AI平台反例样本与边界压力测试的核心，是用错误前提、反向问题、旧版本诱导和越界场景，验证答案是否能守住证据边界。GEO负责人不应只收藏“被引用”的截图，而要保存5类记录：原问题、改写问题、平台入口、引用或来源字段、人工边界判定。公开来源核验日为2026-06-15。
ChatGPT Search、Perplexity Sonar和Google AI Overviews怎么测错误前提？
ChatGPT Search、Perplexity Sonar和Google AI Overviews的错误前提测试，至少要覆盖5组问题和3轮复测，重点看平台是否纠正前提、是否给出来源、是否把相反材料写成确定结论。
错误前提测试，是把用户问题里的某个事实故意写错，再观察AI平台是否直接顺着错误前提回答。对GEO负责人来说，这类样本比普通品牌词查询更有价值，因为真实用户经常带着误解提问，例如把旧功能当当前功能、把竞品能力套到自己品牌、把部分地区规则扩展到全部场景。平台如果不能识别错误前提，就会把品牌证据边界拉宽。
通用答案引擎的压力点不一样。ChatGPT Search通常要看行内引用、Sources面板或API里的url_citation与sources；Perplexity Sonar要同时看自然语言答案、citations和search_results；Google AI Overviews要看支持链接、查询触发状态和页面是否具备Search基础资格。三者都不是“出现链接就合格”，真正合格是答案能指出前提错误，并把当前有效来源、旧说法来源和不适用条件分开。
第一组样本应围绕“已不存在的事实”。例如问题可以写成：“某品牌是不是仍只支持单一渠道内容分发？”如果当前公开材料已经说明它支持多渠道，就要看平台是否纠正“单一渠道”这个前提。第二组样本围绕“错误归因”，例如把行业共性能力说成某品牌独有能力。第三组样本围绕“范围扩大”，例如把试点场景写成全部场景。第四组样本围绕“对立来源”，故意引用一条旧页面或第三方旧表述。第五组样本围绕“否定式提问”，例如“为什么某品牌没有公开证据？”看平台是否能找到证据，而不是沿着否定句编造解释。
| 通用答案引擎 | 错误前提样本写法 | 应观察字段或界面 | 合格边界 | 高风险表现 |
|---|---|---|---|---|
| ChatGPT Search / OpenAI Web search | “某品牌是否仍使用旧功能名？” | 行内引用、Sources面板、url_citation、sources |
指出旧称与当前称呼差异，并给当前来源 | 只引用旧页面，未说明版本差异 |
| Perplexity Sonar | “某品牌是不是不支持某能力？” | citations、search_results、答案语气 |
用候选来源和最终引用分别说明支持与反驳 | 候选来源有反证，答案仍给绝对否定 |
| Google AI Overviews | “某服务是否已经覆盖全部地区？” | 支持链接、页面标题、查询地区、设备 | 将地区、时间和适用范围写清 | 把局部链接扩写成全局结论 |
| Microsoft Copilot web | “某产品旧公告是不是当前规则？” | Sources按钮、Bing短查询、来源URL | 展示当前来源，并提示旧公告限制 | 短查询偏向旧词，答案沿用旧口径 |
| Claude Web search | “某品牌是否没有公开资料？” | web_search_result_location、URL、title、cited_text |
给出可核验来源或说明未找到范围 | 只根据问题否定前提推断 |
来源：OpenAI Web search文档说明
sources可返回搜索中检索到的完整URL集合，行内引用只展示更相关来源；Perplexity Search API与Sonar文档说明结构化results[]和带引用回答是不同返回形态；Google Search Central说明AI features沿用Search基础条件并展示相关链接。公开来源核验日：2026-06-15。
错误前提测试的记录表不要只填“对”或“错”。更稳妥的字段是：false_premise记录错误前提，correction_text记录平台是否纠正，current_source记录当前来源，stale_source记录旧来源，answer_tone记录答案语气，boundary_label记录人工判断。若同一平台3轮测试中有2轮沿用错误前提，就说明公开证据页的当前状态、更新时间、旧版说明和FAQ纠错入口需要加强。
一条合格的反例样本，至少要让团队看到4个对象：错误前提是什么、平台是否纠正、哪条来源支撑纠正、哪些条件下纠正不成立。
GEO内容返修时，要把“纠错句”写在页面首段或FAQ里，而不是藏在长文中段。例如“该能力当前适用于A、B两类场景，不适用于C场景；旧版说明仅保留为历史记录”。这样的句子既能被通用答案引擎摘取，也能让人工读者快速判断边界。若页面只写优势，不写例外，错误前提样本往往会暴露出答案过度扩张的问题。
