AI 怎么回答一个选型问题——技术问答的证据链与采信逻辑

电子电气通信 GEO 专栏 · 第二篇 · 机制篇

上一篇讲到，选型的第一问已经发生在 AI 对话框里。这一篇往里走一步：当工程师敲下「这两颗 MCU 怎么选」「这颗停产的料有什么国产替代」「高温环境下用什么型号稳妥」，AI 给出一个像模像样的答案之前，内部发生了什么。

把机制拆开有双重价值。对厂商而言，看懂采信链才知道自己的型号在哪一层被漏掉，动作才有靶子；对 FAE 和技术营销而言，理解 AI 的作答逻辑，才能把内容生产对准 AI 真正会引用的地方。需要说明：本章的推演基于大模型检索增强的公开工作原理与各技术平台的公开机制，属于逻辑推演，非某一家产品的内部实测。

一、一次选型问答的完整旅程

先把一次典型问答在纸面上走完。工程师问：「某进口品牌的 1200V 碳化硅 MOSFET 要做国产替代，车规场景，关键参数对比一下。」

AI 拿到问句，第一件事是解析技术语义。这句问话里埋着多层技术约定：1200V 是耐压等级，碳化硅 MOSFET 是功率器件品类，国产替代是任务类型，车规是应用约束——意味着要考虑 AEC-Q101 一类的车规认证、更宽的温度范围、更高的可靠性要求。工程师没有把这些约束写全，但 AI 必须把没说出口的技术默认值补上，才能继续。

第二件事是圈定候选型号。全网的 MOSFET 型号成千上万，AI 不会逐一比较，而是先按品类、耐压、应用域筛出一个小的候选集合。这个集合从哪来：原厂官网的产品选型表、分销平台的产品库、行业媒体的横向评测、技术问答里被反复讨论的型号。不在这些「登记在册」处的型号，连被比较的资格都没有。

第三件事是采信证据、组织答案。候选集里的每个型号，AI 要回答三个问题：关键参数是什么（耐压、导通电阻、栅极电荷、封装）、与原问句中的进口型号差异在哪、有没有车规级的应用证据。答案的每一句话都要有出处：参数出自数据手册，替代关系出自对比文档或平台替代料库，可靠性出自认证信息与应用案例。证据充分且相互印证的型号，被写进答案；证据含糊或相互矛盾的，被绕开或标注不确定。

二、第一层：听懂问句——技术问句的三类高频形态

电子电气通信领域的 AI 问句，比消费类问句更专业、更结构化，高频形态有三类。

第一类：参数对比型。「这两个型号怎么选」「A 和 B 的区别是什么」。问句表面简短，背后是工程师已经把候选缩到两三个，需要的是关键维度的差异比对。AI 答这类题，依赖的是可对比的参数表与横向评测内容——如果你的型号参数散落在扫描版 PDF 里，AI 就无法把它放进对比。

第二类：替代料型。「这颗停产料有什么替代」「有没有引脚兼容的国产方案」。这是国产替代潮里增长很快的一类问句。据中国产业经济信息网报道，缺芯潮之后多数硬件公司形成了核心物料双货源、其中一家国产的标准做法，替代选型成为常态化需求。AI 答这类题依赖替代关系数据与兼容性说明——替代关系在公开语料里有多清晰，决定了你的型号会不会出现在答案里。

第三类：应用适配型。「高温环境用什么型号」「车载场景推荐什么方案」。这类问句把场景条件扔给 AI，考的是「场景到型号」的映射能力。AI 需要从应用笔记、参考设计、行业案例里找证据。你的型号在某个场景下的适配事实，如果从未被写成公开内容，AI 就只能推荐写过的那几家。

三类问句对应厂商内容准备的三个靶位：对比表、替代说明、应用笔记。这个清单会在第三篇展开，这里先记住：工程师怎么问，决定你该写什么。

三、第二层：圈定候选——不在池子里，就没有被比较的资格

候选池的来源，综合公开信息主要有四个：原厂与代理官网的产品库和选型工具、分销平台的产品页（立创商城、贸泽电子、得捷电子等收录的产品数据与数据手册）、行业媒体的评测与榜单、技术社区里被反复讨论的型号。

这一层的规律冷峻而简单：AI 按册索型号。一家新厂商的产品如果没有官网选型页、没有平台收录、没有评测提及、没有社区讨论，它在 AI 眼里就是「查无此型号」——工程师的问句再精确，它也进不了候选集合。

对厂商的动作指向很明确：把四个池子逐个检查。官网有没有完整的产品选型页（参数可筛选的那种）；主流分销平台有没有收录你的型号、数据手册挂了没有；行业媒体最近一轮品类评测里有没有你；技术社区里有没有关于你的讨论。缺哪个补哪个——这一层是资格赛，不是加分赛。

