截至 11 月 15 日，如果你在管一个品牌的 AI 提及率，手里的基线大概率已经过期：同一个问题在不同时间、不同模型下给出的答案并不一样，靠人工搜几次得出的结论，换个人复核就会翻。更稳的做法是固定问题集、固定模型、固定时间，用工具跑完再抽几条人工复核。GEO 效果验证难的从来不是监测动作本身，而是让两次测量可比——不可比的数据，做多少次都只是感觉。
三个指标先定义清楚
第一个指标是提及率：在 N 次查询里，品牌被提到的次数占比。它的好处是简单，坏处是容易被口径污染——同一个问题问三遍拿到三个答案，分母怎么算就决定了结论。第二个指标是提及质量：品牌是被推荐、被中立描述，还是被负面评价，这三种情况要分开计数，混在一起算总分等于什么都没说。第三个指标是可见度：品牌出现在答案的第几条、是否附带链接。
三个指标对应三种完全不同的动作。提及率低要补覆盖范围，提及质量差要修品牌描述和信息一致性，可见度低要改答案结构和页面位置。把它们压成一个总分，团队只能看到变好或变差，没法判断下一步改哪一页。
问题库要按提问类型分组
问题库不是越多越好。十到二十个高价值问题，足够覆盖一个品牌的主要商业提问：能不能做、在哪里做、多少钱、多久交付、和竞品比强在哪。问题太少，一次波动就会推翻结论；问题太多，人工复核的成本会高到没人愿意做。
分组比数量更重要。服务类问题看的是地域与时效字段，参数类问题看的是规格与兼容性字段，售后类问题看的是流程与责任划分。三类问题混在一个池子里跑，得到的平均值没有解释力。
交叉验证怎么排班
| 环节 | 频率 | 要留的记录 |
|---|---|---|
| 工具跑批 | 每周一次 | 问题集版本、模型版本、时间戳 |
| 人工复测 | 每月 5 条 | 原始答案截图与命中位置 |
| 竞品对比 | 与跑批同时 | 各自被提及次数与位次 |
| 偏差登记 | 每次复测 | 不一致原因与处理结论 |
这张表里最容易被省掉的是最后一列。工具显示提及而人工没查到，或者反过来，这类偏差本身就是信息：可能是模型更新了，可能是问题表述变了，也可能是工具抓取的是缓存。把偏差记下来，下一次才知道该不该相信工具。
竞品对比要落在同一批问题上。同一百条问题分别向几个平台提问，记录自家与竞品各自被提及的次数、位置和引用来源，才能看出差距是品类性的还是页面性的。品类性的差距要靠内容覆盖去补，页面性的差距靠改结构就能补，两者的成本差一个量级。
引用来源要能追到页面
被引用是结果，引用来源是路径。答案里出现品牌名但没有链接，说明信息被记住了；出现链接并指向官网的某一页，说明那一页被当成了可信信源。这两种情况的价值不同，处理方式也不同：前者要继续加固事实，后者要保证那一页始终可访问、内容不过期。
追来源还有一个副产品：能看出哪些第三方渠道在替品牌说话。行业垂直平台、问答社区、媒体报道的可信度赋值不一样，把引用来源按渠道分类统计，就知道下一次该往哪个渠道补内容。
验收分三层
三层验收的顺序不能颠倒。内容规格没过就去看引用，等于在找不存在的因果；引用出现了但场景没占住，说明内容进了候选却没进答案，问题多半在表述与结构上。逐层排查，比一次性看总分更快找到症结。
报告要能复现
一份 GEO 报告值不值得签，标准只有一条：换个人、换台机器，能不能跑出同样的结果。做到这一点需要在报告里写清楚问题集版本、模型与平台清单、每条的提问时间，以及人工复核的抽样方式。缺任何一项，结论都不可复现。
复现性还决定了优化动作能不能归因。这周改了三类页面，下周提及率涨了两个点，如果没有固定的问题集和固定的时间窗口，没人能说清是页面改对了，还是模型恰好更新了。可复现的报告不漂亮，但它能支撑决策。
常见问题
AI 提及率多少算正常？
没有统一基准。同一个品类里比较才有意义，先测竞品，再定自己的目标区间，否则数字只是自我安慰。
为什么要做人工复核？
工具抓取与真实提问之间存在偏差，模型更新、问题表述、缓存都会造成差异。不复核就不知道偏差有多大。
可见度和提及率有什么区别？
提及率算有没有被提到，可见度算提到时排在第几位、有没有链接。前者是覆盖问题，后者是位置问题。
优化之后多久能看到变化？
按周观察、按月判断。单周波动不足以说明问题，模型更新也会带来整体位移，至少要看一个月的连续数据。
