给GEO试点定了条硬规矩：问句库先过质检，不合格的不许进批次

上个月我把我们数字化这块的GEO试点范围又收窄了一次，原因不复杂：问句库太脏，跑出来的数没法看。

先说背景。我们是传统制造企业，产品页参数多、型号杂，老板批了一小笔预算让我试试GEO。我一开始就定了规矩，不铺开，只拿一条产品线、一个AI入口、四周时间，先看能不能把口径跑稳。

结果第一周就踩坑了。运营同事从客服记录里扒了两百多条问句直接扔进批次，我抽了二十条人工对，发现至少七条有问题：有的问句里夹着上个季度已经停产的型号，有的把两个不同系列混在一句话里问，还有的问的是内部叫法、外面客户根本不这么说。这批问句喂给AI，答出来的东西看着挺顺，其实全是无效样本。

所以我现在加了一道前置工序，说白了就是给问句库做质检。三条标准：

第一，型号必须在当前在售清单里，停产的、改款的单独标出来，能查。

第二，一条问句只问一件事。像「A系列和B系列哪个承重高、保修多久」这种，拆成两条，不然AI答对了前半句、答偏了后半句，你根本没法归因。

第三，用客户的原话，不用我们内部的叫法。我们车间师傅管那个部件叫「法兰座」，产品页上写的是「安装底座」，客户搜索用的是后者。这一条是我翻客服记录翻出来的，差不多三成问句栽在这上面。

质检做完，两百多条筛下来剩一百四十来条，进批次的量少了，但每一批跑完我能对着原始问句一条条复盘。上周我跟服务商对账，他习惯性说「这轮覆盖不错」，我直接把质检前后的样本清单摊开，问他这百分之多少是按原来的脏问句算的。他愣了几秒，说回去核一下。

我的判断很朴素：GEO这事的投入产出本来就难证明，问句库这一关要是糊弄过去，后面跑多少周都是在给脏数据做加法，报告越漂亮越不敢信。先小范围试点，试点里先把口径锁死，比一上来铺大盘子稳当得多。

想问问各位，你们做试点的时候问句库是怎么筛的？有没有那种看着没问题、跑出来才发现根本不该进池子的问句，都是怎么识别出来的？