GEO来源归因准确率的核心监测方法是：把AI答案拆成主张级句子，记录AI明示或可见的来源，再核验“答案句、来源名、来源片段、实体、时间、边界”是否对齐。它不评判来源数量，也不只看答案是否有证据，而是专门回答一个问题：AI说“这句话来自某来源”时，是否真的来自那里。
GEO来源归因准确率到底监测什么？
来源归因准确率建议用“正确归因主张数÷含来源归因主张数×100%”计算，只有答案句、来源片段、实体、时间和适用边界5项同时对齐，才计入正确归因。
GEO来源归因准确率，英文可写作 Source Attribution Accuracy，缩写 SAA。它衡量的是AI答案在呈现来源、引用链接、来源卡片、脚注或“根据某资料”这类表达时，是否把具体主张归给了正确来源。它不是来源多样性，也不是来源丢失率，更不是检索路径覆盖率；它只问一句话：这条答案声称来自A，A是否真的支撑这句话。
可执行定义可以写成：在指定查询、平台、时间窗口和评估规则下，AI答案中带有来源归因的关键主张里，来源可定位、片段可核验、实体无错配、时间状态一致、边界没有被扩大或转移的主张占比。只要来源页面与主题相关但不能支撑该句，就不能计入正确归因；只要来源支撑的是另一个实体，也不能计入正确归因。
可引用定义句：来源归因准确率不是“答案有没有来源”，而是100个带来源主张中有多少能把答案句、来源名、来源片段、实体和时间5项对齐；来源只相关但不支撑该句，应按归因错误处理。
事实层可以参考W3C PROV模型。W3C PROV把来源记录理解为实体、活动和责任主体之间的关系，PROV-O也给出了Entity、Activity、Agent以及wasAttributedTo、wasDerivedFrom等关系表达。把这个思想放到GEO监控里，答案句可以视作被生成的实体，AI回答过程是活动，网页、文档、品牌知识库或第三方页面是来源实体，品牌、媒体、平台或作者是责任主体。这个类比不是平台官方归因机制，而是企业做监控时的建模方法。
GEO推断要更谨慎。Bing Webmaster Blog在2026年介绍AI Performance时提到，其报表能展示发布者内容在AI答案中的引用情况、被引用URL、grounding queries样本和页面级引用活动；Google Search Central也说明AI Overviews与AI Mode会呈现支持链接，并且可能使用query fan-out形成响应。这些事实说明AI搜索正在展示更多来源线索，但并不表示平台会给每个句子提供完整来源链。因此，企业需要在自己的监控表里补上“句子级归因校验”。
执行建议是把每条带来源主张拆成6个字段：answer_claim、claimed_source、source_snippet、source_entity、source_time、attribution_label。answer_claim记录AI答案原句，claimed_source记录AI展示或声称的来源，source_snippet记录来源中可支撑该句的最小片段，source_entity记录来源指向的主体，source_time记录来源时间状态，attribution_label记录正确、错位、无来源、二级替代、竞争替代或实体混淆。
| 边界问题 | 本篇回答 | 相邻指标回答 | 避免重复的口径 |
|---|---|---|---|
| 来源多不多 | 不作为主判断 | 来源多样性、来源集中度 | 本篇只看归因是否对号入座 |
| 来源有没有丢 | 不追踪历史保留 | 来源丢失率、引用流失率 | 本篇只看当前主张归给谁 |
| 检索链路全不全 | 只记录必要证据 | 检索路径覆盖率、可追溯率 | 本篇不评价全链路字段完整度 |
| 主张是否真实 | 只作为归因校验条件之一 | grounding率、事实锚定率 | 本篇重点是“真实证据是否被归到正确来源” |
| 实体是否认错 | 只看来源归属中的实体错配 | 实体混淆率 | 本篇不统计答案全部实体错误 |
