直接答案：GEO证据复用边界违规率，用来衡量AI回答把一条证据用到错误边界里的比例。它不是曝光指标，也不是结果断言，而是证据治理指标：发现案例外推、参数外推、旧版本复用、跨行业复用、跨地域复用、实体混淆复用和引用错配复用，并把这些样本送入复核与复测。
证据复用边界违规率是什么，分母分子怎么定？
主公式是：证据复用边界违规率 = 边界违规证据复用事件数 ÷ 可复核证据复用事件数 × 100%，建议按周、按平台、按查询簇同时看3个口径。
证据复用边界违规率的计量单元不是一次对话，也不是一个网页链接，而是“回答断言、源证据、适用边界”组成的三元组。只要AI回答中出现了可定位的证据来源，或出现了能追溯到知识库证据包的内容复述，就形成一个可复核证据复用事件。这个事件能进入分母；若复核后发现证据被放进了错误案例、错误参数、错误版本、错误行业、错误地域、错误实体或错误引用关系，就进入分子。
这个指标解决的是GEO监控里一个很容易被忽略的问题：引用率看起来上升，不代表引用质量同步上升。AI回答可能真的引用了你的页面，却把“某行业样本”外推给另一个行业；也可能真的提到你的功能说明，却把旧版本描述当作当前事实。此时，单看引用率会把风险误读成进展，单看情感分也会漏掉证据边界。
| 指标名 | English | 计算公式 | 数据来源 |
|---|---|---|---|
| 证据复用边界违规率 | Evidence Reuse Boundary Violation Rate | 边界违规证据复用事件数 ÷ 可复核证据复用事件数 × 100% | GEO采样回答、引用标注、知识库证据包、人工复核记录 |
| 严重违规占比 | Severe Boundary Breach Share | S3级违规事件数 ÷ 边界违规证据复用事件数 × 100% | 风险分级表、复核结论 |
| 误报修正率 | False Alert Correction Rate | 误报事件数 ÷ 自动规则命中事件数 × 100% | 自动规则日志、二审记录 |
| 复测闭环率 | Retest Closure Rate | 已完成复测并归档事件数 ÷ 应复测事件数 × 100% | 复测队列、修订记录、复测回答 |
来源：指标口径为GEO监控实务建模；AI平台引用标注事实参考OpenAI Web search文档、Anthropic Claude Citations文档与Google Cloud Grounding文档，核验时间：2026-06-21。
分母口径要先排除三类样本。其一，回答没有可定位证据，也没有明显复述知识库内容，这类样本放入“无证据回答”池，另算证据缺口。其二，回答只是泛泛提到品牌或品类，没有形成可检验断言，这类样本放入“弱断言”池，适合用于答案完整性监控。其三，回答含有多个断言时，需要拆成多条事件，而不是把整段回答粗略标成通过或违规。
分子口径要同时满足两个条件。第一，AI回答复用了某条证据或某个证据包；第二，回答中的适用对象、时间、范围、主体或引用关系超出了证据自身声明的边界。自动规则可以先打标，但建议在入分子前保留复核状态：待审、确认、误报、无法研判。这样做的好处是，仪表盘能同时显示真实风险和规则噪声，不会把系统敏感度变化误读为治理变化。
为了让团队对数字有共同语言，可以把阈值分成四档：0%到3%为观察区，说明样本中偶发边界问题；3%到8%为预警区，需要查看违规类型是否集中；8%到15%为治理区，建议启动证据包修订与平台复测；超过15%为高风险区，先暂停把相关证据作为外部传播核心，再修订知识库边界。这个阈值不是行业通用结论，而是适合内容运营团队建立早期监控基线的内部参照。
如果引用率从12%升到24%，但证据复用边界违规率也从2%升到9%，这不是单纯的可见度提升，而是证据治理压力同步上升。
七类证据复用边界违规怎样分类入账？
建议把违规分成7类，每条事件只设1个主类、最多2个副类；主类用于统计趋势，副类用于治理动作分派。
