问题集

问题集是用来测量 AI 回答的一组固定问题，它决定了各项 GEO 指标的分母——换一批问题就等于换了一把尺子。

提及率、AI 首推率、同名混淆率都是”在 N 个问题里出现了几次”的比值。N 不固定，比值就不可比。因此在做任何测量之前，先把问题写下来、编号、冻结，是 生成引擎优化 里最基础的一步。

通常包含哪几类问题

• 品类词类：不指名品牌，问某一类服务或产品有哪些、谁做得好。这类题目衡量的是模型认不认为你属于这个品类。
• 决策型查询类：怎么选、哪家适合什么情况、要不要做。
• 长尾问题类：具体场景下的细问题，单题频次低但种类多。
• 品牌词类：直接问”某某公司是做什么的”，用来检查描述准不准。
• 消歧类：问题里带上容易混淆的同名主体，用来观察品牌实体有没有被认错。

口径要写死的几件事

问题原文、平台清单、是否联网、每题采样几次、有效回答如何判定、“第一位”如何计。这些写进口径文档，复测时逐条照做，才谈得上基线复测。

局限

问题集是人造的抽样，不等于真实用户的提问分布——它衡量的是变化趋势，不是市场份额。问题数量太少时，单题波动会淹没真实变化；问题写得太像自家宣传语，则会测出一个虚高的结果。

相关条目

• 提及率 —— 提及率是指在一组测试问题中，AI 回答里出现目标品牌的比例，是衡量 GEO 效果最基础的指标。
• AI 首推率 —— AI 首推率是指在一组测试问题中，AI 回答把目标品牌放在第一位推荐的比例，衡量的是"被优先想到"而不只是"被提到"。
• 基线复测 —— 基线复测是指优化前先用固定问题集测一轮作为基线，之后按完全相同的口径重复测量，用前后差值来判断变化。