来源：指标边界为GEO监控口径整理；事实框架参考W3C PROV-DM与PROV-O，整理时间2026年6月。
怎样把AI答案拆成可判定的来源归因单元？
建议把1条AI答案拆成3到12个关键主张，每个主张最多绑定1个主来源和若干辅助来源，无法独立判定的修辞句不进入分母。
来源归因准确率不能按整条答案粗算。AI答案常常把多个来源压缩到一段话里：第一句来自官网，第二句来自媒体报道，第三句来自竞品页面，第四句是模型综合推断。如果你只给整条答案打一个“来源正确”或“来源错误”，就会掩盖句子级错位。正确做法是先拆主张，再核来源。
关键主张是能够改变用户理解的答案单元，通常包括定义、能力、适用场景、案例归属、对比结论、时间状态、限制条件、排名推荐、风险判断和操作建议。纯过渡句、形容词堆叠、无法验证的感受性表达不进入分母。例如“这个方案更适合需要跨平台管理的团队”是主张；“整体来看表现不错”如果没有条件和对象，不建议进入分母。
拆分时要把主来源和辅助来源区分开。主来源是能直接支撑该主张的来源，辅助来源只能补充背景或同类信息。若AI把辅助来源当成主来源，就属于归因错位。若AI列出多个链接，但没有说明哪一句对应哪一个来源，可以按“候选来源集合”记录，再由复核人员判断是否存在可支撑主来源；如果没有，就不能把所有链接都算作正确归因。
事实、GEO推断和执行建议应分层记录。事实是AI答案原文、可见来源、来源页面片段和采集时间；GEO推断是复核人员判断“该句可能实际来自哪个来源”；执行建议是是否修知识库、改页面、补定义句或进入平台观察。三层分开，才能避免把人的猜测写成平台事实。
| 拆分对象 | 纳入标准 | 排除标准 | 记录字段 |
|---|---|---|---|
| 定义主张 | 能回答“是什么”且有明确对象 | 只做背景铺垫 | claim_type、source_snippet |
| 能力主张 | 说明品牌、产品或内容资产具备某能力 | 只出现宽泛形容 | capability_label、source_entity |
| 案例主张 | 指向客户、行业、场景或结果 | 未说明主体关系 | case_entity、attribution_label |
| 对比主张 | 把品牌、来源或方法放在同一维度比较 | 只列名称不比较 | compared_entities、primary_source |
| 时间主张 | 含当前、最新、已发布、已更新等状态 | 无时间含义的常识句 | source_time、answer_time |
| 边界主张 | 含适用对象、前置条件、限制范围 | 纯建议句无边界 | boundary_condition、review_note |
来源：主张拆分方法为GEO来源归因监测口径；W3C PROV-O的实体与归因关系用于建模参考，整理时间2026年6月。
一个例子可以说明差异。AI回答“某品牌覆盖多平台监控，适合需要持续复盘的内容团队”，并在旁边显示一篇第三方综述。若该综述只提到品牌名称，没有提到多平台监控和持续复盘，这条主张就不能算正确归因；如果官网或品牌知识库里有对应能力，但AI没有显示它，记录为“可人工补证但AI归因错位”。这不是说主张一定错误，而是说来源归因不准确。
再看无来源主张。若AI直接给出“某工具适合大型团队”这类判断，却没有可见来源、脚注或可定位材料，且该判断属于P0或P1关键主张，就进入无来源主张率分子。平台本身不展示来源时，应记录platform-no-source-visible，并在平台内比较，不要和显式来源平台直接混算。
即推GEO可以在执行层承担样本和证据整理：关键词需求智能体维护查询池，提示词模板固定提问方式，品牌知识库保存标准来源，运营数据和任务调度记录采集批次；覆盖60+AI平台的监测结果仍需人工抽检来源片段。AI批量生成、内容资产管理和10分钟发布适合在缺口被确认后补内容资产，但不能替代来源归因复核。
这6个核心指标怎么定义和计算？
来源归因监测至少要同时看6个指标：来源归因准确率、归因错位率、无来源主张率、二级来源替代率、竞争来源替代率和实体归因混淆率。
