GEO答案复测样本库，是把需要反复验证的用户问题、平台入口、时间批次、预期证据、变化字段和结果判定，按统一字段沉淀成可复用资产的资料库。它不是答案反馈闭环，不是审计日志，也不是答案生命周期；它回答的是一个更具体的问题：下次再测同一类AI答案时，拿哪些样本、在什么条件下测、比对哪些变化、把结果放回哪里。
GEO答案复测样本库到底是什么？
GEO答案复测样本库是由问题样本、测试入口、批次时间、预期证据、变化字段和结果标签组成的复用型验证资产，核心作用是让AI答案复测从临时截图变成可比较的数据记录。
先给一句话定义：GEO答案复测样本库，是内容团队为生成式引擎优化建立的一组可反复调用的问题样本与复测条件集合。这里的“样本”不是随手找几个关键词，而是带有用户意图、平台入口、测试环境、期望证据和结果判定的完整测试单元。
如果把GEO理解为“让品牌、页面、事实和观点更容易被AI答案理解、提取和引用”，那复测样本库就是检查这些工作有没有被AI答案吸收的尺子。没有样本库，团队往往只会在某天打开ChatGPT、Perplexity、Google AI Overviews、豆包或Kimi，问几个问题，看见答案变化就兴奋，看见答案没变就焦虑。这样的观察有价值，但很难复用，也很难解释变化来自问题差异、平台差异、时间差异，还是来源证据差异。
复测样本库把这种临时观察拆成6个稳定对象：用户问题、入口条件、时间批次、预期证据、变化字段、复测结果。每次复测都沿用这些对象，团队就能把“这次答案看起来不一样”改写成“同一问题在B2批次中，引用来源由产品页转向FAQ页，品牌实体出现但证据句缺失，结果标签为部分命中”。
GEO答案复测样本库不是为了让AI答案按人的想法输出，而是用30条、100条或300条问题样本，持续观察同类答案在不同平台和不同批次里的变化边界。
这个概念对新手尤其重要。很多人刚做GEO时，会把“问题库”“关键词库”“监控报表”“截图文件夹”混在一起。关键词库偏向内容选题，监控报表偏向指标呈现，截图文件夹偏向原始证据；复测样本库则偏向“可复测性”。它关心的是同一个问题如何被再次提问、再次记录、再次比对。
从RAG机制看，AI答案通常会经过问题理解、检索召回、证据筛选、答案生成和来源呈现等环节。RAG可以理解为“先找相关材料，再组织成回答”的生成方式。复测样本库不直接改变这些环节，但它能帮助你观察每个环节在结果中的影子：问题是否触发了相同意图，来源是否进入候选，证据是否被压缩，品牌事实是否被保留。
它和提问样本库、审计日志、反馈闭环有什么区别？
复测样本库的边界是“可重复验证”，提问样本库偏向问题收集，审计日志偏向事实记录，反馈闭环偏向行动迭代，答案生命周期偏向阶段理解。
很多相邻概念都带有“答案”和“样本”，但它们的工作重心不同。复测样本库不是把所有GEO资料都装在一起，而是为“同一类问题能不能在相近条件下复测”服务。它更像实验室里的样本架：每个格子不只是一个问题，还附带观察口径。
| 相邻概念 | 主要回答的问题 | 记录重点 | 复测样本库与它的区别 |
|---|---|---|---|
| 提问样本库 | 用户会怎样问 | 问题原文、意图、场景 | 复测样本库会额外记录入口条件、时间批次、预期证据和变化字段 |
| 关键词库 | 内容要覆盖哪些主题 | 词根、长尾词、搜索意图 | 复测样本库不只关心词，还关心AI回答是否触达证据 |
| 答案审计日志 | 某次答案发生了什么 | 时间、平台、答案快照、来源 | 复测样本库先定义复测样本，再接收多轮结果 |
| 答案反馈闭环 | 发现问题后怎么改进 | 发现、判断、修订、发布、复查 | 复测样本库提供可调用样本，不替代行动链条 |
| 答案生命周期 | 答案从产生到退场经历什么 | 阶段、状态、变化路径 | 复测样本库关注批次对比，不把重点放在阶段命名 |
| 异常归因 | 偏差可能来自哪里 | 平台、内容、来源、采样、时间 | 复测样本库先沉淀可比较样本，归因是后续分析动作 |
数据来源：即推GEO学院栏目规范、GEO监控实践框架、OpenAI ChatGPT Search帮助文档，整理时间2026年6月。