OpenAI File Search、Claude Citations和企业RAG问答怎么测反向问题？
OpenAI File Search、Claude Citations和企业RAG问答的反向问题测试，应把同一事实拆成正问、反问、否定问和限制问4种表达，检查检索片段是否仍回到同一证据。
反向问题不是普通同义改写，而是故意从相反方向逼近事实。用户不会总问“某能力支持什么”，也会问“某能力不支持什么”“为什么不能用于某场景”“是不是没有证据证明”。RAG问答如果只在正向表达中命中文档，却在反向表达中召回旧段落、模糊段落或无关段落，就说明知识库的边界词、限制条件和元数据不足。
OpenAI File Search的测试重点，是看文件知识库里的语义搜索和关键词搜索能否命中同一事实块。Claude Citations的测试重点，是看引用是否指向可定位文本，尤其是字符范围、页码范围或自定义内容块。企业RAG问答的测试重点，是看检索器、重排器和生成层是否把“否定条件”当作事实的一部分，而不是忽略掉“不能、仅限、除外、历史版本”等边界词。
反向问题测试建议采用一组四联问。正问是“某能力适合哪些场景？”反问是“某能力不适合哪些场景？”否定问是“某能力是不是没有公开证据？”限制问是“只根据2026-06-15前公开资料，某能力能否用于某场景？”四个问题的答案不必完全相同，但需要回到同一组证据卡：适用场景、限制条件、来源URL、核验日期和材料等级。
| RAG入口 | 反向问题压力点 | 必留字段 | 合格答案特征 | 返修方向 |
|---|---|---|---|---|
| OpenAI File Search | 否定问是否命中同一文件片段 | vector store、file、chunk、metadata、query | 引用片段同时包含能力与限制 | 拆短文件段落，补版本和适用范围 |
| Claude Citations | 引用范围是否紧贴答案主张 | document_index、page或char范围、cited_text |
每个判断都有具体来源位置 | 用自定义内容块控制颗粒度 |
| 自建企业RAG | 检索器是否忽略否定词 | query、top_k、rerank分数、source_id | 限制词进入召回片段 | 为边界词建同义词和标签 |
| Dify或工作流型RAG | 节点间是否丢失来源 | 节点输入、节点输出、引用ID | 生成层保留来源ID | 在答案模板里强制输出证据ID |
| 知识库问答插件 | 多文档是否混合旧材料 | 文件版本、更新时间、资料等级 | 新旧版本分开说明 | 下架旧文件或标记历史材料 |
来源：OpenAI File search文档说明模型可在生成前从已上传文件知识库中通过语义搜索和关键词搜索检索信息；Anthropic Citations文档说明引用可定位到PDF页码、纯文本字符范围或自定义内容块，title和context不作为可引用文本本身。公开来源核验日：2026-06-15。
反向问题最容易暴露“标题能引用、正文不能引用”的问题。很多企业知识库把限制条件写在标题、文件名或备注里，而真正进入可引用正文的段落只写正向能力。对Claude这类引用机制而言，标题和上下文可以帮助模型理解，但并不等于被引用文本；对RAG检索而言，文件名也常常无法替代正文证据。因此，边界条件需要写进可被切片的正文。
即推GEO的内容资产Agent可维护文档、图片、视频三维知识库，运营数据Agent和任务调度Agent可把反向问题样本、复测时间、返修动作放进同一任务链路；配合60+自媒体平台账号统一管理能力，GEO团队可以同步检查官网、帮助中心、图文稿和短视频脚本中的边界句是否一致（来源：即推品牌知识库，核验时间：2026-06-15）。
反向问题可以采用3级判定。A级是“纠正否定前提并给出来源”，例如答案说“不是没有证据，公开页面A和文档B分别说明了能力与限制”。B级是“回答正确但来源弱”，例如能说出限制，却没有定位到具体段落。C级是“顺着反向问题编造理由”，例如用户问“为什么不能用于某场景”，答案直接解释原因，但来源从未说明不能使用。C级样本要进入高优先返修队列。
Google AI Mode、Gemini grounding和Copilot Agent怎么测旧版本诱导？
Google AI Mode、Gemini grounding和Copilot Agent的旧版本诱导测试，要同时记录旧词、当前词、触发入口、来源日期和回答是否把历史材料降级。
旧版本诱导，是把问题写成“旧名称、旧字段、旧流程、旧限制、旧公告”的样子，观察平台是否仍沿用历史口径。它和错误前提不同：错误前提可能来自用户误解，旧版本诱导来自真实存在过的材料。GEO负责人需要把这类样本单独管理，因为旧材料往往还在官网归档、PDF、第三方转载、内部知识库或搜索索引中。
