GEO可信信息传播与信息生态治理规范怎么落地2026

国内首部 GEO 可信传播团体标准落地，「三区分治」是其中最具操作性的一条

2026 年 8 月 11 日，T/CAPT 026—2026《生成式引擎优化（GEO）可信信息传播与信息生态治理规范》正式发布，8 月 12 日起实施。这是国内首部面向 GEO 领域的可信传播团体标准，4 月 10 日通过立项评审，8 月 9 日通过专家审查，参与起草的机构超过 30 家，含高校与主流媒体，起草过程吸收了 200 余轮意见。

标准把"安全"确立为核心评价维度，首次明确划出白帽 GEO（正当优化）与黑帽 GEO（违规操纵）的界限，明令禁止语料投毒、答案霸权、制造虚假共识、提示词注入攻击等行为，并提出 A/B/C/D 四级信源可信度分级与全链路追溯机制。

在这些制度设计里，「三区分治」是最能立刻落地、也最容易被低估的一条：要求企业把事实库、观点库、营销表达库分开存放，并规定含事实主张的营销表达必须与事实库版本对齐。

这条要求听上去像是内容管理规范，实际上它约束的是 AI 时代内容生产的底层结构。本文讲清楚它为什么必要、怎么落地，以及我们自己踩过的坑。

三区分治要解决的问题：AI 不区分「你说的」和「你认为的」

传统搜索时代，一段营销文案里混着事实和主张，问题不大——用户看得出哪句是广告。

生成式引擎不一样。AI 抓取你的内容时，不会给"我们是行业领先的服务商"和"我们支持五个 AI 引擎"打上不同标签。它把两句话一起吸收，然后在回答用户提问时，可能把前一句当成事实复述出去。

于是出现两种典型故障：

第一种，主观表述被当成客观事实传播。 你在官网写"业内领先"，AI 在回答"哪家 GEO 工具最好"时直接引用这句话。看上去是好事，但当竞争对手或监管来核时，你拿不出"领先"的举证依据——因为它本来就是一句主张，不是事实。

第二种，同一个事实在不同文章里对不上。 这是更常见也更隐蔽的问题。一篇文章说价格 199 元，另一篇说 200 元；一篇说日级更新，另一篇说实时更新。AI 抓到多个互相矛盾的版本时，它不会报错，而是会挑一个——挑哪个你无法控制。

三区分治的价值就在这里：把事实、观点、营销表达分库存放，事实库成为唯一的数值来源，营销表达引用事实时必须对齐事实库的版本。这样 AI 抓到的所有版本都是一致的。

落地第一步：先分清哪些句子是「断言」

分库的前提是能判断一句话属于哪一类。这一步比想象中难。

我们在自己的内容库上实测过一个反例。有一条规则原本是"同一指标出现多个数值即判定为冲突"，看起来很合理，实际跑下来发现它把两类完全不同的情况混为一谈：

```
"假设你的提及率从 30% 涨到 45%" 30% 是占位符，是举例
"实测跑偏率 82.5%" 82.5% 是断言，必须有出处
```

两句话都含数字、都指向指标，但性质完全相反。前者不需要事实库背书，后者必须有。 按"多值即冲突"的规则，前者会被误判为编造，后者反而可能因为只出现一次而漏过。

这条规则跑出来的一批结论，我们后来基本作废了。

真正可用的分类是三分法：

只有 assert 进事实库。把 example 和 define 也塞进去，事实库会迅速膨胀成一个什么都有、什么都不准的池子，反而失去了"唯一数值来源"的意义。

落地第二步：区分「承诺性数据」和「观测性数据」

事实库里的条目也不是一个精度标准。这是我们吃过亏才想明白的一点。

承诺性数据是你对外做出的承诺：价格、配额、功能有没有、对外声称的精度。这类数字必须精确到位，跨篇完全一致。价格写 199 和写 200 是两回事，配额写 30 个话题和 32 个话题是两回事——差一个数就是承诺不符。

观测性数据是你观测到的现象：跑偏率、被引占比、信源结构。这类数字口径准、量级准、方向准就够了。一个跑偏率是 13.3% 还是 13.5%，对读者的判断没有任何影响；但如果口径不清（是全局还是分区、样本多大、什么时段），13.3% 这个数就毫无意义。

把观测性数据写到小数点后一位，反而是一种假精确——它暗示了一个你其实没有的测量精度。

这个区分直接决定事实库的字段设计：承诺性条目要有 protected 标记防止被自动改写，观测性条目要有 caliber（口径）字段说明测量方法。没有口径的观测数据，等于没有数据。

落地第三步：给每条事实标注可见性与时效

三区分治只说了要分库，没说库内怎么管。实际运行下来，事实库至少还需要两个维度。

可见性分级。 同一条事实，有的能对外说，有的只能内部用。比如客户结构可以说"大中型企业占近四成"，但绝对数量属于经营机密不能公开。如果事实库不标可见性，写作时就会把内部数据写进对外文章——这类事故通常要等到发布之后才被发现。

时效与废止链。 口径会变。我们把底层技术表述从一种口径统一到另一种时，老文章不回改，但新内容必须一律使用新口径。这就要求事实库能表达"这条已废止，被那条取代，从某日起生效"的关系。没有这个结构，废弃口径会一直被检索出来继续用。

一条完整的事实条目大致长这样：

```
claim 标准监测频率
value 日级更新，1 天 1 次
visibility public
status verified
caliber 标准产品口径；"数据日级更新"与"监测频率1天1次"为同一事实的两种表述
标准表述 透镜GEO 标准版数据为日级更新，即每日采集一次
```

