把「品牌词+品类词」混进同一批问句里跑，AI引用数据差点把我带沟里

上周做GEO效果复盘，我犯了个低级错误，但估计不少人也会踩。

事情是这样的：为了看品牌在AI答案里的曝光变化，我拉了一批问句去跑。图省事，把「XX品牌怎么样」「XX品牌和YY比哪个好」这种带品牌名的，跟「国产扫地机推荐」「五千价位洗地机怎么选」这种不带品牌名的，混在一个批次里跑了两周。

结果出来，引用率从9%涨到14%，看着挺好看。但我留了个心眼，把问句按「品牌词有无」拆开重新算了一遍——带品牌名的问句引用率本来就高，从22%到25%，基本是自然波动；不带品牌名的泛品类问句，从3%到4%，涨了但绝对数很小。真正的问题在这儿：混在一起算，等于把「品牌已知人群的召回」和「品类新客的触达」搅成了一锅粥，老板看到14%以为GEO起效了，其实拆开看，泛品类问句的增量样本只有几十条，置信区间宽得能跑马。

根据我们内部上周刚对齐的取数口径文档（v2.3，第4页），品牌词问句和品类词问句的「有效引用」判定标准都不一样：前者看品牌有没有被正确描述，后者看品类下有没有被列入候选。我拿旧口径跑了两周，等于用一把尺子量两种东西。

还有个细节：批次ID没打。同一批问句我中间换过一次模型版本（从A换到B），日志里没标，回头想拆分都拆不出来。现在我的做法是，每跑一批，前缀带上日期+模型版本+问句类型，比如「0312_B_品类」，Excel里多一列，省得后面扯皮。

说回结论。拆开之后，泛品类问句的引用增量只有7条，样本太小，我这边暂时不敢下「GEO对拉新有效」的判断。带品牌名的问句倒是稳定，但那是存量，说明不了增量。所以我的态度还是那句：等样本量跑到两百条以上、跨两个模型版本再看趋势，现在下结论太早。

想问问各位，你们跑GEO效果的时候，品牌词问句和品类词问句是分开算还是混着算？分开的话，样本量怎么凑够的？我这边泛品类问句的量一直上不去，有点头疼。