当品牌开始投入生成式引擎优化之后，最容易被忽视的一步不是写内容、不是做结构化改造，而是先搞清楚一件事：此刻、在没有任何优化动作之前，各大生成式引擎到底怎么描述你、推荐你、还是干脆忽略你。这份第一次的完整摸底，就是GEO可见度基线。没有基线，后续所有优化都是盲打；有了基线，每一次内容更新、每一个产品发布，都能回答一个关键问题——生成式引擎眼中的品牌，比上次好了还是差了，好了多少。
本教程面向首次建立基线的团队，覆盖三个核心环节：测试问题集的设计、评分口径的统一、以及跨周期的对比方法。全部步骤都可以用人工执行完成，工具只是辅助，不构成门槛。
一、为什么基线是GEO工作的第一件事
生成式引擎的回答具有概率性和波动性。同一天问两次，引用的品牌列表可能不同；换个账号问，结果又可能变化。很多团队因此产生两种极端反应：一种是干脆不测量，凭感觉认为做了优化就有用；另一种是每次看一眼就下结论，今天被提到了就狂喜，明天没被提到就推翻全部策略。两种反应的根源相同——缺乏一个固定口径的、多次采样后的基准状态。
基线的价值体现在三个层面。第一是定位：它能告诉你品牌目前在哪些问题场景下能被推荐、在哪些场景下完全缺席，从而把优化资源投向最缺失的地方。第二是归因：后续某个月可见度明显上升，只有对照基线的分项数据，才能判断上升来自哪个引擎、哪类问题、哪个指标，否则只能说一句整体变好了，无法复制成功经验。第三是汇报：GEO工作在多数企业内部仍是新兴职能，需要用数字向管理层证明投入产出，基线就是所有汇报的起点坐标。
还要强调一点：基线测的不是单次快照，而是一个稳定状态。因此第一次摸底需要重复采样，把波动平均掉，得到的是品牌在生成式引擎中的常态位置，而不是运气好的一次回答。
二、划定基线的测量范围：引擎、市场与场景
动手之前先划定范围，否则测量会无限膨胀。范围由三个维度决定。
引擎维度。建议至少覆盖当前对你目标用户最有影响力的生成式入口，常见组合包括：一个对话式通用助手、一个带搜索增强的AI搜索产品、一个你所在市场主流的本土引擎。不需要穷尽所有产品，三到五个即可，关键是这批引擎要长期固定下来，跨期对比时不能换。
市场维度。如果你的业务有明确的语言和地区属性，比如只服务简体中文用户，那么测试也应在对应语言和对应地区的网络环境下进行。部分引擎的回答与账号地区、界面语言强相关，混着测会让数据失去可比性。多市场业务则应按市场拆分基线，每个市场一套独立数据。
场景维度。这是最容易被忽略的一层。品牌可见度不是一个笼统数字，而是分布在具体场景中的：用户问哪个品类、哪种需求、哪个预算档位时你会出现。场景维度将在下一节通过问题集设计落实。建议在范围划定时先列出你的核心业务场景清单，通常五到十个，比如按产品线、按客户规模、按使用目的切分，后续所有测量都挂在这棵场景树上。
范围一旦确定就写进文档，称为测量章程。内容包括：引擎名单及版本入口、测试账号与登录状态、执行语言与地区、核心场景清单。以后任何人接手这项工作，照着章程执行即可保证口径一致。
三、设计测试问题集：从真实需求出发
测试问题集是基线质量的决定因素。问题选得偏，测出来的可见度就没有代表性；问题随时增删，跨期对比就会失真。设计分四步。
第一步，收集真实问法。来源有三个：站内搜索词与客服咨询记录、销售和售前常被问到的问题、社区与问答平台上用户的自然表达。把收集到的问法去噪后按核心场景归类。注意用户在生成式引擎里的问法往往比搜索关键词更长、更口语、带有约束条件，比如预算、行业、规模限制，收集时应优先保留这类长问法。
