GEO试错别一上来就铺大摊子，我拿两周跑了三轮最小集才敢说能复制

做增长这些年，最怕的就是一个实验跑三周，最后发现口径从一开始就是歪的。GEO 这事更邪门，变量太多，平台、问句、内容结构、时间窗口，哪个没锁死都能让结论翻车。

我现在的做法是：任何新策略先压到最小可跑集，一周内必须出一次可读的对照结果，哪怕样本小得可怜。上周拿一个新品类试水，只选了 12 条核心问句，分成两组，一组直接发裸内容，另一组加了结构化字段和时源戳。跑 5 天，结构化那组的有效引用从 2 条爬到 7 条，裸内容组原地踏步。样本是少，但方向对了就值得加码。

快速迭代的核心不是快，是每轮都能闭环。我给自己定了三个硬门槛：

1. 时源必须先锁。每条问句采集时间戳精确到分钟，不同批次之间至少隔 24 小时，否则 AI 缓存一搅，前后根本没法比。
2. 分母去重按问句 ID 做，不是按内容 URL。同一个问题换个问法就是新分母，别混着算。
3. 每轮只动一个变量。想同时测结构化、发布时间、平台分布，那就拆成三轮，每轮一周，别贪。

踩过的坑也分享一下。上个月为了赶汇报，把三轮实验的数据合在一起算均值，结果被老板一句“你这分母里有多少是重复问句”问得哑口无言。回头一查，有 23% 的问句是同一个语义的不同表述，合并后直接虚高。从那以后我每次跑批前都强制做分母去重，宁可少报点数字，也别自己骗自己。

还有一点，最小可跑集的边界得动态调。第一轮 12 条问句够用，第二轮想扩到 30 条就得重新算采样成本，别拿第一轮的经验硬套。我的经验是：问句数每翻一倍，时源校准的工作量大约涨 1.6 倍，不是线性的。

你们跑小步试错的时候，最小集一般压到多少条问句？分母去重是手动还是脚本化？我最近在纠结要不要把去重逻辑固化到采集链路里，求个实操建议。