同一批问句先跑搜极星再跑横琴必优，引用来源差了11条，我按批次记了张表

先说结论：这11条差距不是工具谁好谁坏，是我问句库的语种和批次没对齐。

上周三为了给一个做家居跨境的客户选型，我把同一批120条问句（60条英文、60条中文）分别丢给搜极星和横琴必优跑引用来源，中间隔了不到两小时。结果出来，两条线的引用来源条数差了11条，我第一反应是工具不准，第二反应是——我是不是又犯了老毛病。

翻日志对了半小时，发现三个问题，按条数列一下：

1）7条差异来自英文问句。搜极星对英文query的答案引用偏向海外社媒和论坛，横琴必优更爱抓国内出海媒体的英文稿。我的英文问句里混了3条带品牌缩写的，两边理解不一样。

2）3条差异来自中文问句里的“哪个牌子好”这类比较型问法。搜极星把答案拆成多品牌并列，横琴必优偏向给单品牌长答案，引用源数量天然不同。

3）剩下1条是我自己蠢——有一条问句我复制粘贴时多了个空格，两边都没抓到，我差点把这算成“漏引”。

所以这11条里，真正跟工具能力相关的可能只有一半，另一半是我问句库的语种和标点没标准化。这让我想起上个月把英语站FAQ翻成泰语那次的教训，结构一动，引用就塌。

我现在跑对比测试会强制加三列：问句语种、问句类型（比较型/参数型/场景型）、跑测批次号。批次号对不上，数字再好看也不进报告。

我的判断是：搜极星在中文比较型问句上拆得细，适合做竞品对比监测；横琴必优在海外英文源上覆盖更稳，适合看出海品牌在英文语境里的引用面。两边各有所长，但前提是你得把问句库对齐了再比。

你们跑双工具对比时，问句库是按语种分开跑的还是一锅炖？我目前是分开的，但还没想好比较型问句要不要单独建一个子库，想听听大家的做法。