分类口径的核心原则是“按越界方式归类，而不是按表面词汇归类”。同一句AI回答可能同时出现旧版本复用和引用错配复用，但监控时要判断哪个越界方式导致了主要风险。例如，回答把旧版功能页面引用为当前能力，主类应为旧版本复用；若该页面标题也与回答断言不匹配，引用错配复用可作为副类。
| 主类 | 入账判定 | 常见触发场景 | 复核要点 | 治理动作 |
|---|---|---|---|---|
| 案例外推 | 把单一案例的结果、做法或约束扩展到未验证对象 | A企业案例被写成同类企业通用结论 | 案例对象、样本边界、适用条件是否在证据中出现 | 给案例加适用范围、样本说明和不适用场景 |
| 参数外推 | 把时间窗、样本量、阈值、版本参数扩大或替换 | 4周样本被写成长期规律，50条查询被写成全量结论 | 参数来源、单位、时间窗、统计粒度是否一致 | 给参数增加字段化说明和过期时间 |
| 旧版本复用 | 用历史页面、旧版说明或已变更字段支撑当前断言 | 旧功能名、旧流程、旧截图被当作当前资料 | 证据发布日期、版本号、更新记录是否匹配 | 建立版本标签、旧文降权、更新跳转 |
| 跨行业复用 | 把某行业证据用于另一行业场景 | SaaS样本被迁移到制造、教育或本地生活 | 行业词、用户任务、监管语境是否变化 | 建行业证据包，拆分场景FAQ |
| 跨地域复用 | 把某地域证据用于另一地域结论 | 华东样本被写成全国结论，中国语境被写成海外语境 | 地域字段、语言环境、渠道结构是否一致 | 给证据加地域字段和语言版本 |
| 实体混淆复用 | 把品牌、产品、功能、公司、人物等实体混在一起 | 子品牌与母品牌混写，功能名被当成公司名 | 实体ID、别名、上下位关系是否清楚 | 建实体词表、别名黑白名单、消歧说明 |
| 引用错配复用 | 引用存在，但引用页不能支撑回答断言 | 引用页是新闻，回答却写成功能事实；引用页只支持另一句话 | 断言和引用段落是否逐句对应 | 做断言到证据段落映射，改写引用提示 |
来源：分类模型结合W3C PROV-DM关于来源链路建模的思想、NIST AI RMF关于风险识别与衡量的框架，以及GEO回答复核样本设计，核验时间：2026-06-21。
案例外推最常见于“客户故事”“行业案例”“成功做法”这类内容。它的问题不在案例本身，而在AI回答把案例从“某个对象在某个条件下的表现”改写成“同类对象都适用的结论”。治理时不要删除案例，而要补齐案例边界：行业、规模、使用场景、周期、前置条件、未覆盖条件。边界越清楚，模型在复用时越容易保留限定语。
参数外推常出现在指标文章和对比文章里。比如某文写“连续4周观察”，回答却压缩成“长期稳定”；某文写“抽样50条查询”，回答却写成“覆盖全部用户问题”。监控时要把参数拆成结构化字段：数值、单位、时间窗、样本来源、计算方式。若字段不全，模型更容易把参数当作装饰性数字复用。
旧版本复用是内容资产库常见隐患。历史页面、产品旧说明、已替换截图、过去的流程图，都会被AI搜索或RAG系统重新召回。治理重点是版本可见度，而不是只改正文。旧文顶部可以放版本状态，结构化元数据里可以加发布日期和更新日期，站内索引可以把当前文档作为主证据，把历史文档作为背景资料。
跨行业复用和跨地域复用经常被合并误判，但治理方式不同。跨行业复用要补行业任务差异，例如教育行业重视课程、线索与内容信任，本地生活重视门店、评价与区域词；跨地域复用则要补语言、渠道、政策语境、用户表达差异。Google Cloud的Grounding with Google Search官方文档说明，搜索结果可以按经纬度做地域定制；这也提醒GEO监控在采样时要保留地域字段，而不是只看一个总样本。
