哪些律师在被 AI 推荐？我们跑了上千次测试发现……

TL;DR:

• 豆包推荐律师走“先搜索、再筛选”的链路：模板化提问下，推荐集中到 7 位律师、第一名独占 56.8%，且 87.5% 的推荐来源是为 AI 预制好答案的榜单式文章（GEO的一种方式）。
• 但“榜单式GEO 垄断”很大程度是模板化提问制造的假象：换成带具体事实的真实用户问题后,被推荐律师扩散到 16 位，头名占比降至 19.6%，律师榜单式的文章链接占比跌约一半。
• 对律师和律所的启示：GEO的价值不是榜单套路，而是内容能否回答用户的具体问题——真实问题组中，律所官网与个人网站占推荐来源的 23.7%，问答型、场景型内容也有很高的推荐比例。

律师获得案源的入口正在从搜索框迁移到 AI 对话框。 用户不再只是在平台里筛选律师，而是直接让 AI 给出一个可信的推荐。

AI 推荐律师已经不是一个抽象趋势，而是在真实提问中可以被反复观测到的结果。

有价值的追问是：当用户问 AI「推荐律师」时，谁会被看见，谁会被漏掉，这种推荐遵循什么规律。

我们进行了上千次测试，试图寻找背后的答案。

1. 豆包把深圳离婚律师推荐集中到少数人身上

要观察 AI 如何推荐律师，豆包是一个绕不开的入口。QuestMobile 2026 年 AI 应用市场发展半年报显示，豆包以 3.82 亿月活位居第一，约为第二名千问的 2.3 倍。¹ 这意味着，豆包如何回答「推荐律师」这类问题，已经足以影响很多普通人接触法律服务的入口。

这次测试不是问一次、看一个答案，而是围绕同一问题连续重复：「我在深圳，我想找婚姻家事的律师，为我推荐最适合的律师」。²

结果首先回答了一个简单但关键的问题：豆包在「推荐深圳离婚律师」时，并不会把曝光平均分给很多人，而是稳定偏向少数律师。

豆包实际推荐的离婚律师只有 7 位；出现最多的一位律师有效推荐的 56.8%，一人占据了一半多的AI推荐。

这种集中度意味着，AI 推荐比传统搜索结果页更接近「单点分发」。搜索页上即便用户只看第一页，仍然会看到多个候选律师。可在一次 AI 对话里，用户往往只接收一个被包装成答案的推荐。对律师来说，这不是「排名靠前一点」的差别，而是有没有进入答案的差别。

用户可能直接根据 AI 答案形成判断，而不再继续打开网页逐一核对。一旦推荐被压缩成一个答案，被推荐与未被推荐之间的差距会被进一步放大。

所以，我们不用怀疑豆包有没有推荐律师，关键的问题是：这些少数律师为什么会被推荐出来？

2. 豆包的律师推荐来自「先搜索、再筛选」的链路

我们梳理本次测试的路径，展示了 AI 推荐律师的链路：前先构造搜索、召回链接，再把链接内容筛选后再整合成回答。

豆包在回答律师推荐问题前，不会直接凭模型记忆给出名单，而是先搜索，触发搜索的比例为 100.0%，没有出现凭模型记忆的推荐答案。

AI不是拿着用户的问题直接搜索，而是猜测用户的意图将其拆分为检索式，这一步被称为「扇出」。针对我们提出的「我在深圳，我想找婚姻家事的律师，为我推荐最适合的律师」的问腿，豆包会扩展为一组更具体的检索式，例如「深圳专业婚姻家事律师 知名律所代表律师」「深圳处理离婚房产股权抚养权优秀律师推荐理由」「深圳头部婚姻家事律所及代表律师优势」。

同一个问题我们测试了百轮后，豆包单轮平均产生 3 个左右的检索式。但是，豆包生成的检索式并不完全一致，但也都围绕着用户的问题去做扩展，AI就是拿着这些检索式去搜索，自然会优先获得靠近检索式的内容。

AI获得检索式之后就会开始搜索并且召回链接。豆包每轮回答平均获得 15.6 个链接，这些链接构成了豆包可见世界的原材料。换言之，一个律师的信息没有进入这组链接，他就不会进入最终推荐。

显而易见的是，豆包召回的链接来源并不均匀，而是明显集中在少数平台，引用条目中，头条、网易、抖音占据了半壁江山。这是很有国内互联网「数字花园」的特色：优先选择自己平台的内容，之后再选择第三方。其他来源主要是地方媒体，律所官网也是重要来源。

