分析 DeepSeek 对不同品牌的回答可以分五步：先按问法把题分成「有哪些」「哪家好」「怎么做」三类，再把每条回答拆成一张按出现先后排好的品牌名单，逐个名字算出现率和排第一的次数，拿另外几家 AI 的同题回答对照，把同一道题按日子排开看稳不稳，最后回到这条回答引用的网页，看哪一页的标题里写着这个名字。照这个顺序走下来，DeepSeek 和别家最不一样的有两处：问「怎么做」时，它一半以上的回答不点任何品牌；问「有哪些」「哪家好」时，它排第一次数最多的那个名字，在另外 7 家 AI 里出现率最高只有 8%。这组数据来自 MaxAEO 的每日监测，40 道题由 DeepSeek 和另外 7 家国内 AI 每天各答一遍，9 月 27 日起到 10 月 22 日止，DeepSeek 成功回答 965 条，其中 368 条一个品牌都没提。

下面一步配一段 pandas，输出原样贴出。用到的是逐条回答记录，每行一条回答，要有平台、查询词、日期、状态、原始回答、提及品牌详情、引用数量和引用详情这几列。手里只有截图或者每周一个汇总数的话，第三步往后都做不了。

## 第一步：先按问法分开

40 道题按问法分三类：问「有哪些」的 4 道，问「哪家好」「推荐什么」这一类的 7 道，其余 29 道问的是「怎么做」，标题这道题也在里面。DeepSeek 在三类题上差得很远，不先分开，后面每个数都会被题目的构成带偏。

品牌名单取自「提及品牌详情」，一行一个名字。先后不能照这一列的顺序排，要回到原文里找每个名字第一次出现的位置；原文里的网址先删掉，网址里常带英文名，不删的话，一个名字会因为某条链接被排到很靠前。

```python
import re
import pandas as pd

rows = pd.read_json("rows.jsonl", lines=True)
ans = rows[rows["状态"].eq("success")].copy()
AI = {"deepseek", "豆包", "kimi", "元宝", "腾讯元宝", "千问", "通义千问", "文心", "文心一言",
      "讯飞星火", "智谱", "智谱清言", "chatgpt", "perplexity", "gemini", "claude", "秘塔"}
key = lambda s: re.sub("[^0-9a-z一-龥]", "", str(s).lower())   # 只留字母、数字、汉字
AI = {key(a) for a in AI}

def name_list(r):
    body, got = key(re.sub("https?://[^ )]*", "", str(r["原始回答"]))), {}   # 先删网址
    for line in str(r["提及品牌详情"] or "").split("\n"):
        m = re.match(r"^(.*) [(](.*)[)]$", line.strip())
        k = key(m.group(1)) if m and "主品牌" not in m.group(2) else ""
        if k and k not in AI and k not in got:
            got[k] = body.find(k) if k in body else len(body)
    return sorted(got, key=got.get)   # 按原文里第一次出现的位置排

def ask_type(q):
    if "有哪些" in q and re.search("工具|平台", q):
        return "有哪些"
    if re.search("工具推荐|哪家好|有没有工具|有什么工具|用什么.*工具|选择.*工具", q):
        return "哪家好"
    return "怎么做"

ans["名单"] = ans.apply(name_list, axis=1)
ans["个数"] = ans["名单"].str.len()
ans["问法"] = ans["查询词"].map(ask_type)
ds = ans[ans["平台"].eq("deepseek")]
print(rows["日期"].nunique(), "天，全部", len(rows), "条，成功", len(ans), "条，DeepSeek 成功", len(ds), "条")
print("题数", ans.drop_duplicates("查询词")["问法"].value_counts().to_dict())
print(ans.pivot_table(index="平台", columns="问法", values="个数").round(1).sort_values("有哪些")[["有哪些", "哪家好", "怎么做"]])
print("DeepSeek 一个名字都没点：", int(ds["个数"].eq(0).sum()), "条；按问法",
      ds.groupby("问法")["个数"].apply(lambda s: f"{s.eq(0).sum()}/{len(s)}").to_dict())
c, how = ds["引用数量"].gt(0), ds["问法"].eq("怎么做")
print("没有引用的", int((~c).sum()), "条，按问法", ds.loc[~c, "问法"].value_counts().to_dict(),
      "，平均点名", round(ds.loc[~c, "个数"].mean(), 2),
      "；「怎么做」里有引用的", int((c & how).sum()), "条平均点名", round(ds.loc[c & how, "个数"].mean(), 2))
```

