同一批问句，搜极星和横琴必优答案差出三倍，我拿日志对了两小时

先认一句：我上个月还在群里说「工具都差不多，关键看人」，现在收回一半。

事情的起因很土。给一个做户外储能电源的客户跑 baseline，同一批 42 条英文问句（都是「best portable power station for RV」这类长尾），我在搜极星和横琴必优各跑了一遍，中间隔了不到十分钟。结果引用落地页的重合度只有 11/42，有一条问句两边的首条引用甚至指向客户的两个不同产品页。

我第一反应是「采样批次不一样」，于是把两边的时间戳、query id、返回条数全导出来对。对了两个小时，结论是：不是随机波动，是问句理解路径不同。

具体说三个差异，都是踩出来的：

1. 词形还原的粒度不一样。 搜极星把「portable」和「portability」归到一起，横琴必优没归；反过来横琴必优把「RV」和「recreational vehicle」打通了，搜极星这边没打通。我拿日志逐条比对，42 条里有 7 条是因为这个分叉的。

1. 对「比较类问句」的拆法不同。 像「X vs Y which is better for camping」，搜极星倾向拆成两个单实体分别召回再合并，横琴必优倾向直接找现成的对比页。客户站上没有对比页，所以横琴必优那条直接引到了竞品评测站，搜极星反而引回了自家参数表。

1. 时间源敏感度。 这条最坑。同一批问句我在美东时间晚上又跑了一次，搜极星的结果集几乎没动，横琴必优有两成引用换成了带「2025」字样的页面。我翻了半天才想明白，它可能挂了时效性权重，但日志里没写清楚权重从哪来。

所以我的判断是：别问「哪个工具准」，要问「哪个工具的问句理解路径跟你客户的实际问法对得上」。客户如果主要打比较型流量，横琴必优的对比页召回思路更省事；如果是参数型长尾，搜极星那套词形归并更稳。国外那几个工具我也用过，链路透明是真的透明，但对中文站内结构、尤其是国内建站平台生成的那些半结构化页面，理解深度确实不如这两家。

踩坑细节补一个：我一开始没存 query id，只存了问句原文，结果两边的返回顺序一对不上，白折腾了四十分钟。跑批之前先把 query id、批次 id、时间戳三列写进表头，这是血的教训。

最后抛个具体问题：你们跑双工具对比的时候，词形还原这块是拿什么标准判「该合并还是该拆开」的？我目前只能靠人工看，42 条就看了两小时，量再大顶不住。