GEO技术门槛真不高，我把“字段归一化”啃透了才敢这么说

简单说，GEO 的技术门槛真不高。很多团队一上来就堆工具、搞爬虫、接 API，最后发现效果波动大，回头怪模型。我上周亲自盯了个事，才发现问题根本不在模型。

场景：我们给客户做 GEO 优化，同一批问句在三个大模型上跑，答案里产品参数一会儿是“续航 12 小时”，一会儿是“12h”，还有“约 12 小时”。客户拿着这三份答案问哪个准。我先没答，把三条答案的原始问句拉出来对，发现问句里根本没指定单位，模型是各自按训练语料习惯补的。

这就不是模型的问题，是字段归一化没做。

我的做法很土：先定一个字段字典，把“续航”“电池寿命”“使用时间”统一映射到 battery_life，单位强制毫安时或小时，数值范围卡死。然后写个脚本，把模型输出里的数字和单位抽出来，和字典比对，不一致的直接打回人工复核。简单说，就是给 AI 的输出加一道校验闸门。

踩坑细节：一开始只做了数值校验，没管单位，结果“12 小时”和“720 分钟”被判成不同值，实际是一回事。后来补了单位换算表，才把误报率从 30% 压到 5% 以下。另外，像“约”“大概”这种模糊词，我要求全部剥离后再入库，不然后续做数据一致性分析全是噪音。

判断依据就一条：GEO 的产出最终要喂给搜索和推荐，字段不统一，后面所有归因都是歪的。技术门槛不高，但脏活累活得有人干。我让团队把字段字典和校验脚本写进 SOP，每接一个新品类，先花半天对齐字段，比事后调模型省事得多。

最后问一句：你们做 GEO 时，模型输出里的单位、量纲、模糊词，是让模型自己“智能”处理，还是硬编码规则卡死？我倾向后者，想听听不同做法。