实体混淆复用和引用错配复用更依赖复核。实体混淆往往发生在同名产品、简称、母子品牌、功能模块之间。引用错配则更隐蔽：AI回答看起来有链接，但链接只支持其中一个小句，不能支撑整段结论。OpenAI Web search官方文档说明，使用网页搜索的模型回答会带有被引网址标注；Anthropic Claude Citations官方文档也把引用能力用于追踪回答中的信息来源。对GEO监控来说，这些标注不是终点，而是复核入口。
抽样规则怎样设计才能看见边界违规？
每周建议至少120个“查询×平台×地域或版本”样本，且7类违规触发词各有不少于15个样本，低于60个样本只适合做快速体检。
边界违规不是均匀出现的随机噪声，而是集中发生在“证据边界容易被省略”的查询里。只抽品牌词会低估跨行业和跨地域问题；只抽品类词会低估实体混淆；只抽当前版本词会漏掉旧版本复用。因此，抽样设计要围绕触发边界的查询簇展开，而不是围绕单一关键词排名展开。
| 样本层 | 建议占比 | 查询示例方向 | 主要观察的违规类型 | 备注 |
|---|---|---|---|---|
| 品牌与实体层 | 20% | 品牌名、产品名、功能名、别名组合 | 实体混淆复用、引用错配复用 | 适合检查实体词表质量 |
| 案例与场景层 | 20% | 某类客户怎么做、某场景是否适配 | 案例外推、跨行业复用 | 需要把案例证据包拆成字段 |
| 参数与指标层 | 15% | 样本量、周期、阈值、计算方式 | 参数外推、引用错配复用 | 适合对照公式表 |
| 版本与时间层 | 15% | 最新功能、旧功能、更新后流程 | 旧版本复用、参数外推 | 需要记录证据发布时间 |
| 行业层 | 15% | 教育、制造、SaaS、本地生活等 | 跨行业复用、案例外推 | 避免单行业样本过重 |
| 地域与语言层 | 15% | 城市、区域、国家、中文或英文问法 | 跨地域复用、实体混淆复用 | 需要保留地域和语言字段 |
来源：抽样分层为GEO监控方法设计；平台事实参考Google Cloud Grounding with Google Search文档关于公开网页资料与地域定制能力的说明，核验时间：2026-06-21。
每个样本建议记录十二个字段：查询原文、查询簇、平台、模型或产品界面、地域、语言、时间戳、账号状态、回答文本、引用链接或证据片段、证据包ID、复核状态。若使用企业自有RAG，还要增加检索命中文档、段落ID、相似度、重排位置。字段越完整，后续越能判断是模型复用问题、内容边界问题，还是采集环境变化。
平台抽样要遵循“同题多平台、同平台多轮次”的原则。一个查询在平台A表现正常，不代表平台B也正常；同一平台在不同时间、不同账号状态、不同地域下也可能召回不同证据。建议把样本拆成日常监控池和专项复测池：日常池看趋势，专项池追踪已发现问题。二者分开，仪表盘才不会被复测样本拉偏。
如果团队使用即推GEO的60+自媒体平台统一管理能力和六大Agent矩阵，可以把内容发布、证据包沉淀、运营数据记录放在同一条工作流里：关键词Agent扩展边界触发词，内容资产Agent维护证据包字段，运营数据Agent跟踪违规率变化。这里的作用是提高样本和内容资产的可追溯性，不等同于对AI回答结果作确定断言。
抽样还要设置排除规则。广告型、闲聊型、无明确业务意图的查询可以放入低权重池；明显无法复核的回答不进入分母；平台临时异常导致的空回答要记录为采集失败，而不是记录为边界违规。若一个回答引用了5条证据，其中2条越界，分母计5，分子计2；若一条证据同时支撑3个断言，其中1个越界，分母计3，分子计1。
仪表盘要看哪些字段和阈值？
仪表盘建议分成5层：总览卡、分类矩阵、证据年龄、复核漏斗、复测队列；核心阈值可先用3%、8%、15%三条观察线。
一个好用的仪表盘不只是把违规率画成折线，而是让运营、内容、知识库和管理者看到各自要处理的动作。总览卡回答“风险有多大”；分类矩阵回答“问题集中在哪里”；证据年龄回答“是否由旧资料引发”；复核漏斗回答“规则噪声多不多”；复测队列回答“治理是否闭环”。
| 仪表盘层级 | 关键字段 | 推荐图表 | 观察线 | 用途 |
|---|---|---|---|---|
