同一个GEO问句连跑七天，AI的答案换了四次，我把采样间隔和模型版本对了一遍

上周客户群里甩来一张截图，说「你们监测里AI明明推荐的是A，我手机上刷出来是B」。我第一反应不是解释，是先把取数口径拉出来对一遍。

先说我这边的设定：

• 同一批 42 条问句，覆盖品牌词、品类词、竞品对比三类；
• 每天固定 10:00 和 16:00 各跑一次，连续 7 天；
• 每条问句记录：采样时间戳、模型版本号、对话上下文、返回的推荐品牌顺序；
• 人工抽检 20% 的截图，和后台返回做比对。

对完之后发现三个事：

第一，同一问句在 7 天里答案变了 4 次，其中两次是推荐品牌顺序调换，一次是引用的来源域名换了，一次是直接答「暂无明确推荐」。我把这四次的时间戳和模型版本号标在图上，发现变的那几次，版本号里有两次是同一个版本——也就是说，不全是模型迭代导致的。

第二，上午和下午的差异比想象中大。42 条问句里，有 11 条在 10:00 和 16:00 返回结果不一致，占 26%。我翻了公开资料里关于检索增强生成的一些说明，不少报告提到「检索结果受索引更新节奏影响」，但具体到每个平台的更新频率，我这边目前拿不到稳定数据，所以只能先把这个变量记下来。

第三，客户手机上的结果和我后台的不一致，大概率是缓存或上下文不同。我让他把对话清空、重新开一个新会话再问一次，结果就和我后台对上了。这件事提醒我：以后交付报告，得把「会话是否干净」写进口径说明里，不然截图对不上就是扯皮。

我的判断：

基于这 7 天的样本，我不认为现在能说什么「GEO 效果稳定」或者「提升率多少」。42 条问句、单平台、7 天，这个样本量太小，连置信区间都撑不起来。我倾向于先把采样间隔固定、模型版本锁死、会话状态记全，跑满 4 周再说。之前看到有报告里写「AI 推荐结果日间波动可达两位数百分比」，我没找到原始数据出处，先存疑。

想请教一下：

你们跑 GEO 监测的时候，采样间隔一般定多长？是按小时、按天，还是跟着业务节奏走？另外模型版本这块，平台不一定会明示，你们是怎么记录的——靠接口返回字段，还是只能靠人工截图留档？