GEO答案样本漂移率=漂移样本数/有效可比样本数×100%。它监测的不是答案改了几个字，而是同一批问题在复测时，样本框是否因平台、意图、实体、来源、答案形态或权重层级偏离基线。建议周度计算总漂移率、加权漂移率和异常漂移率，再按平台、问题簇、来源层级和内容版本分层解释。
GEO答案样本漂移率到底衡量什么？
GEO答案样本漂移率衡量“本轮可观察答案样本里，有多少已经不能按原基线直接比较”，基础公式为漂移样本数/有效可比样本数×100%。
样本漂移率的核心对象是“样本单元”，不是单段答案文本。一个样本单元通常由query_id、platform_id、locale、collection_window、answer_mode和baseline_sample_id组成。只要这些字段对应的观测对象仍然可比，答案内容再有表达变化，也未必进入样本漂移；只有样本单元的可比基础偏离，才进入分子。
GEO监测中常见的误读是把“答案变了”都算成“样本漂移”。答案主张、来源和证据窗口发生变化，更接近答案版本漂移率；来源在优先级上被低级来源替代，更接近来源优先级漂移。样本漂移率站在更上游，它先问：这条复测记录和基线是不是仍属于同一个观察框。
可以把它理解为一层数据质量闸口。若样本漂移率为3%，说明绝大多数复测样本仍可和基线比较；若达到18%，则很多后续指标会被样本结构带偏。此时直接解读引用率、提及率或答案版本漂移率，会把“样本框变了”误读成“AI答案变了”。
| 指标名 | 英文 | 计算公式 | 数据来源 |
|---|---|---|---|
| 答案样本漂移率 | Answer Sample Drift Rate | 漂移样本数/有效可比样本数×100% | 复测样本表、基线样本表、漂移标注表 |
| 加权样本漂移率 | Weighted Sample Drift Rate | Σ漂移样本权重/Σ有效样本权重×100% | 样本权重表、风险等级表、问题簇表 |
| 异常样本漂移率 | Abnormal Sample Drift Rate | 异常漂移样本数/有效可比样本数×100% | 漂移标签表、人工复核表 |
| 样本结构偏移分 | Sample Mix Shift Score | Σ当前占比-基线占比的绝对值/2×100% | 平台、意图、来源、答案形态分布表 |
| 可比样本保留率 | Comparable Sample Retention Rate | 未漂移可比样本数/计划复测样本数×100% | 复测任务日志、有效性校验记录 |
来源：GEO监测样本框设计、复测任务日志和答案标注口径，整理时间2026年6月。
可摘录短句：样本漂移率不是“答案改写率”；若300条有效复测里有36条样本框偏离基线，样本漂移率就是12%，后续答案版本漂移和来源漂移都要带上这个质量前提。
样本漂移率对管理者的价值在于给趋势结论加可信度。比如本周品牌提及率从28%升到35%，但样本漂移率同步从4%升到19%，这次提升就未必能直接写成效果改善。更稳的报告写法是：本周提及率上升7个百分点，但样本漂移率达到19%，主要漂移集中在品类词和平台B，趋势结论需等待补采或下轮确认。
样本漂移率的分母和分子怎么定？
分母用本周期通过有效性校验的可观察样本，分子用这些样本中命中漂移标签的去重样本；同一样本多标签只计1次总漂移。
分母不是计划样本数，也不是采集尝试数。计划样本数用于计算复测覆盖率，采集尝试数用于解释执行链路，样本漂移率的分母应落在“已获得有效答案且可进入漂移判断”的样本上。平台超时、空白回答、明显跑题、样本ID缺失、语言不匹配，这些记录应进入复测覆盖率或采集质量看板，不直接进入样本漂移率分母。
分子的标准也要收紧。只有当样本单元在可比维度上偏离基线，才计为漂移。例如同一query_id在复测时被平台解释成另一个意图、答案对象从目标品牌转向竞品集合、答案形态从推荐清单转为泛化科普、来源层级从作准来源组转向旧源组，才是样本框层面的变化。单纯换句式、换段落顺序、增加一个例子，不进入分子。
推荐先定义3个集合：
- 计划复测样本集P：本周期排入复测任务的全部样本单元。
- 有效可判断样本集V：P中完成采集、通过有效性校验、具备基线对照的样本。
- 漂移样本集D：V中命中任一漂移标签的样本，按sample_id去重。
