GEO 效果第三方检测：中立口径与数据留痕方法

前两篇讲了为什么要第三方验收、怎么挑第三方工具。这一篇讲更底层的一件事：

一次 GEO 效果检测，到底怎么定义才算数。

同样一句「品牌被 AI 提到了」，不同的人算出来的数可以差好几倍——不是有人算错，是大家在算不同的东西。口径不统一，两份报告就没有可比性；而验收的前提恰恰是可比。

一、先定义「一次被引用」

这是所有分歧的源头。同一个 AI 回答，下面这些情况算不算「被引用」，必须提前说死：

```
情况 常见处理 建议口径
品牌名出现在正文，但没有链接 算/不算 算「提及」，不算「引用」
品牌名出现，且带了指向官网的链接 都算 算「引用」，单独记
引用了第三方文章，那篇文章里提到了品牌 分歧最大 算「间接引用」，与直接引用分开统计
只出现在「参考资料」列表里，正文没提 分歧最大 单独记为「参考位」，不并入提及
回答里推荐了品类，没点名任何品牌 不算 记为「空白结果」，是重要信号
```

必须拆成三个互不重叠的计数，而不是揉成一个「曝光量」：

```
提及 —— 正文里出现了品牌名
引用 —— 回答带了可点击的来源，且来源可归属到某个站点或账号
参考位 —— 只在来源列表里出现
```

理由很实际：这三者对应的动作完全不同。提及多而引用少，说明内容进了模型的记忆但没进当次检索的信源池；引用多而提及少，说明来源被采信但品牌名没被说出来——后者在榜单类回答里很常见。

一份不区分这三者的报告，读不出下一步该做什么。

二、三项固定：同账号、同入口、同时段

AI 的回答会随对话上下文、账号历史、提问时段变化。这三项不固定，两次数据就不是同一个实验。

```
□ 同一个账号 换账号，AI 的历史上下文就变了
□ 同一个入口 ★ 网页端和 APP 端的答案不同，不要混在一张表里
□ 记录时间 同一天不同时段结果也会变，时间戳必须落在记录里
□ 每次新开对话 不要在有上下文的会话里追问，追问会污染下一条
```

第二条最容易破功。 五个国产引擎都同时有网页端和 APP 端，两端的语料调用和答案结构不是一回事。我们 2026 年 8 月的五引擎信源观测就是按 8 个入口分别采集的——不是为了凑数量，是因为合并之后数据就不可用了。

三、问题集：决定后面所有判断的有效性

问题选错，后面全白做。这一步的质量比任何工具都重要，而且它最不该自动化。

我们用 1047 条真实 query 做过一次分区实测，按问题里是否含品牌名、含谁的品牌名分成五个区，测「跑偏率」——AI 的回答偏离提问原意的比例：

```
空白区（问题里不含任何品牌名） 跑偏率 13.3%
有品牌名的三个区 跑偏率 5.4% ~ 6.6%
```

空白区的跑偏率是有品牌区的两倍多。 而新手最爱测的恰恰是空白区的泛词。

一份 30~50 条的问题集，建议这样配比：

```
品牌词 5~8 条 「XX品牌怎么样」—— 跑偏率最低，是你的基线锚点
品类词 15~20 条 「预算X、场景Y，推荐哪家」—— 真正的战场
竞品词 5~8 条 「A和B哪个好」—— 看你在对比语境里的位置
空白泛词 5 条以内 ★ 只留少量，跑偏率高、噪声大
```

用你客户的原话写问题，不要用关键词。 AI 对话里的提问是带背景、预算、场景的完整句子，不是搜索框里的短词组。这两者测出来的东西不一样。

四、留痕：一条记录要留哪几个字段

留痕的目的只有一个——让任何第三方能照着复现你的结论。按这个标准倒推，一条记录至少要有：

```
必留
① 提问原文 一字不改，包括标点
② 回答全文 不是摘要，是整段
③ 引擎 + 入口 例：豆包·APP端
④ 时间戳 精确到分钟
⑤ 引用源清单 每条可点开，落到 URL 或可识别账号

建议留
⑥ 本条是第几次采样 同一问题的第 N 次
⑦ 账号标识 不必是真实身份，一个稳定的代号即可
```

第 ②⑤ 两项是分水岭。 只留排名数字的记录，三个月后除了画一条曲线什么也干不了；留了全文和引用源，你随时能回头回答「那次掉名次到底发生了什么」。

一个可操作的自检：把任意一条记录交给一个完全不了解这个项目的人，他能不能照着复现一遍？ 不能，就是字段缺了。

五、复测频率：由内容的续航天数决定

复测多久一次不是拍脑袋，它有一个物理下限——内容被 AI 引用后能活多久：

```
餐饮 5.3 天（全行业最长）
工业 3.9 天（全行业最短）
口径 每日采集，连续 2 天未被引判定结束
```

大部分行业落在 4~5 天，所以复测频率的下限大约是每周一次。

低于这个频率，两次采样之间内容可能已经进出引用池好几轮，你看到的不是趋势，是随机切片。

还有一层反直觉：工业这类「决策链长、节奏慢」的行业，续航反而最短（3.9 天），需要的复测频率比消费行业更高。 把行业节奏和内容时效当成一回事，是这里最常见的误判。

六、基线：先空转三周

这是最容易被砍掉、也最不该砍掉的一步。

```
第 1 周 跑完整问题集，留存全部原始记录 —— 这是基线
第 2~4 周 不做任何优化动作，只重复采样
目的：先量出「什么都不做时，数据本身波动多大」
第 5 周起 开始做内容，每次只改一个变量
每周复测，每次和基线比，不和上周比
```

「和基线比，不和上周比」——这条看着像细节，实际决定了结论的可信度。和上周比，你比的是两个都带波动的点；和基线比，你至少有一个多次采样得出的参照区间。

没有第 2~4 周的空转期，你之后拿到的任何「提升」，都无法和正常波动分开。

七、这套口径同样适用于我们

写到这里必须说清楚：上面每一条，我们自己出的报告也必须满足。

我们是做监测的，这套口径写得越严，看起来越像在给自己立门槛。但它真正的作用是反过来的——它让我们的报告也变得可以被你推翻。

```
本文所有数字都带口径与样本量：
续航 3.9~5.3 天 每日采集、连续 2 天未被引判定结束
跑偏率 13.3% 1047 条真实 query 分区实测
信源结构 8 个入口、22 个行业、2100 多个品牌，占比口径

你可以用同样的方法在自己的品类上跑一遍。
跑出来不一致，以你的数据为准。
```

一份复现不出来的报告，不管出自谁手，都不能用来验收。包括我们的。

附：数据出处

• 内容被引续航天数、分入口信源结构：2026 年 8 月五引擎信源观测，
  追踪 DeepSeek、文心、豆包、元宝、千问的网页端与移动端共 8 个入口，
  覆盖 22 个行业、2100 多个品牌，按占比口径。
  续航口径：每日采集、连续 2 天未被引判定结束。
• 五区跑偏率 13.3% / 5.4%~6.6%：1047 条真实 query 分区实测。
• 第五节的复测频率下限是按续航天数推算的，非实测值，正文已说明。
• 第一节的「建议口径」是我们的口径主张，不是行业标准，正文已用「建议」标明。