检索增强商业聊天中品牌推荐的用户画像条件化：一项按知名度分层的跨提供商审计

同一个提示——“best CRM software”（最佳CRM软件）——会由处境迥异的买家送达AI助手：独立创始人、企业副总裁、英国中小企业主。我们审计这种情境变化在多大程度上重塑模型推荐的品牌。该审计在10种画像×8个提示×3种模型配置×N=10次重复的设计空间中采样2,000次运行，其中两个OpenAI单元覆盖全部8个提示，Anthropic sonnet-4.6/low单元覆盖4个提示。在用户消息前加上画像使推荐集相似度（Jaccard）相对同画像基线下降Delta = -0.12至-0.20（三个被测单元的聚类95%置信区间均不含零；sonnet单元的置信区间仅基于4个提示聚类，相应更宽）。该效应呈鲜明的知名度分层：品类领导品牌对画像不敏感（跨画像约80%的同品牌一致性），而中端市场品牌会随画像变化更换多达75%的推荐集。Anthropic模型显示出比OpenAI配置更大的点估计效应，尽管在更接近的对比（sonnet对OpenAI/high）上聚类置信区间相互重叠；这种不对称与Anthropic更多走无检索归因的生成路径相一致（43-52%的推荐没有观察到检索层证据，OpenAI为8-29%，记录于Jack 2026）。任何对AI品牌认知的测量都必须以提出查询的买家画像为条件：同一个提示会因模型认为提问者是谁而产生实质不同的推荐集，而跨画像聚合的测量方案会系统性地掩盖这种变化。该效应集中于中端市场，并在审计中最依赖先验的生成路径上最大，这与画像响应性随模型更依赖训练数据先验与更丰富的上下文整合而增强相符。