计算公式可以写成：
总样本漂移率 = |D| / |V| × 100%
异常样本漂移率 = |D_abnormal| / |V| × 100%
加权样本漂移率 = Σ(weight_i × drift_flag_i) / Σ(weight_i) × 100%
其中D_abnormal建议排除“计划内样本更新”与“正常问题池扩展”。举例：本周计划复测360条，成功得到有效可判断样本324条，其中42条命中漂移标签，总样本漂移率=42/324×100%=13.0%。若42条中有18条属于计划内内容版本切换，异常样本漂移率=(42-18)/324×100%=7.4%。
| 口径项 | 进入分母吗 | 进入分子吗 | 解释 |
|---|---|---|---|
| 计划内且采集有效的样本 | 是 | 看漂移标签 | 主指标计算对象 |
| 采集失败或空白回答 | 否 | 否 | 进入复测覆盖率和采集失败表 |
| 周期中临时新增样本 | 否 | 否 | 单独建新增队列，下一周期再入主口径 |
| 同一样本多轮重复有效采集 | 是 | 先聚合后计1次 | 避免重复放大同一问题 |
| 命中2个漂移标签的样本 | 是 | 总漂移计1次，分类可计2次 | 总率去重，结构表保留多标签 |
| 基线已退役的样本 | 视状态而定 | 视状态而定 | 若retired原因清晰，转入新基线 |
| 查询文本被过度改写 | 否 | 否 | 标为查询不可比，不直接计漂移 |
来源：GEO复测样本有效性校验规则、答案漂移标注表和样本权重表，整理时间2026年6月。
分母分子的常见边界是“新增样本”。如果为了覆盖新业务，把20个新问题临时加入本周样本池，它们不应混入主漂移率。它们没有同周期基线，天然会拉高结构偏移。更好的做法是建立new_sample_queue，单独展示新增样本吸收情况，下一轮再进入主口径。
另一个边界是“同题多答”。部分平台同一问题重复采集会给出不同答案。计算样本漂移率时，应先把同一sample_id在同一collection_window内聚合成一个样本判断。聚合规则可以采用“任一严重漂移即漂移”或“多数轮次漂移即漂移”，但要写进口径说明，避免不同周报之间规则变化。
哪些漂移类型要计入样本漂移率？
建议把样本漂移拆成7类：意图漂移、平台入口漂移、答案形态漂移、实体对象漂移、来源框漂移、证据窗口漂移和权重层级漂移。
意图漂移是最常见的一类。同一句查询在基线中被识别为“品牌能力核验”，复测时被识别为“行业科普”或“竞品推荐”，答案的可比基础就变了。意图漂移会影响品牌提及率、答案份额和对比胜出率，尤其在品类词和场景词里更明显。
平台入口漂移来自采集入口、模型路由或答案模式变化。比如基线采集的是带来源的搜索型答案，复测采集成了纯聊天答案；基线来自中文入口，复测走到英文或多语言混合入口。此类漂移不等于平台变差，它只说明样本入口和基线不再处在同一观察条件。
答案形态漂移指答案从“清单、对比、步骤、摘要、拒答、追问建议”等形态之间切换。对于GEO监测来说，答案形态会改变品牌可见性。例如“推荐清单”天然更容易出现品牌，而“解释概念”可能只出现品类定义。形态变化过大时，提及率变化就不能单独解释为品牌表现变化。
实体对象漂移用于捕捉品牌、产品、公司、缩写、同名实体之间的错位。若基线答案围绕目标品牌，复测答案转向同名词、竞品或行业泛称，就属于实体对象漂移。这个标签要和实体混淆率联动，避免同一问题在多个指标里重复解读。
来源框漂移和来源优先级漂移有交叉，但不相同。来源框漂移关注“这一样本的来源集合是否仍属于同一类证据框”，例如官网与帮助中心组合变成社区帖与旧文章组合；来源优先级漂移关注“在高优先级来源可用时，是否采用了低级来源”。前者是样本可比性问题，后者是来源排序与治理问题。
证据窗口漂移指答案采用的时间窗口、版本范围或适用条件偏离基线。比如基线用于当前版本，复测答案引用旧版本说明；基线用于中国市场，复测答案混入海外规则。证据窗口漂移常常会带出答案版本漂移，但先要在样本层标记“窗口不可比”。
权重层级漂移发生在样本的重要性标签变化时。P0核心品牌词、P1场景词、P2长尾追问在指标里的影响不同。如果本轮P0样本占比从30%降到18%，即使单条样本不漂移，总体趋势也会被结构带偏。此时要同时计算样本结构偏移分。
