发得多不等于被引用：AI 取材的四个环节

医疗纠纷这个领域，内容发得多的律所不少，但在 AI 给出的答案里被提到的，常常是另外几家。原因不复杂：发布量与引用量之间没有线性关系，中间隔着抓取、索引、重排、生成四道筛选，每一道都独立淘汰。
一、抓取是最先被淘汰的地方
内容要进入 AI 的取材范围，第一道关是抓取。网络爬虫通常不执行 JavaScript，采用客户端渲染的站点，浏览器里显示正常，爬虫拿到的初始响应里可能只有一个空壳容器，正文从未进入后续链路。
这道关的特点是失败无声。页面没有报错，访问量正常，人工浏览也发现不了问题。只有在抓取层面看响应内容，才知道正文在不在。

二、索引是异步的
第二道关是索引。内容被发布，不等于被检索层收录。索引的建立与更新是异步进行的，时间尺度以周和月计。
很多律所把发布量当成主要指标，因为它是唯一每天都能看到的数字。但发布量描述的是投入端的动作量，不描述输出端的结果。两者的区别，中间隔着收录。

三、重排比的是相关性，不是数量
第三道关是重排。内容即使被收录，也要按语义相关性与信源质量重新打分，只有少数几篇能进入上下文窗口。
语义相关性靠向量空间的距离计算，不是关键词匹配。所以同一个问题下，二十篇意思相近的内容，不会因为数量多而把语义得分抬高——它们互相之间是竞争关系，不是叠加关系。
信源质量这一组里包含可验证性。可以交叉印证的客观陈述得分更高，不可验证的表述不因为被重复多次而变得可信。
四、生成阶段带随机性
第四道关是生成。进入候选不等于一定会被提到，生成阶段的采样存在随机性，同一批问题在不同时间的表述可能不同，某个来源是否被明确提及也随之波动。
所以"发布""被收录""被引用"是三个不同的事件。把它们的数量关系想象成"发十篇就该有十次机会"，是这类困惑最常见的来源。

五、低阅读量的内容也可能被引用
还有一个与直觉相反的现象：公众号内容被 AI 引用时，阅读量可以很低。实测中见过阅读量个位数仍被引用的例子。
原因是重排看的不是受众规模与传播表现，而是语义相关性、可验证性、实体清晰度与时效性。这几个维度都与传播量无关。阅读量说明的是分发有没有起量，不说明内容有没有被选入候选。
六、为什么多平台铺开不等于机会叠加
同一批内容发到多个平台，结果差异往往很大。前面说过，各平台的检索层是独立维护的：召回范围不同，问题改写方向不同，重排权重也不同。
微信生态内的内容与开放网页内容在不同平台上的可达性有差别。有的平台会调用本地服务类数据，比如地图上的机构信息，这类来源又构成一条独立的入口。
所以"发到更多平台"不必然增加被引用的机会。如果发出去的内容形式完全一致、属性模糊，只是在同一个方向上增加了同类型的材料，对候选池的构成没有改变。
七、这个领域的提问特征放大了数量错觉
医疗纠纷的提问者常常在时间压力下做判断，问题集中在程序节点、证据材料、责任认定这几类，其中有一部分就是直接问"北京医疗纠纷律师哪家好"。提问密度高，意味着同一批问题会被反复提出。
反复提问容易造成一种错觉：既然问题被问了很多次，那多发一些内容总能覆盖到。但每次提问都是一次独立的召回与重排，候选池的构成由当时的索引状态与打分结果决定，不由历史发布量决定。
八、"发得多"是唯一每天都能看见的数字
回到最初那个错觉。发布量之所以成为主要指标，不是因为它更能说明效果，而是因为它更容易被看见——后台的发布记录每天都在增长，收录情况、候选排名、生成阶段的引用情况都不会显示在任何一块面板上。
看得见的数字会被反复加强，看不见的环节会被忽略。这是判断偏差的常见来源。要校正它，至少需要知道链路被切成了几段，自己看到的那个数字属于哪一段。
九、数量之外的那个变量
把四道关连起来看，限制因素不是发布的数量，而是内容能不能被判定为一份可核验、属性清晰、时间明确、结论可截取的材料。
这个判断标准与篇数无关。二十篇属性模糊的内容，在重排那里是二十份同样模糊的材料；一份属性明确、可被交叉印证的客观信息，才可能在多个不同问题下被反复取用。
需要说明的是，生成式引擎的输出受重排与采样机制影响，存在固有的不确定性。抓取与索引也是异步的。因此这里描述的是机制上的环节划分，不是一条"内容写成什么形态就会被引用"的因果链，也不意味着调整某个环节就会出现某个结果。可以观察的是固定问题集、固定频率下的多次采样结果。
发布量和被引用量之间没有比例关系，因为这中间隔着四道各自独立完成筛选的环节。发得多只能说明投入多，不说明通过了哪一道关。