第二步，按类型配比。建议把问题分为三类：品类通用题，例如某类产品有什么推荐，考察你在泛需求下的出现率；对比评测题，例如A和B哪个更适合某场景，考察你在竞品语境下的出现率与相对位置；场景定制题，例如带明确约束的需求描述，考察你在细分需求下的命中率。三类问题的合理配比大约为四比三比三，即通用题撑大盘，对比题和定制题看质量。
第三步，控制数量并编号。首次基线建议三十到五十道题，足够覆盖场景又不至于执行不动。每道题分配唯一编号，写明所属场景、问题类型、预期答案中应出现的合理品牌集合（你的品牌加主要竞品）。这份预期品牌集合很重要，它是后续计算份额和对比位置的依据。
第四步，冻结问题集。基线使用的问题集必须冻结至少一个对比周期，中途确需替换个别题目时，只允许同场景同类型等价替换，并在记录中注明替换日期与原因。只有问题集稳定，周期之间的数字才有意义。
四、统一评分口径：定义什么叫被看见
同一道题，品牌可能出现以下几种情况：完全没出现；出现在列举列表末尾；被作为主要推荐；不仅被提到，还被给出了准确的产品描述和链接。这几种情况的商业价值天差地别，因此评分口径必须分级定义。推荐采用四个层次：
- 提及层：品牌名出现在回答文本中，无论位置与表述。这是最基础的存在证明。
- 引用层：回答附带来源链接时，你的域名出现在引用来源中。引用意味着引擎认为你的页面值得作为依据，权重高于单纯提及。
- 位置层：在推荐列表或对比叙述中，你的品牌排在第几位。位置决定用户注意力分配，第一与第五的点击差异巨大。
- 准确层：引擎对你的描述是否准确，包括产品定位、核心功能、适用人群有无错误或过时。被提及但被说错，反而是负资产。
在此基础上定义两个可长期追踪的核心指标：可见率，即你被提及（任一层次）的题目数占题目总数的比例；加权可见分，对提及、引用、首位推荐、准确描述分别赋权后求和再归一化。赋权不必追求绝对科学，例如提及记一分、引用记一分、进入前三位记两分、居首位记三分、描述准确再加一分，团队共识即可，关键是从此不再改动，让分数跨期可比。
除正向外，还应记录负面信号：描述错误、被负面语境提及、被明确排除在推荐之外。这些信号要单独计数，因为它们指向的是需要修正的具体问题，而不是泛泛的优化。
评分口径同样要写进测量章程，配一张判分示例表：同一道题的三种典型回答，分别应判几分、属于哪层。执行者照表打分，不同人判分的差异就能压到最低。
五、首次摸底执行：采样流程与节奏
进入实操。首次摸底建议在一个工作周内集中完成，步骤如下。
准备阶段（半天）：核对测量章程，确认测试账号干净、界面语言正确、历史会话已清空。会话历史会污染回答，每次提问务必使用新会话。
执行阶段（二至三天）：按固定顺序遍历问题集，逐题在逐个引擎提问。每个题目加引擎的组合重复采样三次，三次之间间隔至少两小时，以覆盖回答的日常波动。每次采样都要保存：完整回答文本、引用来源列表、截图。截图是防争议的关键存证，尤其是排名和引用类信息。
判分阶段（半天）：由一到两人按口径统一判分。如果两人分头判分，先对十道题做交叉校验，分歧较大的题目回看示例表对齐后再继续。判分结果逐题登记，包括每层的得分、负面信号备注。
汇总阶段（半天）：按引擎、按场景、按问题类型分别汇总可见率与加权可见分，同时统计竞品在同一批题上的表现。竞品数据不必像自有品牌那样精细，通常记录提及与否和排序位置即可，但强烈建议记录——没有竞品坐标，你不知道基线算高还是低。
输出物是一份基线报告：总分数、三个维度的拆解、竞品对照、以及最值得注意的空白点清单，例如某引擎在某场景下可见率为零。这份报告就是后续一切对比的起点。
六、建立可对比的记录结构
基线数据用什么形式存，直接决定后续对比的难易。不需要复杂系统，一张结构化表格加一套命名规范即可。