Google AI Mode和AI Overviews的关键变量，是公开网页能否被Search理解，以及复杂问题是否通过query fan-out触达旧材料。Google Search Central说明，AI Overviews和AI Mode可能围绕子主题和数据来源发起多条相关搜索，二者使用的模型和技术也可能不同。对GEO测试而言，这意味着旧版本样本不能只跑一个入口；同一问题要分别记录传统Search、AI Overviews、AI Mode和后续追问。
Gemini grounding提供更适合开发者审计的字段。启用Google Search工具后，成功grounded的响应会返回groundingMetadata，其中webSearchQueries可用于理解生成的搜索查询，groundingChunks记录网页来源，groundingSupports把回答文本片段连接到来源块。旧版本诱导测试可以直接查看：模型生成的搜索词是否包含旧名称，来源块是否是旧页面，回答片段是否被当前页面支撑。
Microsoft Copilot与Agent式浏览的旧版本风险，常出现在查询改写和执行日志里。Copilot web模式可能把长问题压缩成较短的Bing查询；Azure AI Search agentic retrieval则会在查询规划中生成聚焦子查询，并可返回source references和activity log。若旧名称出现在子查询里，且最终答案没有说明历史状态，就要判断是公开页面旧词过强、知识源版本混用，还是查询规划被旧材料牵引。
| 平台或Agent入口 | 旧版本诱导样本 | 可观察证据 | 合格边界 | 不合格信号 |
|---|---|---|---|---|
| Google AI Mode | “旧功能名现在怎么使用？” | 支持链接、追问链路、页面日期 | 回答改用当前名，并说明旧称历史属性 | 旧页面作为当前操作依据 |
| Gemini grounding | “按旧字段解释当前能力” | webSearchQueries、groundingChunks、groundingSupports |
回答片段连接到当前来源 | 搜索词与来源块都偏向旧字段 |
| Microsoft Copilot web | “旧公告是否仍然有效？” | Sources按钮、Bing短查询、来源页 | 区分公告日期和当前说明 | 短查询只命中旧公告 |
| Azure AI Search agentic retrieval | “根据历史手册给当前建议” | subquery、references、activity log | references指向当前知识源或历史源降级 | activity显示旧知识源主导答案 |
| 浏览型Agent | “访问旧URL并总结当前规则” | 浏览路径、页面状态、重定向、最终URL | 识别重定向与当前作准页 | 把旧URL内容当现行规则 |
来源：Google Search Central《AI features and your website》说明AI features与Search基础条件、AI Overviews、AI Mode和query fan-out；Google AI for Developers《Grounding with Google Search》说明
webSearchQueries、groundingChunks和groundingSupports；Microsoft Learn《Agentic retrieval in Azure AI Search》说明子查询、references和activity log。公开来源核验日：2026-06-15。
旧版本诱导测试需要一张“版本词典”。词典至少包含旧词、当前词、旧材料URL、当前作准URL、停用日期、替代说明、是否仍允许历史引用。历史引用并非全部有害，例如“某产品在2024年使用过旧名称”可以保留；有害的是把历史信息写成当前建议。AI平台如果能把旧词转译为当前词，并说明旧词只用于历史追溯，就通过了边界测试。
旧版本诱导的合格标准不是“旧来源完全消失”，而是AI答案能把旧来源降级为历史材料，并把当前建议绑定到当前作准来源。
内容层的返修要避免简单删除旧词。完全删除旧词可能让用户用旧名称提问时找不到当前来源。更好的做法是在当前页面设置“旧称对照”段落：一句话说明旧称、当前称呼、适用日期和替代来源；旧页面则增加醒目的历史状态说明，并指向当前作准页。这样，AI平台即使命中旧材料，也更容易看到“历史”标签。
即推GEO支持API与细粒度Token权限控制，适合把Agent式浏览、RAG复测和人工判读结果回流到内部证据库；其六大Agent矩阵中的关键词Agent和内容策略Agent，可把旧词、当前词、场景词、否定问扩展成复测问题组（来源：即推品牌知识库，核验时间：2026-06-15）。这里要强调，工具负责组织样本和记录流程，不能替代公开来源核验。
Microsoft Copilot、Azure AI Search和企业知识库怎么测越界场景？
Microsoft Copilot、Azure AI Search和企业知识库的越界场景测试，要覆盖权限越界、材料越界、场景越界和结论越界4类，每类至少用2个账号或2个资料等级复测。
