做GEO监测的人大多遇到过同一种困惑：在AI搜索里输入一个品类词，答案里确实出现了自己的品牌名，可推荐名单里没有自己。品牌被写进了答案，却没有被写进选择。这种状态比完全不出现更让人难受，因为它说明模型认识你，却不认为应该选你。
很多人把这种情况归因于运气或者模型波动，于是反复换提示词、反复刷新，希望某一次能撞进名单。实际观察下来，它并不是随机噪声，而是生成式引擎在答案组织阶段的一种稳定输出：品牌顺利通过了候选召回，却在择优环节被排除。这是一个有明确边界、可以测量、也可以改造的中间态。
本文做三件事。第一，把这个中间态拆成三种可以辨认的形态，避免用一种药治三种病。第二，把成因归到四个可以逐项检查的缺口上，每个缺口都给出判定标准。第三，给出一条从诊断、改造到验证的完整路径，包含指标口径、检查清单和常见误区，尽量做到看完就能动手。
一、被提及和被推荐之间隔着一道择优关
要理解这个中间态，先要理解生成式答案是怎么被生产出来的。一次完整的回答通常经过四步：理解查询意图，从索引里召回一批候选内容，对候选内容做证据筛选和交叉比对，最后组织成一段带结论的文字。提及发生在第二步，推荐发生在第四步。两步之间隔着的不是时间，而是一整套评价标准。
召回阶段看的是相关性和覆盖度。只要你的品牌名在足够多的页面里和品类词一起出现，就有很大概率被召回，被写进答案的某个角落。这一步的门槛比想象中低，一篇行业综述、一份榜单、甚至一条被转载的新闻，都可能让模型知道你。所以被提及并不稀缺，稀缺的是被选择。
择优阶段看的是可比较性和可归因性。模型要在几个候选之间排出顺序，就必须找到可以对比的维度、可以引用的依据、可以匹配的场景。找不到这些，它只能把你放在此外还有的位置上。这就是中间态的技术根源：你在召回里赢了，在择优里没有参赛资格。
把这个中间态单独拿出来研究，性价比很高。因为实体识别这一关你已经过了，剩下的问题几乎全部落在内容工程上，不需要重新做品牌，只需要重新组织已经存在的信息。反过来，如果连提及都没有，要补的是存在感；如果已经被推荐，要补的是排位稳定性。三种情况的动作完全不同，混在一起做最容易浪费预算。
二、三种中间态的形态与识别方法
中间态不是一个整体，它至少可以分成三类。三类的表面现象相同，都是出现了名字却没进名单，但语法位置、成因和改造难度差别很大。分不清形态就动手，往往会做很多无用功。
第一种是中立提及。典型句式是市场上的主要参与者包括几家厂商，或者同类产品还有某几个品牌。品牌出现在一个并列的集合里，没有形容词，没有排序，没有适用条件。这种提及的语法位置是集合成员，模型承认你的存在，但拒绝给出判断。它对应的是实体信息不足：模型知道有你，但不知道你和其他成员的区别在哪。
第二种是陪衬式提及。典型句式是相比某个品牌，另一个品牌在高并发场景下更稳定；或者某个品牌虽然价格更低，但服务响应更快。你的品牌被写进了句子，但作用是为另一个品牌提供对照。这种提及的语法位置是对比项，风险最高，因为它同时完成了两件事：让你出现，并且让别人显得更好。它对应的是对比维度缺失——你没有提供自己的坐标，模型就借用了别人的坐标来描述你。
第三种是背景引用。典型句式是这一品类最早由某家在若干年前推出，或者某几家厂商推动了行业标准的建立。品牌出现在历史叙述、概念解释、生态描述里，和用户当下的决策任务没有直接关系。这种提及的语法位置是背景信息，商业价值最低，但它并非全无用处，它是实体权威度的一部分，只是不能直接转化为推荐。
识别形态有一个简单办法：看品牌名在句子里的成分。做主语、并且后面跟着评价性谓语，说明接近被推荐；做宾语、和别的品牌并列在一个集合里，是中立提及；出现在相比、不如、除此之外这类结构里，是陪衬；出现在括号、年份、起源说明里，是背景引用。把每次采集到的原句摘录下来标注成分，二十条样本就能看出你主要处在哪一种形态。