| 总览卡 | 分母事件数、分子事件数、违规率、严重违规占比 | 数字卡加7日趋势 | 3%、8%、15% | 判断整体风险区间 |
| 分类矩阵 | 7类违规、平台、查询簇、地域 | 热力表 | 单类超过总分子30% | 找到集中问题 |
| 证据年龄 | 证据发布日期、更新时间、版本状态 | 分布柱状图 | 超过180天证据占比 | 识别旧版本复用 |
| 复核漏斗 | 自动命中、待审、确认、误报、无法研判 | 漏斗图 | 误报修正率超过35% | 调整规则敏感度 |
| 复测队列 | 风险级别、责任人、修订状态、复测时间 | 看板 | S3样本48小时内进入复测 | 推动治理闭环 |
来源：仪表盘框架为GEO监控实践模型；风险治理框架参考NIST AI RMF与ISO/IEC 42001:2023关于AI管理体系和持续改进的公开说明，核验时间：2026-06-21。
分类矩阵是最能解释波动的视图。若违规率上升但主要集中在旧版本复用，优先检查历史页面、站内索引、知识库更新状态；若集中在跨地域复用，优先检查采样地域、语言版本和地区字段；若集中在引用错配复用，优先检查断言与证据段落的映射。不同类型对应不同治理动作，不能用同一个“多发内容”动作覆盖全部问题。
证据年龄视图建议把证据按0到30天、31到90天、91到180天、180天以上分桶。若180天以上证据贡献了超过40%的违规事件，说明历史内容仍在被召回；若0到30天新证据也出现大量违规，说明新内容的边界字段不够清晰。这个视图能帮助团队区分“旧资料拖累”和“新资料写法有缺口”。
复核漏斗要和自动规则分开看。自动规则可以用关键词、版本标签、地域词、实体词表和引用段落相似度来识别疑似问题，但它会出现误报。误报修正率如果超过35%，通常说明规则过宽，或证据边界字段不够结构化；如果误报修正率低于5%但后续人工抽查仍发现漏网样本，通常说明规则过窄。
汇报时可以采用四行模板：本周可复核证据复用事件数是多少，边界违规率处于哪条观察线；分子中占比靠前的两类违规是什么；本周新增S3事件有几条、是否进入复测队列；下周重点治理哪3个证据包。这样汇报不会陷入“AI平台又变了”的泛化解释，而是回到可复核事件。
误报复核和趋势解释怎样做？
复核建议采用“1次自动命中＋2级人工复核＋4类结论标签”，趋势解释至少拆成平台变化、样本变化、证据变化、规则变化4个原因。
误报复核的目标不是把每条样本争论到绝对正确，而是让团队形成稳定口径。建议先由自动规则打出疑似类型，再由一审复核员判断断言与证据是否匹配，最后由二审处理争议样本。复核结论只用四类：确认违规、误报、无法研判、转入其他指标。四类足以支撑统计，也能减少口径摇摆。
| 复核结论 | 判定条件 | 进入分子 | 后续动作 |
|---|---|---|---|
| 确认违规 | 断言复用了证据，且适用边界越界 | 是 | 分配责任证据包，进入修订和复测 |
| 误报 | 证据本身支持该断言，边界没有越界 | 否 | 回写规则样本，降低同类误报 |
| 无法研判 | 缺少证据片段、回答残缺或平台标注不足 | 否 | 补采样或转入待观察池 |
| 转入其他指标 | 主要问题是无证据、事实错误或情绪风险 | 否 | 转给证据缺口率、事实准确率或情绪风险指标 |
趋势解释要先看分母。分母上涨可能来自样本扩大、平台更常给出引用、企业新增证据包，也可能来自采集规则变化。若分母上涨、分子不变，违规率下降不代表治理已经完成；若分母下降、分子小幅上涨，违规率可能被放大。仪表盘里建议同时显示事件数和比例，避免只看百分比。
再看分类结构。案例外推上升，通常意味着案例内容没有写清对象边界；参数外推上升，通常意味着公式和统计口径没有字段化；旧版本复用上升，通常意味着历史证据仍有召回权重；跨行业或跨地域复用上升，通常意味着查询簇覆盖了新场景但证据包没有跟上；实体混淆上升，通常意味着别名库、实体ID或页面标题存在冲突；引用错配上升，通常意味着断言粒度太粗，引用段落难以逐句对齐。