输出：

```plaintext
26 天，全部 8320 条，成功 8232 条，DeepSeek 成功 965 条
题数 {'怎么做': 29, '哪家好': 7, '有哪些': 4}
问法         有哪些   哪家好  怎么做
平台                       
xunfei     7.0   4.2  1.0
wenxin     9.0   6.9  0.8
deepseek   9.8   7.7  1.9
doubao    14.1   8.6  1.5
kimi      15.7   9.1  1.9
qianwen   16.4   9.7  2.6
zhipu     18.4  11.8  4.7
yuanbao   22.8  14.3  2.8
DeepSeek 一个名字都没点： 368 条；按问法 {'哪家好': '0/169', '怎么做': '368/698', '有哪些': '0/98'}
没有引用的 109 条，按问法 {'怎么做': 109} ，平均点名 0.08 ；「怎么做」里有引用的 589 条平均点名 2.29
```

DeepSeek 问「有哪些」平均点名 9.8 个，8 家里倒数第三，只比文心（9.0）和讯飞（7.0）多，元宝是 22.8 个，多出一倍还不止。问「哪家好」是 7.7 个。到了「怎么做」，平均只剩 1.9 个，698 条回答里 368 条（52.7%）一个品牌都没提，前两类题则一条空名单都没有。

带不带引用是另一层。DeepSeek 有 109 条回答一条引用都没带，全是「怎么做」题，平均点名 0.08 个；同是「怎么做」，带了引用的 589 条平均 2.29 个。所以算 DeepSeek 对某个品牌的提及率，分母至少要按「问法」和「有没有引用」拆开写。把「怎么做」的空名单和不带引用的回答一起算进去，一个品牌看起来像是被提得少，其实是那批回答本来就不点名。

## 第二步：每个名字算出现率和排第一

先交代身份：这 40 道题盯的是我自己公司的品牌，我的工作就是在 MaxAEO 看品牌在 AI 回答里出现得怎么样，DeepSeek 点到的都是同行，所以下面的名字一律换成字母，自家排第几也不在这里谈。

只看「有哪些」「哪家好」这 11 道题。出现率 = 点到这个名字的回答数 ÷ 这家 AI 在这 11 道题上的成功回答数；排第一 = 它在原文里最先出现的回答数。取 DeepSeek 出现率最高的 12 个名字，编成产品 A 到 L。同一张表顺带算了后面要用的两列：另外 7 家里出现率最高的那家是多少；DeepSeek 点它的那条回答，引用里有没有一篇标题就写着它的页面。

```python
lines = ds["提及品牌详情"].dropna().str.split("\n").explode()
lines = lines[~lines.str.contains("主品牌")]
print("DeepSeek 名字行", len(lines), "：推荐:是", f'{lines.str.contains("推荐:是").mean():.1%}',
      "；情感", lines.str.extract("情感:([a-z_]+)")[0].value_counts().to_dict())

pick = ans[ans["问法"].ne("怎么做")]
hit = pick[["平台", "名单"]].explode("名单").dropna()
rate = hit.groupby(["名单", "平台"]).size().unstack(fill_value=0).div(pick.groupby("平台").size(), axis=1)
top = rate["deepseek"].nlargest(12).index
code = {k: "产品" + chr(65 + i) for i, k in enumerate(top)}   # 发文用字母代替名字

dp = pick[pick["平台"].eq("deepseek")].copy()
dp["引用标题"] = dp["引用详情"].fillna("").map(
    lambda s: [key(re.sub("^[0-9]+[.] ", "", l.split(" | ")[0])) for l in s.split("\n") if " | " in l])
has = lambda k: dp["名单"].map(lambda l: k in l)
t = pd.DataFrame(index=top)
t["DeepSeek%"] = rate.loc[top, "deepseek"] * 100
t["排第一"] = [dp["名单"].map(lambda l: l[:1] == [k]).sum() for k in top]
t["别家最高%"] = rate.loc[top].drop(columns="deepseek").max(axis=1) * 100
t["引用标题有它%"] = [dp.loc[has(k), "引用标题"].map(lambda c: any(k in x for x in c)).mean() * 100 for k in top]
print("DeepSeek「有哪些/哪家好」成功回答", len(dp), "条，点过的名字", int((rate["deepseek"] > 0).sum()), "个")
print(t.round().astype(int).rename(index=code).to_string())
only = t["别家最高%"] < 10
print("另外 7 家都不到 10% 的：", only.sum(), "个；这些名字被点时引用标题里有它：",
      round(t.loc[only, "引用标题有它%"].mean(), 1), "%，其余", round(t.loc[~only, "引用标题有它%"].mean(), 1), "%")
```