三种形态的改造顺序也不一样。中立提及最好治，补差异化和参数即可；背景引用次之，需要把历史资产转成决策资产；陪衬式提及最难，因为它往往意味着竞品已经在某些维度上建立了稳定的语义优势，你要么找到自己的强维度，要么换一个场景重新定义比较框架。
三、成因一：实体信息不足
实体信息不足是最常见也最容易被忽略的一层。它不是说网上没有你的信息，而是说这些信息不足以让模型把你当成一个边界清晰、属性完整的对象。模型处理品牌的方式接近处理一个人名：需要有唯一的指称、稳定的属性、可交叉验证的描述。缺任何一项，它在需要做判断时就会保守处理，把你放进其他一栏。
第一类问题是实体消歧失败。同一个品牌在不同页面写成全称、简称、英文名、拼音、带地域前缀的版本，模型无法确认这些指称指向同一个对象，于是每个指称各自积累了一点点信息，谁都不够完整。更糟的情况是和同名主体混淆，比如同名的人名、地名、其他行业的公司。判断方法很直接：在三个不同引擎里搜索品牌全称，看答案描述的是不是你这家公司，看会不会带出无关的主体。
第二类问题是属性稀疏。一个可以被推荐的实体，至少要能回答五个问题：这是什么、给谁用、多少钱、在哪里、有多大。这五个问题对应品类归属、目标人群、价格区间、服务区域、规模资质。很多品牌页写满了愿景和价值观，却找不到价格带和服务范围。模型不是不会总结，是它拿不到可以总结的原料。
第三类问题是信息不可抽取。内容存在，但机器读不到。常见形式包括：核心参数做成图片、介绍视频没有字幕和文字稿、产品手册只有扫描件且没有文本层、关键信息放在需要登录或填写表单之后、页面主要内容靠脚本异步渲染而首屏是空白。这些形式对人友好，对抓取不友好，等于把信息锁在玻璃后面。
第四类问题是缺少交叉验证。单一来源的自述，权重远低于多个独立来源的一致描述。如果只有官网说你专注某领域十年，而没有任何行业媒体、协会记录、招聘信息、专利记录、招投标记录的旁证，模型对这条信息的置信度会很低。它不会否定你，只是不会据此推荐你。
这一层的检查清单可以固定为五项：品牌全称与所有别名是否在同一处集中声明；五个基础属性是否在官网首屏可读；核心参数是否有文本版本；三个以上独立来源的描述是否一致；同名主体是否已经在内容里做了区分说明。五项里缺三项以上，基本可以判定这一层没打通，先不要往下做对比和证据，做了也挂不住。
四、成因二：缺少对比维度
推荐在技术上就是排序，排序的前提是可比。模型要在你和另外几个候选之间排出先后，必须找到共同的评价维度。如果你提供的信息全是形容词，它就无法把你放进任何一张比较表里，只能把你写在表外的说明文字中。
形容词的问题不在于虚假，而在于不可比。专业、高效、领先、一站式这些词，任何品牌都可以用，用在谁身上都不会错，因此不构成区分。模型对这类词的处理方式通常是忽略，因为它们在语料里出现的分布太均匀，没有信息量。真正有信息量的是带单位和条件的表述：支持多少并发、交付周期多少天、覆盖多少个城市、单价落在什么区间、需要几个人维护。
第二个问题是缺少适用边界。只说自己适合谁，不说自己不适合谁，模型就无法做条件匹配。用户在提问时往往带着约束条件，比如预算上限、团队规模、合规要求、存量系统。一个明确写出不适合什么情况的品牌，反而更容易被精准推荐，因为模型可以确信匹配关系成立。含糊的万能描述会被用在万能场景，而万能场景的推荐位竞争最激烈。
第三个问题是缺少竞品坐标。模型在回答推荐类问题时，习惯先建立一个小范围的候选集，再在集合内比较。如果你的内容里从不出现同类产品的名字，模型就只能从别处获取坐标，而别处的坐标通常由竞品自己定义。结果是你的强项没被记录，弱项被反复引用。这里不是鼓励贬低对手，而是鼓励建立可对齐的维度：同一个维度上，各自的做法和取舍分别是什么。
构建对比维度有一个可操作的模板：选出六到九个与决策直接相关的维度，覆盖能力、成本、门槛、服务、限制五类。能力维度写可测量的上限，成本维度写总拥有成本而不是标价，门槛维度写上手所需的时间和人力，服务维度写响应机制而不是服务态度，限制维度写明确的不可用条件。每个维度都用同一套口径描述自己和主要替代方案，形成一张可以被直接引用的表。文字版比图片版更有效，因为可被抽取。
