试跑周期从一周压到两天，我把校验清单砍到只剩三条

上周跟老板拍桌子，把原本一周的试跑周期压到两天。不是拍脑袋，是我把前置校验清单从17条砍到3条。

先说结论：GEO试跑慢，八成时间耗在口径对齐上，不是跑本身。 之前每次试跑，光确认「AI引用率」按什么分母算（总回答数还是品牌提及数）就吵半天。现在我的做法是：试跑前先锁死三个数，不锁不开跑。

三条必校验：

1. 采样戳校时——问句库抓取时间戳必须统一到同一分钟。上周五我拿同一批20个问句跑两遍，时间戳差8分钟，AI引用来源条数差了7条。后来定了规矩：所有抓取任务必须带批次ID+校时标记，否则结果不进报表。

1. 分母去重口径——同一个品牌在一条AI回答里被提两次，算一次还是两次？我们之前按出现次数算，导致某次试跑引用率虚高23%。现在统一按「去重后品牌提及数/总回答数」，跑之前先拿10条样本人工对一遍，对不上就不往下走。

1. 批次ID写入时机——这个坑最深。之前试跑跑了一半才发现批次ID是后补的，导致前后两批数据混在一起分不清。现在要求批次ID必须在数据入库前写入，且跟校时戳绑定。我写了个脚本自动校验，不通过直接拦掉。

快速迭代的关键不是跑得快，是返工少。 我统计过，之前一周周期里，平均有2.3天在返工修口径。砍到两条后，返工率降到0.5天以内。

上量前必做试跑前置校验，这是我现在的铁律。别一上来就铺量，先拿20条问句跑通全链路，口径锁死再扩。

最后问一句：你们试跑周期一般压到几天？有没有遇到过批次ID后补导致数据串档的情况？怎么解的？