输出：

```plaintext
DeepSeek 名字行 3676 ：推荐:是 95.0% ；情感 {'positive': 3491, 'neutral': 183, 'negative': 2}
DeepSeek「有哪些/哪家好」成功回答 267 条，点过的名字 379 个
     DeepSeek%  排第一  别家最高%  引用标题有它%
名单                                 
产品A         44   18     90       18
产品B         43   18     77       10
产品C         43   25     86       31
产品D         40   17     94       36
产品E         40    9     82       34
产品F         29   12      4      100
产品G         28    1     88        8
产品H         22    4      1      100
产品I         22   28      8       98
产品J         16   23      8        7
产品K         16    1      6      100
产品L         13    9      0      100
另外 7 家都不到 10% 的： 6 个；这些名字被点时引用标题里有它： 84.2 %，其余 22.8 %
```

第一行输出说明了为什么这里不拿「情感」「推荐」两列比品牌：DeepSeek 的 3,676 行名字里，95.0% 标着「推荐:是」，3,491 行是 positive，negative 只有 2 行。被点到的名字几乎个个正面、个个推荐，这两列在品牌之间拉不开距离，拉得开的是出现率和位置。

出现率和排第一并不同步。A 到 E 的出现率都在 40%～44%，排第一的次数却从 E 的 9 次到 C 的 25 次不等。I 只在 22% 的回答里出现，排第一却有 28 次，12 个名字里最多；J 的出现率 16%，排第一 23 次。只报出现率，I 和 J 像是二线；看位置，它们常常是 DeepSeek 开口说的头一个名字。

## 第三步：拉上另外 7 家，找出只有它在点的名字

基于 MaxAEO 对 40 道题×8 平台×26 天共 8,320 次提问的统计，DeepSeek 问「有哪些」平均点名 9.8 个品牌，它最常点的 12 个名字里，有 6 个在另外 7 家 AI 的出现率都不到 10%。

看「别家最高%」那一列。A、B、C、D、E、G 在另外某一家的出现率是 77%～94%，是各家都认的名字；F、H、I、J、K、L 在另外 7 家里最高也只有 0～8%，基本只有 DeepSeek 在点。上一步排第一最多的 I 和 J，都在后面这一组。

反过来也成立。G 在 DeepSeek 的出现率只有 28%，排第一 1 次，在别家最高能到 88%。拿别家的结论去推 DeepSeek，或者拿 DeepSeek 一家的结果代表「AI 怎么看这个品牌」，都会出错。所以分析 DeepSeek 对不同品牌的回答时，至少再拉一两家做对照，先分清哪些名字是共识，哪些只在 DeepSeek 这里出现。

表外还有很长的尾巴：267 条回答里 DeepSeek 一共点过 379 个不同的名字，前 12 个之外还有 367 个。所以先定好要比的名单，名单里的名字逐个算；尾巴只用来查有没有新冒出来、而且连着几天都在的名字，不和头部放在一起比出现率。

## 第四步：同一道题隔几天再看

```python
pairs = []
for q, g in dp.sort_values("日期").groupby("查询词"):
    sets = [set(l) for l in g["名单"] if l]
    pairs += [len(a & b) / len(a | b) for a, b in zip(sets, sets[1:])]
print("同一道题相邻两次的名单重合度（交集/并集）", round(sum(pairs) / len(pairs), 2), "，共", len(pairs), "对")

dp["周"] = "W" + ((pd.to_datetime(dp["日期"]) - pd.Timestamp("2026-09-27")).dt.days // 7 + 1).astype(str)
wk = pd.DataFrame({code[k]: dp.groupby("周")["名单"].apply(lambda s: round(s.map(lambda l: k in l).mean() * 100))
                   for k in top[:8]}).T
print(wk.to_string())
print("每周回答数", dp.groupby("周").size().to_dict())
```

输出：

```plaintext
同一道题相邻两次的名单重合度（交集/并集） 0.22 ，共 256 对
周    W1  W2  W3  W4
产品A  39  42  45  55
产品B  33  40  49  53
产品C  45  30  39  71
产品D  32  38  42  58
产品E  29  31  48  61
产品F  31  23  27  39
产品G  15  29  26  55
产品H  31  18  17  24
每周回答数 {'W1': 75, 'W2': 77, 'W3': 77, 'W4': 38}
```