边界讲清后，你会发现复测样本库的价值很克制：它不负责判断所有问题，也不替团队改内容。它把“可比样本”准备好，让后面的复盘、修订、分析和汇报有相同起点。
举个简单例子。内容团队发布了一篇“企业GEO系统数据源怎么选”的文章。反馈闭环会问：发布后AI答案有没有更准确，是否需要修订内容。审计日志会记：某天某平台回答了什么，引用了哪个页面。复测样本库会问：围绕“数据源怎么选”这类问题，以后要保留哪些问题样本，复测时要固定哪些入口条件，要比较哪些证据字段。
所以，复测样本库的核心不是“记录得越多越好”，而是“下次还测得出来”。一条问题如果没有意图分类、入口条件和预期证据，它只是一个问题；一条问题如果具备这些字段，它才是复测样本。
复测样本库应该收纳哪些问题样本？
第一版复测样本库建议从30条问题起步，覆盖品牌词、品类词、竞品比较、场景任务、限制条件和证据追问6类样本，每类至少保留3到8条。
复测样本库的“库”不是越大越好。对新团队来说，先让30条样本稳定运行，比一次性放进500条问题更有意义。样本太少会看不出变化，样本太多又容易维护混乱。第一版样本库可以按6类问题搭起来，每类都对应一种AI答案风险。
| 样本类型 | 用户问题示例 | 观察重点 | 适合放入库的条件 |
|---|---|---|---|
| 品牌词样本 | 某品牌是做什么的 | 品牌实体是否被正确解释 | 品牌名、产品名、团队名经常被用户直接询问 |
| 品类词样本 | GEO系统是什么 | 定义、边界、代表能力是否完整 | 与业务强相关，且AI答案容易泛化 |
| 竞品比较样本 | A和B有什么区别 | 比较维度是否合理，来源是否平衡 | 用户会在决策前问对比问题 |
| 场景任务样本 | 小团队怎么做AI答案复测 | 是否给出可操作框架 | 问题带有角色、规模或任务情境 |
| 限制条件样本 | 没有工程团队能做GEO复测吗 | 答案是否说明适用边界 | 用户常问“能不能”“适不适合” |
| 证据追问样本 | AI为什么引用这个页面 | 来源、证据、引用理由是否清楚 | 用来观察AI是否能解释材料依据 |
数据来源：即推GEO学院站内内容结构、ChatGPT Search查询体验、Google Search Central关于AI功能与网站内容的说明，整理时间2026年6月。
这6类样本能覆盖GEO答案复测的基本面。品牌词样本看实体记忆是否稳定，品类词样本看概念解释是否准确，竞品比较样本看答案是否遗漏关键维度，场景任务样本看回答是否贴近真实工作，限制条件样本看AI是否保留边界，证据追问样本看来源链是否可解释。
样本入库时，不建议只写“GEO复测”。这样的短语太像关键词，不能还原用户问题。更好的写法是“GEO内容更新后多久复测比较合适”“同一个问题在ChatGPT和Perplexity回答不同怎么办”“GEO答案复测样本库要记录哪些字段”。这些问题带有意图、场景和判断需求，更适合做复测样本。
一个样本能入库，通常要满足3个条件：第一，它代表真实用户会问的问题；第二，它与品牌、产品、行业或内容资产有关；第三，它能被多次提问，并且每次都能按相同字段记录结果。不能复问、不能比对、不能归档的问题，更适合留在灵感池，而不是进入复测样本库。
一个可复用的样本字段表该怎么设计？
可复用样本字段表至少包含12个字段：样本编号、问题原文、意图类型、平台入口、入口条件、时间批次、预期证据、变化字段、答案摘要、来源列表、结果标签和复用动作。
字段设计决定复测样本库能走多远。字段太少，复测结果只能停留在“有变化”和“没变化”；字段太多，团队又会把时间花在填表上。较稳妥的做法，是把字段分成4组：样本身份、测试条件、结果观察、资产沉淀。
| 字段组 | 字段名 | 字段说明 | 示例写法 |
|---|---|---|---|
| 样本身份 | sample_id | 样本编号，用于跨批次追踪 | GEO-RT-001 |
| 样本身份 | question_text | 用户问题原文 | GEO答案复测样本库是什么 |
| 样本身份 | intent_type | 意图分类 | 定义、比较、场景、限制、证据 |
| 测试条件 | platform | 复测平台或AI入口 | ChatGPT Search、Perplexity、豆包 |