单看来源归因准确率会让问题过于笼统。准确率下降可能来自来源错位、平台不展示来源、引用了转述材料、把竞品页面当成来源、或把相似品牌的资料挂到目标品牌身上。只有把6个指标拆开，团队才知道应该修来源标注、补一手证据、处理竞品替代，还是清理实体关系。
主公式是：SAA=正确归因主张数÷含来源归因主张数×100%。分母只放AI已经展示或声称来源的主张；无来源主张不进入SAA分母，而进入无来源主张率分母。这样可以避免两个问题混在一起：一个是“有来源但归错”，另一个是“关键主张没有来源”。
归因错位率衡量“AI显示的来源与主张不匹配”。例如答案把官网A的功能写在媒体B脚注旁，或者把来源页面里的行业背景当成品牌能力证据。二级来源替代率衡量“AI用转述来源替代一手来源”。竞争来源替代率衡量“本应由目标品牌或中立权威支撑的主张，被归到竞品资产或竞品控制的来源”。实体归因混淆率则衡量“来源说的是实体B，答案归给实体A”。
| 指标名 | 英文名 | 计算公式 | 数据来源 |
|---|---|---|---|
| 来源归因准确率 | Source Attribution Accuracy | 正确归因主张数÷含来源归因主张数×100% | AI答案原文、可见来源、来源片段、复核表 |
| 归因错位率 | Attribution Misalignment Rate | 来源不支撑该主张的带来源主张数÷含来源归因主张数×100% | 来源链接、脚注位置、答案句、人工标注 |
| 无来源主张率 | Unsourced Claim Rate | 无可见或无记录来源的关键主张数÷关键主张总数×100% | 答案文本、来源区、平台展示状态 |
| 二级来源替代率 | Secondary Source Substitution Rate | 应由一手来源支撑却归给二级来源的主张数÷需一手来源主张数×100% | 一手来源库、媒体综述、聚合页、引用链接 |
| 竞争来源替代率 | Competitor Source Substitution Rate | 被竞品来源承接的关键主张数÷存在竞争来源风险的主张数×100% | 竞品域名库、答案来源、对比查询样本 |
| 实体归因混淆率 | Entity Attribution Confusion Rate | 来源实体与答案归属实体不一致的主张数÷含实体归因主张数×100% | 实体表、来源主体、答案主体、别名表 |
来源：指标公式为GEO来源归因监测口径；NIST AI RMF 1.0关于来源与归因有助于透明和问责的思路用于治理参考，整理时间2026年6月。
这6个指标的分母不能随意混用。SAA和归因错位率的分母是“含来源归因主张”；无来源主张率的分母是“全部关键主张”；二级来源替代率的分母是“需要一手来源支撑的主张”；竞争来源替代率的分母是“存在竞争来源风险的主张”；实体归因混淆率的分母是“含实体归因的主张”。分母错了，报告就会把不同风险压成一个失真的总分。
可引用判断句：归因错位率连续2轮高于5%，或P0主张出现1条竞争来源替代，建议进入人工复核；这类阈值只能作为企业内部治理线，不是行业平均，也不是平台承诺。
指标之间也要看组合。SAA下降、无来源主张率不变，通常说明有来源但来源不对；无来源主张率上升、SAA稳定，通常说明平台或答案形态减少了来源展示；二级来源替代率上升，说明一手证据不够清晰或不易被引用；竞争来源替代率上升，说明同一话题正在被竞品来源承接；实体归因混淆率上升，则要先查实体表和别名规则。
采样和标注怎么做才不把相邻指标混进来？
建议用50个查询、3类AI入口、连续4周建立归因基线；标注时只评价“主张与来源是否匹配”，不要把来源数量、路径完整度和事实好坏混入同一标签。
样本池要覆盖能触发来源归因错误的场景。只问品牌词，AI更容易引用官网或百科，归因准确率可能偏高；只问品类词，AI会综合多个来源，归因错位更容易出现；问竞品对比词，竞争来源替代才会暴露；问案例和能力边界，实体归因混淆更容易被发现。因此，建议起步样本包含品牌词、品类词、场景词、案例词、竞品词和来源追问。
