截至 11 月 7 日的公开信息，腾讯推出面向 C 端的 AI 搜索引擎，与元宝搜索 API 和元宝 App 共享底层，并提供 Skill、MCP 与 API 三种接入方式；同期苹果智能国行版上线，创作内容与问询结果同步至千问 App。再往前两天，混元 Hy4 于 11 月 4 日在 WorkBuddy 首发接入，调用激增后推理集群紧急扩容十倍。对做 AI 搜索可见度与 GEO 的品牌团队来说，这些动作共同指向一个现实：AI 搜索入口在变多，但支撑它们的底层正在收敛。入口越多，越需要一套固定的问题库，否则每次监测都在换尺子。
入口在增加，底层在收敛，问题库成了唯一基准
入口扩张有一个容易被忽略的后果：同一个问题在不同入口得到的答案可能不同，因为提示词、默认设置与结果展示都由产品侧决定。如果监测时每个入口用不同的问法，最后得到的差异无法归因——分不清是品牌表现变了，还是提问方式变了（腾讯网 AIGC 早报）。
固定问题库解决的正是这件事。它把输入锁死，让不同平台、不同时间的输出可以放在同一张表里比较。对品牌来说，这是把“AI 里有没有我们”这种模糊感受，变成可复核数据的第一步。
同一个底层、多个入口，可见度怎么算
底层共享意味着模型能力接近，但入口行为仍然不同：搜索框的提示词更短，对话入口的追问更多，办公助手带着任务上下文。三者的提问分布不一样，品牌的曝光机会也不一样。监测如果只在一个入口做，得到的结论只对那个入口成立。
可行的做法是分层采集：在底层做一次覆盖全问题库的基线，再在重点入口做抽样复核。基线负责趋势，抽样负责发现异常。这样既控制了成本，也不会漏掉某个入口的结构性变化。
问题库要覆盖三类问法
一套能用的问题库，至少要有三类问法：品类词问法、场景词问法与对比词问法。三类问题对应三种不同的曝光机会，缺一类，可见度的画像就会偏。
| 问法类型 | 示例方向 | 观察重点 |
|---|---|---|
| 品类词 | 某类产品怎么选 | 是否进入候选名单 |
| 场景词 | 特定场景用什么 | 是否被具体推荐 |
| 对比词 | 两个品牌怎么比 | 竞品占位与描述偏差 |
对比词问题最能暴露竞品占位
品类词问题里，AI 往往给出宽泛的候选清单；对比词问题里，回答会直接点出各自的优劣。后者对品牌更危险，也更值得监测：一句不准确的比较，可能比不被提及更伤。把对比词单列，能看清竞品在 AI 回答里占据了哪些位置。
引用来源决定回答的可信度
回答里引用了谁，直接决定这段描述可信不可信。品牌自有页、第三方媒体、行业站点的占比结构，是判断引用来源是否健康的核心。监测时要把链接与信源名称一起记录，只看文字不看来源，等于放弃了一半信息。
建库的四步
这套方法的需求侧支撑已经很清楚：CTR 联合中国传媒大学广告与品牌学院、国家广告研究院发布的报告显示，70.4% 的广告主规划了 GEO 预算、14% 已将 GEO 作为刚需（网易新闻报道）。预算进来得快，能拿出可复核证据的团队才会被留下来。同期模型侧的能力还在快速迭代，Kimi 的托管智能体已提供 140 多个 Skills 与 30 多个插件（腾讯研究院 AI 速递），入口与能力的组合只会更多。
常见问题
入口越来越多，为什么反而要回到问题库？
因为入口之间的答案不可直接比较，唯一能横向比的只有同一组问题下的回答。问题库固定了输入，输出才有可比性。
问题库应该放多少个问题？
起步阶段三十到五十个足够，覆盖品类词、场景词与对比词三类。数量不是关键，稳定性才是：同一批问题连续问四周，比每周换一批问题问一次更有决策价值。
同一个底层支撑多个入口，监测要重复做吗？
要分层做。底层相同不代表入口行为相同，产品入口的提示词、默认设置与结果展示都可能不同。可以先在底层做一次基线，再在重点入口做抽样。
GEO 的效果怎么向管理层证明？
用三个可复核的指标：品牌提及率、引用来源结构、回答描述偏差。三项都基于固定问题库的重复采集，能给出前后对比，比单次截图更有说服力。