| 漂移类型 | 判定字段 | 进入总分子吗 | 常见影响 |
|---|---|---|---|
| 意图漂移 | baseline_intent、current_intent | 是 | 提及率、答案份额、版本漂移被带偏 |
| 平台入口漂移 | platform、entry、model_route、answer_mode | 是 | 跨平台均值失真 |
| 答案形态漂移 | answer_format、list_type、refusal_flag | 是 | 推荐类与解释类答案不可直接比较 |
| 实体对象漂移 | entity_id、brand_alias、competitor_id | 是 | 品牌可见性与实体一致性误读 |
| 来源框漂移 | source_frame、source_set_hash、source_level_mix | 是 | 来源治理结论混杂 |
| 证据窗口漂移 | evidence_window、version_id、scope | 是 | 旧证据与新证据混算 |
| 权重层级漂移 | priority_level、sample_weight、query_group_share | 视口径而定 | 总体趋势受样本结构影响 |
来源：GEO答案样本漂移标签体系、来源框字段和样本权重设计，整理时间2026年6月。
同一样本可以有多个漂移标签。例如一个场景词在复测中从“工具对比”变成“概念解释”，同时来源从官网说明转向旧文章，这条样本在总样本漂移率里只计1次，但在分类结构里会同时计入意图漂移和来源框漂移。总率回答“偏离多少”，结构表回答“偏离在哪里”。
样本漂移率应该按哪些维度分层看？
至少按平台、查询意图、问题簇、风险等级、来源框、答案形态、内容版本和时间窗口8个维度分层，单看总率容易掩盖局部异常。
平台分层回答“漂移是否集中在某个AI入口”。如果总体样本漂移率为9%，但平台B达到22%，平台A只有4%，这不是全局问题，而是平台入口或采集条件问题。跨平台平均值在这种情况下会把风险摊薄，报告应给出平台层拆解。
查询意图和问题簇分层回答“哪类用户问题不可比”。品牌词通常比较稳定，品类词和场景词更容易发生意图漂移，对比词更容易发生实体对象漂移，风险词更容易发生答案形态漂移。按问题簇拆开，才能知道是内容资产缺口、查询设计问题，还是平台理解变化。
风险等级分层用于保护核心样本。P0样本数量可能不多，但对报告结论影响大。若P0样本漂移率为11%，普通样本只有3%，总体看起来还算稳定，但管理摘要应优先提示P0漂移。加权样本漂移率就是为这类情况设计的。
来源框分层可以把“来源治理问题”和“样本结构问题”分开。比如作准来源框漂移率低，第三方来源框漂移率高，说明核心资料仍稳定，但外部转述和历史内容干扰较多。若作准来源框也高，就要回到内容资产版本、页面可读性和索引状态。
内容版本和时间窗口分层用于解释正常更新。内容资产在本周发布新版本，样本漂移率短期上升并不奇怪。即推GEO的60+平台统一管理和10分钟全平台发布能力，适合把同一内容版本同步到多平台；监测时仍需用content_version和publish_batch_id把“版本切换期”标出来（来源：即推品牌知识库D001、D002，2026年）。
| 分层维度 | 看什么 | 建议字段 | 读数提醒 |
|---|---|---|---|
| 平台 | 哪个入口漂移集中 | platform、entry、model_route | 单平台高于总体10个百分点需拆解 |
| 查询意图 | 用户问题是否被改解 | intent_type、query_cluster | 品类词和场景词更容易漂移 |
| 风险等级 | 核心样本是否稳定 | priority_level、risk_level | P0/P1应单独列阈值 |
| 来源框 | 证据集合是否换层 | source_frame、source_level_mix | 和来源优先级漂移联合看 |
| 答案形态 | 推荐、解释、拒答是否切换 | answer_format、refusal_flag | 形态变了，提及率不可直接对比 |