表格建议按采样明细粒度建，每行一条记录，字段包括：日期批次、引擎、问题编号、采样轮次、提及有无、引用有无、排名位置、描述准确性、负面信号、备注、证据链接。上层汇总表再做聚合。所有文件按固定规则命名，例如品牌缩写加测量批次日期，存放在单一目录，权限对团队成员统一开放。
两条纪律必须坚持。第一，原始回答永远保留，不覆盖。三个月后你想复查当时某道题为什么判了零分，只能靠原始记录。第二，任何口径变更（题目增删、赋权调整、引擎增减）都要在章程中留版本记录，并标注从哪个批次开始生效。口径一旦变更，历史数据与新数据必须分段对比，绝不能混在一起算趋势。
如果团队习惯用表格之外的协作工具，也可以把判分与存证流程搬进去，但明细层务必保留为通用格式导出，避免被某个工具绑定后历史不可迁移。
七、对比方法：如何判断变化是真实的
持续跟踪阶段最常见的问题是：这个月可见率从百分之三十七涨到百分之四十三，算进步吗？回答这个问题需要一套简单的统计纪律。
第一，区分单次波动与状态变化。单次测量的回答本身有随机性，因此对比的最小单位不是单次快照，而是完整批次。每个批次都按首次摸底相同的方式重复采样三次以上再汇总，批次与批次之间才有可比性。
第二，设定显著性阈值。经验上，题目数量在三十到五十道时，可见率的自然波动区间大约在三到五个百分点。可以据此设定阈值：批次间变化小于阈值视为持平，超过阈值才记录为真实变化。更稳妥的做法是在建立基线时，额外选两道与品牌无关的对照题，每期照常测量。对照题的分数理论上应长期稳定，如果对照题也大幅波动，说明该批次受引擎侧更新等外部因素影响，当期结论要打折扣。
第三，做拆解对比而不是只看总分。真实的变化几乎都能拆到具体位置：某个引擎从零到有、某类场景的排名提升、负面信号归零。总分上涨但拆解后是靠一道题的偶然提及拉动，这种变化不该庆祝；反之某引擎整体下滑但定制题命中率上升，则说明策略方向正确、覆盖面待扩。拆解对比表建议固定三张：引擎维度环比、场景维度环比、指标层环比。
第四，区分噪音窗口。生成式引擎的产品迭代、提示词更新、回答风格调整都可能造成系统性跳变。当某引擎出现明显版本更新时，当期该引擎的数据要单独标注，趋势解读时把跳变归因到更新而不是自己的动作。
八、从基线到例行跟踪：节奏与复测机制
基线建立后，跟踪要变成例行公事才有价值。建议的节奏是每月一个正式批次，每季度一次深度复盘。
每月批次的执行量可以比首次摸底精简：采样轮次从三次降到两次，判分由一人完成，输出一页环比报告，只讲三件事——总分与阈值判定、最显著的一个上升点和下降点、下月最该处理的一件事。控制在半天内完成，才能长期坚持。
季度复盘做三件事：对照首份基线看季度累计变化；重走一遍竞品对照，更新竞争格局判断；审视问题集本身，把当季新出现的高频用户问法补充进来，同时淘汰已失效的旧题。季度复盘允许问题集小幅进化，但每次进化都要留版本记录，且新旧题目要并测一个批次以衔接数据。
触发式复测也要预设：品牌有大版本产品发布、重大舆情、或某引擎出现影响回答质量的更新时，加测一次针对性小批次，只测受影响的场景与题目。例行加触发，既保证连续性，又不错过关键节点。
最后是人的机制。指定一名基线管理员，负责章程维护、批次排期与数据归档；判分人至少备份一人，交叉校验例行动作保留在每月批次中。测量工作最大的死因是执行三个月后无人维护，机制设计的目标就是让它轻到不会断。
九、常见错误与避坑清单
以下错误在首次建立基线的团队中反复出现，逐一列出以供自查。
- 用登录过品牌账号或带个性化推荐的账号去测量，回答被偏好污染，基线整体偏高。对策：使用干净的专用账号并记录其环境。
- 只测自家品牌是否出现，不记录竞品与排名，导致分数涨了却不知道是抢了谁的份额，也判断不了绝对水平。对策：竞品对照从第一批次就纳入。
