prompt 面板该建多大，每条又该跑多少次？

前四行请当作对仪表盘的警告来读。「单条 prompt 分数 + 周环比箭头」是大多数可见性报表的默认输出，而在跑五次的情况下，那个箭头画在 ±33 个百分点的区间里：底下什么都没变时，它也可以指向任何一边；哪怕把那一条 prompt 跑上三十次，也还剩 ±17。

最后一行请当作预算天花板来读。从 600 次观测翻倍到 1,200 次，只买到 1.2 个百分点的半宽，比这些系统自己在一周与下一周之间的移动幅度还小。这个领域自己的批判性综述把「逐日的来源重合度」放在 Jaccard 0.34 到 0.42 之间，24 小时内的重复运行也是相近水平，并且把结论说得很直白：可见性是一个分布，而「点估计不是一个稳定的指标」。²

先买运行次数，买到每条约五次为止，然后买 prompt 条数，然后在每引擎每周期约 600 次观测处停手。在总量固定的前提下，两种买法得到的区间完全相同，因为 n 就是条数乘以次数，所以问题在于每一笔支出除了区间之外还买到了什么。运行次数买的是「你已经决定去问的那些问题」上的精度；prompt 条数买的是「你可能选错了的那些问题」上的覆盖度，后者在早期是更大的风险，到后期是更小的风险。

运行次数排在前面，是因为最开始几次异常便宜。把一个 40 条的面板从跑 1 次提到跑 5 次，区间从 ±15 收到 ±7，代价是多 160 次采集。而在同样跑 5 次的前提下把 40 条加到 80 条，只能从 ±7 收到 ±5，代价是 200 次。超过五次之后曲线变平，而继续在 prompt 上花钱的理由，就变成「去测量你当前完全看不见的意图」，那属于类别拆分那一篇。

天花板是由引擎定的，不是由算术定的。一份覆盖 230,000 条 prompt、超过 1 亿条引用、采集于 2025 年 7 月 14 日至 10 月 12 日的厂商时间序列记录到，某个大型论坛域名在某个助手上的引用率，从约 60% 的回答降到约 10%，时间是 8 月初到 9 月中。⁹ 这是厂商发布而非同行评议的数据，但综述把「各商业引擎彼此不同，且随时间变化」评为高置信度。²

把成本说具体：40 条 prompt、跑 5 次、跨 5 个引擎，就是一周 1,000 次采集；60 条跑 10 次则是 3,000 次。读起来的成本也不均匀：目前唯一一份学术引用分类研究测得，三个助手每条 prompt 的平均被引来源数分别是 6.88、12.06 和 16.35。⁸

它在三个地方不再成立，其中两个一定会落到你头上。第一个是极端的出现率。Wilson 区间不会像教科书正态近似那样跑到 0 与 1 之外，这正是本页采用它的理由。但它会不再对称：在 200 次观测、2% 出现率下，它是 0.8% 到 5.0%，所以请把两端都写出来，而不是给一个半宽。当运行相互聚集、或者计数很小时，bootstrap 是更稳妥的工具，2026 年那篇关于 AI 可见性的统计学论文也是这么建议的：它发现引用分布呈幂律形态，且域名之间许多表面上的差异，落在测量的噪声基底之内。¹

第二个是：同一条 prompt 的多次运行并不是相互独立的抽样。它们共享一条查询、一条检索路径，往往还共享缓存，因此会聚集；而聚集的观测所携带的信息，少于同样数量的独立观测。标准的修正叫设计效应：1 +（m − 1）× 组内相关系数，其中 m 是每条 prompt 的运行次数。在跑 5 次、相关系数为 0.5 的情况下，这个系数是 3，200 次观测的表现相当于 67 次，区间约为 ±12，而不是 ±7。目前没有任何公开研究估计过 AI 答案出现率上的这个相关系数，所以请把运行分散到不同日期，而不是一批打完，并且把本页所有区间读作下限。

第三个是：这个公式假设你抽样期间 p 保持不动。在一周的尺度上，这大致站得住；在一个季度的尺度上就不成立了，而跨越很长间隔比较的面板出现率，是把你的工作和引擎的变化混在一起测量，且无从分离。上面的一切也都是围绕单个数字的「周期内区间」；两个周期之间的变化是不是真的，那是一个双比例计算，要求高得多，它属于衡量 AI 可见度这一阶段。