来源偏好（Source Preference）指的是：大语言模型（LLM）或智能体（Agent）在做检索、引用和推荐时，会系统性地更信任、更常提及某一类来源——某个品牌、某个域名、某位作者、某个平台——而这种偏爱跟内容本身的质量、时效性、相关性并不完全对应。
它从哪来
模型不是中立裁判，它的"品味"是被喂出来的。训练语料里出现得多、被反复引用、被高质量页面链接的来源，在参数里留下的痕迹更重；后训练阶段的人类偏好数据和奖励模型，又会进一步奖励"看起来权威"的答案。检索侧还有一层放大器：搜索引擎排序、网页可抓取性、结构化标记，让某些域更容易被召回。
打个比方：老板问新来的实习生"这行业谁最靠谱"，他脱口而出的永远是会议室里被反复提起的那几个名字，而不是真正写得最扎实的那份报告。
公平地说，这偏好有一半是合理的先验——知名来源的平均质量确实更高。问题在于，模型把"名气"当成了"正确"的代理，于是出现三类症状：该引用的独立作者被忽略；同一份内容换个域名挂上去，引用率天差地别；小众但准确的一手信息永远进不了答案。
和相邻概念的区别
| 现象 | 常见叫法 | 差异点 |
|---|---|---|
| 偏爱特定域名/品牌/作者 | 来源偏好 | 变量是"谁说的" |
| 偏爱排在前面的证据 | 位置偏差（Position Bias） | 变量是"放在第几位" |
| 偏爱自信、正式的表述 | 权威偏差（Authority Bias） | 变量是"怎么说" |
| 引用了不存在的文献 | 引用幻觉 | 问题在真伪，不在偏好 |
怎么度量
核心思路是控制变量：拿同一份内容，只替换来源标识（换域名、换作者署名、换平台），看被引用率和排序位置的变化，这就是配对测试。再往上，可以统计引用分布的集中度——头部 K 个域名占了多少引用、来源熵有多高；也可以把模型的引用选择和人类专家的质量评分做相关性分析，看两者是否脱节。
怎么做消偏
- 语料层：来源多样化、去重、按域配额采样，避免单一站点反复刷存在感
- 检索层：同域结果去重、把"内容质量特征"和"域名特征"拆开排序
- 生成层：要求多源交叉、要求引用可核验、鼓励说明"为什么采信这条"
- 评估层：把来源多样性、引用与质量的一致性写进指标，而不只看答案对不对
对你意味着什么
做产品的人要知道，你的 Agent 可能在回答里无声地屏蔽掉小站和独立作者；做内容的人会发现，与其研究怎么写好，不如先研究模型偏爱谁——这正是生成式引擎优化（GEO）盯住的缝隙。而作为普通使用者，读到 AI 给的答案时不妨多问一句：它是在引用内容，还是在引用名气。具体平台的排序与引用规则会持续变化，以官方页面为准。