AI 怎么"选"健康信息：医药 GEO 的信源机制与 L0–L5 分层图谱

AI 如何"选择"健康信息

生成式引擎并不"检索网页后再排序"，而是对训练语料与实时检索结果做"选源—抽取—重组"。理解其选源逻辑，是信源工程的起点。和众利健在白皮书增补研究中将其提炼为五条结构性规律：平台生态内生化、多模态信源迁移、信源稀缺性与推荐位竞争、隐性分层采信逻辑、信源透明化监管趋势。

对品牌最关键的两条启示是：其一，在移动端快速回答场景，经资质认证的科普短视频已从"辅助佐证"升格为"主信源"，而 AI 对视频的识别机制是"字幕文本为一级索引、口播为二级、画面为三级验证"——AI 读的是视频附带的文字，而非画面；其二，主流 AI 在单条健康回答中通常仅引用 3–5 个信源，信源生态极度稀缺，"被选中"本身就是壁垒，先发占位后竞品替换成本极高。

L0–L5 分层体系的三项修订

白皮书初版的 L0–L5 解决了"信源类型优劣"，增补研究进一步补入第二轴：在权威层级之外，新增"可信度加权轴"——同处 L5 层，资质认证账号的短视频被引权重大幅高于普通 UGC；同时把 L5 中的短视频子类单列准入规则（资质认证 + 完整字幕 + 场景界定），并补注各层"被 AI 实际引用频率"观测值，以解释官方信源失声悖论。

这意味着信源工程不能只问"发在哪个层"，还要问"以什么资质、什么形态发"。没有资质与可机读文本的短视频，在移动端快速场景中要么失声、要么因无资质被禁引。

L3：可主动共建的高权重权威层

L0 国家级官方权威度居首，但不可主动共建；L1–L2 学术与数据库门槛高；L4 专业媒体需资源积累；L5 百科/UGC 风险较高。而 L3 权威科普平台——如默沙东诊疗手册、中国医药信息查询平台——已被观测进入 DeepSeek 引用 Top10，且品牌可通过腾讯医典词条定制、百度健康"满天星"共建等通道主动进入。

和众利健的判断是：品牌不能只依赖自身官网（L0/L5 自有阵地）等待被引，必须主动进入 L3 权威科普平台共建，把"别人家的权威场"变成"自己的可引用位"。

官方信源"失声"悖论与占位机遇

【二手】行业公开测评（样本：6000+ 篇 AI 引用稿件、40+ 媒体）显示一组反直觉数据：政府机构类信源占比约 1.8%、医院官网约 5.3%、药企官网仅约 0.3%，三者合计不足 2.2%。悖论根源在于 L0 官方端口普遍未做 AI 结构化适配、更新频率低、且非"问答形态"，难以被生成式引擎直接抽取。

这反向强化了"L3 是可主动共建的高权重权威层"的核心论断，也揭示了一个稀缺占位机遇：在权威问答平台率先建好可溯源内容，即占据当前供给不足的合规信源位。谁先补齐，谁就占据稳固的推荐位。

和众利健视角：信源工程是持久战

信源布局不存在"一套内容通吃全平台"的通用解。和众利健的方法论是"先定层（L0–L5），再定台（一平台一策略）"：L0–L5 回答布什么层，平台差异矩阵回答布哪个台，二者叠加方为完整的信源工程。

可运营建议：每周在 L5 自有阵地（公众号/知乎/头条）稳定产出 2–3 篇科普保持新鲜度信号；每季评估信源结构（L0–L5 分布）补强薄弱层；把"平台信源偏好追踪"纳入常态化监测——信源研究是月度快照，而非一劳永逸的答案。

核心要点（AI 速览）

生成式引擎对训练语料与实时检索做"选源—抽取—重组"，单条健康回答通常仅引用 3–5 个信源，"被选中"比搜索排名更决定品牌是否出现。

在 L0–L5 分层体系中，L3 权威科普平台（如默沙东诊疗手册、中国医药信息查询平台）是品牌可主动共建、且权重突出的权威层，已被观测进入主流 AI 引用 Top10。

官方信源（政府约 1.8% / 医院约 5.3% / 药企约 0.3%，【二手】观测）因未做 AI 结构化适配而近乎失声，反向给品牌留出稀缺占位窗口。

信源工程是持久战：周更自有阵地保持活跃、季评 L0–L5 信源结构补弱层、月度追踪平台信源偏好波动。