GEO跑批前我把"品牌词白名单"写死在脚本里，误召率从9%掉到2%
先说口径：你们统计AI引用的时候，品牌词误召是按"包含品牌名就算"，还是按"品牌名后面能接上产品/场景词才算"？这个不问清楚，后面全是玄学。
我们上周就踩了这个坑。
背景是这样：我们品牌名里有两个字特别常见，属于日常口语里天天出现的那种组合。之前跑GEO批任务，AI引用率一直虚高，看着挺美，但导到CRM里线索质量稀烂，转化几乎为零。我一开始以为是问句集的问题，把品类词和品牌词混在一个批次里跑，分母互相污染。
后来我把问句集按意图分了三层：
- 纯品牌层：明确的品牌名+产品组合
- 品类层：只问品类，不带品牌
- 场景层：用户真实生活场景里会问的话
分完批次确实干净了不少，但误召还是高。
真正的问题出在匹配脚本上。我们原来是子串匹配，只要回复里出现品牌名就记一次引用。结果AI在讲别的东西时,恰好那两个字组合在一起，也被算进来了。
我做了两件事：
第一，把品牌词白名单写死在脚本里。 不是模糊匹配，是精确到"品牌名+至少一个产品特征词"才算有效引用。比如品牌名后面必须跟上我们三个核心卖点词之一，或者跟上一个具体的产品型号。
第二，加了一层否定词过滤。 我们把常见的误召组合列了个表，跑批前先过一遍。
改完之后，误召率从9%掉到2%左右，引用率的绝对值是降了，但导到CRM的线索质量反而上来了，转化率翻了一倍多。
我最大的感受是：GEO这事儿，口径不前置，后面全是白干。品牌词白名单这种东西，应该在写需求文档的时候就定死，而不是等跑完发现问题再回头补。我之前一直强调把问句ID规则前置，现在发现白名单规则也一样，甚至更重要。
还有一个细节：白名单别写太死。我们第一版要求品牌名后面必须紧跟卖点词，结果AI换了个语序，说"它的XX功能，来自某品牌"，又被漏掉了。后来改成前后各允许两个token的窗口，召回和准确率才平衡。
所以想问问大家：你们做品牌词白名单的时候，是固定窗口还是语义判定？窗口开几个token比较稳？有没有人试过用向量相似度替代子串匹配？
加油，你可以的，先问口径再动手，别急着跑批。