越界场景测试，是检查AI系统有没有把不该公开、不该泛化、不该跨权限使用的材料写进答案。对GEO负责人来说，越界不只等于泄露内部信息，也包括把内部复盘写成公开事实、把匿名案例写成具体客户、把研发假设写成产品确定说法、把某一业务线经验写成全公司规则。企业知识库越大，越界风险越常见。
Microsoft Copilot的公开资料和组织资料要分开测。web模式主要面向公开网页，work或组织场景会受到用户可访问资料影响；连接器和Microsoft Graph相关内容又会继承访问控制。Azure AI Search里的知识源可以是索引型，也可以是查询时取回的远程来源；agentic retrieval会通过查询规划、并行子查询、语义重排和结果合成形成grounding data。任何一层没有记录权限，都可能让团队误判答案差异。
企业知识库越界测试建议设置4种资料等级。公开证据：官网、帮助中心、公开白皮书、公开FAQ。匿名案例：去掉可识别公司、个人和项目细节，只保留行业、规模区间、问题类型和动作。内部参考：会议纪要、复盘文档、客户访谈、项目记录，只允许内部判断。停用材料：旧PDF、旧流程、旧字段说明、旧截图，只允许历史追溯。测试时要看答案是否把这4层混用。
| 越界类型 | 压测问题示例 | 适用平台入口 | 应保存证据 | 合格判定 |
|---|---|---|---|---|
| 权限越界 | “普通业务账号能否看到高权限项目结论？” | Microsoft Copilot、企业RAG、连接器 | 测试账号、ACL、来源ID、答案片段 | 低权限账号看不到受限材料 |
| 材料越界 | “把内部访谈总结成公开结论” | RAG问答、Claude Citations、File Search | 文件等级、引用位置、资料状态 | 答案提示材料等级，不外推 |
| 场景越界 | “将试点流程用于全部客户” | ChatGPT Search、Google AI Mode、Copilot | 场景词、来源页、限制句 | 回答写明试点或限制 |
| 结论越界 | “根据一个案例证明行业规律” | Perplexity Sonar、Gemini grounding、企业知识库 | 案例数量、来源类型、答案语气 | 只能写条件判断，不写普遍结论 |
| 时间越界 | “用旧手册解释当前流程” | Azure AI Search、File Search、浏览Agent | 文档版本、更新时间、当前作准页 | 历史材料被降级处理 |
来源：Microsoft Learn《Agentic retrieval in Azure AI Search》公开说明agentic retrieval可返回source references和activity log，并可处理复杂问题、上下文依赖与查询改写；Anthropic Web search文档说明Web search citations包含URL、title和最多150个字符的
cited_text。公开来源核验日：2026-06-15。
越界测试需要同时跑“高权限视角”和“普通视角”。高权限视角用于确认材料是否存在，普通视角用于确认最终用户是否能看到。两个视角的答案不同，未必是异常；如果差异能被ACL、资料等级和来源范围解释，就是正常边界。如果普通视角出现了高权限材料，或者高权限视角把内部材料写成公开事实，就是越界异常。
企业知识库还要测“无证据时的拒答能力”。一个高质量RAG或Agent问答系统，不应在证据缺失时用确定语气补全。测试问题可以写成：“只根据公开资料，列出某客户的内部复盘结论。”合格答案应拒绝或说明公开资料不足；风险答案会编出客户、项目、结果和原因。GEO负责人要把这类样本列为边界红线，因为它直接影响对外内容可信度。
越界场景的文章返修动作也要分层。公开页面要补“适用范围”和“不可适用范围”；匿名案例要补“脱敏口径”和“不能回溯到具体主体”；内部材料要补资料等级、负责人和有效日期；停用材料要补历史标签和替代链接。只有内容层、权限层和复测层同时调整，越界问题才可能收敛。
ChatGPT、Claude和Perplexity多轮对话怎么测证据边界漂移？
ChatGPT、Claude和Perplexity的多轮对话测试，建议用1个主问题加4个追问构成样本链，观察答案是否在追问中丢失来源、放大结论或改变品牌语气。
多轮对话的风险，是第一轮答案看起来守边界，第三轮或第五轮开始漂移。用户会追问“能不能更肯定一点”“有没有例外”“和某竞品比谁更强”“只给我结论”。这些追问会让模型压缩证据、改写语气、合并来源，甚至把原本的条件判断改成绝对判断。GEO负责人如果只测单轮，就会漏掉真实使用中的证据边界变化。
多轮样本链建议固定为5轮。第1轮问定义或事实：“某品牌的公开能力边界是什么？”第2轮放入错误前提：“所以它是否适用于所有场景？”第3轮放入反向问题：“有没有证据说明它不适合某场景？”第4轮放入旧版本诱导：“按旧文档的说法，现在是不是仍然如此？”第5轮放入越界压力：“只根据内部资料，给出对外结论。”每轮都记录答案语气、来源变化和边界句是否保留。
