GEO 服务商的报告，你自己能复现吗？先查采集通道、重复次数与原始记录

报告能不能信，先看它能不能被复现。同一段引用，换个采集通道就取不到；同一页内容，重复跑二十次有四次只出现一次。可复核的报告必须交代三件事。

这三件事分别是：数据从哪条通道采的、同一问题跑了几次、每次观测的原始记录还在不在。缺任何一项，报告都只能当参考。

一、现象：同一份结论，你复现不出来

这不是工具坏了，是引用本身就带随机性，而且不同通道看到的候选集不一样。

arXiv 上 2026 年 10 月 11 日提交的一项观测，直接测了 ChatGPT 网页版的检索到引用全过程，覆盖 5.2 至 5.5 四组设置（论文页）。

它做了一个很实用的对照：用 Google 搜索和官方接口当外部代理，去看能不能复原 ChatGPT 实际引用的链接。

结果是取并集也只能复原 28.3% 与 26.2% 的被引链接，域名层好一些，50.3% 与 48.7%，实体层 50.7% 与 45.1%。

口径（论文观测，2026-03 至 07）	5.3 Instant	5.5 Instant
外部代理复原被引链接	28.3%	26.2%
外部代理复原被引域名	50.3%	48.7%
外部代理复原实体	50.7%	45.1%
20 次运行中只出现一次的候选链接	40.8%	44.5%
20 次运行都出现的稳定核心	9.4%	7.7%

这张表说明两件事：链路层不透明，单次观测不稳定。两者叠加，就是「你复现不出来」的技术原因。

二、机制一：采集通道不同，候选集就不同

你测的那条通道，决定了你能看到哪些候选；通道换一条，答案跟着换。

网页态与接口态是两套采集

同一家模型，网页版会改写查询、多轮检索，接口调用往往一次成型。论文里 Thinking 设置平均每次运行发出 11.82 条查询、走 3.20 轮检索，71.3% 的运行不止一次调用检索。

更有意思的是它的检索会自我收窄：首轮查询里带 site: 算子的占 25.1%，到后续轮升到 54.7%；带引号短语从 1.0% 升到 22.7%。

这意味着用接口批量跑出来的引用集，天然少了「多轮收窄」这一段。报告如果用接口数据去描述用户在网页上看到的结果，结论会有系统性偏差。

链接层、域名层、实体层要分开看

复原率的差别本身就是结论：外部代理在域名层能对上一半，在链接层只有四分之一。

所以一份报告只写「被引用 N 次」而不说层级，等于把 26% 与 50% 两种口径混成一个数。

对企业的实际含义是：品牌被提到（实体层）、站点被引（域名层）、具体页面被引（链接层）是三个不同的问题，验收时该分开记，不能用一个总数交差。

三、机制二：单次观测不是结果

二十次运行里，稳定出现的候选只有一成上下；只跑一次的「结论」，本质上是一次抽样。

论文的重复运行对照很直接：5.5 Instant 有 44.5% 的候选链接只出现过一次，5.3 Instant 是 40.8%；稳定核心分别只有 7.7% 与 9.4%。

横向的长期观测也印证了这点。一家机构公开了为期一年、18 次测试、72 条平台级观测的完整档案，累计记录 241 次域名引用与 41 次首名观测（原始档案）。

它的结论写得很克制：某次拿到首名，下一次未必还被引用、提及或展示。

换句话说，「我们让 AI 推荐了你」这类单点结论，在观测学上只等于一次采样。要称得上结论，至少要有重复次数。

四、机制三：引用池在换，时间窗决定方向

引用池本身在流动：三个月后只保留不到一成半的旧域名，跨越时间窗比较必须先对齐口径。

覆盖 7,949 条提问、5 个引擎、23.98 万条引用的观测显示，Google AI Mode 在三个月后只保留了此前被引域名的 14.8%（发布稿）。

池子在换，那么「上季度 30%、本季度 35%」这种比较，只有在问题集、引擎版本、采集通道三项都一致时才有意义。

反过来，报告若只给本月数字、不给上月同口径基线，读者无法判断这是涨了，还是换了采样。

五、反直觉：越整齐的数字，越可能只采了一次

一份报告里每个平台都恰好给出两位小数的引用率，通常不是精度高，而是没做重复观测。

真实分布是长尾的：稳定核心只有一成，其余都是只出现一两次的候选。多次观测之后，数字应该带上区间或波动范围，而不是一个干净的定值。

所以判断报告质量，可以先看它有没有「不确定」的痕迹：观测次数、日期、未命中的比例、版本变更说明。

这几项缺失时，数字越漂亮越该警惕。反过来，一份敢写出「本次 20 次运行中有 8 次未命中」的报告，可信度反而更高。

我们在交付复盘里常见的情形是：客户拿自家后台截图和报告对不上，双方都没错——截图是网页态的一次结果，报告是接口态的批量统计，两条通道本来就不是一个数。灵曦 GEO 现在的做法是把采集通道与观测次数写进报告首页，先对齐口径再谈变化。