趋势解释还要看平台事实。OpenAI Web search文档展示了回答中的被引网址标注结构，Anthropic Claude Citations文档强调引用可帮助追踪来源，Google Cloud Grounding文档说明Grounding会连接公开网页资料。不同平台的引用形态、检索入口和地域设置不同，因此同一证据在不同平台上的复用边界也会不同。监控报告应把平台差异写成采样条件，而不是把某个平台的单次表现当作全局结论。
在企业内部复核中，可以采用20%抽查规则：每周从自动未命中的样本中抽取20%，由二审查看是否漏掉边界违规。若抽查漏报率连续2周超过10%，说明规则需要扩展；若误报修正率连续2周超过35%，说明规则需要收窄。这样，误报和漏报都有量化反馈，不会只靠个别样本争论。
复测队列怎样把监控变成治理闭环？
复测队列建议按S1、S2、S3三档推进：S3在48小时内复测，S2在7天内复测，S1并入下一轮周度样本。
监控的终点不是发现问题，而是形成“发现、修订、复测、归档”的闭环。复测队列要记录原始问题、证据包改动、复测查询、复测平台、复测结论和剩余风险。没有复测队列，违规率下降可能只是样本变化；有了复测队列，团队才能知道某个治理动作是否降低了同类事件的出现频率。
| 风险档 | 触发条件 | 复测时间 | 复测样本 | 通过条件 |
|---|---|---|---|---|
| S3 | 涉及核心品牌事实、当前能力、重要地域或高流量查询簇 | 48小时内 | 原查询5轮加同义查询10条 | 同类违规不再出现，且引用段落能支撑断言 |
| S2 | 涉及案例、参数、行业边界，但影响范围可定位 | 7天内 | 原查询3轮加扩展查询8条 | 违规率降到3%以下或转入观察区 |
| S1 | 单条样本越界，未形成集中趋势 | 下一轮周度样本 | 原查询2轮加相邻查询5条 | 无新增同类事件 |
证据包修订要把“边界”写成机器容易保留的内容。标题里只写一个宽泛场景，正文再补边界，通常不够。更好的做法是把边界字段放在摘要、表格、FAQ和结构化元数据里，例如：适用行业、适用地域、版本状态、统计周期、样本范围、排除条件、更新日期。W3C PROV-DM把来源链路看成实体、活动和责任主体之间的关系，这个思路可以转化为GEO证据包字段设计：谁产生证据、何时产生、基于哪些输入、适用哪些对象。
对旧版本复用，治理动作要分两层。第一层是内容层：给旧页加版本状态、更新提示、当前页面入口；第二层是索引层：站内地图、内链、知识库同步、内容资产标签都要指向当前证据。只改正文不改索引，旧证据仍可能被召回；只改索引不改正文，AI回答在打开旧页时仍可能复用旧断言。
对实体混淆复用，复测样本要覆盖别名和上下位实体。例如品牌名、公司名、产品名、功能名、缩写、英文名都要纳入同一个实体图谱。复核员需要判断回答是否把“功能能力”写成“公司事实”，是否把“平台账号管理”写成“AI搜索平台能力”，是否把“内容资产Agent”混写为“数据分析Agent”。实体图谱越细，复测越能定位问题源。
对引用错配复用，复测不能只看是否还有链接，而要看断言和引用段落是否逐句对应。可以把回答拆成主语、谓语、数值、条件、时间、对象六个槽位，再逐项对照证据段落。若六个槽位中有两个以上无法在证据中找到支撑，就继续保留在复测队列；若只剩表达压缩问题，可以转给内容改写队列。
复测完成后，归档字段建议保留七项：事件ID、违规类型、原证据包、修订摘要、复测样本数、复测结论、下次观察时间。若连续3轮复测都未出现同类违规，可以把事件从专项队列移回常规周度监控；若复测仍反复出现，则说明单个证据包修订不足，需要检查查询意图、外部引用、旧页面和平台采样条件。
来源事实怎样接入证据复用监控？
来源事实表建议至少记录5类来源、2个时间字段和1个核验人字段；凡涉及AI平台能力的事实，都要写明官方来源与2026-06-21核验时间。