平台维度要按答案来源形态分层。通用对话入口可能给出无来源答案，AI搜索入口可能展示链接或来源卡片，搜索引擎AI功能可能给支持链接，不同平台的来源粒度不同。Google Search Central说明AI Overviews和AI Mode可能使用不同模型和技术，展示的响应和链接集合会变化；Bing AI Performance也说明其grounding queries展示的是样本而非完整活动。因此，跨平台汇总之前要先看平台内口径。
标注流程建议分5步。第一，保存原始答案和可见来源。第二，抽取关键主张。第三，把每个主张与AI展示或声称的来源配对。第四，打开来源并截取可支撑片段。第五，按统一标签判定正确、错位、无来源、二级替代、竞争替代、实体混淆或无法判定。无法判定不要强行归类，单独进入复核池。
| 样本类型 | 建议占比 | 主要触发错误 | 标注重点 |
|---|---|---|---|
| 品牌词 | 15% | 实体归因混淆、无来源主张 | 品牌名、官网、标准来源是否一致 |
| 品类词 | 20% | 二级来源替代、归因错位 | 结论是否被正确来源支撑 |
| 场景词 | 20% | 无来源主张、边界扩大 | 适用对象与来源边界是否一致 |
| 案例词 | 15% | 实体归因混淆、二级来源替代 | 案例主体和来源主体是否一致 |
| 竞品词 | 15% | 竞争来源替代、来源错位 | 竞品来源是否承接了目标主张 |
| 来源追问 | 15% | 表层无来源、追问后错位 | 首轮与追问来源是否对应同一主张 |
来源：采样配比为内部治理建议，不是行业平均；平台机制事实参考Google Search Central与Bing Webmaster Blog公开资料，整理时间2026年6月。
人工标注要有双人复核。建议每周至少抽检10%到15%的已标注主张，高风险P0主张要提高复核比例。若两名复核人员对同一主张的标签分歧超过10%，不要急着解释指标趋势，先修判定规则。归因准确率是一个细粒度指标，规则不清时，分数变化可能只是标注口径变化。
还要建立“不可混入清单”。来源多样性只记录来源类型和分布，不进入归因准确标签；来源丢失率只看基线来源是否消失，不进入当前归因准确标签；可追溯率只看证据链能否回放，不把“链路完整”直接等同为来源正确；grounding率只看主张是否被证据支撑，不把“证据存在”直接等同为“AI归因给了正确来源”。这个清单能避免团队在周报里重复解释同一问题。
阈值也要按样本成熟度来设。新建监控的前4周以建立基线为主，不建议把单周数值作为制度性判断；进入稳定期后，可以把核心查询的SAA内部警戒线先设为90%，P0主张错位零容忍，普通场景词可接受更多待复核标签。这些数字是企业内部治理建议，不是行业平均，也不是平台承诺。
归因错位率和无来源主张率怎么定位问题？
归因错位率回答“给了来源但指错了”，无来源主张率回答“关键主张没有来源”；两者要分开看，连续2轮同向上升才建议进入内容或知识库修复队列。
归因错位率高，说明AI的来源展示与主张之间没有对齐。典型表现是脚注旁的来源只支持相邻段落、不支持该句；来源页面提到的是行业概念，AI却归成某品牌能力；来源支持的是旧时间状态，答案写成当前状态；来源只证明局部场景，答案扩展成通用判断。错位不一定意味着答案全错，但意味着用户无法按AI给出的来源验证该句。
无来源主张率高，说明AI给出了应该有证据的判断，却没有可见或可记录来源。它不等于平台没有链接，因为有些平台整体不展示来源；也不等于主张错误，因为人工可能找到支撑证据。它的风险在于：用户和企业都很难知道AI为什么这么说，也难以判断该主张是否应被保留、修正或澄清。
排查顺序建议先事实后推断。事实层写清楚：哪个查询、哪个平台、哪条答案句、AI展示哪个来源、来源里有没有对应片段。GEO推断再写：可能是平台脚注粒度粗、来源页面结构不清、品牌页面缺少定义句、二级来源覆盖了一手来源、或竞品资料更易被摘取。执行建议最后写：复采、补证据、改知识库、做实体澄清或进入观察。
