这条在：GEO 图书馆 · 衡量
同一个问题要测几次才算数？
截至 2026 年 9 月 28 日，母本查到的公开资料里，没有公认的「同一个问题要问几次，才能确定品牌在 AI 回答里的出现率」。
能算清的是：问 3 次出现 2 次，按 NIST 统计手册里的 Wilson 95% 区间，真实出现率大约在 21% 到 94% 之间，只够说「出现过」，不够说「稳定出现」。
先说为什么要问不止一次
AI 的回答每次都可能不一样。DeepSeek 的用户协议写，输出「存在随机性并且无法保证唯一性」，同样的内容也可能生成不同结果。Anthropic 的接口文档里有一句：把随机程度（temperature）调到 0，结果也「will not be fully deterministic」；文档同时写明，较新的模型已经不让设置这个参数。这是接口说明，不是聊天产品的承诺。开了联网搜索还多一层：OpenAI 说 ChatGPT 搜索有时会找第三方搜索服务商，通常把你的问题改写成一条或多条查询发过去。中间多了这些步骤，结果怎么变，它没细说。
我们自己也见过。2026 年 9 月 27 日夜，我们用 OpenRouter 的接口调 GPT-6 Astra 和 Claude Sonnet 5，各问了 42 道点名题（32 道中文「某某公司是做什么的」，10 道英文「What does X do?」），每道问三轮。问句里已经点了名，这组数看的是「搜不搜」：三轮里有时去搜、有时不搜的，GPT-6 Astra 有 5 道，Claude Sonnet 5 有 3 道。不点名的题，名单也会变：问「全球最好的办公室室内设计公司有哪些」，GPT-6 Astra 三轮给了 8 家、9 家、7 家，名单不完全一样。这是接口，不等于手机 App 里看到的。
所以就这一晚、这两个模型看，问一次看到你，不能说明你总在名单里；问一次没看到，也不能说明你不在。
问几次，误差有多大
把每次回答当成一次抽样：你出现了，记一次「中」。问得少，从「中了几次」推回真实出现率，范围就会很宽。下面是按美国国家标准与技术研究院（NIST）统计手册里的一种算法（Wilson 区间）算的。手册收它的理由之一，是下限不会算出负数，手册称最常用的那个公式做不到这一点；一篇 2001 年的统计学论文建议小样本用它或另一种叫 Jeffreys 的区间。
每一行是 95% 置信区间：这套算法反复用，大约每 20 次有 19 次能罩住真实出现率。问的次数很少时，这个比例本身也不稳。
| 问了几次 | 出现几次 | 真实出现率大约在 |
|---|---|---|
| 3 | 1 | 6% 到 79% |
| 3 | 2 | 21% 到 94% |
| 3 | 3 | 44% 到 100% |
| 5 | 3 | 23% 到 88% |
| 10 | 3 | 11% 到 60% |
| 10 | 6 | 31% 到 83% |
| 20 | 12 | 39% 到 78% |
| 100 | 60 | 50% 到 69% |
几个能直接用的结论：
- 问 3 次出现 2 次，只够说「出现过」。真实出现率可能只有两成，也可能九成多。换成更保守的算法（按二项分布的精确区间），范围大约是 9% 到 99%。
- 10 次里中 6 次，和 10 次里中 3 次，两个范围叠在大约 31% 到 60%。单靠 10 次，分不清稳定的六成和偶尔的三成出头。
- 想把范围收到正负 10 个百分点左右，出现率在一半上下时，大约要问 100 次。
这张表有个前提：每次回答互相独立、这段时间里出现率不变。现实里不一定成立：同一道题连着问，结果可能彼此相关；隔几天问，模型和搜索结果可能已经变了。一家卖 GEO（AI 搜索优化）监测的公司在自己的误差表下面也注明了，多次采样「并非独立样本，所以真实误差比表里更大」。
研究和行业给的次数
三篇预印本给的说法并不一样。
- 圣加仑大学的一篇（第一作者脚注写明与一家 AI 可见度公司 Aurora Intelligence 有关联）在自己测的 4 个 AI 引擎上建议：看品牌出现，每条问题每天至少问 7 次；按它自己的算法，这时 95% 区间仍大约有正负 16 个百分点。看引用来源至少 8 次。它还测到，24 小时内有引用的那些次，引用来源平均只有 32% 到 43% 重合。
- 另一篇（作者任职 AI 可见度公司 Rankfor.AI）在自己的数据上给过 5 次、10 次、15 次三档。它的摘要说，这三档固定次数不能原样搬到别的数据上，要先做小样本试点再算；它拿来对照的是政治倾向测验和基准测试，不是品牌推荐。
- 还有一篇（作者任职 IQRush，2026 年 7 月提交、8 月修订）测的是引用来源的排名，不是品牌出现率。它在 Gemini、SearchGPT、Perplexity 的 30 个组合里得出：没有一个固定的采集次数，能跨这些情境都说得通。
这三篇都是预印本，没见录用。
卖受众研究工具的 SparkToro，2026 年 1 月做过一项研究：600 名志愿者、12 条提示词、共 2961 次。作者把「一条提示词要跑几次才算有统计意义」列成还没回答的问题。他愿意认的指标，是几十到几百条提示词、每条多跑几次之后的出现百分比；想看清一份推荐名单，同一句他写的是通常至少问 60 到 100 次。志愿者用的是各自的默认设置，地区、设备和历史记录都没控制，名单波动里也混着个性化。
中文圈流传的「10 次里 6 次」，能找到有人这么说，找不到统计依据。我们找到最接近的原话，是一家 GEO 服务商在博客园写的团队标准：同一个问题跑 10 次，「频次稳定在 60% 以上才算真稳定」。文中没有统计推导。用 10 次来核对这个六成门槛，按上面的表，10 次中 6 次对应的范围是 31% 到 83%，门槛两侧分不清。
我们自己怎么测
我们的周测规程写的是：命中的问题当天开新对话再问两遍，「三次两次才算」。按上面的表，三次里两次只能说明出现过，不能写成出现率。周记用这条规矩的地方，就写「出现过」。
