@yaojingang: 经好友拔刀刘同意，将他们近期抓取的国内各大AI平台数据集进行开源 清洗后的数据集、论文预印本以及第一份分析报告，已推送到GitHub仓库，地址见评论区 这应该是面向国内各大AI平台的最新、最全的一份公开GEO原始数据集 包括了豆包、Dee…

X AI KOLs Timeline 工具
open-source dataset ai-platforms search-citations chinese-ai citation-analysis benchmark

摘要

好友拔刀刘开源了国内8个AI平台的搜索结果数据集，包含620个标准问题、21万条引用记录，并提供清洗后的数据、论文预印本和分析报告。

经好友拔刀刘同意，将他们近期抓取的国内各大AI平台数据集进行开源 清洗后的数据集、论文预印本以及第一份分析报告，已推送到GitHub仓库，地址见评论区 这应该是面向国内各大AI平台的最新、最全的一份公开GEO原始数据集 包括了豆包、DeepSeek、元宝、千问、Kimi、文心、百度AI等8个AI平台的AI搜索结果、信源特征数据 这份数据包括： 1、620 个标准问题，覆盖 6 个研究维度、31 种有效问题类型，包括行业、提问意图、提示风格、时间敏感度、触发强度和极端真实场景； 2、214,119 条 AI 引用观察，精确去重后保留 189,845 条。这里统计的是回答中的引用来源与摘要，现有数据不含完整回答原文； 3、引用记录归并为 9,878 个规范域名信源、107,659 个规范页面；211,248 条记录带有效 HTTP URL，占 98.66%； 4、信源按 9 个一级类型、39 个二级类型完成分类，去重引用的分类覆盖率达到 99.77%； 5、原始数据、清洗表和分析集市都已保留，可用 JSONL、Parquet 和 DuckDB 直接查询，也附了字段字典、清洗规则和质量报告； 6、64 个原始分片全部通过 SHA-256 校验，清洗过程保留原值、异常标记和追溯字段，方便复现和继续加工 这几天对数据进行了二次清洗、标注和加工，并输出第一份可视化分析，一些有意思的发现和洞察 1、各大AI平台的信源头部效应非常明显，Top 10 信源贡献了 41.47% 的去重引用，抖音、腾讯网、今日头条、百度百科排在前四 2、平台与社区类信源只占 4.68% 的域名，却拿到 29.63% 的去重引用，内容分发平台在 AI 引用生态里的权重很高 3、品牌与企业官网只贡献 4.33% 的去重引用；加上政府与公共机构，主体自有来源合计 9.06%。品牌自有内容还有很大的可见度空间 4、跨平台共识并没有想象中高，66 个平台组合中，最高的“问题 × 页面”Jaccard 相似度也只有 34.94%，还有 11 个组合完全没有共享的问题与页面。单个平台的经验不能直接外推到其他平台 5、内容新鲜度很明显，在发布时间可靠的页面中，88.77% 来自 2025 或 2026 年；29.57% 的页面标题带年份，23.06% 带榜单或排行。时效信号和决策型内容值得继续验证 欢迎留言补充关心的问题，我可以抽空基于这些关心的问题，再做一份数据分析报告
查看原文
查看缓存全文

缓存时间: 2026/07/21 10:39

经好友拔刀刘同意，将他们近期抓取的国内各大AI平台数据集进行开源 清洗后的数据集、论文预印本以及第一份分析报告，已推送到GitHub仓库，地址见评论区

这应该是面向国内各大AI平台的最新、最全的一份公开GEO原始数据集 包括了豆包、DeepSeek、元宝、千问、Kimi、文心、百度AI等8个AI平台的AI搜索结果、信源特征数据

这份数据包括： 1、620 个标准问题，覆盖 6 个研究维度、31 种有效问题类型，包括行业、提问意图、提示风格、时间敏感度、触发强度和极端真实场景； 2、214,119 条 AI 引用观察，精确去重后保留 189,845 条。这里统计的是回答中的引用来源与摘要，现有数据不含完整回答原文； 3、引用记录归并为 9,878 个规范域名信源、107,659 个规范页面；211,248 条记录带有效 HTTP URL，占 98.66%； 4、信源按 9 个一级类型、39 个二级类型完成分类，去重引用的分类覆盖率达到 99.77%； 5、原始数据、清洗表和分析集市都已保留，可用 JSONL、Parquet 和 DuckDB 直接查询，也附了字段字典、清洗规则和质量报告； 6、64 个原始分片全部通过 SHA-256 校验，清洗过程保留原值、异常标记和追溯字段，方便复现和继续加工

这几天对数据进行了二次清洗、标注和加工，并输出第一份可视化分析，一些有意思的发现和洞察 1、各大AI平台的信源头部效应非常明显，Top 10 信源贡献了 41.47% 的去重引用，抖音、腾讯网、今日头条、百度百科排在前四 2、平台与社区类信源只占 4.68% 的域名，却拿到 29.63% 的去重引用，内容分发平台在 AI 引用生态里的权重很高 3、品牌与企业官网只贡献 4.33% 的去重引用；加上政府与公共机构，主体自有来源合计 9.06%。品牌自有内容还有很大的可见度空间 4、跨平台共识并没有想象中高，66 个平台组合中，最高的“问题 × 页面”Jaccard 相似度也只有 34.94%，还有 11 个组合完全没有共享的问题与页面。单个平台的经验不能直接外推到其他平台 5、内容新鲜度很明显，在发布时间可靠的页面中，88.77% 来自 2025 或 2026 年；29.57% 的页面标题带年份，23.06% 带榜单或排行。时效信号和决策型内容值得继续验证

欢迎留言补充关心的问题，我可以抽空基于这些关心的问题，再做一份数据分析报告

相似文章

@yaojingang: 把近两年，与GEO、AEO、AI搜索有关的论文，全部下载了下来，一共41篇 依次读了下，有不少新的理解和启发 41篇论文已全部推送到GitHub仓库，欢迎下载，地址见文末 一些关键洞察分享： 1、GEO不是SEO的替代品 SEO解决的是能…

X AI KOLs Timeline

作者收集并阅读了41篇GEO/AEO/AI搜索相关论文，将论文合集推送至GitHub仓库，并分享了10个关键洞察，包括GEO与SEO的关系、AI搜索引用机制、内容结构化重要性等，提供了实用的优化方向。

@GenhuiP78950: 把自己攒了半年的 AI 工具开源了。 不是什么大项目，就是一些我自己每天在用的脚本。抖音 B 站视频转录、播客转文字、公众号文章处理、行业情报扫描…… 陆陆续续写了 11 个。 之前一直自己用，最近统一整理了一下，加了安装脚本，写了文档，…

X AI KOLs Timeline

开源了一套包含11个AI工具脚本的集合，用于从抖音、B站、微信公众号等多渠道采集内容并转录为文字，方便构建个人知识库。支持Claude Code、Codex等Agent直接安装使用。

@yan5xu: 分享一个我最近整理的AI公司研究库：Oh My AI Company。 bb-browser 被收购之后，作为 co-founder，我有一项很重要、也很耗时间的工作，就是持续跟进市场方向：新的产品形态在往哪里发展，哪些技术正在成熟，企业…

X AI KOLs Timeline

作者@yan5xu分享了其整理的AI公司研究库“Oh My AI Company”，包含75家AI公司和产品、75位投资机构等，并介绍了结合Similarweb流量分析及多源交叉验证的研究方法，旨在提供持续更新的市场地图。