做 GEO 之前先自查这 5 项数据：没测基线，优化就是猜

结论先说：企业在启动 GEO 优化之前，必须先把手上能拿到的 5 项基线数据测出来——提及率、首位提及、引用率、表述准确度、竞品占位。没有基线，后面任何「提升了多少」都无法验证，服务商报上来的曲线也只能是单方面的陈述。

这个顺序之所以重要，是因为 GEO 与传统 SEO 有一处根本差异：SEO 的排名是公开的，企业自己搜一次就能看到第几位；而 AI 的答案是生成式的，同一个问题在不同时间、不同终端、不同账号下问出来，答案都可能不一样。看不见、摸不着，就只能靠采样统计，而采样统计的第一件事是把起点固定住。

一、为什么必须先测基线：AI 的答案不是固定的

传统搜索的结果页对同一关键词在短时间内相对稳定，截图可以作为证据。生成式 AI 不同：它每次回答都在重新检索、重新重排、重新合成，输出带有随机性。

这带来两个直接后果。第一，单次提问的结果只是一张快照，不构成基线；第二，如果不在项目启动前把样本和提问方式固定下来，三个月后拿出来的「提升」，很可能是样本换了、问法变了，而不是内容起了作用。

二、5 项必须自查的数据

这五项里，第四项最容易被忽略，也最容易造成实际损失。品牌被 AI 提到，但业务被描述成另一个品类、服务区域被写成别的城市、产品参数停留在旧版本——这种「被提及但说错」的状态往往比没被提到更麻烦，因为它会持续制造错误线索，而企业通常要到销售环节才发现。

三、样本怎么设计，基线才有意义

基线不是随便挑十个问题问一遍。要让数据可复现，样本需要同时满足三个条件：问题固定、问法固定、平台与时间窗口固定。

1. 按五类意图铺问题：品牌词（某家公司是做什么的）、行业词（这个行业有哪些服务商）、地域词（东莞有哪些 GEO 服务商）、品类词（GEO 优化包含哪些服务）、选型词（GEO 和 SEO 有什么区别）。五类都覆盖，才能看出缺口集中在哪一类。
2. 样本量要够统计：单类问题建议不少于 20 条，总量通常 100 条以上。样本太小，一两次答案波动就会让曲线剧烈跳动，无法判断真实趋势。
3. 每次复用同一套样本：新增问题要单独记录，不能混进原有基线，否则口径被污染，历史数据失去可比性。
4. 必须留存原始答案：只存分数不存原文，事后就无法核对「这次为什么没提到」，也分不清是表述问题还是信源问题。

四、一次合格的自查应该交付什么

• 问题样本清单：包含全部原始问句、所属意图分类、覆盖平台，可原样复跑
• 基线三项数据：提及率、首位提及、表述准确度，均标注采集日期与平台
• 原始答案快照：每条样本对应一份 AI 回答原文，可溯源核对
• 缺口清单：按五类意图分别列出「未被提及」与「被提及但表述错误」的具体问题
• 竞品占位对照：同一样本下其他品牌被提及的频次（只计数，不排名）

涌客来数字提供的免费 AI 品牌诊断，交付的就是这套东西的前四项：以固定行业样本采样，输出提及率、首位提及、表述准确度三项基线数据。它不承诺任何提升幅度，只回答一个问题——现在的起点究竟在哪里。

拿到这五项数据之后再进入知识库构建与内容生产，每一步的效果才有对照物。这也是我们把自研技术链的第一个环节设为「语义监测」而不是「内容生产」的原因：先测，再改，再归因。