# 国内GEO测试矩阵怎么搭？

> GEO，即生成式引擎优化。本文所说的GEO测试，是检查一个品牌在人工智能（AI）生成的答案中是否被提及、是否进入推荐名单、是否附带来源链接，以及相关事实是否准确。

来源：https://www.starbox.work/insights/geo-guide/geo132/（星盒AI 知识中心，更新于 2026-10-13）

GEO，即生成式引擎优化。本文所说的GEO测试，是检查一个品牌在人工智能（AI）生成的答案中是否被提及、是否进入推荐名单、是否附带来源链接，以及相关事实是否准确。

判断这些结果，不能只靠几张出现品牌名的截图。只有固定问题、固定测试条件，并用相同方法重复测试，才能分清品牌是长期缺席，还是只遇到了一次回答波动。

很多团队第一次测试时，会连续问30个问题，再从中挑出几张出现品牌名的截图，然后开始写结论。但这些截图只能证明：品牌曾在某个时间、某个AI产品的一次回答中出现过。它们无法说明品牌能否稳定出现，也无法判断前后差异究竟来自问题写法、联网状态、账号条件，还是AI回答本身的变化。

要让结果可以复查、重新计算和前后对照，首先要建立一套固定的Prompt矩阵。Prompt，即提交给AI的问题或指令；Prompt矩阵，就是按照不同测试目的整理出一组固定问题，再让这些问题在相同条件下重复运行。

## 起步测试为什么是300条回答？

一套起步版矩阵，可以从“30条Prompt × 5个国内AI入口 × 2轮独立测试”开始，共形成300条回答记录。

这里的“AI入口”，指用户实际使用AI产品的网页或应用。30条Prompt分为6组，每组5条，分别检查企业实体、品类发现、业务场景、比较选型、证据审查和时效变化。每条Prompt在每个入口、每轮只运行1次，两轮之间建议间隔7天。

7天只是为了方便执行和观察变化，并不是行业统一标准。两轮测试都要使用新会话，不能沿用以前的对话内容。

每条记录至少要能还原5项结果：

- 是否提及目标品牌；
- 品牌在推荐名单中的位置；
- 是否提供来源链接；
- 关键事实是否准确；
- 两轮结果是否稳定。

只保存一张出现品牌名的截图，无法支持完整判断。

截至2026年8月，5个国内主流AI入口的官网或官方文档都能确认其具备搜索、联网搜索或深度搜索能力。这些功能都是让AI检索公开网页后再组织回答，但不同产品的开关名称、启用方式和来源展示形式可能不同，因此要以测试当天的实际界面为准。

![国内GEO测试矩阵怎么搭？](/static/img/insights/geo-guide/geo132-2.jpg)

## 为什么先测试，再谈内容优化？

Prompt矩阵首先要解决的，不是“文章应该怎么改”，而是建立一套可以重复对照的初始记录。

这套记录需要回答几个具体问题：

- 目标企业在哪些问题下会出现？
- 哪些问题下始终缺席？
- AI引用了哪些页面？
- 哪些竞品更常进入推荐名单？
- 同一个问题在两轮测试中的结果是否一致？

如果没有这套初始记录，三个月后即使答案发生变化，也无法判断变化来自内容调整、AI入口更新，还是测试方法已经改变。

GEO测试关注AI答案本身：企业有没有被提及，有没有进入按指定数量列出的候选名单，回答有没有展示来源，相关事实是否准确。网页搜索检查和GEO测试可以共用部分页面状态与技术检查结果，但两者记录的对象不同。一次网页排名，不能代替一次AI答案测试。

![国内GEO测试矩阵怎么搭？](/static/img/insights/geo-guide/geo132-3.jpg)

## 30条Prompt应该怎样分组？

30条Prompt不能只是30个意思相近的问题。每一组都要对应一个明确的测试目的。

可以把用户从“查询一家企业”到“筛选供应商”的过程分成6组，每组5条。下文用P1至P6表示6个问题组。每条Prompt只改变一个主要意图，不要在同一个问题中同时加入企业名、品类、地区、证书和价格。条件越多，后续越难判断究竟是哪项条件触发了品牌提及。