要估计「这一句」的出现率，得把这一句的次数加上去；要估计「一组问题里我出现在多少比例的回答里」，得把问题的条数加上去。这是两件事。
这些结论别往外推
- 一天问一次够不够，看你要的是哪个数。卖 AI 可见度工具的 Profound 在 753 条问题、7 个平台上比较过，一天每条问 1 次和问 10 次，14 天汇总的可见度相差约 2 个百分点（78.7% 对 80.4%）。那是一大组问题加总的结果，可见度在八成上下。按 Profound 自己的技术文档，它的可见度分母是「提到了任何品牌的回答」，不是全部回答。它回答不了「这一句我出现的比例是多少」。这是一家公司为自家一天一次的做法作的说明。
- 表里的范围是理想情况。每次回答并不真的互相独立，平台也一直在变，真实的不确定只会更大。
- 我们的三轮记录只有一晚、两个模型、接口版。
出处 13 条，A 级 5 条、B 级 7 条、C 级 1 条 · 展开全部
NIST/SEMATECH《e-Handbook of Statistical Methods》7.2.4.1：比例的 Wilson 置信区间「introduced by Wilson (1927), recommended by Brown, Cai and DasGupta (2001) and Agresti and Coull (1998)」；样本很小时可用按二项分布算的精确区间。本文各档区间是母本按手册公式计算的，用手册例题验过。 原文
Brown、Cai、DasGupta《Interval Estimation for a Binomial Proportion》，Statistical Science 2001：「we recommend the Wilson interval or the equal-tailed Jeffreys prior interval for small n」。 原文
Anthropic Claude API 文档（temperature 参数）：「Note that even with `temperature` of `0.0`, the results will not be fully deterministic.」文档同时写明较新的模型已不接受设置这个参数。这是接口说明。 原文
《DeepSeek 用户协议》（2025-09-05 更新）：「本服务输出存在随机性并且无法保证唯一性」，同样的内容可能生成不同结果。 原文
OpenAI 帮助中心《Searching the web with ChatGPT》：ChatGPT 搜索常把问题改写成一条或多条查询发给第三方搜索服务商；搜索结果「Placement is not guaranteed」，说的是排序位置不保证。 原文
SparkToro（卖受众研究工具）Rand Fishkin，2026-01-27：600 名志愿者、12 条提示词、共 2961 次，志愿者用各自默认设置；它把「How many times do you need to run a prompt to have statistically sound answers」列为没回答的问题，认为几十到几百条提示词多次运行后的出现百分比是合理指标。 原文
Schulte、Bleeker、Kaufmann（圣加仑大学）arXiv 2604.07585，预印本，2026-04-08：「Practitioners should therefore use at least 7 runs per prompt per day for brand visibility monitoring, and at least 8 runs when source-level coverage matters.」同一天重复运行，引用来源重合平均 32%–43%。 原文
Żatuchin（爱沙尼亚创业应用科学大学，写明与 Rankfor.AI 有关联）arXiv 2609.04047，预印本，2026-09-03：给出探索 5 次、确认 10 次、严谨 15 次三档；摘要说「the fixed tiers do not transfer」，要先跑小样本试点再算；外部对照材料是政治倾向测验和基准测试。 原文
Sielinski arXiv 2607.10341，预印本，2026-07-11 提交、08-26 修订，测的是 Gemini、SearchGPT、Perplexity 引用来源排名：「no fixed collection budget can be justified across contexts」，要看数据本身是否收敛。 原文
Profound（卖 AI 可见度工具）Jennifer Zou，2026-07-08：753 条问题、7 个美国平台，一天每条问 1 次对问 10 次，「Once a day already lands within about 2 percentage points of a 10×-a-day reading for visibility.」 原文
被核对象：博客园上的一篇 GEO 文章，2026-05-07：「我们团队做内容评估时的最低标准是同一 query 跑 10 次……频次稳定在 60% 以上才算真稳定,40% 以下基本就是"偶发命中"」。 原文
一家国内 GEO 监测公司的文章，2026-08-05：表下自注「同一条问题的多次采样彼此相关，并非独立样本，所以真实误差比表里更大」。 原文
母本自测（2026-09-27 夜）：OpenRouter 接口，同一晚三轮问 42 道点名题（32 道中文、10 道英文），三轮「有没有搜索记录」一致的，GPT-6 Astra 37 道、Claude Sonnet 5 39 道。接口版。 原文
大家也这样问
- 测AI推荐要问几次才准？
- 同一个问题要测几遍？