GEO跑批里AI引用的条数，为什么总比原始日志多出四成？我熬夜抠了三天

凌晨1点47分，我又坐在工位上对着GEO跑批报表发呆。

事情是这样的：我们做GEO优化，每天跑批会生成一批“AI引用记录”。原始日志里明明只有120条有效问句结果，但报表里“引用条数”一栏显示168条。多出来的48条是哪来的？我第一反应是去重没做好，于是把问句ID、时间戳、引用来源全排了一遍，发现重复项只有3条。剩下的45条，每条都对应了3个不同的“引用片段”。

换句话说，同一句AI回答里，只要出现了我们品牌相关的多个实体词，系统就会分别记为一条引用。比如用户问“广州哪家做阀门控制”，AI回答里同时提到了“XX阀门”和“XX科技”，这两次出现就被拆成了两条引用。我们内部管这叫“多实体拆分”。

我翻了一下配置，发现拆分逻辑写在了后处理阶段，而不是在采集阶段。这导致一个问题：如果AI回答里出现品牌词的同义变体（比如“XX”和“XX阀门”），就会被重复计数。我算了一下，我们品牌词有7个变体，平均每10条回答里就有3条会触发这种重复计数，虚高比例大概在38%左右。

更坑的是，这个拆分逻辑还跟采样频率挂钩。我们采样是每5分钟一次，如果一次采样里AI回答包含了多个实体，系统会按实体数量生成多条引用记录。但日志里只保留了一份原始回答。这就导致报表上的“引用条数”实际上是“实体出现次数”，不是“回答条数”。

我拿上周三的数据做了个对照：把原始日志里的168条引用记录按回答ID去重，剩下112条。再按品牌词变体合并，剩下97条。也就是说，实际有效引用只有97条，虚高了73%。

这个发现让我有点慌，因为我们之前给老板看的周报里，引用增长曲线一直是往上走的。如果分母被偷偷放大了，那增长可能只是虚胖。

我现在不确定的是：多实体拆分到底应该放在采集阶段还是后处理阶段？如果放在采集阶段，日志会膨胀，但报表口径就统一了；如果放在后处理，就要确保每次合并规则一致。你们跑批的时候，是让AI回答里的每个实体都算一条引用，还是按回答ID去重后再算？