从传播学视角看，GEO问句库的「语义熵」才是该锁的底层口径

带学生跑了一年多问句批次，最近才想明白一件事：大家都在吵采样成本、引用率这些下游指标，但真正该先锁死的是问句库本身的「语义熵」。

什么叫语义熵？简单说，就是同一个用户意图在问句库里的表达离散程度。我让学生把过去六个月某家电客户的问句日志做了个简单统计：按意图聚类后，单个意图平均对应 17.3 种不同问法，其中同义改写占 62%，但真正改变语义重心的只占 8%。这意味着什么？意味着你在用一个高度冗余的样本去估计一个低维的意图分布，估计量方差被人为放大了。

从传播学视角看，这其实是编码冗余问题。 Shannon 那套信息论早就告诉我们，信源编码冗余过高会降低信道效率。放到 GEO 里，问句库就是我们的信源编码，如果冗余不控制，后面无论是算引用率还是做归因，分母全是虚的。

我上周做了个小实验：把同一批问句按「意图-句式-实体」三层拆开，只保留每层内互信息低于阈值的代表句，问句库从 4200 条压到 1100 条，然后拿同一批 AI 回答去对齐。结果发现，引用率绝对值掉了 11 个百分点，但不同批次间的引用率标准差从 8.2% 降到 2.7%。换句话说，你用更少的样本得到了更稳的估计。

这背后有个方法论问题：我们到底要的是「覆盖所有问法」还是「稳定估计意图分布」？前者是工程思维，后者是统计思维。营销理论里，消费者行为研究早就走过这条路——从穷举购买场景转向潜变量建模，GEO 问句库也该往这个方向走。

当然，语义熵不是越低越好。熵太低，问句库会失去对长尾意图的敏感度。我现在的做法是设一个熵值区间，比如 0.4 到 0.7 之间，低于下限就补新意图，高于上限就做同义合并。这个区间怎么定，得看具体品类和用户决策复杂度，没有普适值。

抛个问题给大家：你们在锁问句库口径时，有没有试过用信息熵或者困惑度这类指标来量化冗余？还是仍然靠人工去重？如果有实际跑过批次的，欢迎说说你们怎么定阈值。