一次 AI 回答能证明什么？在可见度这件事上，几乎什么都证明不了。齐鲁网财经 11 月发布的一份 GEO 服务商能力评估里，把多轮采集写成了硬要求：同一组问题要分多个时段、多个平台重复询问，标准要求不少于 3 个时间窗口；同时给出的稳定性口径是，样本量不低于 30 时，可见率标准差不超过 10%。这两条放在一起，构成了「一次采样不算数」的技术依据，也解释了为什么很多团队每月的可见度报表在动、却说不清为什么动。截至 11 月 12 日公开的资料，这套采样要求是判断一份 AI 搜索可见度报告是否可信的最低门槛。
为什么单次截图不算证据
不稳定的来源有三个。时间：模型迭代、检索索引更新、热点事件都会改变 AI 回答；措辞：同一意图换个问法，召回的页面完全不同；状态：是否联网、是否登录、入口是网页端还是 App 端，答案可能不一致。三个因素叠加，单次采样的结果更像是一次抽样误差，而不是一次测量。
这也意味着「上周有、本周没有」这类结论必须谨慎，尤其是问题库只有三五个问句的时候。它可能是排名真的掉了，也可能只是问句里多了一个限定词。要区分两者，唯一的办法是固定问题库、固定入口、固定周期，重复测，并把每一轮的 AI 回答截图留档。
三个时间窗口怎么排
排期的目标不是多测几次，而是让波动有机会显形。可行做法是：第一窗口放在工作周中段，第二窗口放在周末，第三窗口放在下一周同一时段。三次间隔不少于 48 小时，避开大促当天、发布会当天与行业展会期间。如果业务有明显的季节性，再加一个对照窗口，用来说明「变化是季节带来的还是优化带来的」。
| 窗口 | 时间 | 平台与入口 | 样本量 | 记录项 |
|---|---|---|---|---|
| 窗口一 | 11 月 2 日至 4 日 | 三平台，网页端 | 15 问 × 2 轮 | 提及、位次、来源 |
| 窗口二 | 11 月 7 日至 8 日 | 三平台，App 端 | 15 问 × 2 轮 | 提及、位次、来源 |
| 窗口三 | 11 月 9 日至 11 日 | 三平台，网页端 | 15 问 × 2 轮 | 提及、位次、来源 |
| 对照窗口 | 大促后一周 | 同前 | 15 问 × 2 轮 | 用于排除季节因素 |
样本量的算法要写清。标准要求样本不低于 30，指的不是把同一个问题问 30 遍，而是有效样本总数达到 30。同一问句重复提问会得到高度相似的答案，对稳定性没有贡献；把 15 个问题在三个平台各问一轮，就已经是 45 个样本，覆盖面比重复提问更有意义。
标准差一成是条什么线
可见率标准差衡量的是同一个可见度指标在多轮采样中的离散程度。标准差压不住，说明结果本身不稳定，此时任何「提升了几个点」的结论都缺乏归因基础。行业实践把 10% 作为经验线，超过这条线时，优先要做的不是优化，而是把采样做扎实。
一个常见的误判是把离散当趋势，尤其是在竞品对比时把偶然出现当成了稳定排名。三轮采样里两轮提及率 40%、一轮 10%，均值是 30%，但真实状态更接近「有时出现、有时完全不出现」。这种情况下补内容的边际收益很低，先要查的是哪一类问句会触发缺席——往往集中在品类词与场景词，而不是品牌词。
采样记录表要留哪些字段
字段决定可复现性。至少要有：日期与时刻、平台、入口类型、问题原文、答案是否提及、提及位次、是否给出推荐结论、引用来源域名、以及截图或链接。九项里最容易被省掉的是「入口类型」与「是否联网」，而这两项恰恰是差异最大的变量。
最后提醒口径的边界。三个时间窗口、标准差一成、样本 30，这些是行业实践里沉淀出来的经验值，不是监管标准，也没有经过同行评议。它们的价值在于让不同周期的数据可比，而不是给优化效果背书。真正决定结论可信度的，是每次采样都留下了可回溯的记录。
常见问题
为什么一次截图不能当验收证据？
回答受时间、措辞与联网状态影响，单次结果可能只是偶然，无法区分波动与变化。
三个时间窗口怎么选？
覆盖工作周两端加一个周末，间隔不少于 48 小时，避开大促与发布会当天。
样本量不足 30 怎么办？
补问题数，不要重复问同一句。同句重复得到的是相似答案，对稳定性没有帮助。
可见率标准差一成是硬标准吗？
不是法规，是经验线。超过它说明 AI 可见度结果不稳定，此时优化动作很难归因。
