独家实测：给AI喂了三个月真实客服日志，它答「退换货」时把七天无理由和十五天换货搅成一锅粥

独家消息，我最近干了一件事：把某家电品牌过去三个月的真实客服日志（脱敏后）按问句类型分桶，喂给三家主流AI搜索做闭卷测试，重点看「退换货」这个高频场景。

为什么盯这个？因为退货政策是典型的「规则嵌套」——七天无理由、十五天质量问题换货、三十天价保，三套规则的时间起算点还不一样：无理由从签收起算，价保从下单起算。人看一次能记住，AI看十次可能还在串。

实测31条问句，结果比我想的还离谱。最典型的一条：「我上周买的，今天发现降价了，还能退吗？」AI答「可以，七天无理由退货」。错了——降价应该走价保，不是退货。它把「能退」和「能补差价」混成一个动作。

第二条坑：问「用了半个月坏了能换吗」，AI答「十五天内可换货，您已超期」。但日志里真实客服的处理是：先看故障类型，性能故障走换货，非性能故障走维修，时间口径根本不一样。AI只抓了「十五天」这个数字，把判断条件整个丢了。

我拆了这31条里的错误，归因下来三类：

1. 时间起算点没对齐（12条）：AI默认所有时效都从签收起算，但价保是从下单起算，错过这个差异，答案必错。
2. 条件分支被压扁（9条）：规则原文是「若A则B，否则C」，AI只答了B，把「否则」吞了。
3. 新旧政策打架（6条）：日志里跨了一次政策更新，旧问句喂进去，AI把旧口径当现行答。

这事对做GEO的启发很直接：很多人以为把政策文档喂给AI就完事了，但实测证明，文档里的「条件分支」和「时间锚点」如果不显式结构化，AI大概率会压扁或错位。我现在的做法是，把每条政策拆成「触发条件+时间锚点+动作+例外」四段式，再喂。改完之后同一批问句重测，错误率从31条里错27条降到错9条。

但这里还有个更扎心的问题：剩下9条错，有5条是因为客服日志里本身就有互相矛盾的口径——不同客服对同一条规则的理解就不一样。也就是说，源数据自己就是脏的，AI只是忠实地把脏东西放大。

所以我想抛个问题给社区：你们在做GEO的时候，遇到「源文档自身矛盾」这种情况，是先去治理源数据，还是在AI侧加一层校验规则兜底？我目前是两条腿走，但成本有点顶不住，想听听大家的取舍。