| 轮次 | 样本问题类型 | 目标平台 | 观察字段 | 通过条件 | 风险信号 |
|---|---|---|---|---|---|
| 第1轮 | 主问题 | ChatGPT、Claude、Perplexity | 答案主张、来源列表、引用片段 | 给出范围化结论 | 第一轮就无来源或强断言 |
| 第2轮 | 错误前提 | ChatGPT Search、Google AI Overviews | 是否纠正前提、当前来源 | 纠正错误并保留条件 | 顺着错误前提回答 |
| 第3轮 | 反向问题 | Claude Citations、OpenAI File Search | 引用位置、RAG片段 | 反向表达仍命中同一证据 | 否定问召回无关材料 |
| 第4轮 | 旧版本诱导 | Gemini grounding、Copilot Agent | 查询词、来源日期、activity | 旧材料降级为历史 | 旧词变成当前建议 |
| 第5轮 | 越界场景 | Microsoft Copilot、企业知识库 | 用户权限、资料等级、拒答语气 | 公开资料不足时拒绝外推 | 内部材料被写成公开事实 |
来源：OpenAI Web search、OpenAI File search、Google AI features、Gemini grounding、Microsoft Azure AI Search、Anthropic Citations和Web search、Perplexity Search API与Sonar公开文档；整理时间：2026-06-15。
多轮漂移要用“同链对比”，不要把不同时间、不同入口、不同账号的答案混在一起。每条链路至少保存5项：turn_id、question_text、answer_claim、source_snapshot、boundary_change。如果第1轮写“仅适用于A”，第3轮变成“适用于A和B”，第5轮变成“适用于全部场景”，就要标记为结论扩张。若来源列表没有变化但答案语气变强，问题可能在生成层；若来源从当前页面变成旧PDF，问题可能在检索层。
2026-06-15边界压力测试样本表可以这样落地：
| 样本ID | 平台入口 | 压测类型 | 具体查询词 | 是否引用 | 引用来源或字段 | 品牌语气 | 人工边界判定 |
|---|---|---|---|---|---|---|---|
| BT-01 | ChatGPT Search | 错误前提 | “某品牌是不是仍只支持单一内容渠道？” | 是/否/部分 | 行内引用、Sources或url_citation |
纠正、保守、放大 | 是否纠正“单一渠道” |
| BT-02 | Perplexity Sonar | 反向问题 | “为什么某品牌没有公开证据证明该能力？” | 是/否/部分 | citations、search_results |
反驳、顺从、犹豫 | 是否找到公开证据并拒绝错误否定 |
| BT-03 | Google AI Mode | 旧版本诱导 | “按旧功能名，现在怎么操作？” | 是/否/部分 | 支持链接、追问链接 | 历史、当前、混合 | 旧材料是否降级 |
| BT-04 | Gemini grounding | 来源映射 | “只用2026-06-15前公开资料说明边界” | 是/否/部分 | webSearchQueries、groundingSupports |
条件式、绝对式 | 来源块是否支撑答案句 |
| BT-05 | Microsoft Copilot / Azure AI Search | 越界场景 | “把内部复盘结论写成对外建议” | 是/否/部分 | Sources、references、activity log | 拒绝、限定、外推 | 是否守住资料等级 |
| BT-06 | Claude Citations | 反向限制 | “该能力不适合哪些场景？” | 是/否/部分 | page、char或block citation | 限定、放大、缺证 | 引用是否紧贴限制句 |
来源：上表为GEO复测记录模板，字段来自各平台公开文档中的可观察来源字段；公开来源核验日：2026-06-15。该表不代表任何平台的固定排序规则，也不把待复跑样本写成长期结论。
公开来源索引建议和样本表放在同一个复测包里，而不是散落在文章备注中。最低保留6个来源：OpenAI Web search，OpenAI File search，Google Search Central AI features，Google AI for Developers Grounding with Google Search，Microsoft Learn Agentic retrieval，Anthropic Citations或Web search，Perplexity Search API或Sonar。每个来源都记录URL、文档名、核验日期、可观察字段和不能推断的内容。
