我拿三家工具跑了同一批问句，AI引用结果差异大得离谱

根据我们内部上周的一份小样本测试报告，我拿同一批 50 条问句，在三个 GEO 监测工具上跑了一轮，结果 AI 引用来源的差异大得有点离谱。

先对一下口径：问句池是固定的，50 条都是我们行业里的真实客户问法，分产品参数、竞品对比、售后政策三类，每类 15~20 条不等。测试时间窗口是 3 天，每天同一时段跑一次。工具 A、B、C 都是市面上大家在用的，这里不点名。

结果是这样：

• 工具 A 给出的品牌引用率是 12%，工具 B 是 7%，工具 C 是 19%。
• 我把三家返回的原始引用链接拉出来做交集，发现三家都引到的来源只有 4 条，占 8%。
• 更麻烦的是，工具 A 和 C 在同一问句上给出的“AI 答案摘要”措辞都不一样，我怀疑它们抓的不是同一模型版本，或者对答案做了二次加工。

我这边先把分母统一成 50 条问句，再按“是否引到我们官网”重新算了一遍，三家分别变成 10%、6%、16%。虽然差距收窄了一点，但排名没变。这说明不是分母的问题，是抓取源或解析逻辑有结构性差异。

踩坑细节：工具 B 的引用链接点进去，有两条是 404，还有一条跳到了竞品的聚合页。我拿浏览器直接打开原始 AI 回答核对，发现工具 B 把“引用来源”和“参考链接”混在一起统计了。这个口径不拆开，数据就没法用。

我的判断是，GEO 效果现在还不能拿单一工具的数字下结论。根据我看到的这几组数据，至少要先做到三件事：一是问句池版本锁死，二是引用和参考链接分开统计，三是同一批问句至少跑两家工具做交叉验证。不然你拿 12% 去汇报，老板问一句“这数怎么来的”，你答不上来。

所以想问问大家：你们在交叉验证工具结果时，有没有遇到过同一问句在不同工具里引用来源完全对不上的情况？最后是怎么定口径的？