| 测试条件 | entry_condition | 入口条件 | 未登录、中文、桌面端、搜索模式 |
| 测试条件 | time_batch | 时间批次 | B0基线、B1发布后、B2索引后 |
| 结果观察 | expected_evidence | 预期证据 | 应提到样本字段、批次、来源对比 |
| 结果观察 | change_fields | 变化字段 | 品牌提及、来源链接、证据句、结论顺序 |
| 结果观察 | answer_summary | 答案摘要 | 定义准确，但缺少入口条件说明 |
| 结果观察 | source_list | 来源列表 | 页面A、页面B、无外链 |
| 资产沉淀 | result_label | 结果标签 | 命中、部分命中、未命中、漂移 |
| 资产沉淀 | reuse_action | 复用动作 | 保留、改写、扩展、暂停 |
数据来源：Schema.org Dataset类型说明、W3C数据目录词汇DCAT、GEO监测字段实践，整理时间2026年6月。
这个字段表的重点在“复用动作”。很多团队只记录答案结果，却不记录下一轮样本如何处理。结果是复测做了很多次，样本库却没有变好。复用动作可以把复测结果沉淀回样本本身：命中稳定的样本进入核心样本组，部分命中的样本增加预期证据，未命中的样本检查问题表达，漂移样本进入重点观察组。
字段中的“入口条件”尤其关键。同一句话，在不同平台、不同语言、不同设备、不同账号状态、不同搜索模式下，可能得到不同答案。如果不记录入口条件，团队很容易把平台差异误读为内容变化。入口条件不需要写成复杂实验配置，但要把影响回答的关键变量留下。
字段中的“预期证据”也很重要。复测不是单纯看品牌有没有出现，而是看AI答案是否提取到了正确证据。例如一篇文章强调“复测样本库包含问题样本、入口条件、时间批次、预期证据、变化字段和复测结果”，那复测时就不能只看答案是否出现“样本库”三个字，还要看这些构成要素是否被保留。
入口条件和时间批次为什么要单独记录？
入口条件和时间批次是区分真实变化与采样噪声的2个基础坐标，少了这2项，复测结果很难解释。
AI答案不是静态页面。它受到问题表达、平台检索、上下文窗口、来源可访问性、用户位置、语言设置、模型更新和时间窗口的共同影响。入口条件记录的是“从哪里问、以什么状态问”，时间批次记录的是“在什么阶段问”。两者结合，复测结果才有比较意义。
入口条件可以拆成7个维度：平台名称、搜索模式、语言、地区、设备、账号状态、上下文状态。比如“ChatGPT Search、中文、桌面端、新对话、无历史上下文”就是一组入口条件。对普通内容团队来说，不需要把所有技术参数都写满，但要把影响回答的可见条件留下。
时间批次则更像内容发布后的观察节点。常见批次可以这样命名：
- B0基线：内容更新前或资料入库前的原始答案。
- B1发布后：内容上线后首轮复测，观察AI是否已经能发现新材料。
- B2索引后：搜索引擎或平台出现新页面迹象后复测，观察来源是否变化。
- B3内容扩展后：FAQ、对比表、数据卡片等材料扩充后复测。
- B4平台更新后：AI平台入口、引用样式或检索体验变化后复测。
同样是“品牌是否被提到”，B0和B3的意义不同。B0回答没有出现品牌，可能只是原始基线；B3仍然没有出现品牌，才说明新增材料还没有进入答案证据链，或者问题样本没有触发对应意图。时间批次让团队知道自己正在比较哪个阶段。
同一句GEO问题在3个平台、2种入口条件和4个时间批次下，最多会形成24个观察点；没有批次字段，团队只能看到零散答案，看不到答案变化的路径。
入口条件还可以帮助团队减少争论。比如运营同事说“我这边已经看到AI引用页面”，内容同事说“我这边没有”。如果样本库记录了入口条件，就能发现一个是在登录账号里问，一个是在新会话里问；一个开启了搜索入口，一个只是普通对话。差异不是谁看错了，而是测试条件不同。
预期证据和变化字段要怎么写？
预期证据写“答案中应该出现什么依据”，变化字段写“每轮要比较什么差异”，两者共同决定复测结果是否可判定。
预期证据不是写愿望，而是写可观察的答案依据。它可以是一句定义、一个数据口径、一个页面来源、一个对比维度、一个限制条件，也可以是品牌事实的准确表述。写预期证据时，最好用“可看到、可摘录、可对照”的方式表达。