需要提醒的是，对比维度不是越多越好。超过九个维度，模型在组织答案时会做压缩，反而丢失重点。真正有效的做法是选出三个你明显占优的维度，把它们写成短句，反复出现在不同内容里，让这三个维度和你形成绑定。当用户的问题命中这三个维度中的任何一个，你进入推荐名单的概率会显著上升。
五、成因三：缺少可验证证据
生成式引擎在组织结论时有一个稳定偏好：优先采用可以归因的断言。同样一句方案能把转化率提升三成，加上样本量、统计周期、基线口径、第三方核验，可信度和被引用概率完全不同。缺少证据不是说品牌不可信，而是说模型没有理由把判断权交给你。
证据是分等级的。一手数据，比如自己埋点统计的完整口径数据，等级最高但需要说明方法；第三方测评、检测报告、审计意见，因为有独立主体背书，等级很高；客户案例，尤其是带具体行业、规模、上线周期和量化结果的案例，等级中等偏上；媒体报道，等级中等，取决于媒体权重和是否有独立采访；品牌自述，等级最低，只作为线索不作为依据。改造证据层的基本动作，是把自述升级成前四类中的至少两类。
案例写作是最容易做错的地方。大量案例写成某大型企业采用我们的方案后效率显著提升，这种表述在模型眼里几乎没有信息量，因为它无法回答谁、多大、原来多少、现在多少、怎么算的。可核查的案例至少包含七个要素：客户所属行业与规模区间、改造前的基线数据、采用的具体模块或动作、上线周期、可量化的结果、结果的口径与统计窗口、以及客户方可以出面说明的角色。七个要素齐全的案例，被引用的概率远高于十篇笼统的成功故事。
时间戳同样重要。模型对过期信息有隐性降权，尤其是价格、版本、资质、团队规模这类会变化的属性。内容里没有更新时间的页面，在需要给出现状的问题上会被绕过。解决办法不是频繁改日期，而是建立可维护的事实页，标注每个属性的生效时间，并在变更时同步更新。带有清晰时间线的信息，比永远新鲜的信息更可信。
这一层的检查清单可以这样设：是否有至少两份来自独立主体的可引用材料；是否有三个要素齐全的案例；核心数字是否标注了口径和统计窗口；关键属性是否标注了生效时间；是否存在无法核实的绝对化表述。最后一条经常被忽略，绝对化表述会拉低整段内容的可信度，因为模型在比对多个来源时，会把无法核实的极端表述视为噪声。
六、成因四：缺少场景绑定
用户向AI提问时，很少直接问品类，更多是问任务。他们问的是三十人团队做跨境结算用什么，而不是跨境结算工具哪个好。这意味着召回是按场景触发的，场景描述缺失的品牌，只会在泛化的品类问题里被提及，很难进入具体任务的推荐名单。
一个完整的场景包含三个要素：人群、约束、目标。人群决定需求优先级，约束决定可行域，目标决定评价标准。同一个产品，对十人团队和三百人团队的推荐理由完全不同；在预算受限和合规优先两种约束下，取舍也完全不同。内容里只写产品能力，不写这三要素，模型就无法判断在什么条件下应该选你。
场景绑定的具体做法是一场景一篇，而不是一篇通吃。每篇内容锁定一个人群、一组约束、一个目标，标题直接写出场景，正文先给结论，再给适用条件和排除条件，最后给验证方法。这样的内容在检索时命中率高，在被摘取时也更容易整段使用，因为它自身是自洽的。
场景颗粒度需要控制。太粗，比如适合中小企业，等于没有说，因为中小企业覆盖了绝大多数情况；太细，比如某个具体城市的某个具体行业，样本太少，模型没有足够语料支撑，也不容易泛化。比较合适的颗粒度是人群规模、业务形态、关键约束三者的组合，比如五十到二百人、有海外收款需求、需要对接现有财务系统的团队。这种描述既具体到可以被匹配，又宽到有足够语料。
有一个先行指标可以观察场景绑定是否生效：品牌名与场景词的共现频率。在外部语料里，你的品牌名如果总是和品类词一起出现，说明你只有品类身份；如果开始稳定地和某些场景词一起出现，说明场景绑定正在形成。这个指标通常比推荐率更早变化，可以用来判断方向对不对，而不必等到最终结果。
