探针矩阵部署：蒙特卡洛抽样与双端（PC/Mobile）环境拟真
同一句 Prompt 问两次，AI 给出的品牌排序都可能不同；PC 网页端和手机 App 跑的更是两套完全不同的 RAG 管线。只用一条固定 Prompt 在 PC 端跑一次，测量偏差可以高达四到六成。本文给出蒙特卡洛变异抽样的估计器与最小样本量推导，拆解双端环境拟真的工程实现，并用一个耳机品牌 PC 端自测 85% 而移动端真实只有 31.2% 的案例，说明单端失明的代价。
阅读全文 →GEO 深度文章
生成式引擎优化的入门指南、实战方法与指标体系，每篇均有独立可引用链接
量化 AI 心智份额（一）：Share on Answer (SOA) 算法与加权数学模型
简单统计品牌名在 AI 回答里出现了多少次，会同时忽略位置、情感和参数准确度三重差异，得出严重扭曲的结论。本文首次公开 SOA（回答占有率）的完整加权数学模型：从单次回答得分的三因子连乘，到蒙特卡洛抽样的节点均值，再到按意图热度加权的品牌总分，并给出 FCSOA、NPS-SOA、CMDI 三个派生指标。文末用一个咖啡机品类的实例，演示两个品牌提及率相近而真实 SOA 相差 17 倍的诊断过程。
阅读全文 →暗数据困境（Dark Data）：为什么全量穷举 Prompt 搜索量是工程伪命题？
传统 SEO 时代可以用百度指数查到每个关键词的确切搜索量，但在 AI 对话框里，用户把背景、预算、场景一次性说完，绝大多数真实提问在统计周期内的出现频次精确等于 1。加上厂商不公开日志、隐私法规禁止抓取、多轮对话离开上下文即失真，全量穷举 Prompt 搜索量在工程、法律和商业逻辑上三重不成立。本文推导这一暗数据困境，并给出意图本体加靶向探针抽样的替代路径。
阅读全文 →