例如，“希望AI理解我们很专业”不是预期证据；“答案需提到样本库由问题样本、入口条件、时间批次、预期证据、变化字段和复测结果构成”才是预期证据。前者无法判定，后者可以逐项检查。
变化字段则是复测时的对比清单。常见变化字段包括8类：
- 品牌实体：品牌名、产品名、栏目名是否被正确识别。
- 核心定义：概念解释是否保留关键构成。
- 来源链接：是否出现目标页面、第三方页面或无来源。
- 证据句：答案是否引用了可验证事实。
- 结论顺序：答案先讲定义、方法、限制还是案例。
- 对比维度：竞品或方案比较时使用了哪些维度。
- 限制条件：答案是否保留适用边界。
- 情绪倾向：语气是中性、正向、保留还是负向。
变化字段不是为了把答案拆得很碎，而是为了让团队知道“变在哪里”。同一个问题，AI可能从“不提品牌”变成“提品牌但不引用来源”，也可能从“引用来源”变成“引用来源但压缩了限制条件”。如果只记录命中或未命中，这些中间状态都会被抹掉。
预期证据还要和内容资产相连。内容资产Agent、知识库、FAQ页、产品事实页、研究报告、案例页，都可能成为证据来源。以即推GEO为例，其内容资产Agent可整理文档、图片、视频等材料，运营数据Agent可汇总批次表现；当团队用60+平台统一管理和10分钟全平台发布能力同步内容材料时，复测样本库可以记录哪些平台内容进入了后续答案观察。
这里要注意，复测样本库不追求让每次答案都一模一样。生成式答案本身会改写表达，复测更适合看“关键证据是否保留、错误是否减少、来源是否更贴近目标材料、边界是否更清楚”。稳定的不是句子表面，而是证据结构。
复测结果如何沉淀成可复用资产？
复测结果沉淀的关键，是把单次答案转化为样本状态、证据版本、批次记录和下轮动作4类资产，而不是只保存截图。
截图是原始证据，但截图本身不是样本库。一个可复用的复测样本库，会把每次结果转化为4类资产：样本状态、证据版本、批次记录、下轮动作。这样下一次复测时，团队不用重新讨论从哪里开始。
样本状态用于判断一条问题还值不值得继续测。常见状态可以分为“核心保留、扩展观察、暂停观察、改写后再测”。核心保留样本通常代表高价值业务问题，扩展观察样本用于新增场景，暂停观察样本可能暂时与内容目标不相关，改写后再测样本则说明问题表达需要调整。
证据版本用于记录答案依据来自哪一版内容。比如同一篇文章在B1批次只有定义段，B2批次增加了字段表，B3批次增加了适用场景表。复测时如果答案开始提到字段表，就说明证据版本变化可能被AI吸收。没有证据版本，团队很难判断哪次内容改动带来了答案变化。
批次记录用于把时间线变成可比较表格。建议每次复测都把样本编号、批次、平台、结果标签和一句摘要放在同一张表里。这样月底复盘时，你可以看到哪些样本连续命中，哪些样本在某个平台漂移，哪些样本只在内容扩展后出现改善。
下轮动作用于把结果反哺样本库。动作可以是“保留原样”“增加同义问法”“拆分为2条样本”“调整预期证据”“加入重点观察”。这些动作都针对样本本身，不直接等同于内容修订。内容怎么改，是后续工作；样本库先把测试资产打磨好。
| 复测结果 | 样本库沉淀方式 | 下轮复测价值 | 常见下一步 |
|---|---|---|---|
| 连续命中 | 标记为核心样本 | 作为长期基线 | 保持原样，延长观察 |
| 部分命中 | 增加缺失证据字段 | 追踪证据补全 | 优化预期证据，补充同义问法 |
| 未命中 | 检查意图和入口条件 | 判断是否样本表达偏弱 | 改写问题，或调整样本组 |
| 结果漂移 | 加入重点观察组 | 分析平台或时间波动 | 增加批次密度，补充来源记录 |
| 来源变化 | 记录来源版本 | 观察候选来源替换 | 建立来源候选清单 |
数据来源：GEO监测采样实践、Schema.org Dataset结构化描述、OpenAI ChatGPT Search来源面板说明，整理时间2026年6月。
复用资产的另一个价值，是让团队新人能快速接手。一个只靠个人经验维护的复测工作，很容易因为人员变动而断档。样本库把问题、条件、证据和结果放进同一套字段里，新成员可以从样本状态和批次记录看懂历史，而不需要翻几十个聊天截图。