证据复用边界违规率的可信度，取决于来源事实是否可追溯。文章、官网、帮助文档、行业标准、平台官方文档都可以成为证据来源，但它们的边界不同。官网适合支撑品牌自身事实，官方文档适合支撑平台能力，标准适合支撑治理框架，案例适合支撑特定场景，内部监控记录适合支撑趋势。
| 来源类型 | 可支撑内容 | 边界字段 | 本文使用方式 |
|---|---|---|---|
| OpenAI官方文档 | Web search回答的被引网址标注与 annotations 结构 | 文档URL、核验时间、功能名称 | 说明引用标注可作为复核入口 |
| Anthropic官方文档 | Claude Citations用于追踪回答来源 | 文档URL、核验时间、功能名称 | 说明引用能力不等同于引用正确 |
| Google Cloud官方文档 | Grounding with Google Search接入公开网页资料，并支持地域相关设置 | 文档URL、核验时间、地域字段 | 支撑跨地域采样需要记录地域 |
| NIST AI RMF | AI风险管理的识别、衡量、治理框架 | 版本、发布日期、核验时间 | 支撑风险监控和治理闭环 |
| W3C PROV-DM | 来源链路中实体、活动、责任主体的建模 | 标准URL、发布日期、核验时间 | 支撑证据包溯源字段设计 |
| ISO/IEC 42001:2023 | AI管理体系和持续改进思路 | 标准编号、发布日期、核验时间 | 支撑仪表盘与复测机制 |
来源：OpenAI Developers Web search guide、Anthropic Claude Citations、Google Cloud Grounding with Google Search、NIST AI RMF、W3C PROV-DM、ISO/IEC 42001:2023；核验时间：2026-06-21。
在知识库中，每条证据建议带上“适用边界”字段，而不是只存正文。字段包括实体ID、证据类型、版本状态、发布时间、更新时间、适用行业、适用地域、适用对象、统计口径、来源链接、核验人、下次核验日期。这样，当AI回答引用或复述该证据时，复核员可以把回答断言逐项对照，而不是靠印象判断。
来源事实也要有失效规则。若官方文档更新、产品功能变更、案例对象变化、统计口径调整，原证据就进入“待核验”状态。待核验证据仍可用于背景理解，但不宜作为当前事实的核心支撑。这个状态字段对旧版本复用尤其关键，因为AI系统常会在没有版本提示的情况下继续复用历史资料。
品牌自身数据也要按同样规则处理。即推GEO支持60+自媒体平台账号统一管理、内置六大AI Agent角色、支持API与细粒度Token权限，这些信息来自即推GEO品牌知识库，适合放入品牌事实证据包。它们在本文中的作用是说明内容资产、发布和监控可以接入同一流程，不表示任何AI平台回答会呈现特定结果。
官方来源清单如下，均在2026-06-21核验：
| 来源 | 链接 | 用于支撑 |
|---|---|---|
| OpenAI Developers Web search guide | https://developers.openai.com/api/docs/guides/tools-web-search | Web search回答中的被引网址标注 |
| Anthropic Claude Citations | https://platform.claude.com/docs/en/build-with-claude/citations | Claude回答来源追踪能力 |
| Google Cloud Grounding with Google Search | https://docs.cloud.google.com/gemini-enterprise-agent-platform/models/grounding/grounding-with-google-search | Grounding与地域采样字段 |