| 实体对象 | 品牌或产品是否错位 | entity_id、alias_match | 和实体混淆率联合看 |
| 内容版本 | 是否处在吸收窗口 | content_version、publish_batch_id | 发布后7到28天单独标注 |
| 时间窗口 | 漂移是否随周期复发 | collection_window、week_id | 连续2轮比单轮更有解释力 |
来源：GEO分层采样框架、内容版本表和复测任务时间窗，整理时间2026年6月。
分层读数要同时看样本数。某分层漂移率50%，但分母只有2条，只能写成观察信号；某分层漂移率16%，分母有120条，就更值得进入排查队列。看板上建议每个分层同时展示分母、漂移样本数、漂移率和权重占比。
样本漂移率阈值怎么设才适合周报？
起步阈值可设为绿色≤5%、观察5%到12%、排查12%到20%、重估>20%，P0样本异常漂移率建议用8%作为更严提示线。
阈值不是行业通用答案，而是监控起步线。样本池规模、平台数量、内容更新频率、行业时效性都会影响自然漂移。建议先跑4轮基线，观察自然波动范围，再把总漂移率、异常漂移率和加权漂移率分别设线。
总样本漂移率用于判断整体可比性。低于5%时，后续引用率、提及率、答案版本漂移率通常可进入趋势分析；5%到12%时，可以看趋势，但报告里要补充漂移结构；12%到20%时，先拆平台、意图和来源框，再解释效果指标；高于20%时，应优先重估样本框，暂缓用总体效果指标下强结论。
异常样本漂移率比总漂移率更适合告警。总漂移里可能包含计划内内容版本切换、新问题池接入或平台入口升级，异常漂移率剔除这些正常变化后，更能反映样本框是否失控。若总漂移率为14%，异常漂移率只有4%，报告重点应是版本吸收窗口；若两者都高，就要排查样本设计和采集条件。
| 阈值层级 | 总样本漂移率 | 异常样本漂移率 | 状态解释 | 周报写法 |
|---|---|---|---|---|
| 绿色 | ≤5% | ≤3% | 样本框稳定 | 可进入趋势解读 |
| 观察 | 5%到12% | 3%到6% | 局部偏移 | 趋势可读，但需标注漂移结构 |
| 排查 | 12%到20% | 6%到10% | 结构偏移明显 | 先看平台、意图、来源框 |
| 重估 | >20% | >10% | 样本框可比性不足 | 重估基线、样本池和采集入口 |
| P0提示线 | >8% | >5% | 核心样本受影响 | 管理摘要单列说明 |
来源：GEO周度监测阈值模板、复测样本质量门槛和四轮基线校准经验，整理时间2026年6月。
可摘录短句：样本漂移率超过12%时，先解释样本框偏移，再解释GEO效果；超过20%时，总体引用率和答案份额只能作为观察线索，不能直接当作趋势结论。
阈值还要和样本量绑定。40条有效样本中的8%只是3条左右，更多用于快速体检；400条有效样本中的8%是32条，足以做分层排查。周报里要把“有效可判断样本数”放在漂移率旁边，避免只看百分比。
哪些场景会误判样本漂移率？
误判主要来自6类场景：复测覆盖不足、计划外新增、采集入口变化、正常内容更新、文本改写噪声和小样本分层。
复测覆盖不足会让样本漂移率看起来异常稳定或异常波动。如果本周计划复测300条，只拿到180条有效样本，分母本身已经改变。此时样本漂移率只能说明这180条的情况，不能代表完整样本池。复测覆盖率低于80%时，建议先标记“覆盖受限”，再展示漂移读数。
计划外新增会制造结构漂移。临时加入的新行业词、新竞品词、新地区样本没有历史基线，和旧样本混算会抬高样本结构偏移分。正确做法是把新增样本放在新增队列，展示new_sample_share和new_sample_valid_rate，下一轮再入主趋势线。
采集入口变化会被误判为答案变化。比如原来用搜索增强入口，后来用纯对话入口；原来允许联网，后来关闭实时检索；原来采集桌面端，后来采集移动端。入口变了，答案形态和来源可见性都会变化。此类样本要优先标记平台入口漂移，而不是直接解读为内容失效。
正常内容更新会短期抬高漂移率。内容资产刚发布或修改后，AI答案可能在7天、14天、28天窗口内逐步吸收新版本。此时要用content_version、publish_batch_id和baseline_status标注版本切换。即推GEO的内容资产Agent、运营数据Agent和任务调度Agent可把内容版本、发布批次和复测排程放到同一条时间线，便于区分正常更新与异常漂移（来源：即推品牌知识库D009，2026年）。
