拿纽约跑批的权重系数回国内复测，发现问句类型不分开根本对不上

上周把纽约团队去年跑的一批 GEO 权重系数直接搬回国内做复测，结果惨不忍睹——整体引用率偏差 30%+。我一开始以为是国内 AI 引擎的抓取偏好不同，后来把问句按类型拆开看，才发现问题出在权重系数没有按问句类型分别回测。

纽约那边跑批时，事实型、评价型、对比型问句是分开建模的，每一类都有自己的权重系数和验收窗口。我图省事，直接拿了一个加权平均的系数套到国内全量问句上，分母口径直接错了。

具体怎么拆的：

1. 先把问句库按意图分成三类：事实型（“X 是什么”）、评价型（“X 好不好”）、对比型（“X 和 Y 哪个好”）。
2. 每类单独跑 200 条问句，记录 AI 答案的引用来源和摘录段落。
3. 算每类的引用准确率，再反推权重系数——注意，这里的权重是问句类型内部的，不是全局的。

结果发现，国内 AI 对事实型问句的引用准确率能到 72%，但对比型只有 38%。如果混在一起算，整体 55% 看起来还行，但实际对比型已经崩了。纽约那边的系数直接套过来，对比型会被高估，事实型被低估。

踩坑细节：

• 问句原文快照必须按类型存，不然复测时根本对不上批次。
• 验收窗口也要按类型定：事实型 7 天复测一次就够，对比型得 3 天，因为竞品信息变动快。
• 合同里如果只写“整体引用率达标”，供应商很容易拿事实型的高分去补对比型的低分。

我的判断是，GEO 在国内落地，第一步不是追新工具，而是把分母口径和批次 ID 先锁死。纽约跑了两年才沉淀下来的分层逻辑，国内想三个月跳过，不现实。

抛个问题： 你们在复测时，问句类型是按意图分还是按长度分？我试过按长度分，发现跟引用准确率几乎不相关，想看看有没有人跑过别的分法。