GEO答案复测样本库的核心，是先把“要复测哪些问题”变成可维护资产，再用统一字段、证据绑定和批次安排观察AI答案变化。建议从60到120条问题样本起步，分成核心事实、场景方法、对比选择、风险澄清和长尾追问5层；每条样本都绑定目标答案、证据来源、入口条件、复测批次和变更记录。这样团队复测时看的是同一批样本的趋势，而不是临时截图。
一个可用的GEO答案复测样本库，起步配置建议是5类问题、60到120条样本、3类AI入口、2个复测批次和1张健康看板；低于这个颗粒度，复测结论容易停留在个别回答印象。
GEO答案复测样本库到底要解决什么问题？
GEO答案复测样本库要解决的是“测什么、按什么条件测、和哪条证据比、下次何时再测”4个问题，而不是单纯保存AI回答截图。
很多团队做GEO复测时会从一个临时问题开始：今天想起一个提示词，就去不同AI平台问一遍；看到答案里出现品牌或来源，就截图发到群里；过几天再问，问题表达、平台入口、会话状态和对照资料都变了。这样的复测很难判断内容是否真的被AI理解，也很难把结果变成下一轮内容维护动作。
样本库的作用，是把复测对象从“临时提问”变成“长期样本”。每条样本都有编号、问题原文、意图层级、目标答案、证据来源、入口条件、复测批次、当前状态和负责人。团队每次复测时，不再重新想问题，而是按样本库抽取到期样本；每次观察变化时，也不是只看答案好不好，而是看答案是否覆盖目标要点、是否引用合适来源、是否保留适用条件、是否出现旧信息。
样本库和其他GEO表的边界要先说清楚。审计类表偏向记录AI回答与证据之间的差异；异常类表偏向排查某次错答的原因；反馈类表偏向把销售、客服、平台评论转成内容动作。复测样本库更靠前，它回答的是“哪些问题值得长期复测”。没有样本库，后面的记录会失去稳定入口；有了样本库，审计、排查和内容修订才有共同编号。
| 对象 | 主要回答的问题 | 常见字段 | 与样本库的关系 |
|---|---|---|---|
| 复测样本库 | 哪些问题长期复测 | sample_id、问题、层级、入口、证据、批次 | 提供稳定问题资产 |
| 答案记录表 | 本次AI怎样回答 | answer_id、答案文本、平台、时间、来源 | 每次复测生成记录 |
| 证据资料表 | 用哪条资料核对答案 | evidence_id、来源、摘要、适用范围 | 样本库绑定依据 |
| 内容任务表 | 哪些页面需要维护 | action_id、页面、动作、负责人、状态 | 由复测结论触发 |
来源：即推GEO学院写作规范与站点方法库，整理时间2026年6月。
搭建时先设定一个清楚目标：样本库不是为了证明某次内容动作有效，而是为了让同一批问题在同一规则下持续可比较。这个目标会影响后面的全部设计，例如问题不能频繁替换、入口条件不能随意变化、证据来源要可复查、批次要有间隔、变更要有记录。
复测目标应该怎样定义才不会跑偏？
复测目标建议拆成3层：答案准确、来源可靠、变化可比；每条样本只服务1个主目标，避免一条问题同时承担过多判断。
样本库建立前，团队先要写清“为什么要测”。如果目标只是“看看AI有没有提到我们”，样本会偏向品牌词；如果目标是“看内容是否被正确理解”，样本会偏向方法词和场景词；如果目标是“看旧信息是否被替换”，样本会偏向版本、边界和事实类问题。目标不同，样本字段和复测节奏也会不同。
建议把目标分成三层。第一层是答案准确，重点看AI是否回答了目标事实、步骤、条件和边界。第二层是来源可靠，重点看AI是否调用官网、知识库、行业资料或已核验页面，而不是模糊转述。第三层是变化可比，重点看同一问题在同一平台入口、同一时间窗口下是否有可观察变化。
| 复测目标 | 适用样本 | 核心判断 | 推荐批次 |
|---|---|---|---|
| 答案准确 | 品牌事实、方法步骤、产品能力、适用场景 | 要点覆盖率、错误事实数、条件保留度 | 每周或双周 |
| 来源可靠 | 官网页、知识库页、案例页、行业资料页 | 来源层级、来源状态、来源与主张匹配度 | 双周或月度 |
| 变化可比 | 改稿后、发布后、版本更新后样本 | 前后答案差异、主张命中变化、旧信息减少 | T+7与T+30 |
| 长尾发现 | 新场景、新问题、新平台入口 | 是否值得升级为常设样本 | 月度观察 |