但是，「被检索到」不等于「被推荐」。 毕竟AI不会把每个问题的十几个的内容都整合进答案，接下的AI进行的筛选才是关键。

3. 豆包筛选律师时偏好可直接转化为答案的内容

为了理解 AI 是如何筛选律师的，我们将AI在每个问题推荐的律师与召回的链接的内容进行逐一匹配，看看哪些链接真正为AI提供了答案。

虽然测试中上百问题召回了数千个链接，但是最后被推荐的 7 位律师仅在 248 次精准链接中出现，也就是AI只筛选了十分之一左右的链接。

其中，反复出现次数最多的推荐链接出现了 34 次，标题是「2026 年 5 月深圳优质离婚律师最新推荐：温和化解家庭矛盾」。

那么，到底这些内容是如何被筛选出来的？

检索之后的筛选过程可以理解为「重排」：AI 不只是看哪些页面被搜到，还会判断哪些页面更能回答用户问题，然后去抽取内容，整合回答。重排的时候，AI会判断召回的链接的候选内容与用户问题的匹配程度，对入选链接内容，AI会再做一层段落级挑选——很多系统实际是“先看标题摘要粗筛、抓全文后再精挑”的两段式，用来降低成本。

抛开复杂的技术细节，对于AI筛选的朴素理解是：越与用户原始问题关联的内容，越容易进入 AI 的候选答案。

你可能发现，最后推荐律师的引用链接标题呈现出相似：以律师榜单的形式出现，用看似中立的结构把某些律师包装成可直接引用的答案。在两百多有效的律师推荐链接中，律师榜单式链接占了 87.5%。

这些内容通常开头直接总结结论，然后采用榜单、问答和要点前置的结构，便于 AI 抽取和引用。

为何那么会出现这类榜单式链接？原因在于这是当前GEO（生成式引擎优化）服务商生成内容的典型写法——如果用户的问题是「我想找婚姻家事的律师」，「律师推荐榜单」就与问题很有关联，AI就倾向了这样的内容。GEO服务商很机巧的把握了规则。

到这里，我们基本理解了 AI 推荐律师的过程：根据用户问题的意图，生成检索式，召回链接，进行筛选重排，最后综合答案。

但是，你可能会产生一个异常的感觉，难道律师要获得AI推荐，就是编写榜单内容吗？

为什么胜出的偏偏是榜单型内容？回到重排的原理就清楚了：重排挑的是“最能直接回答原始问题的内容”，一篇《2026 深圳优质离婚律师推荐》，本质上就是替“推荐深圳离婚律师”这个问题预先写好的答案。GEO 服务商机巧的地方也正在这里：测试问的恰好是这句话，预制答案自然拿满分。

到这里,我们基本理解了 AI 推荐律师的过程：理解意图，生成检索式，召回链接，重排筛选，综合成答案。

但是，也是到这里，必须停下来检查一个前提——用户真的会对AI说：为我推荐深圳离婚律师？

4. 真实用户问题会改变AI的推荐

当事人选择法律服务不是购买电器或手机这类标准品，不会向AI提出“为我推荐XX”的模板化对话。用户使用AI交流法律问题，通常会与AI交流自己的处境，提出具体的问题，所以法律咨询对话往往是多轮对话，带有大量事实，AI 也天然扮演了前期法律咨询和信息筛选角色。

有团队分析数千个首轮法律咨询对话发现，平均每案交流轮次为 29.8 轮。更重要的是，首次法律咨询中律师会逐步挖掘当事人大量事实要素：每个案例平均标注 9.2 个案情事实³——同样是离婚，一方出轨、有小产权房、孩子是特殊儿童、有股权复杂的公司……不同的案情事实会改变案件性质和所需律师类型。

所以，我们需要回到更靠近用户真实问题的方式来测试，看看不同的案情事实，会改变 AI 推荐律师的方式吗？

为了探究这个问题，我们在婚姻家事领域，聚焦在“一方不想离婚”这一细分场景，整理了上百个用户在法律咨询时真实问题，这些问题平均包含约 7 个案情事实。同时，我们在提问中加入「我在深圳」「推荐最适合我的律师」，以便与之前的组比较。

基于这些真实问题再去问豆包，AI 仍然会推荐律师，但推荐的律师不再像组那样集中。

最直观的变化发生在检索环节：具体问题包含更多案情事实，豆包生成的搜索关键词和召回链接都随之增加——真实问题组单轮平均检索式数为 3.7，平均链接数为 21.3，均比模板问题下的数量更大。

