海外GEO报告里那个「答案完整度」指标，国内团队是不是压根没采

上周跟纽约那边开季度对齐会，他们把Q2的GEO scorecard甩过来，里面有个指标叫 Answer Completeness——大意是AI答案覆盖了用户问句里几个子意图。我当时就愣了一下：我们国内这套监测，从来没采过这个维度。

回来我翻了手上四个项目的问句日志，随手抽了20条，人工标了一遍「问句里实际包含几个子意图」。结果挺扎心：平均每条问句藏了2.3个子意图，但我们只看了「有没有提到品牌」，等于默认1条问句=1个意图。这个分母一错，后面的引用率、覆盖率全是浮的。

更具体一点，举个例子。用户问「XX设备交期多久，小批量能不能加急」，这里其实是两个子意图：标准交期 + 小批量加急政策。AI答案如果只答了标准交期，在老的「品牌提及」口径下算一次成功命中，但在 Answer Completeness 口径下只能拿0.5分。这两种算法放在同一张月报里，结论能差出30%以上。

我的判断是：国内GEO现在卡在「有没有被提到」这个层面，海外已经在拆「提到了多少」。这不是工具差异，是分母定义差异。你分母是问句数还是子意图数，出来的数字压根不可比。

所以我现在给客户做验收表，会强制加一列：问句子意图拆解，并要求供应商在合同里写清楚采样窗口和子意图判定规则。不然季度复盘时，对方拿一套口径、你拿另一套，吵都吵不到一个点上。

想问问大家：你们现在监测AI答案，是按「问句」算一条，还是会先拆子意图再算？如果拆，子意图的判定规则是人工标还是让模型先跑一遍？这块我还没找到特别稳的做法，想听听一线的经验。