我把同一条问句按周跑了一个月，AI引用段落换了四次，这锅该算给谁

带三个学生做语义漂移压测，到今天整一个月。样本不大，42条核心问句，每周固定周二、周五各跑一次，同一批模型版本、同一套提示词，只观察AI回答里引用的来源段落。

先把结论摆出来：42条里有17条，一个月内引用段落来源变了两次以上；变化最频繁的一条换了四次，先是产品页的规格表，第二周换成FAQ里的第三问，第三周跑到一篇两年前的行业稿，第四周又回到规格表——但换成了另一个型号的规格表。从传播学视角看，这不是模型“记错”，更像检索层在重排，而重排的触发条件我们目前只摸到一半。

说三个踩坑细节，都是一手数据。

第一，别拿“周”当压测粒度。 我们前两周按周对比，看着挺稳，第三周改成隔三天跑一次，才看见中间其实有过一次短命的重排，持续大概36小时又自己弹回去了。如果只按周采样，这次漂移就被平滑掉了。所以我现在跟学生讲，压测粒度要小于你怀疑的漂移周期，不然你测的是平均值，不是波动。

第二，漂移不是均匀分布的。 我们把42条按问句类型分了四组：价格类、对比类、参数类、场景类。参数类7条里5条稳定，场景类11条里8条漂过。这跟我们直觉相反——原以为参数最容易被抓错，结果参数有明确字段锚定，反而稳。场景类问句语义开放，检索层可替换的段落太多，漂移概率自然高。这对做问句库的人是个提醒：不是所有问句都值得同等频次地压。

第三，单次结果不能当验收依据。 有个学生第一次跑完发现自家品牌在对比类问句里没被引用，着急要改内容。我让他同一问句连跑五次，五次里三次引用了，两次没有。单次采样的方差就摆在那，拿一次结果下判断，等于拿抛硬币定策略。

我的判断是：GEO问句库的语义漂移必须按月压测、持续维护，一次性建完就交付的做法在方法论上是站不住的。营销理论里讲消费者决策过程是动态的，检索层对内容的加权同样是动态的，你把静态库扔进动态系统，测出来的数字好看，但它不predictive。

现在的问题是，压测频次一提，人力和算力成本就上去了，客户那边很难接受“每月重跑一遍”的报价逻辑。想问问社区里做过长期压测的朋友：你们是按问句类型分层定频次，还是全量统一跑？分层的话，分层的依据是什么——引用波动率，还是问句本身的商业权重？这个口径我一直没想清楚，想听听一线的做法。