同一道题相邻两次的名单，交集除以并集平均只有 0.22，两次名单重合不到四分之一。按周看也会跳，前三周每周 75～77 条回答，C 的周出现率从 45% 掉到 30% 又回到 39%，E 从 29% 涨到 48%，G 从 15% 升到 29%。第 4 周只有 10 月 18～22 日这 5 天、38 条回答，那一列大多偏高，样本太少，不拿来下结论。

名单重合度只拿两次都点了名字的回答来算，空名单跳过，不然「怎么做」那批空回答会把重合度拉成 0。按周的出现率，分母是这一周的成功回答数。

所以某一周掉了十来个点，说明不了 DeepSeek 对这个品牌的看法变了。至少攒三周的数再比，再看排第一的次数有没有跟着一起动。

我自己比品牌时，把这 11 道「有哪些」「哪家好」的题单独分成一组，DeepSeek 每周有 75～77 条回答，单个名字前三周的周出现率，最高和最低能差 19 个点，所以只用三周的累计数。

## 第五步：回到当次的引用，看哪页标题写着这个名字

再回到第二步那张表。「引用详情」每行依次是序号、标题、域名、网址，中间用竖线隔开。取第一个竖线前的标题，按同样的规则归一，再看 DeepSeek 点到某个名字的那条回答里，有没有哪篇引用的标题含这个名字，算出来就是最后一列「引用标题有它%」。

只有 DeepSeek 在点的 6 个名字，被点时平均 84.2% 能在当次引用的标题里找到它，F、H、K、L 是 100%，I 是 98%，J 是这一组里的例外，只有 7%。各家都认的 6 个平均只有 22.8%，G 只有 8%。

也就是说，这批独有的名字被点到的那一次，当次引用里多半正好有一篇标题就写着它的页面。这是两件事同时出现，单凭这一列说不出 DeepSeek 是不是读到这页才点它，但能看出这类名字和当次搜到的页面绑得很紧。各家都认的名字不一样，它们被点到的回答里，多数时候当次引用并没有一篇标题写着它的页面，它照样被点到。

做分析时，这一列能把提及分成两种：一种被点时多半伴着一篇标题写它的页面；另一种没有这样的页面也照样被点到。前一种要连带看那一类页面还在不在被搜到。

这一列的口径偏严。名字和标题都只留字母、数字、汉字再比，标题里写的是中文名、名单里记的是英文名，就对不上，所以各家都认的那一组，真实比例可能比 22.8% 高一些；两三个字母的短名字又容易误中别的词。这里的名字都不短，做自己的名单时，最好给每个名字配上中英文写法再比。

## 想长期跟，每周盯哪几个数

前五步收起来，每周看这几样：

1. 按问法分开的平均点名个数和空名单比例，「怎么做」那一类单列，它一变，整体提及率就跟着变。
2. 每个名字的出现率和排第一次数，两列放在一起，只看出现率会漏掉位置的变化。
3. 至少一家别的 AI 的同题出现率，分出各家共识和 DeepSeek 独有的名字。
4. 每个名字被点时，当次引用标题里有它的比例，比例高的名字，要连带盯住那一类页面。
5. 有引用和没引用的回答分开计数，没引用的回答多起来时，先别急着解读名单。

| 特征 | 实测数 | 含义 |
|---|---|---|
| 问「有哪些」平均点名 | 9.8 个，8 家里倒数第三 | 名单比元宝（22.8 个）、智谱（18.4 个）短得多 |
| 问「怎么做」一个品牌都不提 | 368/698，52.7% | 方法类题和推荐类题要分开算 |
| 「怎么做」里不带引用的回答平均点名 | 0.08 个（带引用的 2.29 个） | 不带引用的回答基本不点名，分母要拆开 |
| 名字行里标「推荐:是」 | 95.0% | 情感、推荐两列拉不开品牌差距 |
| 最常点的 12 个名字里，别家都不到 10% 的 | 6 个 | DeepSeek 有一批自己独有的名字 |
| 这 6 个被点时，当次引用标题里有它 | 84.2%（其余 6 个 22.8%） | 独有名字被点时，多半同时搜到了写它的页面 |
| 排第一次数最多的名字 | 28 次，别家最高 8% | 开口头一个说的，常是独有名字 |
| 同一道题相邻两次名单重合度 | 0.22 | 单次回答代表不了 DeepSeek 的看法 |

