问题集怎么建？
问题集是测量的尺子，尺子错了全盘皆输。来源按优先级：销售与客服一线的真实买家问法、引擎实测中发现的自然追问、竞品被问的问题。规模 50-100 题，按簇组织（筛选/对比/验证/价格/风险），覆盖购买决策全程。问题集一旦冻结，周期内不改——改题目就等于换尺子。
月度实测怎么做？
- 固定日期（如每月第一个工作日）、固定引擎界面（ChatGPT 联网、Perplexity、Gemini App、AI Overviews、Copilot 分开测）
- 逐题提问，记录四项：品牌是否被提及、被引用的 URL 是谁、描述是否准确、竞品占位情况
- 每条答案截图归档，命名含日期-引擎-题号
- 幻觉与错误事实单独建档，标注信源端修复动作
四维分数怎么算？
按开放 GEO 标准：可见度 = 问题集中品牌被提及的比例；引用率 = 答案引用你域名的频率与信源权威结构；语义覆盖 = 问题簇中被覆盖的簇比例；品牌认知 = 描述准确性与情感的人工评分。各 0-100 分，分引擎报告，不做「全网平均」这种掩盖问题的聚合。
证据链为什么重要？
AI 答案每周漂移，单次截图证明不了任何事。证据链（固定问题集 + 固定时间 + 截图 + 引用 URL 归档）让前后对比可复验——这既是对内管理的依据，也是对外（客户、老板、审计）唯一能拿得出手的口径。90 天 POC 的验收即以此为凭：第 1 周基线、第 2-10 周干预、第 12 周同题集复测。
常见坑
- 今天测「推荐 XX 品牌」，明天换问法——两次数据不可比
- 只测对自己有利的题目
- 截图不留，月底凭印象写报告
- 把不同引擎的分数平均，掩盖某个引擎上的致命短板
常见问题
有没有自动化工具替代人工实测？
监测工具可以提高效率，但答案截图与事实核对仍需人工复核——幻觉判断无法完全自动化。工具管采集，人管判断。
多久能看到分数变化？
分引擎：Perplexity 数天到两周；ChatGPT/Copilot 取决于 Bing 收录周期；Claude 依赖训练语料更新以月计。月度复测是合理节奏，周测只建议用于 Perplexity。