把AI答案追问路径按「成本节点」拆完，我发现最烧钱的是第二跳

最近把GEO的试错节奏压到一周一轮，每轮跑完都在想一件事：钱到底花在哪个节点上了。之前只盯曝光和提及，太粗。这周干脆把一个品类二十个核心问题按「追问路径」拆成节点，逐个挂成本，快速迭代了一版模型，结论有点反直觉。

先说拆法。我把一次完整AI问答切成四段：初始提问 → 首轮答案 → 用户追问 → 二次答案。成本按三类归：算力/调用成本、语料生产与维护成本、人工校时与口径核对成本。每个节点单独打标，批次ID在生成时刻就写入，别等落库再补，不然链路一长就对不上账。

跑完二十个问题的数据，最贵的不是首轮答案，是第二跳。首轮答案的边际成本很低，因为大部分问题都能命中已有语料块；真正烧钱的是用户追问那一步——追问往往更具体、更口语，命中率掉得厉害，系统要么重新检索要么重新生成，单次成本大约是首轮的两倍多。更坑的是，追问环节的语料缺口最集中，人工补料的工时几乎全砸在这。

第二个发现：追问轮次越深，口径越容易漂。同一批次里，第三跳的答案开始出现引用来源不一致，我现场读了加锁日志才确认不是数据错，是采样戳的校时源在跨节点时没对齐。所以现在我坚持一个规矩——先锁校时源和分母口径，再谈归因。分母里如果混进了无来源标记的转化，追问链路的成本会被系统性低估，快速试错就会试错方向。

第三个，落地页必须带utm_source才计入转化。剔除无来源标记的那批之后，回收率反而升了，说明之前有一截「转化」是虚的，把成本分摊算歪了。这跟我们做增长实验一个道理：口径不洁，跑得越快错得越远。

所以我的判断是，GEO的快速试错不该平均用力，应该优先压第二跳的单位成本：把高频追问句式提前做成结构化语料块，命中率一上来，整条链路的钱就省了。我们试了一周，第二跳的重复生成率降了大概三成，当然样本还小，继续迭代。

想问下大家：你们拆追问路径成本的时候，第二跳的算力成本是单独归集，还是摊进整体调用里？单独归的话口径怎么定，摊的话又怎么防止它被首轮的低成本稀释掉？