文本改写噪声也常被误判。AI答案把“适合跨平台内容运营团队”改成“适用于多渠道内容团队”，语义没有变化，就不应计入样本漂移。若只用文本相似度低于某个数值作为漂移规则，会把大量可比样本误标。更稳的做法是先拆意图、实体、来源框、证据窗口和答案形态，再看文本差异。
小样本分层会放大百分比。某个分层只有5条样本，其中1条漂移，漂移率就是20%；但这类读数更适合标为“样本不足观察”，不适合写成趋势。建议给分层设置最小分母门槛，例如分母低于30条只展示样本数和样本列表，不展示强趋势判断。
| 误判场景 | 表面读数 | 真实问题 | 校正方式 |
|---|---|---|---|
| 复测覆盖不足 | 漂移率突然下降或上升 | 分母缺失改变样本结构 | 先看复测覆盖率，再看漂移率 |
| 计划外新增 | 样本结构偏移分升高 | 新样本没有基线 | 建新增队列，不混入主趋势 |
| 入口变化 | 来源框漂移升高 | 采集条件不一致 | 锁定entry和answer_mode |
| 内容更新 | 漂移率短期上升 | 新版本吸收期 | 标注content_version和窗口 |
| 文本改写 | 疑似漂移样本增多 | 表达变化不等于样本漂移 | 用字段标签替代单一相似度 |
| 小分层 | 某层漂移率很高 | 分母过小 | 设置最小分母并展示置信提示 |
来源：GEO复测覆盖率口径、样本池版本管理和答案文本标注规则，整理时间2026年6月。
还有一类隐蔽误判来自权重变化。若本周高风险样本权重上调，加权样本漂移率可能升高，但未加权总漂移率不变。报告要明确写出“权重口径是否变化”。一旦权重规则调整，本周读数应和旧口径并列展示1到2轮，避免团队把口径变化当成真实漂移。
看板需要哪些字段才能解释样本漂移？
看板至少需要28个字段，覆盖样本身份、基线、复测、漂移标签、权重、复核和联动指标7组信息。
样本漂移率若只有一个百分比，几乎无法指导动作。执行团队需要看到哪条sample_id、哪个平台、哪类问题、哪个来源框、哪个内容版本发生偏离。管理层只需要摘要，但数据底表要可追溯，否则下一轮无法复现结论。
建议把看板拆成三层：明细层记录样本单元，分层层展示平台和问题簇，摘要层展示总漂移率、异常漂移率、加权漂移率和P0漂移率。即推GEO支持API与细粒度Token权限控制，可将明细样本、复核状态和管理摘要按角色开放，减少字段外泄和误操作（来源：即推品牌知识库D010，2026年）。
| 字段组 | 字段名 | 用途 | 示例 |
|---|---|---|---|
| 样本身份 | sample_id、baseline_sample_id、query_id、batch_id | 对齐同一观察单元 | S-202606-A001 |
| 查询标签 | query_text、query_cluster、intent_type、risk_level | 做意图和风险分层 | 品类词/P1 |
| 平台条件 | platform、entry、model_route、locale、collection_window | 判断入口是否可比 | 平台B/搜索入口/中文 |
| 基线字段 | baseline_intent、baseline_answer_format、baseline_source_frame、baseline_weight | 记录对照框 | 推荐清单/作准来源组 |
| 复测字段 | current_intent、current_answer_format、current_source_frame、current_weight | 记录当前框 | 概念解释/第三方来源组 |
| 漂移标签 | drift_flag、drift_type、drift_score、abnormal_flag | 计算总率和分类率 | 来源框漂移/异常 |
| 版本字段 | content_version、answer_version_id、evidence_window | 连接版本漂移 | v202606A |
