一年攒了800条问句按品牌词拆完，发现37%根本不该进GEO优化池

先说结论：我们过去一年从客服、搜索下拉、站内搜索日志里攒了800多条真实问句，上个月按「是否含品牌词」拆成两组跑了一遍，结果是含品牌词的问句里，37%属于「用户已经知道我们了，只是来确认售后/门店/发票」这类事务型查询——这类问句AI答对率天然就高（实测82%），但它根本不反映GEO优化的增量，把它算进优化池，等于自己给自己刷分。

具体拆法：

• 含品牌词组：312条，再按意图分「事务型（售后/门店/发票/订单）」和「评估型（对比/为什么选你/参数细节）」，事务型占37%。
• 无品牌词组：488条，这类才是GEO真正要抢的场，AI答对率只有53%，而且波动大。

我最初也踩过坑：一开始按「AI答对率」排序，把事务型问句排在最前面，看报表时还挺高兴，觉得优化得不错。后来把分母换成「无品牌词+评估型」这488条，答对率直接掉了近30个百分点。问题不在模型，在我把「用户已经知道答案」的问句也算成了战果。

一个更细的发现：事务型问句里，「保修多久」这类，AI答对率高不是因为优化做得好，是因为我们官网那页FAQ写得早、结构化也全。换句话说，这是存量资产的红利，不是GEO的增量。如果把红利算成增量，第二年就没法解释为什么投入翻倍效果却平了。

我的处理方式是给问句池加两个字段：brand_mentioned（0/1）和intent_type（事务/评估/探索）。进优化池的门槛改成「无品牌词 或 含品牌词且intent=评估」。改完之后，池子从800条缩到503条，但每条的优化动作都能对应到一个可衡量的增量。

口径边界也得说清楚：这个37%是我们自己一个品类的数据，样本只有800条，不能外推。但拆的思路我觉得可以复用——先锁「用户是否已知品牌」这个分母，再谈答对率。

想问问大家：你们拆问句池的时候，会不会把「含品牌词的事务型查询」单独切出去？如果切了，你们用什么字段标记，是人工标还是规则跑？我这边规则跑出来还有约8%的边界样本要人工复核，想看看有没有更省事的做法。