AI 聊天端点：查看基于地理定位的 LLM 回答及来源

Massive 的 AI 聊天接口会返回 ChatGPT、Gemini 或 Perplexity 对某个提示词给出的回答，该回答是根据您所选国家、地区或城市内真实设备发出的请求生成的。一GET 该请求会返回生成结果、模型引用的来源，以及（对于ChatGPT而言）其为生成答案而执行的搜索查询。

这一点很重要，因为人工智能生成的答案已不再是小众渠道。据数据显示，目前约有一半的美国成年人使用人工智能聊天机器人，其中约四成的人会利用它们搜索信息，皮尤研究中心2026年的调查 共5,119名成年人。如果越来越多的查询最终由聊天机器人处理，团队就需要一种可靠的方法来了解该聊天机器人说了什么。

要点总结

• AI 聊天端点 (/ai) 是 Massive 的 Web Render API 中的三个终点之一，紧邻浏览 以及搜索.
• 三种模型：ChatGPT（默认）、Gemini 和 Perplexity。
• 响应内容包括生成的文本、其来源、任何广告，以及对于ChatGPT而言，fanouts 该模型搜索的一系列查询。
• 地理定位可精确到城市级别，因为聊天机器人会根据提问者所在的位置提供本地化的回答。
• 异步模式结合回调机制可处理大批量数据。

AI 聊天端点返回的内容

该 AI 聊天端点位于https://render.joinmassive.com/ai 并支持最长 2,047 个字符的提示词。您可以选择具有model=chatgpt,model=gemini，或model=perplexity，以及包含以下任意组合的地点：country,subdivision，以及city. 输出结果以结构化形式返回json （默认）或作为rendered HTML。

JSON 响应将对话拆分为多个部分，您可以分别解析这些部分：

每一条回复也会回响出country,subdivision,city，以及device 它所使用的。这样一来，当你存储数千行数据时，每一行都能自我描述。完整的字段列表在AI 聊天文档.

一个示例：来自波特兰的一条提示

以下是 Massive 文档中用于演示该端点的请求。该请求向 ChatGPT 咨询来自波特兰某台设备的篮球鞋推荐：

curl -H "Authorization: Bearer $MASSIVE_TOKEN" \
'https://render.joinmassive.com/ai'\
'?prompt=best+basketball+shoes+for+2026'\
'&country=us'\
'&city=Portland'

该记录的回答包含以HTML格式呈现的答案和来源，此外还有以下内容：fanouts 数组：

"fanouts": [
  "best basketball shoes 2026",
  "top rated basketball shoes 2026 reviews",
  "best performance basketball shoes 2026",
  "best basketball shoes for guards 2026",
  "best basketball shoes for wide feet 2026",
  "best outdoor basketball shoes 2026",
  "most popular basketball shoes 2026"
]

试着像品牌团队那样来解读这份列表。该模型不仅搜索了被问到的问题，还将问题拆解为七个更具体的搜索词，包括“护脚设计”、“宽脚”和“室外球场”。一个在“宽脚”这一关键词上从未获得排名的鞋类品牌，无论其主页面有多强大，都无法在这部分答案中被提及。

为什么AI聊天机器人的回答会因所在位置而不同？

聊天机器人支持本地化。OpenAI 自己的ChatGPT 搜索帮助文章 称ChatGPT可能会根据用户的IP地址推测其大致位置。随后，它会将“我附近的优质餐厅”这类提示语改写为针对该城市餐厅的搜索。

这种影响不仅体现在本地查询上。Whitebox 的一项研究显示，据Ynetnews报道, 从以色列、美国、土耳其和西班牙向ChatGPT发送了完全相同的提示。结果发现“答案总体相似但并不完全相同”，该模型会根据用户的地理位置和语言调整语气和表述方式。 （Whitebox 追踪品牌和国家在 AI 回答中的出现情况，因此地域效应对其自身业务至关重要。）

我们在自己的测试中也观察到了同样的情况。在2026年6月通过该端点进行的一项研究中，我们从五个国家向ChatGPT、Gemini和Copilot发送了270条本地化查询。 （该端点当前支持的模型包括ChatGPT、Gemini和Perplexity。）Gemini拒绝回答来自英国和德国地区的赌博相关问题，但在其他地区却能自由作答。仅因询问的助手不同，某品牌的排名就出现了最多两个名次的波动。完整结果详见AI品牌曝光度：AI有偏爱，但不会贬低你.