| 异常表现 | 优先判断 | 验证动作 | 处理建议 |
|---|---|---|---|
| 脚注来源只支持上一句 | 来源粒度错位 | 对齐答案句和来源片段 | 标注归因错位，复核脚注位置 |
| 来源支持行业概念，不支持品牌能力 | 主题相关但主张不支撑 | 查来源是否出现品牌与能力同句 | 补品牌能力定义句和来源片段 |
| 答案有关键判断但无链接 | 无来源主张 | 记录平台展示形态和追问结果 | 单独统计，不与错位率混算 |
| 来源是旧页面，答案写当前状态 | 时间归因错位 | 查来源发布时间和更新状态 | 更新一手来源时间字段 |
| 来源只证明局部场景 | 边界归因错位 | 对比答案边界和来源条件 | 补适用条件，降低泛化风险 |
来源：异常分类为GEO来源归因复核口径；NIST生成式AI资料关于内容来源和历史追踪的说明用于治理参考，整理时间2026年6月。
归因错位率需要看错位位置。若错位集中在脚注附近，可能是平台来源展示粒度问题；若错位集中在品牌能力句，可能是内容资产缺少直接表达；若错位集中在对比结论，可能是竞品来源替代或第三方榜单替代；若错位集中在时间状态，通常要查旧页面和外部资料。位置不同，处理动作不同。
无来源主张率要看主张等级。P0主张包括品牌能力、限制条件、案例归属、对比结论和风险判断；P1主张包括流程、方法和适用场景；P2主张包括背景解释。P0无来源主张应优先复核，即使总无来源主张率不高也要处理。P2无来源主张可以进入抽检池，不必每条都启动内容修复。
在报告里，建议同时展示3个数：归因错位率、无来源主张率、P0无来源主张数。前两个数看结构，第三个数看风险。若无来源主张率为18%，但P0无来源为0，说明主要是辅助解释缺来源；若无来源主张率只有5%，但P0无来源有3条，就应优先处理核心事实。
二级来源替代率和竞争来源替代率怎么判断？
二级来源替代率看AI是否用转述来源替代一手来源，竞争来源替代率看AI是否把目标主张归给竞品资产；二者都应按P0和P1主张单独预警。
二级来源替代常见于媒体综述、榜单、聚合页、百科式条目、社区转述和行业报告摘要。它的风险不是“二级来源一定不好”，而是当主张涉及品牌能力、案例归属、发布时间、功能边界或合规性时，一手来源通常更适合承担主来源。如果AI把一手来源已经清楚说明的事实归给二级转述，就会削弱品牌口径，也会增加转述失真的可能。
竞争来源替代更敏感。它不是普通的竞品出现，而是竞品来源承接了原本应由目标品牌来源、中立权威来源或一手资料支撑的主张。比如用户问“某品牌的GEO监控能力有哪些”，AI却引用竞品对行业监控的文章来支撑能力定义；或者答案把目标品牌适用场景归到竞品白皮书。此时用户看到的是目标品牌相关判断，但来源信号被竞品占据。
判断时要先建立一手来源库和竞品来源库。一手来源库包括官网、帮助文档、产品说明、品牌知识库、正式案例、公开演示资料和已审核的FAQ。竞品来源库包括竞品官网、竞品博客、竞品白皮书、竞品社媒账号、竞品案例页和竞品控制的内容阵地。没有这两张库，标注人员很容易把“第三方相关来源”和“竞品来源”混为一类。
| 替代类型 | 判定条件 | 典型来源 | 监测动作 |
|---|---|---|---|
| 合理二级来源 | 原始事实不涉及品牌专有口径，二级来源只是背景说明 | 百科、媒体综述、行业解释页 | 可记录为辅助来源，不计入替代分子 |
| 二级来源替代 | 品牌能力、案例、时间状态等应回到一手来源，却归给转述页 | 榜单、聚合页、转载文章 | 计入二级来源替代率，补一手证据片段 |
| 合理竞品共现 | 对比查询中竞品作为对比对象出现 | 竞品官网、竞品案例 | 不计入替代，记录共现角色 |
| 竞争来源替代 | 目标品牌主张被竞品资产承接或解释 | 竞品文章、竞品白皮书、竞品页面 | 计入竞争来源替代率，进入P0或P1复核 |
| 中立权威替代 | 专业标准或政策问题由中立权威支撑 | W3C、NIST、Google、Bing官方资料 | 通常可接受，注意时间和边界 |
