你有没有遇到过这种事：同一个问题，昨天问 AI 还提你，今天再问就没了。翻内容，什么都没改。

问题往往不在内容，在档位。AI 搜索现在不是「一个问题一个答案」，而是「按你愿意花多少算力，给多深的答案」。你测的时候落在哪一档，答案就长成那个样子。

一、Perplexity 把「努力程度」做成了滑块

9 月中下旬，Perplexity 在它的 Computer 智能体产品里上线 Effort Mode，分四档：Light、Standard、High、Ultra。用户只选档位，用哪个模型、推理走多深由平台定。官方文档说得很直白：档位选的是「编排模型」，它决定活怎么拆、拆给哪些子智能体——取源发生在答案生成之前，由档位定。

默认档位换得有多快：

  • Light 档：9 月 16 日 OpenAI 发布轻量模型 GPT-6 Sol，Perplexity 约 24 小时内就把它设成了 Light 档默认；
  • Standard 档：Claude Opus 5.5 替掉 Fable 5.1，官方数字是 WANDR 基准 0.610 分、单任务成本 4.13 美元、比原来低 67.6%；
  • 官方还说，档位背后的模型组合会随新模型发布自动更新。

说白了：别指望同一个问题，AI 一直给同一个答案。档位的默认值会自己动，官方一个多月就换了两次。

二、档位一换，能捞到的信源就换了一批

这不是推测，有数字。

Perplexity 自家 Search API 上有个低算力预设 Fast Search，官方自曝：长尾查询相关性得分 2.21，默认预设 2.45，低了 0.24；答案可得性也低约 3 个百分点。同一段话里也承认：更难、更含糊的问题，默认预设更稳。

反方向也有例子。9 月 Exa 发布的 Agent Ultra，是它 API 里最费算力的档位：WANDR 软召回 81.4%，Perplexity Agent 跑满档只有 40.1%；Company Find-All 任务里平均每次捞出 2451 个合格实体，Opus 5.5 只有 146 个。

一头砍算力、一头加算力，差的都是同一件事：一次回答里翻了多少页、翻到了多深。翻得浅，长尾的你根本没进候选；翻得深，冷门的你可能是唯一说得清楚的那个。

三、监测口径要跟着改

大部分 AI 可见度监测还是「同一批问题跑一遍，记下提到没提到」。档位一进来，可比性就出问题了——Light 档和 Ultra 档跑出来不是同一组数据。

要改三处：

要改的地方原来怎么做现在应该怎么做
记录字段平台 + 问题 + 答案加上档位 / 模型
对比基线每次跑前拉一次最新同档位对同档位比，跨档位不比
结论口径「这个月曝光涨了」先看档位有没有变，再谈涨跌

四、内容要同时接住快档和深档

  • 快档要开门见山的一句话：这个页面讲什么、归哪个品类、适合谁，前 100 字说清楚。
  • 深档要能核验的细节：数字、时间点、来源、横向对比。深档翻更多页，需要复述你时有东西可复述。
  • 命名要一致：同一家公司、同一个产品，别写三种叫法。深档翻得越深，越容易把它们当成三个对象。

写在最后

档位说明的是一件更大的事：AI 答案不是一份稳定的产品，而是一条随时被重新配置的生产线。

别再用一次截图当成绩单。把档位记进监测字段，盯趋势，别盯某一天的某一句话。能穿越档位变化的，永远是那些说清楚自己是谁、并且有事实可核的内容。