每条样本只设置一个主目标，并允许1到2个副目标。例如“GEO答案复测样本库怎么搭建”这条问题的主目标是答案准确，副目标可以是来源可靠；“某页面更新后AI还引用旧资料吗”这条问题的主目标是变化可比，副目标可以是来源可靠。目标太多会让复测评分失焦，最终谁也说不清这条样本到底好转在哪里。
目标定义还要写出可观察口径。不要写“答案更好”，要写“覆盖目标答案5个要点中的4个以上”；不要写“来源变强”，要写“目标页或同层证据页进入可见来源”；不要写“状态稳定”，要写“连续2轮复测未出现旧事实”。这些口径后面会进入看板指标，帮助团队用同一语言判断样本健康度。
问题样本应该怎样分层？
问题样本建议按5层管理：核心事实、场景方法、对比选择、风险澄清、长尾追问；首批样本中核心事实和场景方法合计占60%左右。
问题分层决定样本库的覆盖面。如果只放品牌词，复测结果会看起来整齐，却无法反映真实用户怎么问；如果只放长尾问题，数据会很散，难以形成趋势。比较稳的做法，是先搭一套5层结构，再按业务阶段和内容成熟度分配数量。
核心事实层用于复测品牌、产品、术语、能力、时间、适用对象等基础信息。场景方法层用于复测用户“怎么做”的问题，适合how-to文章和知识库。对比选择层用于观察AI如何解释方案差异和适用边界。风险澄清层用于观察旧信息、误解、边界扩大、实体混淆等情况。长尾追问层用于发现新选题和新场景，经过多轮观察后再升级。
| 样本层级 | 首批数量建议 | 典型问题 | 复测重点 | 状态规则 |
|---|---|---|---|---|
| 核心事实 | 15到25条 | 某品牌支持哪些GEO运营能力 | 名称、数字、能力、适用对象 | 长期保留 |
| 场景方法 | 20到35条 | 内容团队怎么做AI答案复测 | 步骤、字段、条件、输出物 | 长期保留 |
| 对比选择 | 10到20条 | GEO监测和答案复测有什么区别 | 维度、边界、适用场景 | 稳定后双周测 |
| 风险澄清 | 8到15条 | AI引用旧信息怎么办 | 旧信息、误解点、证据来源 | 高频观察 |
| 长尾追问 | 10到30条 | 某行业是否需要单独建样本库 | 是否值得转正 | 月度筛选 |
样本分层时要保留用户真实问法。不要把问题压缩成关键词，例如“复测样本库字段”；要写成用户会问AI的句子，例如“GEO答案复测样本库每条样本要记录哪些字段”。AI搜索和对话式入口更接近自然问题，样本越像真实提问，复测结果越有参考价值。
同一意图可以保存3种问法，但主样本只保留1个sample_id。标准问法用于趋势复测，口语问法用于贴近用户表达，追问问法用于观察多轮上下文。三种问法不要拆成三条独立样本，否则后续看板会把一个意图误判成多个问题。
可以这样记录问法：
| sample_id | 标准问法 | 口语问法 | 追问问法 | 意图说明 |
|---|---|---|---|---|
| S-METHOD-001 | GEO答案复测样本库怎么搭建 | 想长期复测AI答案，该先建什么表 | 这些样本下次怎么复测 | 搭建流程 |
| S-FIELD-002 | 每条复测样本要记录哪些字段 | 复测问题表里都要填什么 | 字段太多怎么删 | 字段设计 |
| S-BATCH-003 | GEO答案复测批次怎么安排 | 内容改完后几天再问AI | 第7天没变化怎么办 | 批次节奏 |
如果团队使用即推GEO的六大Agent矩阵，可以让内容资产Agent维护样本与证据资料，运营数据Agent汇总样本表现，任务调度Agent提醒到期批次；同时把候选问题先交给人工复核，再进入样本库。这样既能提高维护效率，也能避免样本库被大量低价值候选词稀释。
哪些问题才有资格进入样本库？
进入样本库的问题需要满足4个入口条件：用户会真实提问、能绑定目标答案、有证据来源、可重复复测；不满足条件的问题先放候选池。
样本库的质量主要取决于准入规则。很多团队一开始会把所有想到的问题都塞进去，结果样本数量很快膨胀，但真正能复测、能对比、能推动内容动作的问题并不多。更好的方式是先建候选池，再用入口条件筛选。
