方法论
数字的价值，取决于你如何测量
当你告诉校领导「AI 推荐我们的频率翻倍了」，总会有人问「你怎么知道的」。这一页正是那个答案。我们公开测量方法——让我们交给你的每个数字，都经得起这一问。
(01)
经得起董事会追问的数字
没有 n 的可见度分数是伪装成事实的猜测。我们报告每个数字背后的分母，让你能分辨真信号与噪音。
θ = 18%158 / 882 条采样回答
每个 θ 都带置信区间 · 示意
(02)
我们测每个市场的学生真正看到什么
谁在问、服务在哪、模拟视角、真实出口节点、界面与回答语言是五件不同的事。混为一谈会掩盖真相。我们把它们分开。
L1谁在问
L2服务在哪
L3模拟视角
L4真实出口节点
L5界面与回答语言
五层，永不折叠
(03)
每个 AI 的两种版本，我们都核查
引擎的 API 回答与 App 回答取自不同的信源池。我们双通道采样并校准差异——竞品甚至从未正视这一区别。
同一提问
→
API
→信源池 A
→
App
→信源池 B
Δ 双通道采样，差异校准
(04)
你的数据逐年增值
我们留存每条原始回答，附上完整性哈希，并按抽取器版本归档。抽取技术进步时，全部历史可重新分析——你的数据增值而非贬值。
原始回答sha:9f3a…c41d
extractor v1
extractor v2
extractor v3
抽取进步，全史重析
(05)
每个数字都有出处
每条结论都能回放到源回答。可审计性是核心功能：当客户采购问「这个数字从何而来」，我们就把整条证据链摆上桌。
θ 18%指标
→“…Acme…”原话
→★ acme.example.com来源
每条结论都能回放到源回答——完整证据链随时可查