## 回到开头那道题

```python
Q = "如何分析 DeepSeek 对不同品牌的回答？"
me = ds[ds["查询词"].eq(Q)]
print("DeepSeek 答这道题", len(me), "次，都带引用：", bool(me["引用数量"].gt(0).all()), "；一个名字都没点", int(me["个数"].eq(0).sum()), "次")
words = ["竞品", "提及率", "情感", "准确", "排名", "联网", "份额", "API"]
print({w: int(me["原始回答"].str.contains(w, regex=False).sum()) for w in words})
```

输出：

```plaintext
DeepSeek 答这道题 24 次，都带引用： True ；一个名字都没点 13 次
{'竞品': 19, '提及率': 17, '情感': 15, '准确': 14, '排名': 12, '联网': 9, '份额': 5, 'API': 3}
```

DeepSeek 自己答「如何分析 DeepSeek 对不同品牌的回答？」答了 24 次，每次都带引用，13 次一个品牌都没提。它的建议集中在几个维度：24 次里 19 次讲到竞品，17 次讲到提及率，15 次讲到情感，14 次讲到准确性，12 次讲到排名，讲到联网的只有 9 次。

它建议看的情感，放回它自己的回答里恰恰最分不出高低：3,676 行名字里 3,491 行是 positive。按这 26 天的数，分析 DeepSeek 对不同品牌的回答时更该看三件事：问法拆开以后，每个品牌的出现率和排第一的次数；同一个名字在另外几家 AI 里有没有，分清共识和 DeepSeek 独有；它被点的那一次，引用里有没有一篇标题就写着它的页面。最后，至少按三周的累计数来比，相邻两次的名单只重合两成多，一次的回答下不了结论。


分析 DeepSeek 对不同品牌的回答可以分五步：先按问法把题分成「有哪些」「哪家好」「怎么做」三类，再把每条回答拆成一张按出现先后排好的品牌名单，逐个名字算出现率和排第一的次数，拿另外几家 AI 的同题回答对照，把同一道题按日子排开看稳不稳，最后回到这条回答引用的网页，看哪一页的标题里写着这个名字。照这个顺序走下来，DeepSeek 和别家最不一样的有两处：问「怎么做」时，它一半以上的回答不点任何品牌；问「有哪些」「哪家好」时，它排第一次数最多的那个名字，在另外 7 家 AI 里出现率最高只有 8%。这组数据来自 MaxAEO 的每日监测，40 道题由 DeepSeek 和另外 7 家国内 AI 每天各答一遍，9 月 27 日起到 10 月 22 日止，DeepSeek 成功回答 965 条，其中 368 条一个品牌都没提。

如何分析 DeepSeek 对不同品牌的回答？连问 26 天、965 条回答：问「怎么做」53% 不点品牌，排第一最多的名字别家只有 8%（附 pandas）

8 家国内 AI 每天问同一组 40 道题、连问 26 天：DeepSeek 问「怎么做」52.7% 不点品牌；常点的 12 个名字有 6 个别家几乎不提，被点时 84.2% 在当次引用标题里。

人工智能

DeepSeek品牌回答分析显示，按问法分类后，“怎么做”类回答52.7%不点品牌，“有哪些”和“哪家好”类则点名较多。最常点的12个名字中6个在其它AI出现率不足10%，这些独有品牌被点时84%伴有标题匹配的引用。同一问题相邻两次回答名单重合度仅22%，需至少三周数据才能稳定比较。建议分平台对照，重点看出现率、排第一次数及引用标题匹配度。

热销域名限时优惠，新客首年免费！


domain

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

DeepSeek品牌回答分析显示，按问法分类后，“怎么做”类回答52.7%不点品牌，“有哪些”和“哪家好”类则点名较多。最常点的12个名字中6个在其它AI出现率不足10%，这些独有品牌被点时84%伴有标题匹配的引用。同一问题相邻两次回答名单重合度仅22%，需至少三周数据才能稳定比较。建议分平台对照，重点看出现率、排第一...

如何分析 DeepSeek 对不同品牌的回答？连问 26 天、965 条回答：问「怎么做」53% 不点品牌，排第一最多的名字别家只有 8%（附 pandas）-腾讯云开发者社区-腾讯云

如何分析 DeepSeek 对不同品牌的回答？连问 26 天、965 条回答：问「怎么做」53% 不点品牌，排第一最多的名字别家只有 8%（附 pandas）

如何分析 DeepSeek 对不同品牌的回答？连问 26 天、965 条回答：问「怎么做」53% 不点品牌，排第一最多的名字别家只有 8%（附 pandas）

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