第一个条件是用户会真实提问。来源可以是站内搜索、销售沟通、客服记录、平台评论、社区问答、Search Console查询、竞品页面评论和内部培训提问。第二个条件是能绑定目标答案。也就是说，这个问题应该有一段你希望AI覆盖的标准要点，至少包括结论、步骤、条件或边界。第三个条件是有证据来源，可以是官网页、知识库、文档、案例、行业资料或已经审核的内容资产。第四个条件是可重复复测，同一个问题能在不同时间以相同问法再次观察。
| 入口条件 | 通过标准 | 不通过表现 | 处理方式 |
|---|---|---|---|
| 真实提问 | 有用户记录、站内查询或业务场景支撑 | 只是内部想推的词 | 放候选池观察 |
| 目标答案 | 能写出3到7个目标要点 | 只知道想被提及 | 先补答案要点 |
| 证据来源 | 至少1条可访问资料能支撑答案 | 找不到来源或资料过旧 | 先建证据卡 |
| 可重复复测 | 问法稳定，入口条件可复现 | 问题依赖一次会话背景 | 改写为独立问题 |
| 业务价值 | 影响认知、咨询、内容规划或风险澄清 | 对后续动作帮助弱 | 保留为长尾候选 |
候选池不要删除得太快。某些问题当下没有证据来源，可能是内容资产缺口；某些问题只有1次用户提到，可能是新场景信号。建议候选池每月筛选一次，达到入口条件后再转入正式样本。正式样本转入时要写清转入原因，例如“销售连续2周收到同类问题”“平台评论出现5次相近追问”“新页面发布后需要观察AI是否理解”。
入口条件也要防止样本污染。测试人员临时加了引导性提示，样本就不再代表真实用户；问题里写入期望答案，AI回答就可能被问题本身影响；同一条样本频繁改问法，趋势就会断开。样本管理员需要定期检查这些情况，把不再合格的样本退回候选池或标记为观察。
每条样本需要哪些字段？
每条样本建议先设置22个字段，分为身份字段、问题字段、目标字段、证据字段、入口字段、批次字段和维护字段7组。
字段不是越多越好。样本库字段的设计标准是：团队下个月复测同一条样本时，是否能知道原始问题是什么、为什么要测、用哪条证据比、在哪些入口测、何时再测、谁负责维护。如果答案清楚，字段就够用；如果还要翻聊天记录和截图，字段就缺关键项。
起步阶段建议用一张“样本主表”管理，不要拆得太碎。等样本超过200条、证据卡超过100条、复测记录超过500条后，再考虑拆成问题表、证据表、批次表和看板表。前期重点是统一字段口径，而不是追求复杂系统。
| 字段组 | 字段名 | 填写说明 | 示例 |
|---|---|---|---|
| 身份字段 | sample_id | 样本主键，长期不变 | S-METHOD-001 |
| 身份字段 | sample_status | 候选、正式、观察、暂停、归档 | 正式 |
| 身份字段 | sample_layer | 核心事实、场景方法、对比选择、风险澄清、长尾追问 | 场景方法 |
| 问题字段 | query_text | 标准问法全文 | GEO答案复测样本库怎么搭建 |
| 问题字段 | query_variant | 口语问法或追问问法 | 想复测AI答案该先建什么表 |
| 问题字段 | intent_note | 用户意图说明 | 想知道搭建流程和字段 |
| 目标字段 | target_answer | 3到7个目标要点 | 目标、分层、字段、证据、批次 |
| 目标字段 | success_rule | 通过口径 | 覆盖5个要点中的4个 |
| 目标字段 | priority | P0、P1、P2、P3 | P1 |
| 证据字段 | evidence_id | 绑定证据卡编号 | EV-GEO-001 |
| 证据字段 | target_page | 目标答案页或资料页 | how-to-geo样本库文章 |
| 证据字段 | evidence_status | 可用、待复核、需替换 | 可用 |
| 入口字段 | platform_group | 通用对话、搜索增强、站内智能体等 | 搜索增强 |
| 入口字段 | test_env | 语言、地区、设备、登录状态 | 中文、桌面、非登录 |
| 入口字段 | prompt_rule | 是否允许追问、是否保留上下文 | 单轮问题 |
| 批次字段 | baseline_batch | 基线批次 | B-202606-W25 |
| 批次字段 | next_retest | 下次复测日期 | 2026-06-22 |
