我们测量什么

把这个赌注说清楚

        ORGANIC AI MINDSHARE
              │
              ├──▶  AGENT TRAFFIC     (tools fetching data on a user's behalf)
              │
              └──▶  HUMAN TRAFFIC     (AI assistants sending users to your site)
                            │
                            ▼
                    REVENUE · USAGE · DISCOURSE
                            │
                            ▼
                    fuel for the next training cycle

四个指标。
一个产出，三个输入。

一个产出数字告诉你今天身处何处。三个输入指标告诉你是什么在驱动它、该改什么。发现来自指标之间的落差；孤立的单个数字从不是头条。

它如何运作

┌──────────────────┐    ┌──────────────────┐    ┌──────────────────┐
│  1. SCRAPE       │    │  2. QUERY        │    │  3. TRIANGULATE  │
│                  │    │                  │    │                  │
│  Reddit · X      │───▶│  108-cell        │───▶│  cutoff-split    │
│  GitHub · arXiv  │    │  battery         │    │  velocity +      │
│  HN · Trends · G2│    │  3 models, 3rds  │    │  framing split   │
└──────────────────┘    └──────────────────┘    └──────────────────┘
   foundation              agent layer             cross-channel

1. 1

   抓取你品类的基础渠道

   Reddit、X、GitHub、arXiv、Hacker News、Google Trends、G2：工具只抽取你品类真正会出现的那部分渠道，而不是一次全用上。其中喂养语料的那些，正是已经进入 AI 训练语料的同一批买家信号。

2. 2

   让前沿模型小组跑安装决策类查询

   Claude Sonnet、Claude Haiku、GPT-5.5（三个常驻模型）：每份报告 108 个单元，覆盖四种查询表述，3 轮。小组与垂直领域匹配，所以开发者类主体会加上第四个模型（GPT-5.3-Codex，144 个单元），消费者类主体在验证后加上与垂直领域匹配的第四个模型。

3. 3

   跨渠道三角验证并按截止日期拆分

   每个模型训练截止日期之后的基础活动，喂给那个预测哪些品牌会进入下一个训练周期的速度指标。

一个真实的发现
长什么样

现在就打开 Claude 或 ChatGPT。问一个你品类里的新买家会问的问题，别提你的品牌。看看会冒出什么。如果你没出现，或者一个竞争对手自信地占了你的位置，那你看到的就是 Korpora 最常揭示的那种模式。

真正撬动指针的发现，是指标之间的落差。我们最常揭示的形态：一个品牌在发生购买决策对话的基础渠道上领先，却在以 6 到 12 个月滞后索引这些渠道的 AI 助手层上落后。

OPERATOR DISCOURSE vs AI-ASSISTANT RECALL

                  FOUNDATION CHANNELS       AI-ASSISTANT LAYER
                  (operator discussion)     (buyer research)

Brand             HN 924   Reddit 1,375   Organic mindshare   7.4%
Competitor A      HN  21   Reddit    93   Organic mindshare  86.1%
Competitor B      HN 534   Reddit    33   Organic mindshare  80.6%

The brand leads on the channels where staffing-decision conversations
actually happen. AI assistants index those channels on a 6 to 12 month
lag, so the recall catch-up arrives one to two training cycles out,
provided the right indexable signal is in place when the next corpus
closes.

会落到你收件箱里的东西

一次测量，三件交付物。第一件是可分享的；第二件是可行动的；第三件是可选的，当你团队里某个特定决策者需要把同一份数据按他的视角重新组织时再要。

我们交付提示，而不是内容

Korpora 把增长工程提示（假设、渠道、锚定词、测量规范）交付到你团队的智能体里。由你的工程师和增长工程师去交付这些提示产出的产物。我们从不碰文案。

每一个别的 AEO 平台，都在交付内容的同时，附带一个评判内容是否奏效的仪表盘。我们不这么做，这是刻意的。测量工具不能同时是优化供应商，否则就有结构性的利益冲突，而这种冲突恰恰是我们用来审计其他测量供应商的标准。Korpora 是你的 AEO 平台应该被它评判的那一层，而不是平台本身。

为什么做这个