当年做SEO给栏目页加面包屑，现在GEO里我让开发在问句拼接前先插“上下文层级”

当年我做SEO的时候，2012年那会儿，最头疼的就是栏目页面包屑导航。你给用户看的是“首页 > 数码 > 手机 > 苹果”，但爬虫抓的时候，如果锚文本里不带上下文，它根本不知道“苹果”是指水果还是手机品牌。后来我们定了个死规矩：任何内链锚文本，必须带上层级路径的语义，哪怕视觉上隐藏掉。

这两天帮一个客户看GEO的问答库清洗流程，发现一模一样的坑又来了，只是换了张皮。

他们现在的做法是：把用户问句抽出来，直接送去做向量化，然后跟知识库做匹配。问题是，很多问句是碎片化的。比如“那个新的咋样”、“跟上一代比呢”、“价格呢”。单拎出来，向量化之后跟一堆东西都像。

我问开发：你们在拼问句准备送进模型之前，有没有把对话上下文里的实体和层级补进去？他愣了一下，说没考虑过。

这就跟当年爬虫抓到一个孤零零的“苹果”锚文本一样，你让它怎么判断？

我让他做了个对照实验，拿200条真实用户问句，分两组：

• A组：原始问句直接向量化。
• B组：在问句前面拼上一个结构化前缀，格式是 [品类:手机] [品牌:苹果] [代际:17] [意图:对比] 问句原文。

结果召回准确率B组比A组高了将近14个点。但是，这里有个细节，我盯了一宿：这个前缀的拼接顺序和归一化的先后关系。

他一开始是把前缀拼完再统一做小写、去标点、分词。我让他把顺序倒过来：先对问句原文做norm和分词，再把结构化的标签拼上去。为什么？当年我们做锚文本去重，如果先把带层级的锚文本拼好再去重，路径词会被当成正文词，权重就稀释了。正确做法是：先归一化正文，再拼层级标签，标签不参与正文的哈希去重。

他按这个顺序改完，又跑了同一批200条，召回率没掉，但去重后的唯一问句数从178变成了194。多出来那16条，全是之前被路径词干扰、误判为重复的短问句。

另外还有一个时间戳的坑，顺便提一句。他们这个前缀生成是在实时请求里做的，取的是服务器当前时间，用来做会话窗口切分。我让他改成取问句首次落盘的时间，而不是处理时间。因为处理时间受队列积压影响，会漂移。当年我们做日志分析，就吃过这个亏，按处理时间切分，结果把跨夜的会话切成了两段。

现在他们GEO后台里，那个“上下文层级”字段，我让开发写死在拼接逻辑里，不放在配置表。配置表这东西，版本一多，报告拉出来跟代码跑的对不上，核账能核三天。

最后抛个问题给社区：你们在做问句增强的时候，那个结构化前缀的token，在计算相似度时是参与还是屏蔽掉？我现在是参与但不加权，想看看有没有人试过完全屏蔽，效果差多少。