同一批问题、同一批平台，隔一周再测，品牌的可见度数字常常对不上，这不一定是工具坏了，而是测量本身没有被固定。截至 11 月 9 日，行业里已经有一份可以对照的文本：9 月 14 日发布的五项《生成式引擎优化（GEO）团体标准》，覆盖通论与术语定义、服务商评估、计价评估与测量、可信语料、服务流程合规与安全。更早的 9 月 10 日，GDMS 与秒针营销科学院在第十二届全球数字营销峰会发布《2026 品牌 GEO 行动指南》，把行业痛点归成术语之乱、服务之乱、内容之乱、度量之乱四条。度量这一条不解决，其余三条无从讨论。
数字为什么会飘
生成式回答不是数据库查询，AI搜索的可见度也不是一个固定值。平台会把问题改写成不同的检索式，从不同的来源池取素材，再按各自的偏好组织成一段话，任何一个环节变化，结果都会变。问题改写受措辞影响，来源池随抓取与索引更新，组织方式随模型版本调整，三层叠加，就是同一问题十遍十个答案的来源，也是品牌方与服务商互相不认账的根源。
波动本身就是信息
把波动当成噪声忽略，是度量里最常见的错误。某个问题的答案在两周内从稳定变成摇摆，通常说明该品类的信源结构在变：可能有新内容进场，也可能有旧页面失效。记录波动，比记录单次结果更有用，因为波动大的问题往往是最值得投入内容的位置。
把一次测量做成可复现的记录
可复现的意思是：换一个人、换一天、换一台机器，按同样的记录重跑，能得到可比较的结果。做到这一点不需要新工具，需要的是把每次采样的上下文写全。缺了上下文，一次测量只是截图；写全了，它才是一条证据。
| 记录字段 | 为什么要记 | 缺失的后果 |
|---|---|---|
| 提问原文 | 改写即换样本，原文决定口径 | 两次结果不可比，趋势判断失效 |
| 平台与模型版本 | 同一问题在不同引擎结果不同 | 把不同引擎的结果平均成一个数 |
| 采样方式 | 接口采样与端上可见可能不同 | 把接口可见误当用户可见 |
| 采样时间 | 回答随索引与版本变化 | 无法判断变化是优化还是版本更新 |
| 引用链接 | 判断依据了哪些页面 | 链接失效后无法回溯 |
字段齐全之后，还要约定采样次数。单次采样只能看到一次结果，看不到分布；同一问题固定采样 20 至 30 次，记录提及率与前三率，才有可比的基线。次数不必无限加，关键是每次都用同样的次数，让前后两组数据站在同一条起跑线上。
复核时该看哪三处
先看样本 再看答案 最后看引用
复核的顺序比复核的细致程度更重要。样本口径不对，后面的答案和引用都失去意义；样本对了但答案没存原文，只能凭记忆争论；答案存了但引用链接没记，就无法判断信息来自哪里、该去找谁改。三步顺着走，一次复核通常半小时内能定位问题。
这套记录还有一个副作用：它让服务商的报价变得可比。同一份字段、同一套采样次数，两家的结果才有对照的基础，否则比较的只是话术。指南提出定团队、定预算与目标、定执行 SOP、定效果度量、定合规红线、定合作伙伴六步，度量排在第四位，但它是唯一能反过来校准前三步的环节。
常见问题
同一个问题每次答案都不一样，是不是平台不稳定？
部分是。生成式回答依赖检索与合成，索引更新和版本迭代都会改变结果。判断方法是固定问题连续采样，看波动是随机分布还是集中在某类问题上。
采样多少次才算够？
没有统一数字，常用区间是同一问题 20 至 30 次。可见度的波动要靠重复采样才看得清，关键不在次数多少，而在每轮都用同样的次数，让不同时期的数据可比。
接口拿到的回答能代表用户看到的吗？
不能直接等同。接口与端上的检索范围、上下文和版本可能不同，做法是两类分开记录，对外报数时说明来源类型。
团体标准发布后，验收是不是就有统一模板了？
标准提供了框架与术语，具体字段仍要双方约定。品牌方可以把标准里的测量要求转成验收清单，逐项确认交付物，而不是只看一份排名报告。
