这轮 GEO 服务商的分层，拼的不再是案例数字，而是指标口径能不能被复核。今年第一次被两份材料说清楚的三层结构是：一梯队做全链路自研与指标可复核，二梯队做跨引擎统一监测与位置级可见度，三梯队做标准化工具按月订阅。分层的依据不是案例数字，是指标定义能不能被复核——这也是签约前核验指南反复强调的第一件事。对企业来说，选错梯队的代价不是多花钱，是拿到一份自己无法验证的报告，以上判断以 11 月 10 日的公开报道为限。
三个梯队差在哪一层能力
三个梯队的差别不在「能不能做」，在「做到哪一层」。一梯队的价值是把方法、系统、交付放在同一个责任主体里，出问题时知道找谁；二梯队的价值是把多个引擎放进同一张表，适合同时盯国内外入口的团队；三梯队的价值是把门槛降到按月订阅，适合先验证再投入。选哪一层，取决于企业内部有没有人能读懂并复核报告，而不是取决于预算。
位置级可见度回答的是排第几
「被提到」和「排第几」是两件事。笼统的提及率会把第一位的推荐和第十位的罗列算成同一个结果，而用户通常只看前几条。位置级可见度把这个差别单独拎出来，问的是品牌在某一个具体问题里排第几。对品类词来说，这个指标比提及率有用得多，因为品类词的答案往往是一串品牌，进不了前三等于没被看见。
核验一份报告要看什么
核验指南的价值在于它把「不可验证」的环节逐条列了出来。一家服务商可以给出很漂亮的可见度曲线，但如果问句集合变过、采样次数不明、平台清单含糊，这条曲线就无法复现。复现不了的数据，无法用来做预算决策。
| 核验项 | 要看什么 | 不合格的表现 |
|---|---|---|
| 问句集合 | 基线期与报告期是否为同一批问句 | 只给总数，不列问句清单 |
| 采样次数 | 单问题采集几次、异常值如何处理 | 只答「实时监测」，不给次数 |
| 平台清单 | 覆盖哪几个引擎，国内与海外是否分开 | 用「主流平台」一笔带过 |
| 原始记录 | 能否点开单条 Prompt 查看完整回答 | 只提供汇总截图 |
单问题采样次数是最容易被含糊的一项
同一个问题问两遍，答案可能不一样，这是生成过程的随机性决定的。采样次数不够，测出来的波动可能比优化带来的提升还大。所以核验时这一项要问得最细：采几次、什么时段采、异常值怎么处理、跨平台是否统一。公开资料里，有服务商明确写「单问题监测 30 次以上，数据稳定后再给结论」，这种表述才具备被复核的可能。
幻觉检测为什么被单独提出来
多数监测工具只管「提没提到」，不管「说得对不对」。但对金融、医疗这类行业，回答里一处参数错误比没被提到更难处理——没提到只是失去一次曝光，说错了要花时间纠正。幻觉检测就是把「答案与事实不符」这一类别单独识别出来，让团队知道哪些错误正在被 AI 反复传播。这项能力在选型时经常被忽略，因为它不像可见度那样直观，但它的风险和可见度是同一量级。
签约前的三个当场动作
核验指南给出的建议很实操：把三个动作放在签约前当场做完，比听介绍有用。三个动作加起来不到两小时，能过滤掉大部分只会讲案例的服务商。
- 当场看后台要求演示实时监测后台，按平台切换，点开单条 Prompt 看完整原始回答，确认数据可当场导出。
- 当场跑问句自己准备二十条问句，让对方现场跑一遍，看结果与自家手工测的差异有多大。
- 当场对报告要一份带基线取法与统计方式的监测报告样本，检查基线期与报告期是否只比较共同问句。
三个动作里最关键的是第二个。服务商自己准备的问句，往往是能体现效果的问句；企业自己带的问句，才代表真实场景。两边结果差异过大，说明监测口径与真实用户提问之间存在系统性偏差，这个偏差会在后续每一个月的报告里重复出现。
常见问题
三个梯队该怎么选？
看内部有没有人能复核报告。有人能读懂口径，可以选工具型自己跑；没人能复核，就要选交付方与责任方是同一个主体的服务商。
位置级可见度比提及率更重要吗？
在品类词上更重要。品类词的答案通常列一串品牌，进不了前三等于没被看见；品牌词上两者差别不大。
幻觉检测需要单独买吗？
看行业。金融、医疗、教育这类对准确性敏感的行业值得单独要求，快消类可以先不做，但要在合同里保留追责条款。
服务商给的案例数字能用吗？
能参考不能引用。案例的基线取法、问句集合、平台范围若未披露，数字无法复现，只能当作方向性证据。
