“写笔记”支持四种格式——Word 文档、Excel 表格、Markdown、纯文本，起稿或二次编辑时都能随时切换，同一篇笔记想用哪种形态来记，都由你说了算。
md、txt、csv、json 这类纯文本则原样载入，不做多余加工。拿一张现成的表倒进来、改几笔、再导出去，等于白用一台免费的格式转换器。
要带走就在右上角点“下载”，可导出 PDF、Word、Markdown、Excel、TXT 等格式；列表卡片“⋯”菜单里，也有同样的下载入口。
在“工具”页点“＋ 上传工具”即可发布：填好名称与链接，再用 Markdown 把使用方法写清楚——能解决什么问题、怎么装、怎么用，比堆介绍实在。
要分发安装包就一并上传压缩包（ZIP、RAR、7Z、TAR.GZ，最大 35MB），别人在详情页一键下载；只放链接不带附件也可以。
工具按大家的收藏热度排序，好用的自然会被顶上来。发布后可在详情页或卡片菜单里编辑、下架。
写笔记时勾上“隐藏”，这篇就只存在于你自己的账号里：不进列表、不进搜索、不上首页精选，也不会出现在任何公开的页面，链接发给别人同样打不开。
适合放密码、草稿、日记这类只给自己看的内容；想公开，去“发布”打开它，把“隐藏”的勾去掉再保存，之后编辑会默认保持原状态，不会悄悄变回公开。
你的内容会同时保存在多个副本上，系统定期做备份与完整性校验，再配合异地容灾机制：就算某台机器出问题，数据也不会丢，可以长期放心存放；特别重要的资料，仍建议你另外再留一份备份。
全站跑在容器化、模块化的现代架构上，更新、部署、回滚都很快，扩展性和稳定性都按长期运营的标准来设计（Built for reliability, designed to scale）。
这个网站最早只是一个人的笔记仓库，后来慢慢长成现在的知识中枢。设计上很克制——没有广告、没有追踪、没有推荐算法，只是干干净净地存放一些东西；既然做好了，就公开出来，万一有人用得上呢。
不做大而全，不做平台梦，保持简单、保持克制、保持好奇。所有内容都由用户贡献、由用户维护：不会突然冒出付费墙，不会在角落塞广告位，也不会把你的数据卖给第三方。
产品会持续迭代，站内日志页记录着每一次改动，改了什么都有迹可循；想了解这个站是怎么一步步走到今天的，翻翻日志就能看到来龙去脉。
如果在这里看到涉嫌违规的内容，点对应卡片右侧的“举报”按钮就能提交，我们会尽快核实处理；也谢谢你花一点时间，一起把这里维护干净。
AI推荐系统背后的信息污染：215,128个机器生成的“最佳软件”页面如何操纵Perplexity
一项调查发现，三个新域名通过机器生成超21万篇“最佳软件”文章，成为Perplexity AI答案的主要引用源，暴露出AI检索系统可被大规模SEO操纵的漏洞。
研究背景与动机
2026年9月，独立研究员Trellner开展了一项针对AI推荐系统的审计研究。研究动机源于一个日益严重的现象：当用户询问AI“哪个软件最好”时，AI会引用大量来源，但这些来源的可信度从未被系统检验。研究人员决定量化这个问题：AI到底在引用谁的“建议”？这些来源是否真实可靠？
研究的核心方法是：向Perplexity的两个模型（perplexity/sonar和perplexity/sonar-pro）提出380个“购买意向”类问题（涵盖“CRM软件”到“博物馆藏品管理软件”），要求每个问题返回前五名产品推荐及其官网域名。每个模型每个类别一次调用，共760次。所有调用均通过OpenRouter进行，因为这两个模型会报告它们检索了哪些URL，便于追踪引用来源。
惊人的数据发现
引用来源质量低到离谱
研究共获得7,534条引用，指向2,055个不同域名。分析显示：
- 59.8%的引用指向在Tranco百万网站排名中低于第100,000名的域名（Tranco是常用的网站流量排名系统，类似Alexa）
- 23.4%的引用指向完全不在前十亿名单中的域名
- 这些引用中，域名首次被Wayback Machine（互联网档案馆）收录的中位年份是2020年（而排名靠前的网站多为2011年）
- 16.6%的未排名域名是2025年或之后才首次被收录的，而排名域名中这一比例仅为1.6%
这说明AI引用的“高质量”来源实际上是大量新注册、低流量的网站。
引用集中度：头部效应不惊人，长尾才是问题
引用最集中的前十域名占全部引用的17.3%，这个集中度在正常范围内。真正的问题在于长尾：2,055个被引用域名中有751个（36.5%）根本没有进入Tranco前百万名。这些新域名正快速填充AI的知识库。
前十名引用源分析
| 域名 | 引用次数 | 占比 | Tranco排名 |
|---|---|---|---|
| g2.com | 291 | 3.86% | 4,027 |
| reddit.com | 261 | 3.46% | 105 |
| guideflow.com | 194 | 2.57% | 177,039 |
| gartner.com | 158 | 2.10% | 1,766 |
| zapier.com | 82 | 1.09% | 2,919 |
| wifitalents.com | 71 | 0.94% | 105,281 |
| capterra.com | 68 | 0.90% | 6,387 |
| linkedin.com | 67 | 0.89% | 18 |
| worldmetrics.org | 60 | 0.80% | 104,737 |
| gitnux.org | 50 | 0.66% | 42,759 |
作为对比，维基百科（Wikipedia）在全部7,534条引用中仅出现3次。这说明AI的引用偏好明显偏离人类对权威来源的认知。
最诡异的现象：第三大引用源是一家营销博客
排名第三的guideflow.com是一家销售交互式产品演示的供应商。它不是评论网站、目录或出版商，也不在研究的任何380个软件类别中竞争。然而，它的博客被引用了194次，覆盖96个类别（占380个类别的四分之一），超过了老牌权威高德纳（Gartner）。