七、诊断：用提示词矩阵定位所处层级
改造之前必须先量化现状，否则无法判断动作是否有效。最实用的工具是提示词矩阵：把用户可能提出的问题按类型分层，每层准备固定数量的提示词，形成一套可以长期复用的测试集。
矩阵建议分六类。品类词，比如某品类有哪些品牌；场景词，比如某种业务场景下用什么方案；人群词，比如某类团队适合什么工具；对比词，比如某两个品牌怎么选；预算词，比如某个预算区间有什么选择；问题词，比如遇到某个具体问题怎么解决。每类十到十二条，总数控制在六十到八十条。提示词要写成真实用户会说的话，不要写成关键词堆砌。
采样规则决定了数据能不能用。同一条提示词至少重复三次，因为生成结果存在随机性；至少在三个不同引擎上各跑一遍，因为索引和排序逻辑不同；至少间隔七天做两轮，避免单日波动。每条结果都要记录原句，不能只记是否出现，因为形态判断依赖原句的语法位置。
指标口径要事先定义清楚，避免后续扯皮。提及率是提及次数除以总采样次数；推荐率是被放进推荐名单的次数除以总采样次数；提及推荐转化率是推荐次数除以提及次数，这是本文最核心的指标；首位推荐率是排在第一位次数除以总采样次数；平均排位只对进入名单的样本计算；引用份额是答案引用的来源中自有域名所占比例；稳定性用同一提示词多次采样结果的方差衡量。
分层判定可以用转化率做粗略标尺。转化率低于百分之十，属于深度中间态，品牌基本只作为背景或并列成员出现，需要从实体层重做；百分之十到百分之三十，属于浅层中间态，已经偶发进入名单但排位不稳，重点补对比和证据；高于百分之三十，说明推荐关系基本建立，接下来的工作是提高首位率和跨场景覆盖。这个标尺不是行业标准，但作为内部对照足够用，关键是同一套口径长期不变。
还要注意三类噪声。模型版本更新会带来整体漂移，所以跨月比较要看相对位置而不是绝对值；个性化因素会让不同账号看到不同结果，测试时应使用干净环境；时效性内容会让结果在短期内剧烈波动，涉及新闻事件的时间点应剔除。不做这些处理，很容易把噪声当成效果。
八、改造路径：四个层次的动作与顺序
四个成因对应四个改造层，顺序不能乱。正确的顺序是实体、场景、对比、证据。实体是入场券，没有清晰实体，后面所有内容都挂在空中；场景决定召回，决定你在哪些问题里出现；对比决定排序，决定你出现时排第几；证据决定稳定性，决定这个排位能维持多久。
实体层的交付物是一份品牌事实页。内容包括：唯一名称与全部别名、成立时间与所在地、规模与团队构成、资质与认证编号、价格区间与计费方式、服务区域与交付方式、以及与其他同名主体的区分说明。这份事实页要放在官网稳定路径下，纯文本可读，并且在百科、行业目录、企业信息平台保持一致的表述。验收标准是：搜索品牌全称时，三个引擎给出的描述与事实页的核心属性一致，且不混淆其他主体。
场景层的交付物是一组场景页。每个场景页锁定一个人群、一组约束、一个目标，标题即场景，正文含适用条件与排除条件。数量不必多，覆盖主要业务场景即可，通常六到十个足够。验收标准是：用场景词提问时，品牌开始出现在答案中，且出现位置从背景段落前移到建议段落。
对比层的交付物是一张可引用的对比表和多篇选型说明。对比表选六到九个维度，用统一口径描述自己与主要替代方案；选型说明写清楚在什么条件下选谁，包括不选自己的情况。验收标准是：用对比类提示词提问时，品牌进入候选名单，并且在至少一个维度上被明确描述为更优。
证据层的交付物是三类材料：独立第三方的测评或认证、要素齐全的客户案例、带口径的公开数据。验收标准是：答案在提到品牌时附带可归因的依据，而不是只给结论；引用来源中出现自有域名或指定第三方；同一提示词的多次采样结果趋于一致。
四层之间存在依赖关系，跳层做会返工。常见的错误是先做证据层，找媒体发一轮报道，结果实体仍然模糊，报道里的品牌名被归到了别的实体上；或者先做对比层，做了一张漂亮的参数表，但场景缺失，表只在品类泛问里被提及，进不了具体任务的答案。按顺序做，每一层的成果都会成为下一层的输入。