换句话说：一个办公室核对的一份答案，就相当于一个样本。

每条Massive路由都会通过其对应的真实消费类设备进行引导住宅网络，覆盖195多个国家。该聊天机器人看到的是普通的本地用户，而不是数据中心。离开country 该选项已取消设置，且文档中指出会使用一个随机国家，因此，如果您计划进行跨时间段的比较，请在每次请求时都设置该选项。

您还可以模拟手机或平板电脑。调用/ai/devices 查看支持的设备名称列表，然后将其中一个作为device. 如果没有它，就会使用默认的桌面补全功能。

分支结构：ChatGPT 是如何构建其答案的

“知识树”是我们会首先推荐给新用户的响应内容。一个“完成项”会直接展示答案，而“知识树”则展示其背后的研究路径。

这在以下三个具体方面很有用：

1. 内容缺失。 每个分流都代表一个你能否在搜索结果中获得排名的查询。
2. 模型评估。 在对LLM的回答进行评分时，扇出法可以区分两种在最终结果上看似完全相同的失败模式：一种是模型对正确的结果进行了错误的推理；另一种则是模型搜索了错误的内容，根本没有发现正确的结果。
3. 变更跟踪。 分流方案在不同运行之间可能会发生变化，因此上个月的清单可能与本月的任务说明不一致。

一种简单的方法，可以把第三种用法付诸实践：

• 挑选20到50个买家实际会问的问题，并修改其中的country 以及city 对于每个。
• 每周运行一次，使用expiration=0 因此，没有缓存的答案会掩盖更改。
• 保存每次运行的fanouts 数组，然后将其与上周的数据作为一组进行比较：新增查询、已删除查询、未变查询。
• 将新的“粉丝扩散”视为一个内容问题。你有能解答该问题的页面吗？

由于扇出结构只是普通的字符串，因此无论使用哪种编程语言，这种比较只需几行代码即可实现。无需进行 HTML 解析。

需要考虑的一个限制：文档标记fanouts 以及sse 仅限 ChatGPT，请注意，只有部分模型会显示这些查询。对于 Gemini 和 Perplexity，您仍然可以看到自动补全、来源和广告，但无法看到搜索路径。

大规模运行 AI 聊天提示

根据文档，实时完成操作平均需要几秒钟。该端点允许每次调用最多耗时3分钟，因为某些对话需要重试。对于一次性检查，默认的同步模式即可。若需监控数百或数千条提示词，请使用异步模式。

添加mode=async API 会立即返回一个任务 ID。将该 ID 通过GET /ai?id=... 领取完成奖励，或获得一个retrieving 或failed 状态。与其进行轮询，不如设置callback 指向一个 HTTPS URL 或一个 Amazon SQS 队列，当任务完成时，Massive 会向其发送通知。该排程文档 同时涵盖这两种模式。

缓存需要做出一个决定。默认情况下，完成项会在缓存中保留一天。设置expiration=0，就像上面的跟踪示例所示，每当缓存的答案可能掩盖了更改时。

谁在使用 AI 聊天端点

Massive 并不开发 AI 品牌监测仪表盘。AI 聊天端点是支撑这些仪表盘的基础设施层。 生成式引擎优化（GEO）和答案引擎优化（AEO）平台在构建分析功能之前，需要具备地理覆盖范围、设备模拟以及干净的源数据和扇出数据。Massive 负责处理这一层，从而让这些团队能够将时间投入到客户付费委托的分析工作中。

对于这些平台中的任何一个来说，一个合理的问题是：API返回的结果是否与用户在应用中看到的内容一致。我们对此进行了测试：涵盖30个品牌类别，/ai 与model=gemini 在30个话题中的26个话题上，该结果与已登录的Gemini应用生成的品牌排名在统计学上无显著差异，其一致性程度大致与该应用在不同运行次数间的一致性相当。方法和注意事项详见基于 API 的 AI 调用能否准确反映用户实际所见的内容？

还有另外两个研究组使用了同一组数据：

• LLM评估团队，他们需要的是模型当下给出的实时答案，而不是作为评分依据的缓存快照。
• RAG 和代理构建器，他们将前沿模型的预测结果与自身数据处理流程的输出结果进行对比。我们的指南基于实时网络数据的LLM预训练 涵盖了该模式，并且如何为 AI 代理提供实时网页访问权限 涵盖了浏览和搜索方面。

关于这一需求背后更广泛的市场变化，请参阅我们的《网络数据行业现状报告》.

要点

ChatGPT、Gemini 或 Perplexity 对您品牌的评价，取决于提问者是谁以及提问的来源。随着/ai 您可以在任何城市使用真实设备进行提问，并保留完整记录：包括回答、来源、广告，以及对于ChatGPT而言，模型执行的每次搜索。从AI 聊天文档. Massive 的安全与合规记录详见Massive信任中心，有关该团队的更多信息，请访问我们的“关于”页面.