我把品牌同义词表塞给AI做语义扩展，反而把监测词库搞炸了

独家消息，这周踩了个新坑，估计不少做GEO的同行也会撞上。

起因很简单：客户是做宠物智能用品的，监测词一直卡在300个上下跑不动。我琢磨着AI不是擅长语义扩展吗，就把品牌词、品类词、竞品词整理成一张同义词表，喂给大模型让它扩出长尾问句。半小时出了1200条，看着挺唬人，直接导入监测池跑了两周。

结果炸了。

第一周数据看着很漂亮，引用率从8%冲到21%。我差点就要在周报里写“语义扩展策略见效”。但第二周对账时发现不对劲——询盘一条没涨。我把1200条问句按“是否含品牌名”拆开一看，真正带品牌指向的只有不到200条，剩下1000多条全是“猫粮哪个牌子好”“狗窝怎么选”这类泛品类问句。AI在这些问题里压根没提客户品牌，但我的监测口径把“品类词命中”也算成了引用，数字当然好看。

更麻烦的是第二层。我把这1000多条泛问句拿去问AI，发现它们把客户的产品页引用到了一个完全不相关的场景里——有个问句是“多猫家庭怎么防打架”，AI引用了客户的智能喂食器页面，理由是页面里写了“多猫识别”。这个引用在监测报表里算“有效引用”，但对转化毫无意义，因为用户问的是行为问题，不是设备问题。

我复盘了一下，问题出在把“语义扩展”当成了“词库扩容”。AI扩出来的问句，语义上是相关的，但意图上是发散的。GEO监测要的不是“相关”，是“可归因”。泛品类问句就算被引用，也归因不到品牌认知，只能归因到品类教育，这两个KPI根本不能混着算。

第二周我做了个对照实验：把1200条词按“意图颗粒度”重新分三层——品牌指名层、品类决策层、场景问题层。只拿品牌指名层跑引用率，结果从21%掉回9.3%。这个数字才是真实的。品类决策层单独跑，引用率14%，但转化归因几乎为零。场景问题层最离谱，引用率5%，但里面混进了大量错误引用（比如上面那个喂食器的例子）。

现在的做法是：语义扩展照做，但扩出来的词必须先过一道“意图分类”，再决定进哪个监测池。而且每个池子单独设归因口径，绝不混算。这套流程跑了一周，客户的周报终于不再是数字游戏了。

抛个问题给社区：你们做语义扩展的时候，是怎么判断一条AI扩出来的问句“该不该进监测池”的？我现在是靠人工过一遍意图分类，1200条要花大半天，有没有更工程化的筛法？