把GEO试点验收口径表写完后，我发现三个指标一测就露馅

上个月八万块的试点预算批下来了，签字之前我干了一件事：先把验收口径表写出来。不写不知道，一写才发现，之前跟服务商聊的那些「效果」，至少有三个指标是糊的，一测就露馅。

第一个，「AI引用」到底怎么算。服务商给的样例里，AI回答里出现品牌名就算一次引用。但我们内部一查，同一段回答里品牌名出现了两次、三次，甚至在一个对比列表里被顺带列进去，这算几次？更麻烦的是，有些答案是用户追问后才带出来的，首答根本没有。我把口径分成「首答提及」「追问提及」「列表收录」三档，服务商当场说他们只默认算第一档之外的全算，等于虚高。我的要求很简单：分开统计，别一锅粥，不然月底对账根本说不清。

第二个，「问句命中率」的分母。服务商喜欢拿一个百分比出来，但分母是他们自己从公开语料里挑的问句池，跟我们的真实客户问法对不上。我让他们把分母换成我们客服近三个月的真实问句，抽了200条，命中率直接掉了一半。这个坑我建议各位都踩一下：分母谁定，数字就归谁解释。

第三个，「内容覆盖率」和时间窗。一篇旧文被AI收录后，是当天生效还是两周后？我们测下来，同一批页面在不同平台上的生效周期从3天到21天不等。如果验收表里不写死观察窗口，月底看报表就是各说各话。我现在的表里固定写「发布后第7天、第14天、第21天各取一次快照」，取三次取中位数，不认单点数据。

这三条写完，我拿着表又去跟服务商谈了一轮。说实话，八万块我不指望它证明GEO行或不行，我只指望它把口径跑通。口径不通，后面投多少钱都是盲盒。我们厂里做数字化转型这些年，最大的教训就是先上系统后定规则，最后规则被系统绑架。GEO这事儿，我宁可慢半拍。

表里还有两栏我拿不准：一是「负面提及」要不要单独计，二是跨平台引用重复的怎么去重。各位做试点验收的时候，这两块是怎么定的？想听听踩过坑的兄弟说说。