| 分组 | 检查目标 | 5条Prompt模板 |
|---|---|---|
| P1 企业存在 | AI能否识别这家具体企业 | “介绍[企业全称]”“[企业全称]成立于哪年”“[企业全称]主要做什么”“[企业全称]服务哪些地区”“[企业全称]有哪些公开资质” |
| P2 品类发现 | 不点名时，目标企业能否进入名单 | “国内[品类]企业有哪些”“推荐5家[品类]服务商”“[地区]有哪些[品类]供应商”“做[任务]可找哪些企业”“中小企业适合哪些[品类]服务方” |
| P3 场景需求 | 具体业务问题能否触发企业提及 | “制造企业怎么解决[问题]”“连锁门店如何完成[任务]”“预算有限先做哪一步”“技术团队如何核验[能力]”“营销团队如何比较[方案]” |
| P4 比较选型 | 企业进入候选名单后的相对位置 | “[企业A]和[企业B]怎么选”“5家[品类]企业对比”“按交付范围比较[品类]服务商”“按适用企业规模比较方案”“按公开证据比较供应商” |
| P5 证据审查 | 来源和事实能否核验 | “[企业全称]有哪些公开案例”“[企业全称]的资质从哪里核验”“有哪些第三方资料介绍[企业全称]”“[企业全称]的服务边界是什么”“关于[企业全称]有哪些可访问来源” |
| P6 时效变化 | 新公开的信息能否进入答案 | “[品类]最近有哪些新变化”“2026年[品类]有哪些企业值得关注”“最近发布的[主题]资料有哪些”“本月[地区][品类]有哪些动态”“近90天有哪些[品类]公开信息” |

六组Prompt的使用规则不能混用：

- 企业存在组必须写企业全称，用来检查AI是否认识这家企业。
- 品类发现组和场景需求组必须隐藏企业名，用来检查用户没有主动提示时，企业能否进入答案。
- 比较选型组可以出现企业名称，但比较对象和排列顺序必须固定。
- 证据审查组重点检查来源是否真实存在、链接能否打开。
- 时效变化组只能采用测试当天能够核验的时间范围。

这些问题的测试目的不同，不能把六组结果合并成一个笼统的“品牌曝光率”。特别是带企业名称的问题和不带企业名称的问题，必须分开统计。

## 正式测试前，先固定运行条件

国内AI入口的界面、搜索开关和来源展示方式可能调整。因此，正式运行前要先建立一张“运行条件表”。

同一轮中的所有问题，应尽量使用相同设备、相同网络区域、相同账号状态和相同搜索模式。某个入口不支持某项条件，就记录为“不适用”，不要自行补齐或替换。

| 变量 | 固定规则 | 记录方式 |
|---|---|---|
| AI入口 | 选择5个当前可以访问的主流入口 | 记录产品名称和版本日期；对外报告可匿名写成A—E |
| 搜索状态 | 优先开启联网、搜索或深度搜索 | 记录实际开关名称；没有开关则写“界面无独立开关” |
| 会话状态 | 每条Prompt都使用新会话 | 保存会话时间和回答截图 |
| 账号状态 | 同一轮保持登录或未登录状态一致 | 登录或未登录、会员或非会员分别建组，不能混合统计 |
| 地区与时间 | 固定城市、日期和测试时段 | 时间记录到分钟，并保留时区 |
| Prompt文本 | 每个字符都保持一致，运行时不改写、不追问 | 给每条Prompt设置唯一编号 |
| 重复次数 | 每轮每条只运行1次，共运行2轮 | 两轮间隔建议为7天 |

最容易被忽略的变量是追问。

第一次回答没有出现品牌，测试人员顺手补一句“那某企业呢”，答案当然可能变化。但此时运行的已经不是原来的无提示问题。追问可以单独测试，却必须另建一组，不能与第一次回答合并计算命中率。