还有一个容易忽略的细节：四层改造都需要在外部语料上留下痕迹。只在自有网站改，改完就是一座孤岛。实体层要外部目录同步，场景层要有行业社区和垂直媒体的对应内容，对比层要有人引用你的参数，证据层要有第三方出具的凭据。每一层的最后一公里，都是把信息送到模型会读的地方。
九、内容层面的六个改写手法
同样的信息，写法不同，被摘取的概率差别很大。生成式引擎在组织答案时，倾向于摘取自洽、结论明确、条件清晰的段落。以下六个手法可以直接套用。
- 首句给结论。每段第一句写判断，后面写依据。模型摘取时优先取首句，把结论埋在第三句的段落经常整段被跳过。
- 段落自洽。每段单独拿出来也能读懂，不依赖上下文的指代。避免如上所述、基于前文这类依赖表达，因为摘取时上下文可能不存在。
- 一问一答。把小节标题写成用户会问的问题，正文第一句直接回答。这种结构同时适配检索和摘取，也方便被组织进问答型答案。
- 参数前置。把可比较的数字放在句首或段首，形容词放在后面。数字是排序的依据，形容词不是。
- 边界显性。主动写出不适用的条件。这不会减少推荐，反而会提高匹配精度，因为模型需要排除条件来做筛选。
- 术语统一。同一个概念在全站用同一个词，不要一会儿叫方案一会儿叫系统一会儿叫平台。术语漂移会让实体属性被拆散到不同节点上。
还有三个反面手法需要避开。第一是关键词堆砌，把品类词重复十几遍，这在生成式环境里不仅无效，还会降低可读性，导致段落无法被整段摘取。第二是长句套长句，一句话包含四五个从句，模型在切分时容易丢失主干。第三是通篇排比和口号，读起来有气势，但缺少可验证的信息，属于典型的低信息密度内容。
改写时可以用一个自检问题：如果把这一段单独抽出来给一个不了解我们的人看，他能不能据此做出判断。能，说明这段具备被引用的资格；不能，说明它还停留在自我表达阶段。这个标准比任何写作规范都实用，因为它模拟的正是模型摘取段落时的处境。
十、效果验证与可观察信号
改造是否有效，不能只看推荐率一个数字。推荐率是滞后指标，通常要等索引更新和语料积累才会变化。更有价值的是分层观察先行、中期、滞后三类信号，用它们判断动作方向对不对。
先行信号出现在内容上线后的较短时间内，主要包括：品牌名与场景词的共现频率上升；外部语料中开始出现你定义的差异化短语；自有页面被抓取和引用的频次上升；实体消歧类问题减少，搜索品牌名不再带出无关主体。这些信号说明信息层已经发生变化，但还没有传导到答案层。
中期信号出现在答案开始变化的时候，主要包括：提及的语法位置从背景段落前移到建议段落；中立提及的比例下降，带评价的提及比例上升；陪衬式提及减少，也就是不再频繁出现在相比某品牌的结构里当对照；引用来源中自有域名或指定第三方的占比上升。这些信号说明模型开始把你当作有属性的对象来使用。
滞后信号是最终结果，主要包括：提及推荐转化率上升；首位推荐率上升；跨引擎表现趋于一致；同一提示词多次采样的结果方差下降。方差下降常被忽略，但它很重要，它意味着推荐关系已经稳定，不再依赖某次随机采样。
归因需要一个对照。最简便的做法是预留一组不改造的品类或区域作为对照，同期观察其转化率变化。如果对照组同步上升，说明是模型整体漂移；如果只有实验组上升，才可以归因到改造动作。没有对照，很容易把行业整体变化算成自己的功劳。
观察节奏建议按周记录、按月评估。周记录看先行信号，月评估看中期信号，季度评估看滞后信号。不要在上线三天后就下结论，也不要在三个月后才第一次复盘，前者会被噪声误导，后者会错过调整窗口。
十一、八个常见误区
在实际项目里，大部分失败不是因为方法不对，而是因为掉进了几个反复出现的坑。以下八条按出现频率排序。
- 把提及量当核心指标。提及是最容易提升的指标，也是最容易造假的指标。只看提及量，会引导团队去做大量低价值的曝光，转化率反而下降。
- 只做官网不做外部。官网是信息的源头，但模型需要交叉验证。没有第三方的一致描述，官网信息会被当作自述处理，权重有限。
