把官网「保修条款」拆成条件分支表，AI答「能不能保」的准确率从五成爬到八成

先说结论：GEO 里最容易被忽略的不是产品页，是售后条款页。这类页面 AI 引用频次不高，但一旦被引用，错得离谱，因为条款原文是「律师写的散文」，模型读不懂条件嵌套。

上周拿一个做小家电的客户做对照实验。问题集固定 60 条，全是「XX 坏了能不能保修」这种真实咨询，来源是客服从聊天记录里扒的。基线是官网现有保修页，用星芒免费版跑引用+答案抽取（注意：免费版导出没有「引用段落偏移」这一列，我只能手工回查，这点很坑，后面单独说）。基线结果：

• 60 条里 AI 答对 31 条，准确率 51.7%
• 答错的 29 条里，有 22 条是「条件漏判」：比如「人为损坏不保」被答成「可保」，「超过 12 个月不保」被答成「终身保」
• 答案里引用的原文段落，平均长度 187 字，全是整段照搬，模型根本没做条件推理

然后我把保修页重构成条件分支表：一列「故障类型」，一列「购买时长区间」，一列「是否人为」，一列「结论」，再加一列「依据条款编号」。每行一个互斥条件组合，一共 24 行。关键动作是把「不适用」和「视情况而定」单独拎出来做一列——这跟之前有人写参数表那个「不适用」列是同一个道理，模型对空值和模糊表述的处理非常粗暴。

同一问题集重跑：

• 答对 49 条，准确率 81.7%，提升 30 个百分点
• 条件漏判从 22 条降到 6 条
• 引用段落平均长度降到 63 字，模型开始摘表格行而不是整段

再说踩坑。免费版导出字段少一列的问题，让我没法自动对「引用偏移」做统计，60 条手工回查花了快两小时，这个时间成本在批量实验里是指数级放大的。另外我试过只改文案不加表格，准确率只从 51.7% 到 58.3%，说明结构比措辞重要得多，这点跟社区里那些讲「话术优化」的路子完全不是一回事。

我的判断：GEO 的边际收益在「条件型页面」上远高于「介绍型页面」，因为前者是模型推理的短板区，你把推理负担从模型转移到结构化数据上，收益立竿见影。但免费工具的能力上限也摆在这——字段不全就没法做偏移级归因，只能停在准确率这个粗指标上。

问一句：你们跑这类对照实验时，「引用偏移」这列是拿什么工具补的？我现在纯手工，想找个能批量导出的路子。