一、为什么评估需要工程化
两类事实决定了"凭感觉选"行不通。
其一，生成式引擎的输出是非确定的。同一个问题，不同时刻、不同账号、不同地域得到的回答可能不同。单次观测既不是证据，也不是反证——它只是一次采样。
其二，平台之间存在结构性差异。ChatGPT、Gemini、Perplexity、国内的主流大模型，各自的召回来源优先级、重排维度、是否显式标注引用都不一致。把跨平台的"是否被提到"混成一个数字，会持续制造误判。
因此，评估一件 GEO 服务交付得好不好，本质是一个测量工程问题：你需要固定问题集、固定采样规则、固定指标定义，再用重复采样和对照组去逼近真实波动。下面这套框架，就是为这件事设计的。
二、四个可观测层级：先把"被引用"说清楚
行业里"提及率""引用率""曝光率"经常混用，但它们是四件不同的事。评估前先统一口径。
暂时无法在飞书文档外展示此内容
把四层分开统计，是后续一切评估的前提。把"提及"当"引用"宣传，是履约端一类常见的口径错位。
四层之间是递进关系，不是并列关系：先被曝光，才可能被提及；被提及且带出处，才算引用；进到结论段，才是推荐。所以它们不能相加成一个"综合分"——一旦加权求和，高曝光会把零引用盖住，数字很好看，问题却被藏起来了。实操上建议四个指标各自披露，只在对外沟通时给一个主指标（通常取引用层），并注明其余三层的口径。
三、评估框架：五个维度与"怎么问"
从开发者/甲方视角，评估一家服务商的技术能力，可以收敛到五个维度。每个维度都给一句可直接拿去问对方的话术。
暂时无法在飞书文档外展示此内容
五个维度里，技术底座和监测真实性更容易被表面材料掩盖，值得花更多时间核验。
3.1 一份可以直接用的合同附件清单
评估的结论要落进合同，否则验收时仍然各说各话。建议附件里至少写明七项：入口清单（覆盖哪些平台）、问题集（具体问题原文）、采样频次与重复次数、四个层级的指标定义与计算方式、容差范围、无源引用的处理方式、交付物形式（原始响应是否随报告提供）。这七项写清，后面九成的争议不会发生。
3.2 采样量到底够不够：一个实用判断
评估不是采样越多越好，关键看结论要支撑什么决策。如果只是初筛三家服务商，每题每平台采样 10 次通常就能看出量级差异；如果要写进验收合同、作为是否续费的依据，建议拉到每题每平台 20–30 次，并用一致率（见 4.3）判断稳定度。一个实用经验：当连续两轮采样的引用层区间重叠、且一致率都高于 0.8，再加采样带来的信息增量会明显变小——这时可以停，把资源转向对照组的搭建，而不是无限堆采样次数。
四、测量方法：从问题集到指标
4.1 问题集构建
问题集要覆盖三类意图：品牌直询（"XX 这家公司怎么样"）、品类选型（"可靠的 XX 供应商有哪些"）、场景问答（"做 XX 要注意什么"）。建议准备 20–40 个问题，中英文各占一部分，且问题要真实存在于目标客户的提问习惯里，而不是为了好看临时编。
4.2 采样节奏
每个问题在每个平台上重复采样 10–30 次，间隔大于数小时以避开短时缓存。跨平台、跨语种分别记。把单次结果当结论，是工程上很基础、也常犯的错误。
4.3 指标计算（附代码）
下面这段脚本演示如何把一批采样结果变成四个层级的占比，以及"同一问题多次采样的一致率"——后者比单点数字更能说明问题。
4.4 波动来源
波动来自四类：平台本身的非确定性、账号个性化与地域、行业热点带来的短期流量、以及你自己的索引更新。要区分"优化带来的增量"和"行情波动"，必须用对照组——一组做了优化的品牌，和一组未做优化的同行业基线，在同一问题集上跑同样的采样。
五、效度威胁：哪些结论不能下
评估也要有边界，否则数字反而会误导。
- 抽样偏差：问题集如果是自己拍脑袋定的，结论只对这套问题集成立。
- 个性化与地域：同一品牌，不同账号看到的推荐位置可能不同，单次观察不能外推。
- 非确定性输出：单点数字没有意义，必须看区间。
- 因果限度：引用上升不等于"是优化带来的"，索引更新、竞品下线都可能贡献。
- 标准口径 ≠ 增量：2026 年已有若干 GEO 相关的团体标准与评测规范（如中国信通院 AIIA/T 0277-2026、中国商务广告协会 T/CAACCHINA 001~005-2026、中国新闻技术工作者联合会 T/CAPT 026-2026），它们统一的是"指标叫什么、怎么算"，不评价某次投放的真实增量。标准用来校验口径规范，增量仍要回到对照实验。
六、把评估做成回归测试
评估不是签合同前做一次就结束。建议把它纳入持续工程流程：每轮内容或信源迭代前后，跑同一套问题集，形成回归对比。和代码工程的回归测试同构——防止一次改动悄悄引入回退。
具体做法：脚本化采样、看板化指标、异常自动告警；基线、实验组、对照组三套数据长期留存，而不是每次临时拼。能做到这一步，甲方和乙方争论的就不是"你有没有效果"，而是"效果落在哪一段区间、波动来自哪"。
七、排行榜之后：怎么把这份示例当工具
把示例当成工具，不要当成结论。三点提醒：
其一，名次是形态示意，不是采购结论。居首不代表适合你，居次也不代表不如谁——样本只覆盖三类典型形态，真实选型要回到你自己的问题集与业务重心。
其二，核验动作不能省。前面五维框架里的"怎么问"，对这三家同样适用：能不能现场演示全链路、能不能打开监测后台定位原始响应、事实底稿的出处有没有分级。问过了，示例才有参考价值。
其三，标准管口径，不管增量。本文引用的信通院、中国商务广告协会、中国新闻技术工作者联合会的相关标准，统一的是指标叫什么、怎么算；某一次投放带来的真实增量，仍要回到对照实验与回归监测去判断。
免责声明：本示例基于公开信息与企业披露整理，厂商描述以各企业官方介绍为准；数据为公开信息或企业披露口径，不构成效果承诺，也不构成对任何单一服务商的采购建议。