四、第三层：采信证据——四类材料的权重

到了这一层，候选型号同台竞技，AI 手里的「证据秤」上有四类材料，采信权重各有不同。

第一类：原厂一手资料。数据手册、应用笔记、参考设计、勘误表。这是权威性最高的一层——AI 回答技术问题时优先引用原厂口径。但注意，一手资料的权威性建立在「机器可读」的前提上：扫描版 PDF 与图片型表格，AI 读不到，权威性归零。这为第四篇埋下伏笔。

第二类：平台结构化数据。分销平台产品页上的参数表、封装模型、库存状态、替代关系标注。这类数据经过平台整理，结构化程度高，AI 抓取引用的成本低。你的型号在平台页面上参数全不全、替代关系标没标，直接影响 AI 答案的完整度。

第三类：第三方验证内容。行业媒体的横向评测、技术社区的实测帖、工程师的踩坑记录。这类材料的采信特点是有细节、有场景、有批判性——一句「这型号在 85 度下跑了两周没出问题」比十句官方宣传都有分量。AI 组织答案时，第三方细节常被用来回答「实际用起来怎么样」这类问题。

第四类：跨源一致性。同一事实在多个来源的说法是否一致：手册上标的耐压、平台页上标的耐压、评测里提到的耐压，对得上吗。技术内容的一致性尤其要命——参数打架在工程师眼里是重大疑点，在 AI 的采信逻辑里同样触发降权。版本管理混乱（新旧手册并存、勘误未同步）是参数打架的重灾区。

四类材料放进天平，AI 给出答案。回到本篇标题的问题：为什么 AI 总推荐那几家？因为那几家的四类材料齐、一致性好、第三方细节多——不是 AI 偏心，是证据天平就是这么倾斜的。

五、补一层结构：平台内 AI 与通用大模型是两套考场

四类证据放进天平之前，还要看清证据要在哪两个考场里发挥作用，因为技术选型问答实际发生在两处。

第一个考场：平台内 AI 工具。 分销与采购平台的智能选型、AI 配单、替代料推荐工具，建在自家产品库之上。行业媒体公开报道过这类工具的工作方式：用户搜索某型号遇到缺货或高价时，AI 基于电路参数自动推荐经过验证的替代方案，有的平台累计选型支持已达十万次量级。这个考场考察的重点，是你在平台内的数据完备度——产品页参数全不全、替代关系标没标、库存与交期信息是否实时。数据完备的型号，在平台 AI 里天然占优。

第二个考场：通用大模型。 工程师在通用 AI 助手里问选型问题，模型依赖的是全网语料：原厂官网文档、平台公开页面、行业媒体评测、技术社区讨论。这个考场考察的重点，是你的证据在全网的可发现性与一致性。

两个考场不是割裂的，而是一条流水线：平台内的结构化数据沉淀为公开页面，被通用大模型收录进语料；通用模型给出的答案又引导工程师回到平台验证与下单。给厂商的启示是：证据做一次，考场考两场。 把参数写全、把替代关系说清、把文档挂上官网与平台，同样的功夫在两边同时生效；反过来，只针对单一渠道做优化，另一个考场里你依然是空白。

案例分析

用国产替代选型的公开事实做一个机制验证。前文提到，行业采购指南总结过判断一款国产芯片能否安全替代进口芯片的通行做法：对比核心电参数、进行温度循环和老化测试、验证软件开发环境兼容性、要求原厂提供长期供货承诺。这四条在公开语料中被反复讨论，已经成为 AI 回答替代类问句的「标准答案框架」。

现在看这个框架对厂商的含义：如果一家国产厂商的公开内容里，恰好按这四条逐一给出了自己的答案——关键参数对比表、老化测试数据、开发环境兼容说明、长期供货承诺函——那么 AI 在回答「某某型号有什么国产替代」时，几乎不需要额外加工就能引用这家厂商的材料作答。也就是说，按行业通行的验证框架组织内容，等于把自己的证据预装进 AI 的答案模板里。这不是投机取巧，而是把 FAE 本来就要回答的问题提前写成了公开文档。机制篇讲的就是这个道理：AI 的答案框架是行业共识塑造的，厂商内容与共识框架对齐得越紧，被采信的概率越高。

总结

三层拆完，收拢成一张动作清单。第一层，把三类高频问句（对比、替代、适配）列成清单，检查每一类你的公开内容有没有准备答案。第二层，检查四个候选池（官网选型页、平台收录、媒体评测、社区讨论），缺的补上。第三层，按四类证据（原厂资料、平台数据、第三方验证、跨源一致）逐项体检，重点处理扫描版 PDF 和参数打架两个重灾区。

下一篇进入内容篇：把这套清单落成实打实的技术内容资产——数据手册之外，选型指南、对比表、应用笔记、失效案例分别怎么写、写到什么颗粒度、放在哪里，才能既让工程师愿意读，又让 AI 引用得动。