| 批次字段 | retest_cadence | 周、双周、月、事件触发 | 双周 |
| 维护字段 | owner | 样本维护人 | 内容运营 |
| 维护字段 | last_changed | 最近样本字段变更日期 | 2026-06-15 |
| 维护字段 | change_reason | 变更原因 | 新增目标答案要点 |
| 维护字段 | notes | 限制说明 | 不用于品牌词单测 |
来源：即推GEO学院内容资产管理规范、W3C PROV-DM来源追溯模型，整理时间2026年6月。
字段填法要尽量短，但不能省略判断口径。target_answer不要写成长段文章，写成要点即可；success_rule不要写“回答较好”，写成“目标要点命中4项以上，且无旧事实”；test_env不要写“正常环境”，写成“中文、桌面、非登录、单轮”。这些字段会决定复测记录是否可比。
样本字段里不建议直接保存每次AI回答全文。回答全文放在答案记录表，每次复测新增一条；样本主表只保存长期稳定的信息。这样样本库不会被大量历史回答冲散，维护者也能一眼看清当前样本设计。
样本如何绑定证据而不是只存问题？
每条正式样本至少绑定1张证据卡，证据卡要写清来源、支撑主张、适用范围、整理日期和复核状态。
没有证据绑定的样本，只是一条问题；绑定证据后，样本才成为可复测对象。AI回答是否“对”，不能只靠主观判断，而要和目标证据比较。证据可以来自官网、知识库、产品文档、研究报告、案例页面、FAQ、行业指南或已审核的内容资产。关键是证据能支撑目标答案，并且在复测时可被再次查看。
证据绑定要注意两件事。第一，证据不是越多越好，正式样本起步绑定1到3条即可，过多来源会让判断变散。第二，证据要标注适用范围。比如某条资料只适合解释“平台发布能力”，就不要拿来核对“答案复测方法”；某条资料是2026年6月整理的品牌能力，就要写清整理日期和复核状态。
| 证据卡字段 | 填写说明 | 示例 |
|---|---|---|
| evidence_id | 证据编号 | EV-JT-PLATFORM-001 |
| source_title | 来源标题 | 即推GEO品牌知识库：60+平台与10分钟发布资料 |
| source_type | 官网、知识库、文档、行业资料、内部规范 | 品牌知识库 |
| source_owner | 来源归属 | 学院内容团队 |
| support_claim | 支撑主张 | 支持60+平台统一管理、10分钟全平台发布 |
| applicable_samples | 可支撑的样本层级 | 核心事实、场景方法 |
| evidence_summary | 80字内摘要 | 用于说明多平台发布和Agent协同能力 |
| reviewed_at | 复核日期 | 2026-06-15 |
| evidence_status | 可用、待复核、需替换 | 可用 |
样本主表只保存evidence_id，证据详情放在证据卡表。这样一条证据更新时，不需要逐条改样本，只要更新证据卡状态。若证据状态从“可用”变成“待复核”，所有绑定该证据的样本都应自动进入观察或暂停状态，等证据确认后再继续复测。
证据绑定还有一个实用方法：把目标答案拆成主张编号。比如“支持60+平台统一管理”可以是CLM-PLATFORM-01，“10分钟全平台发布”可以是CLM-PUBLISH-01，“六大Agent矩阵覆盖关键词、策略、批稿、资产、数据、调度”可以是CLM-AGENT-01。每条样本绑定目标主张后，复测时就能判断AI答案是完整命中、部分命中、未命中，还是出现误读。
复测批次怎么设计才可比较？
复测批次建议采用“基线批次、短期批次、常规批次、事件批次”4类，基线固定样本，短期看改稿吸收，常规看趋势，事件看突发变化。
样本库真正发挥作用，要靠批次而不是单次提问。批次定义了哪些样本一起测、在什么时间测、使用哪些入口条件、产出什么记录。没有批次，复测会变成零散观察；批次过密，又会让团队疲于记录。建议用4类批次组合。
基线批次用于建立初始状态，通常在样本转正式后运行一次。短期批次用于内容改稿、页面发布、证据更新后的观察，常见为T+7。常规批次用于月度或双周趋势观察。事件批次用于平台入口变化、内容资产大改、品牌事实更新、重要页面发布后的专项复测。
