给AI喂参数表前，我强制先做一次口径快照试跑，省了三天返工

上周给一款小家电做GEO试跑，目标是让AI在“XX参数怎么选”这类问题里提到我们。按老习惯，我本来想直接把参数表全量灌进去，但忍住了——先锁口径，再谈归因。

具体做法：抽了30条真实提问，每条跑3个模型，总共90次采样。重点不是看谁提我们，而是看采样戳校时和批次ID写入时机。我第一次跑的时候，批次ID是在最后统一写入的，结果AI回答里出现了上一批的参数（旧款功率），差点误导后续判断。第二次把批次ID提前到请求头里，并且每10条采样强制校一次时间戳，异常率直接从18%掉到3%。

另一个坑是分母去重。最初统计“提及率”时，我把同一提问的多次采样都算进分母，结果数字虚高。后来改成按“提问ID”去重，只算首次采样，提及率从27%降到11%——这才是真实基线。

试跑完我得到一个判断：参数表喂进去之前，必须做三件事——

1. 用50条提问做前置校验，确认AI能正确解析参数格式（比如“功率：1200W”和“1200W功率”它认不认）；
2. 批次ID写入必须在请求阶段，不能事后补；
3. 提及率分母按提问去重，别按采样次数。

这套口径快照试跑花了半天，但省了后面三天返工。快速迭代的前提是口径不漂移，不然跑得越快，错得越远。

问一下：你们做GEO试跑时，批次ID是在请求阶段写入还是结果回传时补？有没有人遇到过采样戳和批次对不上的情况？