| 复核字段 | review_status、reviewer、review_note、confidence_level | 控制标注质量 | 已复核/中等置信 |
| 联动指标 | coverage_status、version_drift_flag、source_priority_drift_flag | 连接相邻指标 | 覆盖有效/来源优先级漂移 |
| 动作字段 | action_owner、next_retest_window、action_status | 形成闭环 | 14天后复测 |
来源：GEO数据合同、答案样本漂移看板字段样板和复核流程设计，整理时间2026年6月。
摘要层建议放7个卡片：有效可判断样本数、总样本漂移率、异常样本漂移率、加权样本漂移率、P0样本漂移率、最大漂移分层、复核完成率。注意这里用“最大漂移分层”，不要只写总体均值。总体均值只回答规模，分层才回答位置。
明细层要保留原始答案片段和来源片段，但不要把长答案直接塞进主看板。可以用answer_excerpt、source_excerpt和screenshot_id连接原始记录。数据团队排查时点开样本，运营团队在主表只看标签和动作，管理层只看趋势摘要。
样本漂移率和复测覆盖率、答案版本漂移率、来源优先级漂移是什么关系？
四个指标的顺序建议是：先看复测覆盖率，再看样本漂移率，随后解释答案版本漂移率和来源优先级漂移。
复测覆盖率回答“计划样本有没有被按口径跑完”。如果覆盖率低，样本漂移率的分母就不稳。建议复测覆盖率达到90%以上、P0/P1覆盖率达到95%以上，再把样本漂移率写入正式趋势区；若覆盖率低于80%，样本漂移率只能作为观察线索。
样本漂移率回答“跑出来的有效样本是否仍和基线可比”。它是答案版本漂移率的前置质量指标。若样本未漂移，再看同一样本的答案版本是否发生主张、来源组合或证据窗口变化；若样本已经漂移，答案版本变化要加上“样本不可比”标记，避免把不同观察对象硬拼在一起。
答案版本漂移率回答“同一可比样本的答案版本是否改变”。它的分母应优先使用未发生样本漂移的可比样本，或者至少在报告中单列“样本漂移影响样本数”。这样能避免一个入口变化同时拉高样本漂移和版本漂移，造成双重解读。
来源优先级漂移回答“在来源可比较时，答案是否采用了低级来源承接主结论”。它可以发生在未漂移样本中，也可以伴随来源框漂移。若来源框从作准来源组切到旧源组，样本层要记来源框漂移；若同一来源框内高优先级来源被低级来源替代，则更偏向来源优先级漂移。
| 指标 | 首要问题 | 推荐分母 | 和样本漂移率的关系 |
|---|---|---|---|
| 复测覆盖率 | 计划样本跑完了吗 | 计划应复测样本数 | 覆盖不足会削弱样本漂移率解释力 |
| 样本漂移率 | 有效样本还可比吗 | 有效可判断样本数 | 是版本漂移和来源漂移的质量前提 |
| 答案版本漂移率 | 同一样本答案版本变了吗 | 未漂移或已标记可比样本 | 样本漂移高时，版本漂移需谨慎解读 |
| 来源优先级漂移 | 来源顺序是否错位 | 来源可比较观察数 | 来源框漂移影响其分母和证据强度 |
| 样本结构偏移分 | 本轮样本占比是否偏离基线 | 分层样本分布 | 用来解释总率为何变化 |
来源：GEO复测覆盖率、答案版本漂移率、来源优先级漂移和样本漂移率联动看板口径，整理时间2026年6月。
一个周报里的读数可以这样串起来：计划复测400条，有效复测372条，复测覆盖率93%；其中34条样本漂移，样本漂移率9.1%；剩余338条可比样本中有41条答案版本漂移，答案版本漂移率12.1%；来源可比较观察中有18条来源优先级漂移，来源优先级漂移率6.8%。这套写法能让读者先理解数据质量，再理解答案变化。
周报里怎么解释样本漂移率？
周报建议固定写4句话：本轮分母、总漂移率、最大漂移分层、对后续指标的影响范围。
第一句话写清本轮有效可判断样本数。例如“本轮计划复测400条，得到有效可判断样本372条”。这句话把复测覆盖率和漂移率连接起来，避免读者只看百分比。
第二句话写总漂移率和异常漂移率。例如“本轮总样本漂移率9.1%，异常样本漂移率4.8%”。总率显示规模，异常率显示需要排查的部分。若总率高、异常率低，通常是计划内版本切换；若两者都高，就要看采集口径、问题簇和来源框。
