问句库跑批总对不上账，我翻了一周日志才发现是「同义问句」在捣鬼

求大佬指点，这次是真的卡住了。

我最近在跑一个品牌词在AI里的引用率，问句库大概800条，分「怎么做」和「多少钱」两类分开跑。按理说口径已经定死了，但每次跑完总对不上账——同一批问句，今天跑出来引用率32%，隔两天再跑变27%，差了5个点。我一开始以为是AI平台波动，后来把每次的跑批日志导出来逐条对，才发现问题出在同义问句上。

举个例子，我库里有一条「XX品牌怎么选」，另一条「XX品牌如何挑选」，我当初录的时候觉得这就是两个问句，结果AI对这两句的回答差异特别大，一个引了官网，一个引了第三方测评。更离谱的是，有些问句AI会当成同一个问题合并回答，但我后台记录的时候算成两条独立数据，分母直接虚高。

我现在的做法是：

1. 先做问句去重——按语义相似度把问句聚成簇，每簇只留一个代表问句进跑批，其余标记为同义变体，单独统计。
2. 跑批前固定版本号——每次跑批在日志里写清问句库版本、平台、时间戳，缺一个都不行。
3. 无效问句单独拉清单——AI答非所问或者答「不知道」的，不算进引用率分母，但单独记一笔，看占比有没有异常波动。

这么改完之后，同一批问句隔周重跑，波动从5个点压到了1.8个点。但我觉得还不够稳，尤其是同义问句的判定标准，我现在是人工看，800条看得眼睛都花了。

所以想请教各位大佬：你们跑批的时候，同义问句这块是怎么处理的？有没有什么标准化的分类口径或者工具能批量判同义？另外，引用率的分母到底该不该包含AI答非所问的那些问句？求大佬指点，真的不想再对账对到凌晨两点了。