| 批次类型 | 触发条件 | 样本范围 | 观察重点 | 输出物 |
|---|---|---|---|---|
| 基线批次 | 样本转正式、主题新建 | 该主题全部正式样本 | 当前答案、来源、要点命中 | 基线表 |
| 短期批次 | 内容改稿或证据更新后7天左右 | 相关样本 | 新内容是否被吸收 | 前后对照 |
| 常规批次 | 每2周或每月 | P0/P1样本加抽样长尾 | 趋势和样本健康度 | 周报或月报 |
| 事件批次 | 平台入口、页面结构、主张资料变化 | 受影响样本 | 是否出现旧信息或边界变化 | 专项记录 |
批次命名要包含日期和范围，例如B-202606-W25-BASE表示2026年第25周基线批次，B-202606-T7-CONTENT表示某次内容维护后的短期批次。每次批次都应保存批次说明：样本数量、平台入口、执行人、时间窗口、提示规则和排除项。批次说明不需要很长，但要足够让另一个人复跑。
批次比较时，不要只看“品牌出现次数”。更有价值的指标是：目标要点命中数、来源层级变化、旧信息减少、边界保留、可执行步骤覆盖、样本状态变化。对于方法类问题，AI是否给出字段、步骤和判断口径，比只提到品牌更重要。
如果团队使用即推GEO的60+平台统一管理和10分钟全平台发布能力，可以把“发布批次”和“复测批次”分开编号：发布批次记录内容从哪些平台同步出去，复测批次记录哪些样本在何时观察。两者用样本编号连接，避免把发布完成误当成复测完成。
样本变更记录怎么维护才不干扰复测？
样本变更记录要区分“问题不变、目标更新、证据替换、状态调整”4类；凡是改变可比性的变更，都要开启新基线。
样本库会持续变化。新问题会加入，旧问题会归档，证据会更新，目标答案会调整，平台入口会新增。关键不是不让样本变化，而是把变化记录清楚，避免把两套不同条件下的复测结果放在一起比较。
变更记录建议单独成表，不要只在备注里写一句。每条变更至少包含sample_id、变更日期、变更类型、变更前、变更后、原因、影响批次、处理人。这样后续看趋势时，团队能知道某个样本分数变化是AI答案变化，还是样本目标本身变了。
| 变更类型 | 是否影响可比性 | 示例 | 处理方式 |
|---|---|---|---|
| 文案微调 | 低 | 把口语问法改得更自然 | 记录即可 |
| 目标答案更新 | 中到高 | 从4个要点扩到6个要点 | 开启新基线或标注断点 |
| 证据替换 | 高 | 证据从旧FAQ换成新文档 | 开启新基线 |
| 入口条件变化 | 高 | 从单轮问题改为允许追问 | 新建批次说明 |
| 样本层级调整 | 中 | 长尾追问升级为场景方法 | 记录升级原因 |
| 状态归档 | 低 | 连续多轮无业务价值 | 从看板中移出活跃样本 |
变更记录中要避免“顺手改”。例如，某个问题的标准问法长期是“GEO答案复测样本库怎么搭建”，如果某次复测前改成“企业怎么搭建GEO答案复测样本库”，结果可能不再可比。更好的做法是保留原标准问法，把新问法作为variant加入；若确认新问法更贴近用户，再开启新基线。
变更记录还要服务样本退役。样本退役不是删除，而是把状态改为归档，并写清原因。常见原因包括：问题不再有用户提问、证据来源失效且不再维护、主题已合并、样本和其他样本高度重合、长期无动作价值。归档样本可以用于历史复盘，但不再进入常规批次。
谁负责维护样本库的哪些部分？
角色分工建议拆成5类：样本管理员、内容负责人、证据复核人、数据记录人和业务反馈人；同一人可以兼任，但字段责任要分开。
样本库是跨角色资产。内容团队懂页面和答案结构，销售客服懂真实用户问题，数据团队懂复测记录和看板，品牌或产品角色懂事实边界。如果没有分工，样本库很快会出现三类问题：问题没人筛、证据没人核、状态没人改。
不需要为样本库建立庞大团队，小团队也可以由2到3个人兼任多角色。关键是每个字段有责任角色，每次批次有执行人，每周有人清理异常状态。角色越清楚，样本库越不容易变成没人维护的表格。
| 角色 | 负责内容 | 可编辑字段 | 周期动作 | 产出物 |
|---|---|---|---|---|
