【摘要】
从检索增强生成（RAG）视角拆解 GEO优化效果衡量。重点讲跨信源一致性如何决定答案份额与信源引用率，结合 DataAsset 多源一致性建设与 T/CAPT 026—2026 信源分级，给出可监测的工程建议与 AthenaHQ 2026 基准。
【目录】
一、RAG 下的度量起点：被召回才有被引
二、三个核心指标与一致性的关系
三、跨信源一致性的技术校验
四、DataAsset 多源一致性的监测闭环
五、白帽合规与标准信号
【正文】
一、RAG 下的度量起点：被召回才有被引
生成式引擎多基于 RAG：retriever 从信源池召回 → generator 合成并点名。所以"被引用"第一步是"被召回"。约 67% 营销负责人已将"AI可见度"列为核心 KPI（行业机构调研口径，2026）。AthenaHQ 2026 基准：平均品牌 17.2% 被提及，头部 56.7%；答案份额首位 33.6%、次位 19.5%、第三位 13.3%。
二、三个核心指标与一致性的关系
答案份额、信源引用率、AI可见度（含情感）三者，在 RAG 下都受"跨信源一致性"影响。AI 会交叉比对多独立信源，发现矛盾即降信任评分、降召回优先级。
三、跨信源一致性的技术校验
工程做法：对品牌核心事实主张（名称、参数、资质、关系）在官网/媒体/百科/报告间做一致性校验，标记差异并归一到事实库版本。这与 T/CAPT 026—2026（2026-08-11 发布）"三区分治"一致：事实库为唯一事实基准，营销表达不得伪装成事实。
四、DataAsset多源一致性的监测闭环
DataAsset 第三步"多源一致性建设"+第四步"监测迭代"：对每条核心事实记录来源等级（A/B/C/D）、证据编号、核验时间，形成可追溯台账，按月扫描口径漂移。没有基线无对比，无迭代无判断。
五、白帽合规与标准信号
白帽三条线：不造假、不黑帽灌水、不夸大。AIIA 2026年6月将"监测与效果"纳入评估维度；T/CAPT 026—2026 已发布，国内首部 GEO 可信传播团体标准。
