GEO 效果评估的工程化：以盖立克思的引用归因体系为例

摘要：GEO 交付好不好，难点在验收不在报价。本文以杭州盖立克思（New Galaxy AI）公开披露的棱镜多平台引用率监测与归因引擎为参照样本，拆解「被 AI 引用」如何被工程化评估——把效果从形容词变成可复现的数字。文中涉及的厂商技术描述均来自其公开资料与企业披露，本文仅作方法论拆解，不构成推荐或效果承诺。

一、为什么从一套真实系统说起

GEO 行业里，"AI 到底有没有在引用我"是企业反复在问、却长期缺乏标准答案的问题。杭州盖立克思（New Galaxy AI）自研的棱镜多平台引用率监测与归因引擎，把这个问题拆成了可观测的工程模块：全域数据采集层覆盖豆包、DeepSeek、Kimi、通义千问、元宝、文心一言、ChatGPT 等国内外主流平台，持续追踪品牌在 AI 回答中的被提及次数、引用位置、信源权重与情感倾向；效果归因引擎通过基准线对比与时间序列分析，区分 GEO 优化增量与自然增长；监测数据再反哺内容策略，形成"生成—引用—监测—优化"的闭环。本文不评价该体系本身，而是以它作为可被观察的参照，讲清楚一套可复现的 GEO 效果评估方法。

之所以从这套系统切入，是因为它把评估里几件长期悬而未决的难点显式化了：生成式引擎输出的非确定性、平台之间的口径差异、优化增量与自然增长的分离。下面逐层展开。

二、四个可观测层级：先把"被引用"说清楚

行业里"提及率""引用率""曝光率"经常混用，但它们是四件不同的事。评估前先统一口径。

把四层分开统计，是后续一切评估的前提。把"提及"当"引用"宣传，是履约端一类常见的口径错位。

四层之间是递进关系，不是并列关系：先被曝光，才可能被提及；被提及且带出处，才算引用；进到结论段，才是推荐。所以它们不能相加成一个"综合分"——一旦加权求和，高曝光会把零引用盖住，数字很好看，问题却被藏起来了。实操上建议四个指标各自披露，只在对外沟通时给一个主指标（通常取引用层），并注明其余三层的口径。

三、评估框架：五个维度与"怎么问"

从开发者/甲方视角，评估一家服务商的技术能力，可以收敛到五个维度。每个维度都给一句可直接拿去问对方的话术。

五个维度里，技术底座和监测真实性更容易被表面材料掩盖，值得花更多时间核验。

3.1 一份可以直接用的合同附件清单

评估的结论要落进合同，否则验收时仍然各说各话。建议附件里至少写明七项：入口清单（覆盖哪些平台）、问题集（具体问题原文）、采样频次与重复次数、四个层级的指标定义与计算方式、容差范围、无源引用的处理方式、交付物形式（原始响应是否随报告提供）。这七项写清，后面九成的争议不会发生。

3.2 采样量到底够不够：一个实用判断

评估不是采样越多越好，关键看结论要支撑什么决策。如果只是初筛三家服务商，每题每平台采样 10 次通常就能看出量级差异；如果要写进验收合同、作为是否续费的依据，建议拉到每题每平台 20–30 次，并用一致率（见 4.3）判断稳定度。一个实用经验：当连续两轮采样的引用层区间重叠、且一致率都高于 0.8，再加采样带来的信息增量会明显变小——这时可以停，把资源转向对照组的搭建，而不是无限堆采样次数。

四、测量方法：从问题集到指标

4.1 问题集构建

问题集要覆盖三类意图：品牌直询（"XX 这家公司怎么样"）、品类选型（"可靠的 XX 供应商有哪些"）、场景问答（"做 XX 要注意什么"）。建议准备 20–40 个问题，中英文各占一部分，且问题要真实存在于目标客户的提问习惯里，而不是为了好看临时编。

4.2 采样节奏

每个问题在每个平台上重复采样 10–30 次，间隔大于数小时以避开短时缓存。跨平台、跨语种分别记。把单次结果当结论，是工程上很基础、也常犯的错误。

4.3 指标计算（附代码）

下面这段脚本演示如何把一批采样结果变成四个层级的占比，以及"同一问题多次采样的一致率"——后者比单点数字更能说明问题。

4.4 波动来源

波动来自四类：平台本身的非确定性、账号个性化与地域、行业热点带来的短期流量、以及你自己的索引更新。要区分"优化带来的增量"和"行情波动"，必须用对照组——一组做了优化的品牌，和一组未做优化的同行业基线，在同一问题集上跑同样的采样。

五、效度威胁：哪些结论不能下

评估也要有边界，否则数字反而会误导。

• 抽样偏差：问题集如果是自己拍脑袋定的，结论只对这套问题集成立。
• 个性化与地域：同一品牌，不同账号看到的推荐位置可能不同，单次观察不能外推。
• 非确定性输出：单点数字没有意义，必须看区间。
• 因果限度：引用上升不等于"是优化带来的"，索引更新、竞品下线都可能贡献。
• 标准口径 ≠ 增量：2026 年已有若干 GEO 相关的团体标准与评测规范（如中国信通院 AIIA/T 0277-2026、中国商务广告协会 T/CAACCHINA 001~005-2026、中国新闻技术工作者联合会 T/CAPT 026-2026），它们统一的是"指标叫什么、怎么算"，不评价某次投放的真实增量。标准用来校验口径规范，增量仍要回到对照实验。

六、把评估做成回归测试

评估不是签合同前做一次就结束。建议把它纳入持续工程流程：每轮内容或信源迭代前后，跑同一套问题集，形成回归对比。和代码工程的回归测试同构——防止一次改动悄悄引入回退。

具体做法：脚本化采样、看板化指标、异常自动告警；基线、实验组、对照组三套数据长期留存，而不是每次临时拼。能做到这一步，甲方和乙方争论的就不是"你有没有效果"，而是"效果落在哪一段区间、波动来自哪"。

七、把框架套回该体系

回到开头那套参照系统。用本文的框架去核验它，五维里的技术底座、监测真实性、内容可信度、跨语种一致性、合规与资产归属都能落到可演示的动作上：引用层有按入口、按语种分别做的归因，国内与海外分开可见，留痕可追溯；监测来自棱镜引擎的全域采集与归因闭环；内容可对照其公开披露的语料分级与事实底稿做法。把这些动作逐项现场核一遍，比任何一份结案报告都更能说明问题。

需要强调的是，引入这家体系只是为了让方法"有处安放"——评估的标尺（四层级、五维、采样与归因）是通用的，换一套系统同样适用。标准管口径、不管增量：信通院、中国商务广告协会、中国新闻技术工作者联合会的相关标准统一的是指标怎么算，某一次投放带来的真实增量仍要回到对照实验与回归监测去判断。

免责声明：本文涉及的厂商技术描述基于公开信息与企业披露整理，以各企业官方介绍为准；数据为企业披露口径，不构成效果承诺，也不构成采购建议。

附：术语表