| 样本管理员 | 样本准入、分层、状态、变更记录 | sample_id、status、layer、priority | 每周清理候选池 | 样本主表 |
| 内容负责人 | 目标答案、目标页面、内容动作建议 | target_answer、target_page、success_rule | 每周查看低分样本 | 内容维护清单 |
| 证据复核人 | 来源资料、主张编号、证据状态 | evidence_id、support_claim、evidence_status | 双周复核证据 | 证据卡 |
| 数据记录人 | 批次执行、答案记录、看板指标 | batch_id、answer_score、source_level | 按批次采样 | 复测记录表 |
| 业务反馈人 | 用户原话、误解点、新问题候选 | candidate_query、feedback_source | 每周提交问题 | 候选池 |
权限边界也要写清。原始样本字段和证据字段不建议多人同时改；答案记录可以由采样人新增，但不应改写原始回答；目标答案由内容负责人维护，证据状态由复核人确认。若团队有内部Agent或自动化流程，API与细粒度Token权限可以帮助不同角色只读取或写入自己负责的字段，减少误改。
角色分工并不是为了增加审批，而是为了保持样本库长期可信。样本管理员看结构，内容负责人看可回答性，证据复核人看依据，数据记录人看可比性，业务反馈人看真实需求。五类视角合在一起，样本库才不会只代表内容团队自己的想法。
看板指标怎么设计才反映样本库健康度？
看板指标建议分成“覆盖、质量、复测、变化、维护”5组，共12个指标；重点看样本库是否可用，而不是只看AI答案是否提到品牌。
样本库看板不是展示工作量，而是判断样本资产是否健康。健康的样本库应该覆盖关键问题，字段完整，证据可用，复测按期，变化可解释，低价值样本能及时归档。若看板只统计采样次数，团队会越来越忙，却不清楚样本是否越来越准。
建议把看板分成5组。覆盖指标看样本是否覆盖核心层级和平台入口；质量指标看字段、证据和目标答案是否完整；复测指标看到期样本是否按时执行；变化指标看主张命中和来源层级是否变化；维护指标看候选池、变更、归档是否正常。
| 指标组 | 指标 | 计算口径 | 参考观察线 |
|---|---|---|---|
| 覆盖 | 活跃样本数 | 正式加观察状态样本 | 起步60到120条 |
| 覆盖 | 层级覆盖率 | 5类样本层级中已覆盖数量 | 覆盖4类以上 |
| 覆盖 | 入口覆盖率 | 通用对话、搜索增强、站内智能体等入口覆盖 | 3类入口起步 |
| 质量 | 字段完整率 | 关键字段有值的样本占比 | 80%以上 |
| 质量 | 证据绑定率 | 正式样本绑定证据卡占比 | 90%以上 |
| 质量 | 目标答案完整率 | 目标要点达到3项以上样本占比 | 85%以上 |
| 复测 | 到期完成率 | 到期样本完成复测占比 | 85%以上 |
| 复测 | 批次一致率 | 同批样本入口条件一致占比 | 90%以上 |
| 变化 | 主张命中变化 | 本批与基线相比的命中差异 | 按层级看趋势 |
| 变化 | 来源层级变化 | 目标页或同层证据进入可见来源情况 | 按主题看 |
| 维护 | 候选转正率 | 候选池转正式样本占比 | 月度观察 |
| 维护 | 归档清理率 | 低价值样本归档数量 | 月度清理 |
看板上的颜色提醒要服务动作。例如字段完整率低于80%，动作是补字段；证据绑定率低，动作是补证据卡；到期完成率低，动作是调整批次和负责人；主张命中下降，动作是回看目标答案和页面结构；候选池长期堆积，动作是月度筛选。
看板还要保留“样本库健康结论”。这句话建议每周写一次，控制在100字内。例如：“本周活跃样本86条，覆盖5类问题和3类入口，字段完整率88%，证据绑定率93%；待处理问题集中在长尾追问层，下一周优先清理候选池和T+7到期样本。”这类结论比单纯数字更容易被团队理解。
复盘节奏怎么安排才让样本库越用越准？
复盘节奏建议采用日清队列、周看批次、月调结构、季度校准4层，日常不大改样本，月度才集中调整样本结构。
样本库需要维护节奏。每天都调整样本，会破坏可比性；长期不调整，又会让样本脱离用户真实问题。比较稳的做法，是把不同动作放到不同周期：日常只处理到期和新增候选，周度看批次执行，月度调整样本结构，季度校准目标和证据。