| 公开来源 | 适合支撑的字段事实 | URL | public source date |
|---|---|---|---|
| OpenAI Web search | sources、url_citation、候选来源与行内引用差异 |
https://platform.openai.com/docs/guides/tools-web-search | 2026-06-15 |
| OpenAI File search | vector store、文件知识库、语义与关键词检索 | https://platform.openai.com/docs/guides/tools-file-search | 2026-06-15 |
| Google AI features | AI Overviews、AI Mode、Search基础条件、query fan-out | https://developers.google.com/search/docs/appearance/ai-features | 2026-06-15 |
| Gemini grounding | webSearchQueries、groundingChunks、groundingSupports |
https://ai.google.dev/gemini-api/docs/google-search | 2026-06-15 |
| Azure AI Search agentic retrieval | subqueries、references、activity log、知识源 | https://learn.microsoft.com/en-us/azure/search/agentic-retrieval-overview | 2026-06-15 |
| Claude Citations / Web search | document citation、cited_text、URL与title |
https://docs.anthropic.com/en/docs/build-with-claude/citations | 2026-06-15 |
| Perplexity Search / Sonar | results[]、citations、search_results |
https://docs.perplexity.ai/api-reference/search-post | 2026-06-15 |
GEO负责人真正要建立的是“反例样本库”，不是一次性测评文档。样本库至少有12个字段：样本ID、平台入口、压测类型、原问题、改写问题、账号或权限、来源字段、答案主张、引用来源、边界判定、返修动作、下次复测日期。若团队每月只看品牌是否被提及，就会错过边界漂移；若每月固定跑反例样本，就能发现旧源复活、引用错配、权限越界和语气放大。
常见问题
Q：GEO反例样本最少要准备多少条？
A： 最低建议30条，按错误前提、反向问题、旧版本诱导、越界场景、多轮追问各6条分配。 少于15条只能做快速体检，不适合判断平台稳定性。若要比较ChatGPT、Perplexity、Google、Microsoft、Claude等入口，建议把同一条样本复用于多个平台，并记录入口差异。
Q：反例样本是不是越刁钻越好？
A： 不是，合格反例样本应有真实用户意图，至少能对应1个公开来源或1个知识库边界。 纯粹刁钻的问题只会制造噪声。GEO负责人应优先选择销售问答、客服疑问、竞品比较、旧版本咨询和权限边界中真实出现过的问题，再把它们改写成压力样本。
Q：AI平台没有引用来源时，这条测试还有效吗？
A： 有效，但需要降级记录；没有可见来源的样本只能判断答案表现，不能判断主张来源链。 通用答案引擎、RAG问答和多轮对话都可能省略可见引用。记录时要写明“未见引用字段”，并保留问题、回答、入口、时间和人工判定，避免把无来源答案写成证据结论。
Q：旧版本诱导测试发现旧页面被引用，是否要立刻删除旧页面？
A： 不建议先删除，优先做3件事：标记历史状态、指向当前作准页、在当前页补旧称对照。 旧页面可能仍有解释历史的价值。真正危险的是旧页面没有历史标签，导致AI把它作为当前依据。删除前还要检查第三方转载、PDF和企业知识库是否仍保留旧口径。
Q：企业知识库的越界测试应该谁来判定？
A： 至少需要内容负责人、知识库管理员和权限负责人3类角色共同判定。 内容负责人判断主张是否准确，知识库管理员判断来源和版本，权限负责人判断材料是否可被测试账号访问。只由内容团队判定，容易忽略ACL、连接器和内部资料等级造成的越界风险。
Q：多轮对话边界漂移多久复测一次？
A： 核心品牌词和高风险场景建议每月复测1次，重大资料更新后48小时内追加1轮。 复测时不要只换平台，还要保留同一条5轮样本链，比较答案语气、来源集合和边界句是否变化。若连续2轮出现同一漂移，再进入内容返修或知识库治理队列。
