跑批口径差了18个点，我把这一年踩过的坑列一遍

求大佬指点，今天翻上季度关键词表，发现不同批次的跑批口径差出18个点，我人傻了。

先交代背景：我是刚入行做营销的，GEO这块也是硬着头皮在学，平时主要盯跑批数据和归因。最近在复盘去年的关键词表，想看看哪些词真的带来了AI引用，结果一拉总表就发现问题——同一批词，A批次算出来的覆盖率32%，B批次算出来14%，差了整整18个点。我第一反应是自己公式写错了，查了三遍，公式没问题。

后来我把每批的明细日志翻出来对，才发现口径上至少有四个地方不一样：

1. 分母到底算不算重复问句。A批次把同一用户反复问的相似问句都算进分母，B批次做了去重。光这一条，分母就能差出20%以上。

1. 「命中」的判定标准不一样。A批次只要AI回答里出现品牌名就算命中，B批次要求品牌名和核心卖点同时出现。标准一严，命中率直接掉一半。

1. 采样时间窗口没对齐。有的批次跑的是7天窗口，有的跑的是14天。AI答案波动本来就大，窗口不一样，结果根本没法比。

1. 模型版本没锁死。这个最坑，我翻日志时间戳才发现，有几天正好赶上模型小版本更新，相同的问句答案都变了，但批次号里完全看不出来。

我现在想做的就是把口径彻底固定下来，但不知道从哪下手。目前想到的是写一个口径说明文档，把分母定义、命中判定、时间窗口、模型版本全写死，每次跑批前先对一遍。但问题来了：口径固定了，历史数据怎么办？之前的批次要不要按新口径重跑？重跑的话工作量太大，不重跑的话前后数据又没法比。

求大佬指点：你们跑GEO批次的时候，口径是写在代码里还是写成配置？历史批次有没有做过回溯重算？如果做过，一般是怎么控制成本的？