- 题目里混入明显引导性的问法，例如直接包含品牌名的题。这类题几乎必中，会虚增可见率。对策：问题集只收第三方视角的真实问法，含品牌名的题单列为品牌认知题，不参与可见率计算。
- 每期测量临时换问题、换口径、换执行人而无记录，趋势图变成无法解释的锯齿。对策：口径冻结加版本记录，执行交接靠章程不靠记忆。
- 把单引擎单次回答的异常当结论，例如某次被推荐就宣称拿下第一。对策：一切结论以批次数为准，单次只作线索。
- 只算正向分不记录负面信号，错把被错误描述当成可见度胜利。对策：准确层与负面信号必须逐题登记。
- 证据不留存，事后无法复盘判分争议。对策：截图与原文归档为强制动作。
把这份清单贴在测量章程末尾，每季度复盘时通读一遍，多数口径漂移都能提前发现。
十、常见问题解答
问题一：没有预算买监测工具，纯人工做基线可行吗
完全可行。三十到五十道题、三到五个引擎、每组合三次采样，集中两三天即可完成首批。人工方式反而带来一个好处：判分者会逐条阅读回答，对引擎如何描述品牌的理解远比看仪表盘深刻。工具适合规模扩大后提效，不适合替代口径设计。
问题二：同一道题每次回答都不一样，测量还有意义吗
有，前提是测的是分布而不是单点。单个回答确实随机，但三十道题乘以三次采样的汇总分数是稳定的，品牌在引擎中的真实位置就体现在这个分布上。这也是为什么教程反复强调批次数与阈值：接受波动存在，然后用采样把它平均掉。
问题三：基线应该多久重建一次
不需要推倒重建，需要的是演进。每月例行批次加每季度小幅更新问题集已经足够。只有三种情况才考虑整批重建：测量章程的核心口径做重大修改、引擎名单过半更换、或业务线发生根本调整。重建时保留旧基线数据，新旧两套并行测一个批次再切换。
问题四：题目数量太少会导致结果不稳定吗
会。少于二十道题时，一道题的偶然变化就能造成几个百分点的跳动，阈值判断会失灵。若资源确实受限，宁可缩减引擎数量也要保住题目数量下限，或者延长采样间隔、增加采样轮次来对冲。题目数量是统计稳定性的第一优先级。
问题五：竞品数据也要做到和自有品牌同样精细吗
不必。自有品牌要逐层打分，竞品记录提及、排名和明显错误即可。精细度不对等是合理的，因为你的决策围绕自己展开，竞品数据的作用是提供坐标和发现对手动作，够用就好。当发现某竞品在多个场景排名骤升时，再对它做一次专项小批次深测。
问题六：引擎回答更新很快，基线数字会不会几个月后就失效
分数的绝对值确实会随引擎迭代漂移，这正是设置对照题和版本记录的原因。但基线的核心价值——相对位置、场景空白点、竞品格局——比绝对分数稳定得多。引擎更新后，当期数据单独标注即可，趋势方向依然可读。不要因为引擎会变就放弃测量，那等于因为天气会变就不看温度计。
问题七：判分遇到边界情况怎么办，比如品牌被间接称呼
边界情况不可避免，处理原则是先查示例表，表里没有的由两名判分人各自独立判分后协商，结果写回示例表作为新判例。品牌被昵称或产品名间接提及，建议计入提及层并备注，因为用户看到时同样形成认知。判例表会随时间自然长厚，这本身就是口径成熟的标志。
问题八：基线报告应该向谁汇报、汇报什么
基线报告的受众分两层。执行层需要完整数据与空白点清单，用于排优化任务；管理层只需要四个数字：总体可见率、加权可见分、相对主要竞品的位置、最大的三个空白点，外加一份后续测量节奏说明。向管理层强调基线是起点而非成绩，避免第一次汇报就被拿去和半年后的数字之外的东西比较。之后每月的一页环比报告，正好接上这条叙事线。
总结：可见度基线是GEO工作的度量衡。它不直接带来排名提升，却决定了你的每一次优化动作能否被验证、被归因、被复制。按照本教程的步骤——定范围、建题集、统一口径、集中摸底、结构化存档、阈值化对比、例行化跟踪——两周内即可完成从零到基线的搭建，并拥有一套可以运行整年的测量机制。