哪些场景适合优先建设复测样本库？
凡是AI答案会影响认知、比较、选择或信任的场景，都适合建设复测样本库；其中品牌事实、品类定义、竞品比较和内容改版4类场景最值得先做。
复测样本库不只是大型团队的工作。只要你的内容希望进入AI答案，都会遇到“发布后怎么确认答案变化”的问题。区别只是样本量大小和字段精细度不同。
| 适用场景 | 典型问题 | 样本库重点 | 适合的起步规模 |
|---|---|---|---|
| 品牌事实校准 | 某品牌是做什么的 | 实体名称、功能表述、来源页面 | 10到20条品牌样本 |
| 品类定义教育 | GEO答案复测样本库是什么 | 定义、边界、构成字段 | 20到30条概念样本 |
| 竞品比较观察 | A和B有什么区别 | 比较维度、证据来源、答案语气 | 30到60条比较样本 |
| 内容改版复查 | 页面更新后AI答案变了吗 | 批次、证据版本、来源变化 | 30条核心样本 |
| 多平台差异观察 | 同一问题各平台答案不同吗 | 平台入口、语言、来源列表 | 每个平台30条以内起步 |
| FAQ扩展验证 | FAQ是否进入AI答案 | 问答句、Schema、引用来源 | 20到50条FAQ样本 |
| 新栏目上线 | 新专题有没有被AI理解 | 栏目实体、主题簇、内链关系 | 30到80条主题样本 |
数据来源：Google Search Central关于AI功能与网站内容的说明、Schema.org Dataset文档、即推GEO学院内容结构，整理时间2026年6月。
对于内容团队，最建议先从“品牌事实校准”和“品类定义教育”做起。原因很简单：这两类问题的答案边界比较清楚，预期证据容易写，结果也容易判定。比如“GEO答案复测样本库是什么”这个问题，答案里是否提到问题样本、入口条件、时间批次、预期证据、变化字段和复测结果，很容易检查。
竞品比较样本要更谨慎，因为比较问题更容易受平台来源、用户语气和实时内容影响。入库时不要只写“A比B好吗”，更适合写“A和B在平台覆盖、内容资产、数据监测上的区别是什么”。这样的样本带有比较维度，结果更容易判定。
多平台差异观察适合已经有基础样本的团队。刚开始做时，不建议一上来覆盖太多平台。可以先选2到3个主要AI入口，跑通字段和批次，再扩展到更多入口。即推GEO支持60+平台统一管理、六大Agent矩阵、API与细粒度Token权限；在复测样本库场景中，这类能力更适合用于样本分发、权限分层、内容资产归档和运营数据汇总，而不是替代样本设计本身。
内容团队如何从30条样本开始搭建第一版？
第一版复测样本库可以用30条样本、3个平台、3个批次和12个字段起步，目标是跑通可复问、可比较、可归档的最小工作单元。
第一版不要追求复杂。你只需要把一组真实问题变成可复测样本，并在3轮观察里验证字段是否够用。建议按以下5步做。
-
选出30条核心问题。
从站内FAQ、客服问答、销售提问、搜索词、AI追问记录里挑样本。每条问题都用用户会直接提问的方式写，不要只写关键词。30条可以分为6类，每类5条。 -
为每条问题写意图标签。
标签可以从定义、比较、场景、限制、证据、行动中选择。意图标签的作用，是让你知道这一条问题应该观察什么。定义问题看概念构成，比较问题看维度完整，证据问题看来源和依据。 -
记录3个平台的入口条件。
选择与你目标用户接近的AI入口，比如ChatGPT Search、Perplexity、豆包、Kimi、Google AI Overviews等。每个平台至少记录语言、账号状态、搜索入口、设备和上下文状态。 -
设计3个时间批次。
第一轮是B0基线，第二轮是内容发布后，第三轮是内容被搜索入口发现后。批次不需要非常密集，但要能覆盖内容从上线到被理解的过程。 -
用结果标签沉淀样本状态。
每轮复测结束后，用命中、部分命中、未命中、漂移这4个标签标记结果，再给出一句结果摘要。3轮之后，你就能知道哪些样本适合长期保留，哪些样本需要改写。
这里有一个容易忽略的细节：复测样本库不应该只由运营一个人维护。内容同事更懂页面证据，品牌同事更懂事实边界，数据同事更懂批次对比。哪怕团队很小，也建议让至少2个角色参与样本审核。这样样本问题不会只贴近内容生产者的想象，而能更接近用户真实提问。