更关键的变化发生在律师分布上。同样用真实问题与豆包对话上百轮，被推荐律师扩散到 16 位，第一名占比降至 19.6%，不再是模板问题下一人占半壁江山的情况。名单头部虽然没有完全换人，但排名发生了变化。

而且，推荐结构的变化伴随着内容来源结构的变化。用真实问题与豆包对话，榜单式链接在推荐中的占比从检索式对话的 87.5% 下降为 59.2%。我们认为，如果对话更贴近用户问题和轮次，榜单式内容的比例还会进一步下降。

更重要的是，真实问题会把问答型、场景型内容拉进推荐链路。以真实问题组的 Top1 推荐律师许** 为例，推荐该律师的关联链接里有 27.7% 来自问答型链接；而在与豆包模板化对话中，该律师对应的推荐中几乎没有问答型链接。

分析问答型链接的内容更能推测为何这些链接会被AI筛选出来，因为它们包含更多具体案件事实，与当事人真实问题的表达更接近。所以，无论AI算法如何变化，厂商的目标始终是让AI推荐的答案更能回答用户的问题。

还有一个有趣的现象，当用真实问题与豆包对话，有效律师推荐的链接中律所官网或律师个人网站的比例达到 23.7%。这在模板化对话中虽然召回了一些律所的官网，但是真正产生律师推荐的律所链接不足8%。所以，用户在真实问题组里，官网和个人站更会进入豆包的推荐链路。

5. 不要追随趋势，在趋势的终点等它

毋庸置疑，AI 正在改变普通人接触信息的方式，也必然改变律师获得案源的方式。相比搜索时代，用户不必先掌握专业关键词，只要用自己的话讲出问题，就可能在 AI 的引导下补充信息，在获得初步反馈的同时接触到律师推荐。

正因如此，AI 逐渐在成为推荐律师的「超级转介人」。律师如何让 AI 看见自己、让 AI 推荐自己，是关注案源的律师无从回避的问题。正如本次测试中，真实问题组头部律师的关联链接也普遍存在 GEO 优化的痕迹。

如何获得 AI 推荐的方法？GEO优化策略总结下来是两部分，恰好对应推荐链路的两个环节。

一类是提高链接可见性。中国 App 生态中的内容分布相对封闭，不同 AI 能检索到的来源可能不同。本次测试里，豆包引用较多来自头条、网易和抖音等平台，内容建设较完整的律所官网也进入了推荐链路。

另一类是提高内容的可提取性。豆包频繁引用的内容往往摘要清楚、结构稳定、问答明确、要点前置。这些形式便于机器识别信息，但不能替代内容本身的准确性和价值。

这些都是重要的方法，但要防止跑偏。比如榜单型内容不仅在失效，甚至有厂商开始进行防御。据传今年5月，Google 更新垃圾内容政策,将“试图操纵 Google 搜索中的生成式 AI 回答”明确写入垃圾行为的定义。业界分析将其针对的典型手法归纳为面向 AI 回答炮制的有偏榜单(biased listicles)——正是眼下律师榜单式内容的写法。⁴

毕竟，GEO的真正目的，是让AI更好地把你的价值更好地传递给用户，而不是迎合不断变化的机器规则。尤其是法律属于 YMYL（Your Money or Your Life）领域，对准确性和可信度的要求只会越来越高，律师在观测自己被AI推荐情况的时，不要仅仅在模板问题中打转，而用回到用户语言下真实问题的表达。

所以，律师获得 AI 推荐的长期路径，不是追逐平台技巧，而是想清楚一个核心问题：用户是谁在问什么、现有内容是否真正回答了这些问题、是否成为了持续生长的系统。毕竟，无论AI推荐的技术如何演进，始终是为了更能解决用户的问题。本次测试中出现的信号也在印证这一点——当用用户真实问题与AI对话时，更容易进入推荐的内容是具体场景相关的问答内容以及律所的体系化内容。

这里无法展开细节如何获得AI推荐的细节，但是落地的方向始终是回归内容价值——在自己核心领域，如何在AI的辅助下，看见用户的表达，答尽具体问题，并且能够在渠道中触达。甚至，我们可以推测，就像搜索时代抢占关键词一样，在AI时代的律师推荐的关键竞争是用优质内容占据用户真实问题。正因为更靠近用户真实问题，所以会更垂直、更深度。

这次测试在印证一个判断：AI 的确会推荐律师，且具有集中趋势，同样的 GEO 也有可执行的方法。更具有长期价值的方式，是借助 AI 更系统地理解真实需求，再用准确、可核验的内容回答这些需求。

正如我们在AI案源系列文章中反复聊到的，不要追随趋势，在趋势的终点等它。

注释