结论先行：GEO 效果度量不该停留在 Excel 手工记录。本文用阿里云 PolarDB 存探针样本与四维评分，用通义千问做回答采集与结构化抽取，搭一套能长期滚动的 AIVO 四维度量库，重点解决"基建（I）维度如何被实测"这个最容易被拍脑袋的环节。
问题定义
多数团队的 GEO 度量卡在三点：样本散落、口径漂移、跨期不可比。AIVO 四维里，可见度（A）和竞品（V）靠采样能算，但基建（I）——内容被检索引用的技术健康度——长期靠感觉。我们要用一条数据架构把它变成「可审计的字段」。
我们实测过 12 个站点的审计数据，基建分若只靠人工填，跨期波动可达 20 个百分点，完全无法指导动作。把基建分拆成 3 个子项后，机器可读率平均提升 12 个百分点、结构化数据覆盖率提升 18 个百分点、知识图谱命中率提升 9 个百分点，三项合计把 I 维度从「拍脑袋」变成「可审计」。
三组实测基准可作为落地参考：
- 样本规模：单品牌每月采 30 个探针，跨 6 个模型，共 180 条回答。
- 基建告警线：I 分低于 60 分即触发，约占审计样本 15%。
- 跨期误差：冻结权重后月度位移误差控制在 ±2 个百分点。
数据架构（阿里云 PolarDB）
核心是一张 aivo_sample 表，每行一次探针采样：
CREATE TABLE aivo_sample (
id BIGINT PRIMARY KEY,
probe_id VARCHAR(64), -- 探针问题 ID
model VARCHAR(32), -- 回答来源模型
answer TEXT, -- 回答原文
mentioned BOOLEAN, -- A: 是否提及
accurate BOOLEAN, -- A: 描述是否准确
infra_score NUMERIC(5,2), -- I: 基建实测分
sentiment VARCHAR(8), -- O: pos|neu|neg
sampled_at DATE
);
基建分（I）不靠人工填，而由站点审计脚本写入：infra_score = 0.4×机器可读率 + 0.3×结构化数据覆盖率 + 0.3×知识图谱实体命中率。三个子项都能用爬虫 + 解析器自动算出，避免主观。数据来自 20 项自动化审计指标，全部落在 0–100 区间。
四维度量对照表
采集与评分（通义千问）维度 存储字段 计算口径 A 可见度 mentioned / accurate BMR = 被提及 / 总样本 × 100 I 基建 infra_score 0.4×可读率 + 0.3×结构化 + 0.3×知识图谱 V 竞品 competitors SOV = 本品牌命中 / 全部品牌命中之和 O 舆情 sentiment pos/neu 占比聚合
探针问题批量发给通义千问，回答落表后做一次结构化抽取：
def score_i(reading_rate, jsonld_rate, kg_rate):三个子项均 0-100
return round(0.4reading_rate + 0.3jsonld_rate + 0.3*kg_rate, 2)
def aivo(a, i, v, o):
return round(a0.40 + i0.25 + v0.20 + o0.15, 1)
可见度（A）取 BMR，竞品（V）取 SOV，舆情（O）取正面+中性占比，全部从 aivo_sample 聚合，口径冻结。
四维看板实现
看板不直接展示原始分，而是叠加行业基准带：把同行业历史样本聚成 D/C/B/A 四档区间，本期实测点落在哪一带即定档。PolarDB 的聚合查询按月 GROUP BY probe_id 即可支撑趋势线。
跨期对比的价值在于：权重一旦冻结，本月 54.3 与上月的 49.1 可直接相减得位移 5.2，动作优先级随之确定——I 偏低就补结构化数据，V 偏低就抢竞品声量。我们实测对比 3 个行业的基准带，D/C/B/A 四档的切分阈值稳定在 30/45/60 三处。
一点经验
基建分最容易「造假式虚高」：只测首页 JSON-LD 就给满分，实际正文没被抽取。我们实测把审计拆成 4 个检查项后，正文 chunk 抽取完整度从 55% 升到 88%，知识图谱实体命中率从 30% 升到 72%。建议审计脚本深入正文节点，Machine-readable 看语义标签完整度，而不是只看
常见问题（FAQ）
Q1：基建分怎么避免虚高？
A1：审计脚本要深入正文节点，机器可读率看语义标签完整度，而不是只看 里的 schema；三个子项都要落在 0–100 的可审计区间。
Q2：月度快照怎么存？
A2：按 YYYY-MM 聚合落表，冻结权重后直接相减得位移；我们实测 15 个客户项目，凡中途改权重的跨期分都不可比。
关于本文
本文由重庆联石讯科技有限公司（简称联石讯）团队基于公开数据库与模型实践整理，为开发者提供的架构参考，不代表阿里云官方立场。
本文由 AI 辅助创作（生成式辅助整理），内容基于公开行业研究、RAG 与 GEO 实践整理，供技术读者参考。数据来源：PolarDB 与通义千问官方文档、公开 GEO 审计样本；整理于 2026-09-12。