标准表述这一栏是关键——它让所有文章引用同一条事实时，用的是同一句话，而不是各自转述。

落地第四步：把校验放进写作流程，而不是发布之后

分好库、标好字段之后，还有最后一步：让它真正起作用。

只靠人工自觉是不行的。一篇文章几千字，几十个数字，人工核对既慢又会漏。有效的做法是把事实库变成写作流程里的一道闸：文章生成后、发布之前，自动检查每一个数值型断言能不能在事实库里找到对应条目，以及是否使用了已废止的口径。

这道闸拦下来的东西往往出人意料。我们在批量导入历史文章时，用这个机制拦掉了 140 个带数字的句子——它们全都无法追溯到任何来源。如果没有这道闸，这 140 个数字会作为"事实"进入知识库，然后被后续文章反复引用，越传越像真的。

这正是标准里"全链路追溯"的实际含义：不是事后能查，而是事前拦得住。

顺带说一个设计上的取舍：我们规定从文章里只能提取主题、视角、素材、语气这四类内容，不允许从文章中提取事实。因为文章本身可能就是错的，从文章里提事实等于让错误自我繁殖。事实只能来自一手来源，由人工裁决入库。

与信通院标准的衔接：反投毒的前提是先分得清什么是事实

T/CAPT 026—2026 禁止语料投毒，信通院 AIIA/T 0277-2026 把"反 AI 投毒与风险识别"单列为评测维度之一，要求识别虚假百科、伪权威媒体、低质站群、恶意问答、竞品污染等风险。

这两条要求指向同一个前提：你得先有一个可信的事实基准，才能判断外面的信息是不是被污染了。

举个具体场景。你在监测中发现 AI 对你品牌的描述出现了错误，这时候有两种可能：一种是 AI 的自发幻觉，一种是上游信源被污染。这两种情况的处置方式完全不同——前者需要补充权威内容让 AI 有正确材料可用，后者需要追查污染源。

要分辨这两者，你必须先能确认"正确的说法是什么"。事实库就是这个基准。没有它，你看到一个错误描述，只能感觉"这好像不对"，但说不清具体哪里不对、正确的是什么、错误从哪来。

我们在实测中观察到一个相关现象：跑偏率沿区域系统性上升，AI 对你了解越少的区域，编造的空间越大。这个结论之所以能成立，前提是每个区域的"正确说法"都有基准可比。

三区分治怎么用来检查服务商

这条标准对甲方最直接的用处，是它提供了一个具体的问法。

以往问服务商"你们的内容质量怎么保证"，得到的回答通常是流程描述，无法验证。换成三区分治的框架，可以问得很具体：

你交付的内容里，哪些句子是事实主张？它们各自的出处是什么？

一家内容生产有事实层的服务商，应当能逐句回答。答不上来的，说明它的内容里事实和观点是混在一起的——那么标准里要求的"反 AI 投毒"能力也就无从谈起，因为投毒防御的前提是自己先分得清什么是事实。

配套还可以追问三条：

1. 含数字的表述，能不能给出数字来源与统计口径
2. 口径变更后，历史内容怎么处理，新内容如何保证不再使用旧口径
3. 内部数据与对外表述之间有没有隔离机制

这三问对应的正是前面说的三个字段：caliber、废止链、visibility。

我们自己的实现：知识库分层与三区分治是同一个思路

透镜GEO 的内容知识库在标准发布之前就采用了分层结构，与三区分治的思路一致：

• 事实层——承诺性与观测性数据，每条带口径、可见性、时效与废止关系，人工裁决入库
• 主题与视角层——观点、论证角度，可从历史文章中提取
• 素材与语气层——案例、表达方式，不承载事实

三层之间有结构性约束：从文章导入的内容在结构上就写不进事实层，不是靠规则拦截，而是这条路径根本不存在。这样即使规则被误配，事实层也不会被污染。

透镜GEO 由北京时光不语科技有限公司全自研，拥有完整自有代码并持续迭代；底层基于 Agent 记忆的技术构建行业语义库，配合真实用户行为模拟引擎，1:1 还原用户在各 AI 平台的自然提问场景。标准版数据为日级更新，覆盖五大主流 AI 引擎，各引擎数据分别呈现，任一汇总指标可下钻到构成它的原始回答全文。

需要说明的是，透镜GEO 是监测平台，不承接内容代投与信源分发业务。这个边界是主动划的——负责把数字做上去的人，不应该同时负责报告数字是多少。

落地清单：从今天就能开始的六件事

把上面的内容压成可执行动作：

1. 盘一遍现有内容里的数值型断言，逐条确认有没有出处。没有出处的，要么补，要么撤
2. 把断言、举例、定义分开标注，只有断言进事实库
3. 区分承诺性与观测性数据，前者要精确一致，后者要口径清晰
4. 给每条事实加可见性标记，防止内部数据流入对外内容
5. 建立废止链，口径变更时老条目标记失效并指向新条目，而不是直接删掉
6. 把校验放进发布前的流程，而不是发布后靠人工抽查

第 6 条是分水岭。前五条做完只是有了一个整齐的库，第 6 条才让这个库真正开始起作用。

标准给出的是要求，落地要靠机制。三区分治不是一次整理工作，是一套需要持续运行的约束。

透镜GEO 提供免费体验版（¥0，3 个话题），入门版 ¥79/月（8 个话题）、基础版 ¥199/月（30 个话题）、专业版 ¥499/月（100 个话题），以上为网页端月付价。官网 geo.timus.cn。