翻出30天AI答案截图，才发现我一直在测「问句」不是测「答案」

今天干了一件特别蠢的事，必须自曝一下。

我从上个月开始做AI答案的实测记录，每天固定截10条问句的答案，存了整整30天，大概300张图。本来觉得自己挺勤奋的，结果今天整理的时候发现——我存的截图里，60%以上是同一个问句换了不同时间问，答案却几乎没变。也就是说，我测了30天，实际上只测了不到120个不同的问句。

更崩溃的是，我当初选问句的逻辑是「客户会问什么」，但翻出客服后台的记录一对，发现真实客户问句里有一半我根本没覆盖到。比如客户会问「你们这个和XX比哪个划算」，我存的问句全是「你们产品多少钱」「有哪些型号」。我测的是产品参数，客户问的是对比决策。

我要努力学习，但这次先学明白一个事：测AI答案之前，得先测「问句池」本身。

我现在的笨办法是：把客服最近一个月的真实对话导出来，按「决策阶段」分成三类——

1. 初筛期：客户刚知道我们，问「是干嘛的」「靠不靠谱」；
2. 对比期：客户在几个选项之间犹豫，问「和谁谁比怎么样」「哪个更值」；
3. 临门期：客户快下单了，问「多久到」「怎么退」「有没有隐藏费用」。

然后每个阶段抽20条真实问句，加上我预判的10条，凑成30条一组，每天只跑一组，跑完标注答案里哪些信息是错的、缺的、或者答非所问的。

这周跑下来，发现临门期的问题最容易翻车——AI答「退货政策」的时候，会把不同渠道的规则混在一起说，一会儿7天一会儿15天。我翻出三个平台的售后页面对了一遍，发现是我们自己详情页里没写清楚「哪个渠道适用哪条规则」，AI就自由拼接了。

所以我现在改了个习惯：每跑完一批，先把答错的问题截出来，去对应页面找「这句话到底写没写」，写了的标绿，没写的标红，写了一半的标黄。红黄加起来占了三成，说明我们的内容本身就有坑，不是AI的锅。

我想问的是：你们在做AI答案实测的时候，问句池是拍脑袋想的，还是从真实客服记录里扒的？如果是扒的，怎么筛掉那些「客户只是随口一问」的噪音问句？我现在的筛法是看同一问句出现次数≥3次才保留，但感觉还是有点糙。