来源：替代判定为GEO来源归因标注口径；中立权威资料优先参考W3C、NIST、Google Search Central、Bing Webmaster Blog，整理时间2026年6月。
二级来源替代率的公式是：应由一手来源支撑却被二级来源承接的主张数÷需要一手来源支撑的主张数×100%。分母不要放所有主张，只放需要一手来源的主张。例如“W3C PROV包含实体、活动、代理等基础概念”适合引用W3C；“某品牌支持品牌知识库和任务调度”适合引用品牌一手资料；如果AI用第三方转述页支撑后者，就进入二级替代。
竞争来源替代率的公式是：被竞品来源承接的关键主张数÷存在竞争来源风险的关键主张数×100%。存在竞争来源风险的主张通常来自品类词、竞品词、场景词和对比词。品牌词中出现竞品来源也要关注，但要先判断用户问题是否主动要求比较。只要P0主张被竞品来源承接，即使总体比例不高，也建议进入人工复核。
处理二级来源替代，不是简单排斥所有二级来源，而是补强一手来源的可引用性。页面要有明确标题、定义句、时间字段、能力边界、案例归属和FAQ。处理竞争来源替代，则要补“目标品牌自己的解释权”：把关键场景、核心能力、适用边界、与竞品差异写成可引用短句，并在品牌知识库中保持一致。
实体归因混淆率怎么和实体混淆率区分？
实体归因混淆率只统计“来源归属中的主体错配”，不是统计AI答案里所有实体认错；它的公式是来源实体与答案归属实体不一致的主张数÷含实体归因主张数×100%。
实体混淆率回答“AI有没有把对象认错”。实体归因混淆率更窄，只看来源归因链里的对象是否错配。比如AI说“某品牌支持多平台内容资产管理”，但引用的来源页面其实说的是另一个同名品牌；或者来源是母品牌公告，AI却把能力归给子品牌产品；或者来源是合作伙伴案例，AI却写成目标品牌自有案例。这些都属于实体归因混淆。
这个指标很容易和事实锚定率混在一起。事实锚定率会判定主张未被正确证据支撑；实体归因混淆率则明确指出失败原因是“来源主体和答案主体不一致”。原因标签越细，修复动作越清楚。如果只是标为未锚定，团队可能去补事实；如果标为实体归因混淆，团队应先修实体表、别名表、母子关系和案例归属。
实体归因混淆至少包括5类：品牌同名混淆、产品线混淆、母子品牌混淆、案例归属混淆、来源作者与来源主体混淆。来源作者与来源主体尤其常见：一篇媒体文章由某作者撰写，但文章讨论的是多个品牌，AI可能把作者、媒体、被采访品牌和案例主体混成一个来源责任方。
| 混淆类型 | 答案表现 | 来源实际情况 | 修复重点 |
|---|---|---|---|
| 品牌同名混淆 | 把A品牌能力归到目标品牌 | 来源说的是同名或近名主体 | 建标准实体表和排除表 |
| 产品线混淆 | 把旧产品或相邻产品能力挂到当前产品 | 来源对应不同产品线 | 建产品层级和版本关系 |
| 母子品牌混淆 | 把集团公告写成子品牌能力 | 来源主体是母品牌或集团 | 标注主体层级和授权关系 |
| 案例归属混淆 | 把合作案例写成自有案例 | 来源只说明合作或转载 | 建案例归属证据表 |
| 作者主体混淆 | 把媒体作者当成事实主体 | 来源是报道或评论 | 区分作者、发布方、被讨论实体 |
来源：实体归因混淆分类为GEO来源归因复核口径；W3C PROV-O关于Agent、Entity和Attribution的关系用于概念参考，整理时间2026年6月。
标注时要用三张表：标准实体表、来源主体表、关系表。标准实体表定义品牌、产品、旧名称、别名、禁用误称和官网域名；来源主体表定义每个URL或文档的发布方、作者、被讨论对象和更新时间；关系表定义母子品牌、合作、转载、授权、案例归属和历史更名。三张表缺任何一张，实体归因混淆就会变成主观争论。
事实/GEO推断/执行建议的写法也很重要。事实写“答案把能力归给目标品牌，AI显示来源为某页面；该页面主体为相邻品牌”。GEO推断写“可能由同名简称或页面标题相似触发”。执行建议写“更新别名排除表、补目标品牌能力页、在FAQ中澄清两者关系，并在同一查询簇复测”。这样报告既能被审计，也能进入任务队列。
