GEO试错别按月排期，我按小时切批次跑，三天筛出两个有效问句

看到社区里不少人在聊问句库分层、归因口径，我也补一个更偏执行层面的坑：GEO试错的批次粒度，到底该切多细？

我的结论先摆出来：按月排期的试错基本等于没试错，我现在的默认单位是「小时级批次」，最多按天。

为什么按月排期是浪费

上个月我接了个新品类，按常规节奏排了四周实验：第一周攒问句，第二周跑内容，第三周看数据，第四周复盘。结果第三周拉数据时发现：分母在批次之间偷偷变了。第一批采样是 500 条问句，第二批因为模型侧更新，实际跑出来只有 380 条有效应答，但后台报表的分母还是按 500 算。

这意味着什么？你看到的「引用率提升 8%」里，至少有一半是分母缩水带来的虚高。不锁分母，归因全是自嗨。

我现在的做法：小时级批次 + 分母快照

1. 每批固定问句池，跑之前先建一份「批次ID + 时源戳 + 问句hash」的三元组快照，跑完立刻落库。
2. 不跨批合并分母。每批单独算引用率，批内对比，批间只看趋势。跨批合并分母是我目前见过最常见的坑，没有之一。
3. 采样戳校时放在跑批前，不是跑批后。跑完再校时，你已经分不清是模型变了还是时钟漂了。

三天跑出来的结果

按小时切批之后，三天跑了 18 个批次，每批 40-60 条问句。筛出来两个真正有效的问句结构：

• 「X 和 Y 哪个更适合 Z 场景」型，AI 引用率稳定在 12% 以上；
• 「X 的 Z 参数怎么看」型，引用率只有 3%，但带来的站内停留时长是前者的 2.4 倍。

这两个结论要是按月排期，得等四周才拿得到。快速迭代的意义不是跑得快，是分母锁得住、每批都能单独归因。

一个还没想明白的点

小时级批次跑多了之后，我发现另一个问题：批次太碎，采样戳校时的开销开始吃掉跑批时间。现在每批校时大概占 15% 的窗口，再往下切到 15 分钟级，这个比例会更高。

所以想问问大家：你们的试错批次粒度切到多细？采样戳校时是批前一次性校，还是每批都校？有没有人试过把校时和跑批拆成两个异步队列的？