- 一篇内容塞十个场景。场景越杂，匹配越弱，最后在每个场景里都排不上号。宁可一个场景写透。
- 用形容词代替参数。专业、领先、高效这类词在语料里分布均匀，不构成区分。没有数字就没有排序依据。
- 忽略实体消歧。同名主体、简称混用、英文名不统一，会让信息被拆散到多个节点，谁都长不大。
- 频繁改品牌主张。每次改口号都会造成语义漂移，之前积累的关联被削弱。主张可以迭代，核心表述要稳定。
- 把一次优化当永久有效。模型在迭代，语料在更新，竞品也在做同样的事。推荐关系需要持续维护，不是一次性工程。
- 只在一个引擎上验证。不同引擎的索引来源和排序偏好差异明显，单引擎结论容易误导整体判断。
这些误区的共同点是把GEO当成投放来做，追求短期曝光数字。它更接近基础设施建设：先把实体立住，再把场景铺开，再把对比做清，最后把证据补齐，每一步都不显眼，但叠加起来会改变模型对你的判断。判断一个团队是否真的理解了这件事，看它汇报的是提及量还是转化率就够了。
十二、常见问题FAQ
被提及但不被推荐，是不是等于完全没效果
不是。被提及说明实体识别和召回已经通过，这是最难的一步，很多品牌连这一关都没过。中间态的价值在于它把问题限定在择优环节，改造范围小、可预期性强。但也不能把提及当成成果来汇报，因为它不带来选择。正确的态度是把它当作诊断结论，而不是业绩指标。
从被提及到被推荐通常需要多久
取决于所处层级。如果只是场景和对比缺失，内容上线并被抓取后，部分提示词可能在数周内出现变化。如果需要重建实体信息，涉及外部来源的一致性修正，周期会明显拉长。判断标准不是日历，而是先行信号是否出现：场景共现率不涨，说明还没进入传导阶段，此时延长观察期没有意义，应该回头检查内容是否真的被索引。
小品牌没有第三方报道，证据层怎么做
证据不等于媒体报道。可用的替代包括：公开的检测报告与资质认证、可核查的开源仓库与文档、带有完整口径的自测数据、客户方公开可见的采购或合作记录、行业社区里的真实讨论。关键不是来源多大，而是能不能被独立核实。一份写明方法和样本的自测报告，价值高于一篇没有采访的转载稿。
是不是内容写得越多越容易被推荐
不是。生成式引擎需要的是可摘取的高信息密度段落，不是字数。十篇泛泛而谈的长文，效果不如三篇场景明确、参数完整、边界清晰的短文。内容数量的意义在于覆盖不同场景和不同提问方式，而不是堆叠同质信息。判断标准是每篇是否有独立的、不可替代的信息增量。
不同引擎的结果差异很大，应该以哪个为准
不要以单一引擎为准，也不要求所有引擎一致。正确做法是分引擎记录，观察趋势是否同向。如果多数引擎的转化率都在上升，说明改造有效，个别引擎滞后属于索引节奏问题。如果只有一个引擎变化，其他不动，要警惕是不是踩中了该引擎的特定偏好，而不是真的建立了推荐关系。
已经进入推荐名单但排位靠后，下一步做什么
排位靠后通常意味着你在多个维度上都及格但没有突出项。此时不要再补全面，而要选出两到三个你明显占优的维度，把这三个维度写成短句，在不同内容里反复出现，形成条件反射式的关联。当用户问题命中这些维度时，你会从名单后段前移。同时检查首位品牌是靠什么维度占位的，避免在它的强维度上正面竞争。
出现负面提及该怎么处理
先分清是事实性负面还是评价性负面。事实性负面，比如产品缺陷、服务事故，处理方式是公开回应并提供可核查的改进证据，让模型在组织答案时能拿到后续信息；评价性负面，比如个别用户的情绪化表达，处理方式是用高信息密度的正面事实稀释，而不是删除。删除往往无效且会引发二次传播。长期看，稳定的正面事实供给比危机公关更有效。
预算有限，四个改造方向先做哪个
先做实体层，因为它是所有后续动作的前提，而且成本最低，主要投入是梳理和统一，不需要外部采购。实体层打通后做场景层，因为场景决定召回，投入产出比最高。对比层和证据层可以并行推进，前者靠内部整理，后者靠外部积累。如果只能做一个，做场景层，它最有可能在短期内改变答案里的位置。
