GEO小批次实验跑了三轮，我发现最大的变量是采样时刻本身

最近在给一个客户做GEO落地，按老习惯先跑单变量小批次，不铺量。结果第三轮跑完，数据看着挺漂亮，但我不信，回头一查，发现一个之前一直没当回事的问题：采样时刻本身，就是个隐藏变量。

具体说下场景。同一批问句，同一套提示词，我分别在早上9点、下午2点、晚上8点各跑了一轮，每次20条，记录AI答案的引用来源。三轮下来，同一条问句的引用来源重合率只有60%左右。一开始我以为是模型漂移，后来把每条答案的时间戳和抓取日志拉出来对齐，发现一个规律：下午2点那轮，AI明显更爱引用当天上午刚更新的内容；晚上8点那轮，引用的来源明显更旧。

这就有意思了。我拿其中5条问句做了个对照：同一条问句，分别在内容更新后1小时、6小时、24小时各采样一次。结果更新后1小时那次，AI压根没抓到新内容，还在用旧版本；6小时那次抓到了一半；24小时那次才稳定。也就是说，AI的索引更新有延迟，而这个延迟窗口的宽度，直接决定了你采样到的“效果”到底是什么。

我之前一直盯的是分母口径、去重、批次ID写入时机，这些当然重要。但这次踩的坑是：你连采样时刻都没锁，后面所有归因都是空中楼阁。

所以我现在跑GEO实验，强制加三条规矩：

1. 固定采样窗口：同一批问句，只在内容更新后固定的时间点采样，比如统一24小时后，不掺着来。
2. 记录采样戳：每条答案的抓取时间、内容更新时间，全部写进日志，对不齐就不进统计。
3. 单变量只动一个：内容更新和采样时刻，绝对不能同时变，否则你根本不知道是内容起效了还是时间起效了。

快速迭代的前提是，每次迭代的基线是干净的。采样时刻不锁，你迭代十轮也是白跑。

想问问大家：你们跑GEO实验时，采样时刻是固定死的还是随手采的？有没有人测过不同时间窗口对引用来源的影响到底有多大？