型的评分器是可选升级，而非必要条件。

问：为什么同一品牌在每个引擎上的得分不同？

答：每个引擎从其自身的来源和措辞合成答案，因此与你的品牌相关的词语有所不同。这种差异正是管道所呈现的——你的买家使用的助手可能会以不同于你假设的方式框定你。

问：抓取AI答案合法吗？

答：参与者读取公开可用的答案内容。与任何抓取一样，使用应限于公开数据，尊重各个平台的条款，避免个人数据，如用例不明确，请咨询律师。

问：我可以跟踪多个品牌吗？

答：可以。使用竞争中立的提示运行相同的捕获，并针对相同答案对多个品牌字符串进行评分，以便在你自己的记录中并排比较框架。