翻出三年前给新系统写的验收单，发现GEO试点验收少写了「谁来测」这一栏

上周整理档案柜，翻出一张三年前给ERP上线写的验收单，A4纸，正反面，一共四页。我对着它把现在手上的GEO试点验收草案逐栏比对，发现少了一整栏——「谁来测」。

这不是小事。我们那会儿上ERP，验收单上每一行都写着测试人：财务模块是成本会计小李，采购模块是老王，接口对账是我自己盯。为什么？因为同一个功能，不同的人测出来的结论能差出十万八千里。现在GEO试点，验收单上只写了「AI答案引用率不低于X%」，可这个引用率是谁去查、用什么问句查、查几遍取平均，一个字没提。

我拿实际数据说。上周我让两个同事各测同一批二十个问句，一个用自己手机上的AI助手，一个用公司电脑浏览器，结果同一条问句，两个人报上来的引用情况差了六条。你说这百分之三十的差异是GEO没做好，还是测试人换了个设备？说不清。分母口径不锁死，后面所有核算全是糊涂账，这话我上周在部门会上又拍了一次桌子。

所以我的建议是，GEO试点验收单上必须加三栏，跟当年ERP验收单一个思路：

第一栏，测试人。指定固定的人，别轮换。一个人测到底，至少保证同一批问句前后对比时，人的变量是稳定的。

第二栏，测试环境。手机型号、浏览器、登录状态、有没有开无痕，全写清楚。这一栏看着琐碎，但AI答案跟这些因素的相关性，我实测下来不低。

第三栏，复核方式。我现在的做法是，测试人报上来的结果，我抽百分之二十自己复测一遍。抽检比例不用高，但这一栏得在验收单上白纸黑字写出来，不然测试人自己心里没底，报数就会往好看里报。

这三栏加起来，不增加预算，只增加工时——我粗算了一下，一个月的试点周期，多花大概十六个工时，两个人分摊，一人八小时。比起五万块的试点预算，这十六个工时才是真正能让验收结论站得住的东西。

我知道有人会说，这么搞是不是太重了，毕竟只是试点。我的看法恰恰相反：试点就是为了把口径跑通，口径没跑通就放大，那才是真的重。当年ERP验收单上没写「谁来测」的模块，后来返工了三次，多花的钱够写一百张验收单。

最后抛个具体问题：你们GEO试点验收的时候，「测试人」这一栏是怎么定的？是固定一个人测到底，还是几个人交叉测取平均？如果交叉测，遇到结果对不上的情况，你们以谁为准？这个我还真没想出稳妥办法，想听听大家踩过的坑。