新闻详情

新闻详情

首页 / 资讯中心 / 详情

NiubiGEO D/K协议实现分析:开源GEO测量引擎的Prompt与解析设计

发布时间:2026/11/16 11:11:30来源:尧图网络
NiubiGEO D/K协议实现分析:开源GEO测量引擎的Prompt与解析设计
NiubiGEO D/K协议实现分析开源GEO测量引擎的Prompt与解析设计【免费下载链接】niubigeoOpen-source AI brand visibility and competitor reports. Official website: https://niubigeo.ai/ | Paid services: AI testing by real people and GEO optimization. Pricing: https://niubigeo.ai/pricing项目地址: https://gitcode.com/gh_mirrors/ni/niubigeoNiubiGEO 是一款开源的 GEO生成式引擎优化测量引擎用于持续监测不同 AI 模型如何识别你的品牌、推荐哪些竞品、关联哪些关键词。本文拆解它的核心D/K 双探针协议的 Prompt 设计思路与结构化解析实现帮你理解一个严肃的 GEO 测量系统如何做到每个结论都能回到原始回答。什么是 D/K 协议GEO 测量的两种问法NiubiGEO 不抓官网、不读你的品牌资料它只问 AI 两个隔离的问题协议 ID 定义在 measurement-schema.ts协议内部 ID问法测量目标D 协议domain-recognition/v1只给一个域名AI 能否认出这个品牌并描述它K 协议keyword-discovery/v1只给一个中性关键词未点名场景下答案里出现谁、谁被推荐两条协议独立存储、独立出图——官方文档 明确强调D 的结果不能作为 K自然发现的证据。这是理解整个引擎设计的关键约束。Prompt 设计拆解最小输入与反幻觉核心原则Prompt 里不出现任何提示性信息。两个协议的 Prompt 模板分别位于 recognition-prompt.ts 和 keyword-discovery-protocol.ts设计上有四个共同点最小输入D 只传规范化域名K 只传一个冻结的中性关键词。品牌名、别名、竞品名单、官网正文、期待答案、其他模型的回答——全部不进入 Prompt协议快照见 recognition-protocol.ts。反幻觉指令模板明确要求不要编造 URL、竞品、关键词或来源只陈述模型当次回答与 Provider 原生引用能支撑的内容。引用隔离只有当引用 URL 作为 Provider 原生引用出现在同一回答中时才列出避免把回答正文里的普通网址当成引用。语言控制模板按 zh / en / pt-BR 追加固定语言指令保证结构化字段可比较。K 协议 Prompt 的关键句很有代表性Answer a neutral product-selection request using only the supplied keyword. Do not infer hidden monitored brands, competitors, desired answers, or historical results. List every identifiable product or organization appearing in your answer...结构化输出解析JSON Schema 约束与证据校验NiubiGEO 不解析自由文本而是要求模型直接返回指定 JSON Schema工具名domain_recognition_result/keyword_discovery_result。以 K 协议为例每条提及必须带可核验字段{ analysisStatus: completed, mentions: [{ name: Vercel, recommendation: positive, firstMentionState: unique, mentionQuote: …原文证据片段… }], unknowns: [] }解析层做了三件工程上很克制的事容错而非丢弃structured-recognition-output.ts 对缺失/非法字段记录fieldIssues含 JSONPath 来源并兼容新旧字段名如brand→recognizedBrand用mappingVersion标记走了哪套映射。部分字段可用 ≠ 模型部分认识品牌。证据片段验证keyword-discovery-protocol.ts 中的evidenceLocation()会用模型自报的偏移量到原始回答里做切片比对找不到就回退全文indexOf引用必须真实出现在回答中。状态严格分离请求失败、截断、字段缺失、解析失败analysis_failed、模型明确回答 unknown 是五种不同状态。解析失败时原始回答依然归档R02 公开案例 就保留了 18 条含解析失败的原始尝试失败原文可见、不被修复掉。执行链路探针计划、哈希版本化与重试规则执行入口是 measurement-service.ts 的planProbes/executeProbe探针计划一次测量 Run 所有已确认域名对象的 D 探针 所有合格关键词的 K 探针 × repetitions逐条生成ProbeRun。哈希版本化Prompt 模板与响应 Schema 都做 SHA-256 哈希随协议快照存入 WatchSet每次 Attempt 再记录实际 Prompt 哈希与请求参数temperature0、maxTokens900 等让测量条件本身可审计。重试不扩大样本每个ProbeRun拥有自己的尝试列表重试只追加 Attempt、首条尝试保持不变趋势图只取每条探针的首次尝试。证据双轨归档每次成功回答同时保存 Provider 原生引用与回答正文中出现的普通 URL两份清单互不混淆。延伸阅读源码入口与官方文档想深入验证这套设计建议按以下路径阅读工作原理全解docs/how-it-works.md测量架构边界docs/PHASE5_MEASUREMENT_ARCHITECTURE.md指标公式与样本口径docs/measurement-methodology.md证据模型D/K 协议对照表docs/evidence-model.md真实 20 例研究案例examples/case-index.json一句话总结NiubiGEO 的 D/K 协议用最小输入 Prompt 强 Schema 约束 片段级证据校验 严格状态分离把AI 怎么看你的品牌从黑盒判断变成了可复核、可重复、可追溯的工程问题。【免费下载链接】niubigeoOpen-source AI brand visibility and competitor reports. Official website: https://niubigeo.ai/ | Paid services: AI testing by real people and GEO optimization. Pricing: https://niubigeo.ai/pricing项目地址: https://gitcode.com/gh_mirrors/ni/niubigeo创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/16 6:47:19

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/15 4:06:36

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