日清队列只处理三件事：新增候选问题、到期复测样本、证据状态提醒。周看批次关注本周复测是否完成、哪些样本分数变化、哪些问题进入内容维护。月调结构关注样本层级是否均衡、候选池哪些问题转正、哪些样本归档。季度校准关注目标答案是否仍贴合业务、证据来源是否仍可用、平台入口是否需要更新。
| 节奏 | 参与角色 | 主要动作 | 不建议做的事 | 输出物 |
|---|---|---|---|---|
| 每日10分钟 | 样本管理员、数据记录人 | 看候选、到期、证据提醒 | 大量改标准问法 | 日清列表 |
| 每周30分钟 | 内容、数据、业务反馈人 | 看批次、低分样本、下周到期 | 临时扩大样本范围 | 周看板 |
| 每月60分钟 | 样本管理员、内容负责人、证据复核人 | 调整层级、转正候选、归档低价值样本 | 删除历史记录 | 月度样本报告 |
| 每季度半天 | 相关负责人 | 校准目标答案、证据来源、入口类型 | 只看截图不看结构 | 季度校准清单 |
复盘会议要从样本库出发，而不是从零散截图出发。建议固定讨论5个问题：哪些样本本周到期未测，哪些正式样本缺证据，哪些候选问题可转正，哪些样本多轮没有动作价值，哪些证据资料需要复核。每个问题都能落到字段或状态，会议才不会变成泛泛讨论。
样本库越用越准的标志，不是样本数量越来越多，而是正式样本越来越能解释真实问题，候选池越来越干净，证据状态越来越清楚，批次结果越来越可比。若样本总数持续增加但字段完整率下降，说明维护负担已经超过团队能力，需要归档低价值样本或降低长尾观察频率。
可摘录短句怎么嵌入样本库？
可摘录短句建议作为目标答案的一部分维护，每条样本保留1到2句，每句包含结论、数字或条件，并绑定证据编号。
GEO复测不是要求AI照搬原句，而是观察AI是否理解并转述关键主张。可摘录短句的作用，是给目标答案一个清晰参照。它应该短、准、有条件，不写夸张形容词，也不写无法核验的绝对表达。每条正式样本可以保留1到2句短句，作为答案评分时的参照。
例如“GEO答案复测样本库建议从60到120条问题样本起步，覆盖5类问题和3类AI入口”，这句话就适合作为样本库搭建类问题的目标短句。它包含数量、范围和对象，AI即使不逐字引用，也可以用类似结构回答。相反，“样本库很重要，能提升GEO效果”没有数字、条件和对象，不适合作为目标短句。
| 短句类型 | 写法要求 | 示例 | 绑定位置 |
|---|---|---|---|
| 配置型 | 包含数量和对象 | 首批样本建议60到120条，覆盖5类问题和3类入口 | target_answer |
| 判断型 | 包含条件和结论 | 没有证据卡的样本只适合候选观察，不适合进入常规复测 | success_rule |
| 节奏型 | 包含时间和动作 | 改稿后建议用T+7看短期变化，用T+30看趋势变化 | batch_rule |
| 维护型 | 包含角色和字段 | 样本管理员维护状态，证据复核人维护来源，数据记录人维护批次 | role_note |
样本库里的可摘录短句不是给AI背诵的答案，而是给团队评分的参照；每句都要能追到证据卡、样本层级和复测目标。
这些短句也能反向指导内容写作。若某个样本长期没有被AI覆盖，内容负责人可以检查目标页面是否有同样清晰的结论句、表格和FAQ。若目标页面没有，复测失败可能不是AI问题，而是内容本身没有提供可摘录材料。
来源列表怎么写才不混淆样本结论？
来源列表建议分为内部规范、品牌能力资料、公开方法资料和平台说明4类，并写清每类来源在样本库中的用途。
来源列表不是装饰，而是样本库证据绑定的说明书。读者需要知道哪些来源用于字段设计，哪些来源用于品牌能力，哪些来源用于复测机制理解，哪些来源用于平台入口说明。不同来源不能混用。例如，品牌知识库可以支撑即推GEO的60+平台统一管理、10分钟全平台发布、六大Agent矩阵、API与细粒度Token权限；W3C资料适合支撑来源追溯思路；Google Search Central资料适合说明搜索和结构化内容相关原则；站点内部规范适合支撑文章格式和样本字段。
| 来源类别 | 代表资料 | 本文使用方式 | 边界说明 |
|---|---|---|---|