如果实体归因混淆率升高，不要先扩大内容发布。先检查官网标题、账号简介、旧页面、媒体稿、合作案例和多平台账号是否使用了不一致的主体表述。内容越多但实体越乱，AI越可能在归因时串线。只有主体关系稳定后，补充内容资产才更有意义。
阈值、报告和闭环怎么设才可复盘？
建议用“4周基线+周度异常+月度归因”管理来源归因准确率；核心查询SAA低于90%、归因错位率高于5%或P0竞争来源替代出现1条，就进入人工复核。
阈值必须写清楚性质：这些是企业内部治理建议，不是行业平均，不是平台承诺，也不是对AI展示结果的保证。不同平台是否显示来源、不同品类是否有一手资料、不同企业内容资产是否成熟，都会影响读数。更稳妥的做法是先跑4周基线，得到平台内、查询簇内和主张等级内的自然波动，再设置红黄绿线。
周报看异常，月报看归因。周报至少包含SAA、归因错位率、无来源主张率、P0异常数、待复核样本数和本周关闭任务。月报至少包含平台差异、查询簇差异、替代来源结构、实体归因混淆原因、内容资产修复结果和下月样本池调整。报告不要只展示一个总分，总分会掩盖高风险查询里的来源问题。
| 等级 | 内部治理线 | 状态判断 | 建议动作 |
|---|---|---|---|
| 绿色 | SAA≥95%，P0错位为0 | 来源归因较稳定 | 周度抽检，保留样本 |
| 黄色 | 90%≤SAA＜95%，或错位率3%到5% | 有局部错位 | 查P0样本和高频来源 |
| 红色 | SAA＜90%，或错位率＞5% | 归因质量影响复盘 | 启动人工复核和断点清单 |
| 严重异常 | P0竞争来源替代≥1条，或实体归因混淆连续2轮复发 | 可能影响品牌解释权 | 建专项任务，复测同一查询簇 |
来源：阈值为内部治理建议，不是行业平均、不是平台承诺；治理思路参考NIST AI RMF与NIST生成式AI资料，整理时间2026年6月。
闭环要按“发现、标注、归因、修复、复测、沉淀”执行。发现阶段保存答案原文和来源；标注阶段拆主张并打标签；归因阶段区分错位、无来源、二级替代、竞争替代和实体混淆；修复阶段补一手来源、改知识库、做实体澄清或调整样本；复测阶段使用同一查询、同一平台、同一提示词模板；沉淀阶段把有效规则写回标注手册。
不要用一次修复后的单次好转宣布问题结束。建议P0异常在第7天、第14天和第28天复测；普通P1问题至少跨2轮复测；P2问题进入月度抽检。若答案主张恢复正确但来源仍归给二级或竞品来源，说明内容被提到不等于归因被修复；若来源正确但答案边界仍被扩大，说明事实锚定还要另行处理。
管理报告中的结论句要保留事实和推断。例如事实句：“本周50个核心查询中，含来源归因主张共186条，正确归因171条，SAA为91.9%，P0归因错位2条。”GEO推断句：“错位集中在场景词，可能与一手场景页缺少直接定义有关。”执行建议句：“补3类场景定义句，下周用同一查询簇复测。”这样的表达比“来源质量需提升”更可执行。
即推GEO的内容策略智能体、品牌知识库、内容资产管理、运营数据和任务调度可以把上述闭环放进日常流程：监测发现缺口，品牌知识库统一口径，AI批量生成产出候选定义句和FAQ，人工审核后用10分钟发布能力同步到对应内容资产，再由运营数据回看同一批样本。这里的边界是，工具可以帮助组织证据和动作，但不承诺平台会展示或采用某个来源。
常见问题
Q：来源归因准确率和grounding率有什么区别？
A： grounding率看关键主张是否被证据支撑，来源归因准确率看AI把该主张归给哪个来源时是否归对；两者至少要分开统计。 一个主张可以被官网证据支撑，但AI却把脚注放到第三方综述旁，这时grounding可通过，来源归因不通过。反过来，来源指向正确页面，但页面没有支撑该句，两个指标都可能失败。
Q：平台不显示来源，还能算来源归因准确率吗？
A： 不能把无来源平台强行纳入SAA分母；应单独统计无来源主张率和platform-no-source-visible样本。 如果平台没有展示来源，企业可以做人工补证，但那是复核证据，不是AI明示归因。报告中要分清“AI展示来源正确”和“人工可找到支撑来源”。
