Core Summary：采样是 AI 可见性测量里最贵的成本项，我们按「问题价值」分三档投放：高价值问题每轮采 15 条、重复 5 轮，一般问题 10×3，低价值问题 5×1，总样本控制在成本可控的范围内。分档是动态的，问题会随监测结果在三档之间流动。最关键的口径纪律：分母为 0 时显示「暂无数据」而非 0% —— 「没采到」与「测到 0」是结论完全相反的两件事。
采样是 AI 可见性测量的燃料，也是最贵的成本项。本文公开我们的分级规则：什么算高价值问题、每档采多少轮、置信度如何分级，以及「没采到」与「测到 0」为什么必须分开显示。
问题：采样预算怎么分配才不浪费
AI 可见性测量的基本动作是：拿一定数量的问题，向目标 AI 引擎提问，记录回答里品牌的提及与排位。问题在于，「多少个问题 × 每个问题问多少轮」直接决定成本——全部问题都做深度采样，预算消耗极快；全部浅采样，结论又不可靠。
我们的解法是按问题价值分级：让预算向「最可能产生决策价值的问题」倾斜。
三档分级规则
高价值问题（每轮 15 条采样、重复 5 轮）：正在被监测的核心问题，以及近 30 天内排名出现衰减的问题——衰减意味着竞争加剧或内容过期，值得高频复测。
默认问题（每轮 10 条采样、重复 3 轮）：常规监测问题，覆盖行业问题库的主体。
低价值问题（每轮 5 条采样、重复 1 轮）：近 30 天从未被提及的问题。这类问题先确认「是否仍然不被提及」，把资源留给更有价值的战场。
分档是动态的：问题会随监测结果在三档之间流动，不需要人工维护。
置信度分级
采样完成后的置信度按有效样本数分三级：≥15 条为高、≥10 条为中、其余为低。置信度会随结论一起展示——「中置信度下的 60% 提及率」和「高置信度下的 60%」不是同一个可信度，只报数字不报置信度是一种信息隐瞒。
「无采样」与「真实的 0%」是两件事
这是我们最坚持的一条口径：分母为 0 时显示「暂无数据」，绝不显示 0%。
「这个引擎我们还没采样到」与「采样了 24 条样本、一次都没提到我们」是结论完全相反的两件事：前者需要行动（去配置引擎、重跑采样），后者也需要行动（去补内容、补信源）——但方向完全不同。把前者显示成 0%，等于告诉客户「这个引擎不推荐你」，而真相是我们根本没去问过。
同理，任何环比、趋势、对比都有同样的守卫：基准期没有有效采样时，不会计算变化率——否则「从没测到」会被渲染成「提升了 N%」的凭空成效。
这些口径在哪里可以看到
采样分级参数、置信度分级与零样本规则都公开在《测量方法论》页面，并与报告 PDF 附录共用同一份定义。如果你看到任何一处数字与口径不符，那说明我们出了 bug——请直接联系我们，我们会修正并更新本文。