AI引用的“赢家通吃”时代：仅15个网站占据近七成份额

换个角度看：在互联网上大约11亿个网站中，仅仅15个网站就决定了每天数十亿用户从AI引擎那里获得的信息来源。这种集中度比Google PageRank在其25年统治时期所产生的影响更为极端。

各大AI引擎引用最多的前10个域名

以下域名在ChatGPT、Google AI Mode、Gemini、Perplexity和AI Overviews的引用排名中始终位居前列：

Peec AI对3000万个来源的分析发现，所有平台引用最多的前10个域名为：Reddit、YouTube、LinkedIn、Wikipedia、Forbes、Facebook、Yelp、Amazon、TechRadar和Healthline。

Reddit为何占据主导地位

Reddit上用户生成的讨论和论坛内容，为AI提供了海量、多样化的对话式和问题解决型数据。在Statista 2025年6月的一项研究中，Reddit占据了40.1%的引用份额，远高于第二名Wikipedia的26.3%。在Perplexity上，Reddit的引用占比大约能达到五分之一。

分析人士指出，Reddit擅长回答长尾、基于观点以及“如何做”类的问题，而这些正是传统百科全书式来源难以应对的，这使得它对对话式AI特别有价值。

不同引擎的排名差异：核心相同，各有侧重

尽管Reddit整体领先，但各AI引擎的内部排名揭示了重要区别：

• ChatGPT 严重依赖Wikipedia和Reddit，两者合计约占其引用的25%。在Similarweb 2026年1月至2月的数据中，Wikipedia以13.2%领先，Reddit以12%紧随其后。
• Google AI Mode 将Fandom列为第一——这个专注于游戏和流行文化的维基平台在其他引擎中并不突出。
• Perplexity 的引用分布更为分散：要覆盖80%的引用查询量，需要810个不同的域名。

在ChatGPT、Perplexity和Google AI Overviews三大引擎中，只有7个网站同时出现在各自的前50个引用域名中；同时被ChatGPT和Perplexity引用的域名比例仅为11%。

训练数据与输出引用：一个关键区别

区分大语言模型在输出中引用的内容和它们被训练的内容至关重要。就训练数据而言，按体积计算的最大来源是Common Crawl——一个开放的网络爬虫数据存储库，为GPT-3、LLaMA和T5等模型提供了PB级别的原始网页数据。例如，OpenAI的GPT-3，其60%的训练token来自Common Crawl的过滤版本。

上述的引用列表反映的是大语言模型在生成回复时所参考的来源——这是一个更小、更精炼的来源集合，是模型学会将其视为权威的资料来源。

对品牌和内容创作者的意义

如果你的目标是让你的内容被AI引擎引用，数据很明确：你需要跻身于那少数几个受信任的域名之中。对于大多数AI输出而言，长尾网站除了针对极少数专业问题外，几乎是不可见的。

有效的策略包括：为Wikipedia贡献内容、争取在Forbes或Healthline等网站上的报道、在YouTube和LinkedIn上建立影响力，以及在Reddit上赢得引用。同时，采用列表文章（listicle）格式（约占顶级AI引用的50%）以及在页面上使用有序或无序列表（出现在80%被AI引用的页面上）也有助于提高被引用的几率。

简而言之：Reddit、Wikipedia和YouTube是当今主流大语言模型引用最多的三个域名，加上一小部分权威的媒体、健康和参考类网站，构成了AI引用的顶级梯队。要想被AI引用，首先要争取被这些顶级域名引用。