GEO试错别一上来就铺量，我拿三天小实验筛出真能跑的问句

做GEO最怕一上来就铺几百条问句，跑两周，最后发现口径全是乱的。我现在的做法很土：先锁口径，再小步快跑。

上周拿一个客户的新品线试了一轮。第一步不是写内容，是先定三件事：

1. 问句池怎么来——只取最近30天客服和搜索词里真实出现过的，别自己编。我拉了57条，去重后剩41条。
2. 引用怎么算——按会话算还是按篇算？这两个口径能差18个点。我这次统一按“会话级首次出现”记，先把分母钉死。
3. 跑多久——72小时。不到72小时不出结论，到了就砍，不恋战。

然后只做一件事：把41条问句分成三组，每组配一版不同的答案结构（短答+FAQ、长答带表格、纯段落），同一批内容源，只改表达。三天跑完，数据很直接：

• 短答+FAQ组引用率9.8%，长答带表格组6.2%，纯段落组3.1%。
• 但短答组有个坑：问句里带“多少钱”的那几条，短答反而被AI判成“信息不足”，引用率掉到1.4%。
• 我翻日志才发现，报价类问句AI更认“带区间+条件”的长句，短答它不敢用。

所以结论不是“短答好”，是短答对“是什么/怎么办”类有效，对“多少钱/哪家好”类无效。如果我不分组、不锁口径，直接铺41条短答，最后整体引用率大概4%出头，我会误判成“短答没用”，然后把一个其实有效的方向砍掉。

快速迭代的前提是每次只动一个变量。我见过太多团队一周改五个地方，最后数据涨了也不知道为啥涨，跌了更不知道。

还有个细节：跑批前一定确认采样戳校时。上次服务商那边时间戳差了两小时，导致“72小时”实际只跑了68小时，结论直接作废，白等三天。现在我跑之前先对一次时，批次ID写进日志，谁跑的、什么时候跑的、分母是多少，一行都不能少。

问题抛给大家：你们做GEO小实验，72小时这个窗口是怎么定的？是按流量体量倒推，还是拍脑袋？我现在有点怀疑，低流量站点72小时根本不够出显著差异，但拉长又违背“快跑”原则，这个平衡你们怎么解？