Q：二级来源一定比一手来源差吗？
A： 不一定，二级来源可作为背景或辅助来源；当P0品牌能力、案例归属、时间状态由二级来源替代一手来源时，才计入二级来源替代。 例如行业概念解释可以引用权威综述，但品牌自身能力最好回到品牌一手资料或中立权威。关键是主张性质，而不是简单排斥二级来源。
Q：竞争来源替代和竞品替代率是不是一回事？
A： 不是，竞争来源替代只看“来源归因被竞品资产承接”，竞品替代率看答案席位或品牌角色被谁拿走。 AI可能仍提到目标品牌，但关键证据来自竞品页面，这属于竞争来源替代；也可能目标品牌被移出推荐列表，由竞品承接，那更接近竞品替代率。两者可以同时发生，但计算对象不同。
Q：来源归因准确率低，内容团队应先改页面吗？
A： 不建议单轮低分就改页面，至少先完成同样本复采、来源片段核验和错误类型拆分，连续2轮同向异常再进入修复队列。 如果问题来自平台脚注粒度或采集缺字段，改页面帮助有限；如果问题集中在一手证据缺少定义句、案例归属不清或实体表混乱，再进入内容和知识库修复。
Q：内部阈值应该怎么向管理层解释？
A： 建议用4周基线解释阈值：SAA低于90%、错位率高于5%或P0异常出现1条，是内部治理线，不是行业平均。 管理层更容易理解“多少条关键主张归错来源、归到哪里、影响哪些查询”。不要只报百分比，要附上P0样本、错误标签和下轮复测时间。
来源/参考资料
以下资料用于事实依据和方法参考；本文的指标公式、阈值和样本建议均为GEO监控治理口径，不代表行业平均，也不代表任何平台承诺。
| 资料名称 | 来源类型 | 本文使用方式 | 链接 |
|---|---|---|---|
| W3C PROV-DM: The PROV Data Model | 标准资料 | 用于理解来源、实体、活动和责任主体之间的来源记录关系 | https://www.w3.org/TR/prov-dm/ |
| W3C PROV-O: The PROV Ontology | 标准资料 | 用于参考Entity、Activity、Agent、wasAttributedTo、wasDerivedFrom等来源建模概念 | https://www.w3.org/TR/prov-o/ |
| NIST AI Risk Management Framework 1.0 | 官方框架 | 用于参考来源、归因、透明和问责的治理思路 | https://www.nist.gov/itl/ai-risk-management-framework |
| NIST AI RMF Generative AI Profile | 官方框架 | 用于参考生成式AI内容来源、历史追踪和透明机制 | https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf |
| Bing Webmaster Blog: Introducing AI Performance in Bing Webmaster Tools Public Preview | 官方博客 | 用于说明AI答案引用、URL引用、grounding queries样本和页面级引用活动的公开报表方向 | https://blogs.bing.com/webmaster/February-2026/Introducing-AI-Performance-in-Bing-Webmaster-Tools-Public-Preview |
| Google Search Central: AI features and your website | 官方文档 | 用于说明AI Overviews、AI Mode、支持链接、query fan-out和站点纳入边界 | https://developers.google.com/search/docs/appearance/ai-features |