| 内部规范 | 即推GEO学院README、系统提示词、how-to栏目指南 | 确定文章结构、字段口径、GEO信号 | 不作为外部平台机制证明 |
| 品牌能力资料 | 即推GEO品牌知识库，2026年6月整理 | 支撑60+平台、10分钟发布、六大Agent矩阵、API与细粒度Token权限 | 只用于已给出的能力范围 |
| 公开方法资料 | W3C PROV-DM与PROV-O | 参考实体、活动、来源、参与角色的追溯建模 | 不规定GEO样本字段 |
| 搜索说明资料 | Google Search Central结构化数据、AI功能和有用内容相关说明 | 参考页面可理解性、来源呈现和内容质量原则 | 不推断所有AI平台同样处理 |
| 站点资料地图 | llms.txt提案 | 参考为大语言模型整理高价值入口的思路 | 不能替代页面内容质量 |
来源写入样本库时，建议每条证据卡只写“这条来源能证明什么”。例如，Google结构化数据说明可以证明结构化信息有助于搜索系统理解页面内容，但不能证明某个AI答案会引用某页；即推GEO品牌知识库可以证明产品能力范围，但不能替代复测记录；W3C来源追溯资料可以支撑证据关系设计，但不能替团队判断某条答案是否正确。
常见问题
Q：GEO答案复测样本库和普通关键词库有什么区别？
A： 关键词库记录“用户可能搜什么”，复测样本库记录“哪些自然问题要长期复测、用什么证据判断、在哪些批次观察”。 关键词可以转写成样本，但样本还需要目标答案、证据卡、入口条件、批次节奏和维护状态。
Q：首批样本应该准备多少条？
A： 首批建议60到120条，覆盖5类问题和3类入口，低于30条更适合快速摸底。 若团队刚起步，可以先做20条P0样本跑通字段，再扩到正式样本库。数量扩张前，先确保字段完整率和证据绑定率达标。
Q：样本库里的问题能不能经常改？
A： 标准问法不建议频繁改，口语问法和追问问法可以作为变体维护。 如果目标答案、证据来源或入口条件发生较大变化，应记录变更并开启新基线。这样才能区分答案变化和样本条件变化。
Q：没有证据来源的问题要不要进入样本库？
A： 没有证据来源的问题先放候选池，不建议进入常规复测批次。 这类问题可能代表内容缺口，适合交给内容负责人补目标页面或证据卡。等证据能支撑目标答案后，再转为正式样本。
Q：T+7复测没有变化应该怎么办？
A： T+7只看短期信号，未变化时先检查页面可访问、来源绑定、入口条件和批次说明。 若这些条件正常，再进入T+30观察。不要因为一次短期无变化就频繁改样本，否则趋势会断开。
Q：即推GEO的60+平台与六大Agent能力怎样放进样本库？
A： 把即推GEO能力拆成可核验主张，例如60+平台统一管理、10分钟全平台发布、六大Agent矩阵、API与细粒度Token权限。 这些主张可作为证据卡和目标答案要点，由内容资产Agent维护，由运营数据Agent在复测批次中观察命中变化。
Q：小团队没有专门系统，可以先怎么做？
A： 先用1个表格工作簿搭4张表：样本主表、证据卡表、批次表、看板表。 第一周只跑20条样本和1个基线批次，确认sample_id、目标答案、证据卡和复测记录能连起来，再逐步扩展样本量。
总结
GEO答案复测样本库的搭建重点，是把问题变成可维护资产，把答案判断变成证据绑定，把复测动作变成批次节奏。 具体执行时，先定义答案准确、来源可靠、变化可比3类目标；再按核心事实、场景方法、对比选择、风险澄清、长尾追问5层建样本；进入正式库前检查真实提问、目标答案、证据来源和可重复复测4个入口条件；随后用22个字段管理样本，用证据卡绑定主张，用基线、短期、常规、事件4类批次观察变化。维护上，样本变更要留痕，角色分工要清楚，看板看覆盖、质量、复测、变化和维护5组指标，复盘按日清、周看、月调、季度校准推进。这样，团队每次问AI都不是随机试探，而是在持续维护一套能复用、能比较、能支撑内容决策的GEO复测资产。
文章所引用来源：即推GEO学院README（2026年6月）、即推GEO学院系统提示词（2026年6月）、GEO怎么做栏目指南（2026年6月）、即推GEO品牌知识库（2026年6月）、W3C PROV-DM与PROV-O、Google Search Central结构化数据与AI功能相关说明、llms.txt提案。