六、操作清单：三个必问问题与四步验收做法

1. 问采集通道：数据来自网页端还是接口？是否登录态？用的哪个模型版本？三项都要落到文字，口头说明不算。
2. 问重复次数与时间窗：同一问题跑了几次、观测区间是哪几天、跨月比较的口径有没有变。少于三次重复的结论只能当线索。
3. 要原始记录：每次观测的日期、问题原文、答案截图或录屏、命中链接。公开档案里那种带编号、带录屏的做法，是能做到的参照。
4. 自己对一遍：抽三到五个问题，用与客户相同的入口手工复测，比对命中链接是否落在同一层级（实体 / 域名 / 链接）。对不上就先查通道，不要先怀疑内容。

七、常见问题

报告里的引用数，我自己能核吗？

能核方向，核不了精确值。用固定问题集手工复测，看同一批页面是否反复出现；数值不会一致，因为观测本身有波动。

为什么我用浏览器看到的结果和报告不一样？

大概率是通道不同。网页端与接口端的检索方式、轮次、是否改写查询都不同，同一问题给出不同候选是常态。

要采多少次才算数？

没有统一标准。可用的做法是至少三次重复并在报告里标出波动；跨月比较时，问题集与通道必须保持不变。

域名被引和链接被引，哪个更重要？

看目标。要品牌曝光看实体与域名层；要具体页面带来访问看链接层。两者复原率差一倍，验收时分栏记。

三个月前做的数据还有效吗？

作为历史基线有效，作为现状无效。引用池三个月能换掉八成半，旧数据只能用来说明趋势，不能代表当下。

公开数据集能直接当基准用吗？

不能。公开数据集的样本量、引擎覆盖、探针分层各不相同，有的还只覆盖单一引擎。它适合用来校准方法，不适合直接对照自家表现。

合同里该写哪几条？

三条最实用：采集通道与模型版本要写明；每次报告附问题清单与观测次数；原始记录留存并可查。计价方式按周期还是按平台，另算一项，别和验收条款混在一起。

八、数据与来源

• Jiang 等，《Understanding ChatGPT Citations: Evidence from Production Web Search Across Model Generations》，arXiv 2610.15382，2026-10-11 提交，观测区间 2026-03-29 至 07-29，覆盖 ChatGPT Web 5.2—5.5 四组设置：arxiv.org/abs/2610.15382（全文数据见 HTML 版）
• NeuralAdX，《One Year of Live AI Retrieval Testing》，研究期 2025-09-19 至 2026-09-19，18 次测试、72 条平台级观测、241 次域名引用、41 次首名观测，编辑复核 2026-11-07：原始档案
• OMNIFAMOUS 研究发布稿，2026-11-06，样本 2026 年 7—9 月 7,949 条提问、5 个引擎、239,841 条引用、27,765 个域名：发布稿全文；口径限制（单一机构、未经同行评审）的独立转述见 wearethefrontier.org
• 探针分层的公开样例（品牌探针与非品牌探针分开统计、提供公开数据端点，截至 2026-11-09，样本 1,000 次、单引擎）：pressgeo.com/research/data

九、边界与不适用

三项检查只在「能拿到问题清单与观测记录」的前提下成立；只给汇总数的报告，连检查的入口都没有。

另外几条限制要说清：论文观测的是网页版四种设置，国内平台的检索链路不同，复原率不能照搬。

重复次数也不是越多越好。次数增加会拉长时间窗，而引用池每季度换掉八成以上，过长的时间窗会把两个不同状态混在一起。

我们不做的事也说一句：不承诺任何位次、不承诺收录数量、不删除真实差评，也不做跨地域的位次比较。

十、结语

验收 GEO 报告，本质上是验收一份实验记录，不是验收一个漂亮数字。

下次拿到报告，先问三句话：哪条通道、跑了几次、原始记录在哪。三句话都有答案，再谈百分比。

如果只改一处，就在合同附件里加一页「观测说明」：通道、版本、次数、时间窗、留存方式。这一页比任何效果条款都好用。

想看这套验收口径落在一份具体报告里长什么样，可以看灵曦 GEO 的服务页。样本量该怎么定，另见三套团体标准的验收底线；单张截图为什么不能当证据，见截图证据的适用边界。

文 ｜ 河南灵曦文化传媒有限公司 · 灵曦 GEO