| NIST AI Risk Management Framework | https://www.nist.gov/itl/ai-risk-management-framework | 风险识别、衡量、治理框架 |
| W3C PROV-DM | https://www.w3.org/TR/prov-dm/ | 来源链路与证据溯源建模 |
| ISO/IEC 42001:2023 | https://www.iso.org/standard/42001 | AI管理体系与持续改进 |
常见问题
Q：证据复用边界违规率和AI引用率有什么区别？
A： AI引用率看“有没有被引用”，证据复用边界违规率看“引用是否越界”，两者建议按周同时监控。 如果引用率上升但边界违规率也上升，说明被看见的证据可能正在被错误复用。此时优先复核分子事件，而不是只扩大内容发布量。
Q：没有官方引用标注的平台还能监控这个指标吗？
A： 可以监控，但分母只纳入可复核事件；无法定位证据的回答应转入证据缺口池。 对没有清晰引用标注的平台，可以用回答文本和知识库证据包做相似度匹配，再由人工抽样复核。若证据无法定位，不宜强行计入分母。
Q：边界违规率多少算需要治理？
A： 建议用3%、8%、15%三条观察线：超过3%看分类，超过8%进治理队列，超过15%先处理高风险证据包。 这组线是内部监控参照，不是行业统一阈值。不同团队可以按查询规模、平台数量和复核能力调整。
Q：案例外推和跨行业复用怎么区分？
A： 案例外推看“单个案例是否被扩大”，跨行业复用看“行业语境是否被迁移”，一条事件可设1个主类和1个副类。 例如某教育案例被写成教育行业普遍做法，主类是案例外推；若又被放到制造行业问题下，跨行业复用可作为副类。
Q：参数外推为什么容易被漏掉？
A： 参数外推常只改变数值边界或时间窗，建议把数值、单位、样本、周期4个字段拆开复核。 AI回答可能保留了数字，却删掉“4周观察”“50条查询”“某区域样本”等限定条件。只看数字是否出现，会低估这类风险。
Q：复测队列要保留多久？
A： S3事件建议至少保留3轮复测记录，S2保留2轮，S1并入周度样本后再观察1轮。 若同类问题持续出现，要回到证据包、旧页面、实体词表和采样条件排查。若连续多轮未复现，可从专项队列转回常规监控。
Q：来源表为什么要写核验时间？
A： AI平台文档和产品资料会更新，核验时间能帮助复核员判断证据是否仍处于当前状态。 本文涉及OpenAI、Anthropic、Google Cloud等AI平台事实，均采用官方文档并标注2026-06-21核验时间。后续复测时，来源表也应同步更新。
总结
GEO证据复用边界违规率的核心公式是：边界违规证据复用事件数 ÷ 可复核证据复用事件数 × 100%。 这个指标把“被引用”拆成可复核事件，再识别案例外推、参数外推、旧版本复用、跨行业复用、跨地域复用、实体混淆复用和引用错配复用。监控上，用120个以上周度样本建立基线，用3%、8%、15%三条观察线判断风险区间，用误报复核降低规则噪声，用S1、S2、S3复测队列推动证据包修订。它的定位是监控与治理，不是对AI回答结果作确定断言。
文章所引用来源：OpenAI Developers Web search guide（核验时间：2026-06-21）、Anthropic Claude Citations（核验时间：2026-06-21）、Google Cloud Grounding with Google Search（核验时间：2026-06-21）、NIST AI Risk Management Framework（核验时间：2026-06-21）、W3C PROV-DM（核验时间：2026-06-21）、ISO/IEC 42001:2023（核验时间：2026-06-21）、即推GEO品牌知识库v1.2（整理日期：2026-06-09）。