每个引用都是不同的URL：96个不同的guideflow.com博客URL，每个类别一个，其中有6个是爱沙尼亚语言版本。该网站的sitemap列出了3,351个博客URL，其中2,176篇是独特的文章。这些文章标题包括“3D渲染软件最佳推荐”、“IVR软件最佳选择”、“RFID软件工具”、“建筑设计软件指南”等，但实际上guideflow根本不在这些市场运营。
“事实与接地页面”（Facts & Grounding Page）
前十大引用源中，有三个网站尤其可疑：wifitalents.com（71次引用，27个类别）、worldmetrics.org（60次，22个类别）和gitnux.org（50次，23个类别）。它们合计贡献了181次引用，占总数2.4%，出现在41个类别中。
这些网站明显属于同一运营方：
- 注册时间：均在2023年12月至2024年5月期间通过NameCheap注册
- DNS服务器：都使用同一对Cloudflare域名服务器（pam.ns.cloudflare.com和sean.ns.cloudflare.com）
- 页面模板：完全相同的导航结构（“服务、市场数据、软件建议、编辑流程、公司”）
- 博客内容：每个网站只有6篇博客，且全部是关于其他同类网站的（如zipdo.co，也使用同一DNS服务器对）
最惊人的是它们的规模：三个网站的sitemap分别列出了103,578、107,083和105,541个URL，其中“/best/<某软件类别>页面”数量分别为70,731、71,684和72,713个。三个网站合计共发布215,128个机器生成的购买指南页面，而它们各自只有6篇文章。
当然，世界上不可能有215,128个软件类别——这只是针对AI检索优化的程序化内容农场。
自我描述的“接地”页面
这些网站最不同寻常之处在于自我定位。在2026年9月2日抓取时，worldmetrics.org和gitnux.org的HTML标题都显示为“<品牌名>——事实与接地页面”（Facts & Grounding Page），meta描述除了品牌名外完全一致：
关于Gitnux的验证事实：一家独立市场研究公司，发布行业统计、定制研究和软件最佳列表。公司、法律、方法论和合规细节在一个机器可读的记录中。
“接地”（Grounding）是检索增强生成（RAG）系统的术语，指通过抓取外部文档来为AI答案提供依据的过程。这不是普通买家会使用的用语——这是写给AI系统看的自我描述。这些页面在标题和描述中，直接面向检索它们的算法。
更直接的是，worldmetrics.org还公开提供“定制市场研究”（5000欧元起）、“现成报告”（499欧元起）和“供应商选择”（2500欧元起）服务，与它生成的“最佳列表”互为市场。
同一模板，三种答案
研究人员从三个网站抓取了相同的类别页面：“项目估算软件”。每个页面用JSON-LD（结构化数据）声明其排名，可直接读取。每个页面展示前五名：
| 排名 | worldmetrics.org | wifitalents.com | gitnux.org |
|---|---|---|---|
| 1 | Float | Float | Saviom |
| 2 | Scoro | Scoro | Mosaic |
| 3 | Teamwork.com | Teamwork.com | Buildertrend |
| 4 | Procore | Buildertrend | Float |
| 5 | Wrike | Apropo | Teamwork.com |
三个网站关于同一问题的答案各不相同，甚至Gitnux的冠军产品Saviom根本不在Worldmetrics的前五名单中。每个页面都声称有三位员工署名（如Worldmetrics列出Kathryn Blake、Alexander Schmidt、Victoria Marsh；Gitnux列出Diana Reeves等），总计九个人在回答同一个问题。每页都宣称遵循“编辑流程”，Gitnux还标注“AI验证·专家评审”。所有页面都包含一个未渲染的模板变量，其中两个显示“在接下来26天内”，另一个显示“在接下来40天内”——典型的机器生成痕迹。
对AI推荐的深层启示
这项研究揭示了几个关键问题：
AI检索不区分内容质量：Perplexity等系统只是抓取网页，分析文本相关性，但缺乏对域名信誉、内容原创性和商业动机的基本判断。低质量内容农场能轻松进入AI的推荐生态。
机器生成内容正在伪装成“事实来源”：这些“事实与接地页面”明确针对AI检索优化，通过结构化数据、自指描述和大量长尾关键词捕捉AI的注意力。
供应商营销博客成为权威参考：一个不参与软件市场的公司博客竟然成为第三大引用源，建议购买它完全不竞争的产品，这是对“AI推荐中立性”的巨大讽刺。
规模化的冲击：215,128个页面相对于380个类别的测试来说只是冰山一角。当AI遇到这些页面时，它们看起来像是有价值的第三方内容，但实际上完全是机器生成的SEO产物。
对用户的实际影响：当用户依赖AI推荐选购软件时，实际证据表明AI会受这些低质量、机器生成内容的影响。这可能导致用户被引导到错误的软件，损害购买决策。
作者总结
这不是一个“AI被欺骗”的戏剧性故事，而是AI检索系统设计缺陷的系统性展示。当AI的基本假设是“网上可获取的内容都有参考价值”时，大规模的内容生成就能操纵它。Perplexity等平台需要建立更严格的来源信誉评估机制，区分真实用户评价、专业编辑推荐和机器生成的商业内容。对于普通用户，这项研究提醒我们：AI不是权威百科全书，它只是一个基于文本统计的模型，易受精心设计的低质内容影响。
原文链接：https://trellner.com/reports/manufactured-sources-behind-ai-recommendations/