## 六步完成一轮正式测试

### 第一步：冻结题库

给30条Prompt依次编号为P1-01至P6-05，同时保存问题原文、需要替换的内容和统一替换规则。

企业名称应使用工商信息或官网公开的全称。品类、地区和资质名称也要统一写法，不能在同一轮中混用简称、旧称和口语名称。

### 第二步：完成入口预检

逐一确认每个入口能否正常访问、是否有搜索开关、能否显示来源、是否允许复制链接。

预检只用于确认功能，不计入正式样本。某个入口当天发生故障，应标记为“运行失败”。恢复后补跑同一条Prompt，不能把错误页面当成品牌未命中。

### 第三步：按统一顺序执行

建议先在一个入口中跑完30条Prompt，再切换到下一个入口，减少频繁切换造成的漏题。

每条Prompt都要开启新会话，不追问、不改写、不点赞，也不能根据第一轮答案临时调整第二轮的问题。

### 第四步：保存完整证据

每条记录至少应包含AI入口、Prompt编号、完整回答、引用链接、运行时间、搜索状态和截图。

只摘录品牌名会丢失上下文，只保存截图又不方便统计。因此，完整文本和截图要同时保留，引用页面还要保存原始URL。URL，即网页地址。

### 第五步：人工核验事实

把回答中的企业成立时间、主营范围、公开资质、案例主体和引用页面，逐项与官方资料或第一方资料核对。第一方资料，指企业官网、企业官方发布的信息等直接来自企业自身的资料。

AI虽然提到了企业，但关键事实有误，不能算作高质量命中。这类回答应单独标记为“提及但事实错误”。

### 第六步：按原条件运行第二轮

两轮之间不能修改题库，也不能更换比较对象。

如果确实需要修订Prompt，应保留第一版题库，再复制一份作为第二版题库，重新建立对照记录。不要用第二版覆盖第一版，否则后续无法判断命中率变化究竟来自内容，还是来自题目本身。

## 结果表应该怎样设计？

结果表既要能返回原始证据，也要方便统计。建议每一行只记录“一条Prompt在一个入口的一次回答”，不要把5个入口塞进同一个单元格。

起步版会产生300行数据。采用逐行记录后，可以直接筛选“未提及且无引用”“提及但事实错误”等情况。

| 字段 | 中文含义与填写规则 |
|---|---|
| run_id | 运行批次编号；使用日期加轮次，例如20260813-R1 |
| engine_id | AI入口编号；使用A、B、C、D、E，另表保存对应的实际产品名 |
| prompt_id | 问题编号；填写P1-01至P6-05 |
| search_mode | 搜索模式；填写联网、深度搜索、默认或不适用 |
| brand_mentioned | 品牌是否被提及；1表示提及，0表示未提及 |
| shortlist_position | 品牌在推荐名单中的实际位次；未进入名单则留空 |
| citation_url | 引用网页地址；逐条保存可点击的原始地址，没有引用填0 |
| citation_domain | 引用网站的主地址；从网页地址中提取，用于统计来源分布 |
| fact_accuracy | 事实准确性；填写正确、部分正确、错误或无法核验 |
| competitor_mentions | 同一回答中出现的其他企业数量 |
| raw_evidence | 原始证据；保存完整文本和截图路径 |
| operator_note | 执行备注；只记录故障、拒答、页面不可访问等异常 |
| stability_status | 两轮合并后的稳定状态；填写稳定、波动或缺席 |

“无法核验”和“错误”必须分开。

“无法核验”表示目前缺少足够的公开资料；“错误”表示已经找到第一方资料，而且资料内容与AI回答发生冲突。把两者合并，会把资料不足误判为AI回答错误，也会影响后续处理顺序。

## 命中率、引用率和样本SOV怎么算？

统计前，先排除运行失败、故障页面等无效记录。其余正常生成并能纳入统计的回答，视为有效回答。

**品牌命中率** = 提及目标企业的有效回答数 ÷ 有效回答总数。

**引用覆盖率** = 至少提供1条可访问来源的有效回答数 ÷ 有效回答总数。

**短名单进入率** = 进入指定推荐名额的回答数 ÷ 提出短名单要求的有效回答数。

**样本声量占比**的英文是Share of Voice，简称SOV。它表示目标企业在当前样本的全部企业提及中占了多大比例，计算方式为：

**样本SOV** = 目标企业提及次数 ÷ 同组Prompt中所有企业的提及次数。

这个指标只描述当前题库、当前AI入口和当前测试时间下的答案构成。它不等于市场份额，也不能用来推断销售规模、全部用户的选择或企业真实的市场占有率。报告中必须明确写成“样本SOV”。

稳定性需要把两轮结果放在一起判断：

- 同一条Prompt在两轮中都提及目标企业，记为“稳定”。
- 只在其中一轮提及，记为“波动”。
- 两轮都未提及，记为“缺席”。

如果某个分组的单轮命中率上升，但稳定命中没有增加，应先增加观察轮次，不要急于把变化归因于内容修改。

项目内部如需汇总评分，可以采用100分量表：提及20分、短名单位置20分、引用可访问25分、关键事实准确20分、两轮稳定15分。

这套量表只用于项目管理，不是行业标准。权重一旦确定，至少要在一个完整测试周期内保持不变。

## SEO检查怎样与GEO测试配合？

SEO，即搜索引擎优化，主要检查网页是否被搜索引擎收录、关键词排名和自然点击情况。GEO测试检查的则是AI答案是否提及企业、是否把企业列入推荐名单、是否提供来源，以及回答中的事实是否准确。

