Perplexity 与 ChatGPT 的引用行为差异：一份 200 组问询的实证研究
我们用 200 组采购型问询同时测试 Perplexity 与 ChatGPT，分析两者在引用域名偏好、应答结构、事实准确率、情感倾向上的差异，并给出针对性的 GEO 策略建议。
Perplexity 更偏好引用垂直领域高权重站点（G2、Capterra、行业媒体），应答结构以脚注编号为主；ChatGPT 更偏好引用头部媒体与官方文档，应答以自然语言复述为主。两者对 Schema 结构化数据的依赖度都极高，但 Perplexity 对内联数据的抓取更激进。
研究设计
我们在 2025 年 10–11 月期间，选取 SaaS、跨境电商、本地服务、B2B 制造 4 个行业各 50 组采购型问询（共 200 组），同时向 Perplexity Pro 与 ChatGPT Plus 发送，每组采样 3 次以降低随机性，共获得 1200 条有效应答。
对每条应答，我们抽取：① 提及的品牌名与频次，② 引用的外链域名，③ 事实性描述（价格、成立时间、认证等）与官方口径的一致性，④ 情感倾向（正/中/负），⑤ 应答结构（脚注编号 / 自然语言复述 / 表格对比）。
核心发现一：引用域名偏好差异显著
| 域名类型 | Perplexity 引用占比 | ChatGPT 引用占比 |
|---|---|---|
| 垂直评测站（G2 / Capterra / Trustpilot） | 34% | 12% |
| 行业媒体（TechCrunch / 36Kr） | 18% | 27% |
| 品牌官网 | 22% | 31% |
| 百科类（Wikipedia / 百度百科） | 8% | 19% |
| 论坛（Reddit / 知乎） | 14% | 7% |
| 其他 | 4% | 4% |
核心发现二：应答结构差异
Perplexity 的应答 78% 采用脚注编号结构（[1][2][3]），每个事实点都有明确来源；ChatGPT 的应答 64% 采用自然语言复述，只在末尾列出 2–5 个来源。
这意味着：Perplexity 对内容的「可拆解性」要求更高——你的页面需要被切分成独立的事实单元，每个单元都能被单独引用；ChatGPT 更看重「叙事完整性」——你的页面需要有清晰的主线逻辑。
核心发现三：Schema 结构化数据的影响
在 200 组问询中，我们对比了「有 Schema」与「无 Schema」页面的引用率：
- Perplexity：有 Schema 页面被引用率 41%，无 Schema 页面 17%（+141%）。
- ChatGPT：有 Schema 页面被引用率 38%，无 Schema 页面 22%（+73%）。
- 事实准确率：有 Schema 页面 89%，无 Schema 页面 64%。
核心发现四：情感倾向与事实偏差
在 1200 条应答中，品牌提及的情感分布为：正面 46%、中性 41%、负面 13%。负面提及的主要原因是「事实偏差」——AI 说错了品牌的价格、成立时间、产品特性。
事实偏差率：Perplexity 11%，ChatGPT 18%。偏差主要发生在：① 价格（AI 用了过期数据），② 产品功能（AI 混淆了不同版本），③ 公司信息（AI 编造了不存在的认证）。
应对策略：在官网首页与关于页面明确标注最新的价格、产品版本、公司认证，并用 Organization / Product Schema 结构化标注，让 AI 抓取时优先使用你的官方数据。
针对两个引擎的 GEO 策略建议
Perplexity 优先策略
- 在 G2 / Capterra / Trustpilot 等垂直评测站建立完整品牌页。
- 把长文拆成独立的事实单元（每个 H2 一个核心事实）。
- 补齐 Product / Review / AggregateRating Schema。
- 在每个事实点后加来源引用（含 URL）。
- 开启 AI 引用监控，每 6 小时轮询。
ChatGPT 优先策略
- 在行业媒体（TechCrunch / 36Kr / 虎嗅）建立品牌报道。
- 补齐 Wikipedia / 百度百科词条（如符合收录标准）。
- 保持官网叙事完整性，避免过度碎片化。
- 补齐 Organization / Article / Person Schema。
- 在官网明确标注最新价格、产品版本、公司认证。