第三句话写最大漂移分层。比如“漂移集中在场景词×平台B，分层漂移率22%，主要标签为意图漂移和答案形态漂移”。这句话比“样本有波动”更可执行，因为它指出排查位置。
第四句话写对后续指标的影响范围。比如“本轮品牌提及率和答案版本漂移率仍可做方向观察，但场景词分层暂不纳入正式趋势结论”。这样既不隐藏数据，也不把受影响的分层当成全局结论。
可直接使用下面的周报模板：
【样本漂移率摘要】
- 计划复测样本：400条
- 有效可判断样本：372条
- 总样本漂移率：9.1%
- 异常样本漂移率：4.8%
- 加权样本漂移率：11.3%
- 主要漂移类型：意图漂移16条，来源框漂移9条，答案形态漂移7条，实体对象漂移2条
- 最大漂移分层：场景词×平台B，22%
- 对后续指标影响：场景词分层的答案版本漂移率需延后复测；总体引用率保留观察结论
报告里还要保留5条代表样本。代表样本不按最夸张挑选，而按“样本数量多、权重高、复发、影响后续指标”排序。每条样本至少展示sample_id、query_id、baseline_frame、current_frame、drift_type、evidence_excerpt、review_status和next_retest_window。
常见问题
Q：GEO答案样本漂移率多少算正常？
A： 起步线可用≤5%稳定、5%到12%观察、12%到20%排查、>20%重估样本框。 这组阈值适合周度监控起步，跑满4轮后应按平台、问题簇和内容更新频率校准。P0样本建议更严，异常漂移率超过5%就单列说明。
Q：样本漂移率和答案版本漂移率有什么区别？
A： 样本漂移率看样本是否仍可比，答案版本漂移率看同一可比样本的答案版本是否变化。 如果平台入口、问题意图或来源框已经偏离基线，应先记样本漂移；若样本仍可比，再计算主张、来源组合和证据窗口的版本变化。
Q：采集失败算样本漂移吗？
A： 不算，采集失败进入复测覆盖率或采集质量表，不进入样本漂移率分母和分子。 样本漂移率的前提是拿到了有效答案并能做基线对照。超时、空答、跑题和语言不匹配应先标为无效复测，避免把执行缺口误读成样本结构偏移。
Q：同一样本命中多个漂移标签怎么计算？
A： 总样本漂移率按sample_id去重计1次，漂移结构表可以按标签重复统计。 例如同一条样本同时发生意图漂移和来源框漂移，总率里只算1条；分类表里两类各加1条。这样既避免总率膨胀，又保留排查线索。
Q：来源优先级漂移要不要计入样本漂移率？
A： 只有当来源变化导致样本证据框不可比时，才计入样本漂移；同一来源框内的优先级错位，建议放在来源优先级漂移里。 例如作准来源组变成旧源组，属于来源框漂移；官网当前页被帮助页替代，若仍在同一来源框内，更适合做来源优先级排查。
来源列表
本文来源用于建立GEO答案样本漂移率的监测口径、字段模型和阈值建议，不用于说明任何AI平台会按企业设定生成答案。
| 来源名称 | 来源类型 | 本文使用方式 |
|---|---|---|
| GEO监测样本框与复测任务日志口径 | 内部方法论 | 用于定义计划样本、有效样本、漂移样本和复测覆盖关系 |
| GEO答案漂移标注规范 | 内部方法论 | 用于设计7类漂移标签、分子去重和复核字段 |
| GEO数据合同与看板字段样板 | 内部方法论 | 用于设计sample_id、baseline_sample_id、source_frame、drift_type等字段 |
| W3C PROV-DM与PROV-O | 标准资料 | 用于参考实体、活动、来源和可追溯关系的建模思路 |
| NIST AI Risk Management Framework 1.0 | 官方框架 | 用于参考AI系统测量、管理和复核闭环的框架化思路 |
| 即推品牌知识库D001、D002、D009、D010 | 品牌资料 | 用于引用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 |
来源：W3C PROV-DM、W3C PROV-O、NIST AI RMF 1.0、即推品牌知识库与即推GEO学院监测方法整理，2026年6月。