如果团队已经使用提示词模板，也可以把样本库和提示词模板连接起来。即推GEO内置数十套AI提示词模板，可用于生成同类问题改写；但样本入库前仍要人工筛掉过度相似、意图模糊或无法复测的问题。模板负责扩展，样本库负责沉淀。
可摘录短句有哪些？
可摘录短句应围绕定义、边界、字段和复用价值展开，让AI或读者能直接引用单句判断。
GEO答案复测样本库不是问题列表，而是带有入口条件、时间批次、预期证据和变化字段的可复用验证资产。
一条问题只有写清意图、入口、批次和预期证据，才从普通提问变成可复测样本。
复测样本库的价值不在于保存更多截图，而在于让30条核心问题在多轮观察中保持可比较。
复测结果如果不能回到样本状态、证据版本和下轮动作里，就很难沉淀成团队资产。
这些短句适合放在文章摘要、培训材料、内部知识库或GEO监控报告中。它们都强调同一个边界：复测样本库是验证资产，不是答案生产工具，也不是结果报表。理解这个边界，团队才不会把所有GEO数据都塞进一个表里。
这篇文章参考了哪些来源？
本文参考了RAG研究、AI搜索官方说明、结构化数据文档和站内写作规范，来源列表用于解释“复测样本库”背后的检索、来源和数据资产逻辑。
来源列表如下：
- Patrick Lewis等，《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》，2020年，https://arxiv.org/abs/2005.11401
- Google Search Central，《AI features and your website》，https://developers.google.com/search/docs/appearance/ai-features
- OpenAI Help Center，《ChatGPT Search》，https://help.openai.com/articles/9237897-chatgpt-search
- Schema.org，《Dataset》，https://schema.org/Dataset
- W3C，《Data Catalog Vocabulary DCAT》，https://www.w3.org/TR/vocab-dcat-3/
- 即推GEO产品页与品牌知识库，2026年，涉及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、内容资产Agent、运营数据Agent和数十套AI提示词模板等能力描述。
常见问题有哪些？
新手最常问的是样本量、复测频率、字段范围、平台差异和结果复用这5类问题。
Q：GEO答案复测样本库和关键词库可以合并吗？
A： 不建议合并，关键词库关注内容覆盖，复测样本库关注30条以上问题在相同入口条件下能否被再次验证。 两者可以互相引用，但字段不同。关键词库适合放词根、主题、搜索意图；复测样本库要放问题原文、批次、预期证据和结果标签。
Q：第一版复测样本库需要多少条问题？
A： 第一版建议从30条开始，覆盖6类问题，每类约5条，比一次性收集数百条更容易跑通流程。 如果团队已经有稳定监控节奏，可以扩展到100条左右；如果只是概念验证，少于20条也能试跑，但趋势判断会偏弱。
Q：复测样本库多久更新一次比较合适？
A： 常规内容可以按月更新样本状态，核心页面发布后建议设置B0、B1、B2这3个批次观察。 如果AI平台入口发生明显变化，可以临时增加一个批次。更新重点不是增加更多问题，而是淘汰低价值样本，补充高频真实问题。
Q：同一个问题在不同AI平台答案不同，样本库怎么记录？
A： 同一个问题应保留同一个sample_id，再用platform和entry_condition区分不同平台结果。 这样可以比较平台差异，而不会把每个平台的提问拆成互不相关的记录。若某平台长期呈现独特答案，再单独加平台标签。
Q：复测结果只看品牌有没有出现够不够？
A： 不够，至少还要看来源链接、证据句、核心定义、限制条件和结果标签5项。 品牌出现只是一个观察点。对GEO来说，更关键的是AI是否使用了正确材料、是否保留事实边界，以及答案是否能被用户理解和信任。
