排名方法

设计原则：三个问题

为什么用多个数据源？任何单一排名都有偏差：流量面板偏抽样，学术榜单偏英文站，国内榜单偏自宣。多源融合不是把数据堆一起，而是让不同偏差互相抵消——前提是源之间真的独立（下文有实测数据）。

为什么用 Borda 计数？它是 1781 年就有的经典排名聚合法（ICML 2014 论文证明了收敛性）：每个数据源给工具发积分，加总排序。选它不是因为它复杂，恰恰因为它简单到任何人都能拿计算器验证——透明本身就是防作弊。

为什么全部公开？收钱的排名必须藏规则，不收钱的排名藏规则没有意义。这一页就是全部规则，包括对算法不利的部分（见”已知局限”）。

每个源都有已知偏差，先承认再融合：

数据源	权重	独立性	已知偏差
Tranco List	40%	KU Leuven 学术项目，融合 Cisco Umbrella/Cloudflare/Quantcast 等全量级观测，方法有论文可查	偏”全球整站流量”，对新产品不敏感
Toolify	25%	第三方 AI 工具数据面板，含月访问量与增长率	面板抽样，偏 AI 圈内热度
SimilarWeb Top 50	15%	头部流量权威估计	免费版仅头部站点，覆盖窄
AI 产品榜	15%	国内 AI 产品月活/访问数据	自报口径，仅作国内语境参考（权重压到 15%）
站内访问	5%	本站真实用户点击	样本量小（接入中）

六步流水线，全部确定性可复现：

采集：定时抓取各源榜单快照，留档可回溯
源内 Borda 归一：每个源内部按名次发积分，第 1 名满分 1.0、末名 0 分，中间线性递减——不同源的量纲（访问量/月活/名次）被统一成可比积分
缺源重归一：某工具只在部分源有数据时，按”已有源”的权重重新归一——不因数据缺失惩罚新工具（partial ballot 的公平性处理）
国内可达性门控：从国内服务器实测全部 3,500 个工具官网——直连正常 ×1.0、访问慢 ×0.85、被墙 ×0.5、官网已死 ×0.3
中文界面加成：有中文界面的工具 ×1.10
段位映射：综合分线性映射到排序值 1–9799；人工置顶占用 9801–10000 独立段，永不混淆

权重敏感性实验：把五个权重各自随机扰动 ±30%（相当于”权重完全重新拍脑袋”），重算全量排名，重复 200 次：

结论：头部排名由数据结构决定，不依赖权重精调。权重表是量级判断（观测型数据源 > 面板型 > 自报型），不是调参调出来的。

源独立性检验：对公共工具集计算源与源之间的排序相关性（Kendall tau）：

Tranco × Toolify = 0.134；Tranco × SimilarWeb = 0.341；Toolify × SimilarWeb = 0.448

相关性远低于 1 说明四个源看到的是不同切面的世界——融合有真实信息增量，不是同一份数据抄四遍。

想抬某个工具的排名，需要什么？权重最高的单一源只贡献 40% 的积分，其余 60% 来自独立源，而敏感性实验已证明即使权重变化 ±30%，头部排序都几乎不动。收买全部独立源的成本，远超一个公益导航站值得动的手脚。这就是”不收钱也刷不动”的数学含义。

可达性实测：3,500 个官网逐一从国内服务器实测访问（上面第四步流水线里的门控），不是拍脑袋标”被墙”。
中文界面加成 ×1.10：819 个有中文界面的工具。
顶流豁免：ChatGPT、Claude、Gemini、Copilot、Adobe 等全球顶流即使国内访问受限也不降权——了解它们是学 AI 的刚需。豁免域名清单在算法源码中公开（openai.com / anthropic.com / claude.ai / google.com / gemini.google.com / meta.ai / microsoft.com / copilot.microsoft.com / adobe.com 等 13 个域）。注意豁免认的是”平台主入口”而非域名：平台的子产品页（如 openai.com/dall-e-3）不继承豁免资格，也不继承主域的全量热度——老产品靠自己的真实使用度排名。