GEO试错别一上来就铺全量，我按「三层漏斗」砍掉七成垃圾问句

先说结论：GEO 试错最贵的不是模型调用，是把没校准过的问句直接铺满全量。我上周刚踩完这个坑，快速迭代了一版筛选流程，分享给同样急性子的朋友。

踩坑现场

我们内部跑一版 GEO 问句集，最初的流程是：拉 3000 条候选问句 → 全量跑 AI 搜索采样 → 人工抽检引用率。听起来很爽，实际跑完第一轮我就发现两个致命问题：

1. 采样时间源没锁。上午 9 点跑的批次和下午 3 点跑的批次混在一起，同一个问句引用条数能差 8 条以上。
2. 分母去重没做。同一个意图换了三种问法，被算成三条独立样本，引用率直接被稀释。

结果就是：3000 条跑完，真正能拿来归因的不到 900 条，剩下全是噪音。成本没省，时间白烧。

我现在的三层漏斗

第一层：意图聚类，先砍量（3000 → 800）

别急着跑模型。先用最笨的办法把问句按意图聚类，同一意图保留 1-2 条代表问句即可。业务侧验证过的核心意图优先，长尾的、语义模糊的、明显是竞品词蹭流量的，直接踢掉。这一步纯人工 + 关键词规则，半天能搞定，砍掉七成量。

第二层：时源锁定 + 批次 ID（800 → 600）

每批采样前，强制记录：采样时间戳、模型版本、地区、登录态。批次 ID 必须写进原始数据的第一列，不是事后补。这一步我踩过坑——有次忘了记模型版本，两周后回看数据，完全不知道那次引用率波动是内容问题还是模型更新了。快速迭代的前提是数据能回查，不然迭代个寂寞。

第三层：小样本 A/B 再放大（600 → 跑 60）

这是最反直觉的一步。别一次跑完 600 条。先抽 60 条跑一轮，看引用分布是否稳定。稳定了再放大到 200，最后才是全量。我现在的节奏是：周一跑 60 条看信号，周三根据信号调整内容，周五跑 200 条验证，下周才决定要不要全量。小步快跑不是一次跑完再回头，是每步都有反馈。

判断依据

为什么敢这么砍？因为 GEO 的引用率本质是「内容-问句-模型」三者匹配度的信号，不是样本量堆出来的。60 条代表性问句跑出来的相对排序，和 3000 条全量跑出来的排序，相关性已经足够指导决策。剩下的边际收益，不值得那个成本。

一个问题抛给大家

你们做问句筛选时，意图聚类是人工做还是用模型做？我试过让模型聚类，结果它把「怎么选」和「怎么退」这种决策阶段完全不同的意图归到一类，反而更乱。有没有人跑通过自动聚类的口径，求分享。

快速迭代，但别用没校准的数据迭代。