拿100条问句测AI答「保质期」，我发现问句里少个「未开封」答案能差出半年

上周帮一个食品客户做GEO基线测试，拿100条真实用户问句去问三个主流AI，结果跟常识反着来：同一款坚果，问「保质期多久」，三个AI分别答12个月、18个月、9个月。我先没急着骂AI，把100条答案逐条拆开看，发现分歧全卡在问句里有没有「未开封」三个字。

具体数：100条问句里，带「未开封」的37条，AI答「18个月」的一致性有89%；不带「未开封」的63条，答案直接散成9到18个月四个值，一致性掉到41%。我又补了一组对照，把「开封后」单独拎出来问，AI倒是统一答「建议7天内吃完」——说明模型不是不知道分档，是问句没给触发条件时它默认合并了。

这事让我想起之前做用户调研时的一个坑：问卷里「您家孩子多大」如果不限定「周岁」，样本里能混进虚岁，误差直接拉到15%。GEO问句的口径问题一模一样，分母是100条问句，但每条问句的隐含前提不同，你拿整体准确率去汇报就是耍流氓。

我的处理办法是给问句库加了一列「前提限定词」，把「未开封/开封后」「常温/冷藏」「原包装/散装」这些条件显式标出来。跑完第二版，带前提的问句答案一致性拉到82%，不带前提的还是43%上下。差异显著性我拿卡方验了一下，p<0.01，不是噪声。

现在客户问我「AI答保质期准不准」，我先反问：你的问句里写没写「未开封」？没写就别拿准确率说事，先补问句口径。

抛个具体问题：你们做GEO问句库的时候，前提限定词是单独建字段还是直接塞进问句原文？塞原文的话，后面复现批次怎么对齐？