当GEO测试出现“未提及”时，先确认相关公开页面是否真实存在、能否打开、是否清楚写明企业全称和关键事实，再检查传统搜索能否找到这些页面。

如果页面不存在，或者搜索入口根本找不到，Prompt矩阵只能帮助发现问题，不能代替内容发布和网页收录检查。

| 观察结果 | 优先检查什么 | 不要直接得出什么结论 |
|---|---|---|
| 搜索能找到，AI未提及 | 核对页面结构、事实信息、企业名称和引用来源 | “该入口故意不收录这家企业” |
| AI提及但没有引用 | 核对回答事实与公开页面，并继续观察第二轮 | “品牌已经稳定进入引用库” |
| AI提供引用但事实错误 | 对照第一方资料，定位错误字段和旧页面 | “只要有引用，内容就是正确的” |
| 一个入口命中，其他入口缺席 | 分入口检查来源网站和问题类型 | “所有国内AI都会采用同一来源” |
| 两轮答案差异较大 | 增加测试轮次，核对搜索状态和运行条件 | “一次改稿已经产生效果” |

实际诊断时，可以固定按照四层顺序检查：

1. 企业和关键事实是否真实存在。
2. 品类问题和场景问题是否会提及企业。
3. 引用是否存在、能否打开、能否支持答案中的事实。
4. 两轮结果是否一致，企业提及是否稳定。

四层检查对应不同问题。按顺序处理，可以减少因为一次未命中就继续增加文章的无效操作。

## 常见问题

### 只测一个AI入口可以吗？

可以用于预检，但不能代表国内整体情况。

不同入口的产品设置、搜索状态和来源展示并不完全一致。起步版选择5个当前可访问的入口，是为了观察入口之间的差异。预算有限时，也应至少固定3个入口，并在报告中明确测试范围。

### 每条Prompt需要跑几次？

起步版建议每轮运行1次，共运行2轮，两轮间隔7天。如果某一类问题的波动明显，可以增加第三轮。

轮次增加后，人工核验量也会同步增加。因此，应先保证运行条件一致、原始证据完整，再决定是否扩大样本。

### 可以让不同员工分别执行吗？

可以，但所有执行人员必须使用同一套题库、运行条件表和字段定义。

正式运行前，先用3条Prompt进行交叉试跑，检查不同人员对“提及、引用、事实错误、运行失败”的判断是否一致。确认口径一致后，再分配完整任务。

### Prompt里要不要直接写目标企业名？

要根据分组决定。

企业存在组和证据审查组需要写目标企业名，用来检查“AI是否认识这家企业”。品类发现组和场景需求组不应写入企业名，用来检查“用户没有提示时，企业能否主动进入答案”。

两类测试的目的不同，命中结果不能合并成同一个指标。

### 引用链接打不开怎么办？

先保存原始URL、页面标题、访问时间和错误状态，再将该条记录标记为“引用不可访问”。

不要改填搜索结果页面，也不要用相似页面替代原链接。下一轮复测时，再检查链接是否恢复，或是否已经被其他来源替换。

### 什么时候可以判断优化有效？

至少要同时满足以下条件：题库没有变化、运行条件保持一致、目标分组连续两轮改善，而且引用情况或事实准确性也同步改善。

如果只有单轮提及增加，或者只在带有企业名称的Prompt中出现，结论应写成“观察到变化”，不能写成“已经稳定生效”。

## 最终必须留下四项材料

一套合格的国内GEO Prompt矩阵，最终应留下四项可以复查的材料：

1. 冻结后的完整题库。
2. 每轮测试的运行条件表。
3. 每条回答对应的原始文本、截图和引用链接。
4. 能够根据原始记录重新计算的指标表。

下一轮只调整一个变量，再按相同方法复测。只有保留题库、运行条件、原始证据和计算记录，团队才能判断下一步究竟应该补充企业事实、修改公开页面，还是暂时不动内容，继续观察AI回答的变化。