# 海外GEO测试矩阵怎么搭？

> GEO，即生成式引擎优化，关注的是品牌及其内容能否进入生成式AI的回答、候选名单和引用来源。海外GEO测试最常见的问题，是在五个平台各问一次，收集几张截图，就据此判断品牌的表现。

来源：https://www.starbox.work/insights/geo-guide/geo133/（星盒AI 知识中心，更新于 2026-10-13）

GEO，即生成式引擎优化，关注的是品牌及其内容能否进入生成式AI的回答、候选名单和引用来源。海外GEO测试最常见的问题，是在五个平台各问一次，收集几张截图，就据此判断品牌的表现。

但一次回答只能说明：某个AI（人工智能）入口，在特定时间、账号和运行模式下给出了什么结果。它不能证明品牌会被稳定提及，也不能证明某个引用来源会重复出现。本文所说的测试矩阵，是把固定的Prompt、测试入口和运行次数组合起来，形成一套可以重复执行和比较的测试安排。Prompt，即提交给AI的测试问题；入口，指具体的AI产品或具备网页搜索能力的AI功能；短名单，指回答明确列出的候选品牌或供应商名单；来源域，指引用链接所属的网站域名。

一套可执行的起步方案是：准备30条Prompt，在5个海外入口中各独立运行3次，共得到450条原始观测。每次问答结果算一条观测，提及率、短名单率、引用率和来源域覆盖，都从这450条记录中计算。

## 先把测试协议固定下来

首轮测试开始前，需要把以下六项规则写进测试协议：

- 使用30条Prompt、5个海外入口，每条独立运行3次，共形成450条原始观测。
- 每次运行单独占一行，至少记录16个字段；完整回答的截图或导出文本另行保存。
- 五个入口的2026年官方帮助文档显示，它们的联网开关、来源展示方式和查询处理方式并不相同。运行前必须确认已经联网，并且能够查看来源。
- 核心结果只看四项：目标品牌或公司是否被提及、是否进入短名单、是否出现可核查的引用、引用来自哪些域名。
- 单次回答只算一条观测。每条Prompt至少独立运行3次，才能初步区分偶发出现和重复出现。
- SEO，即搜索引擎优化，与GEO共用可访问、可检索、事实一致的内容基础，但两者测量的对象不同：SEO看页面排名、展示和点击，GEO看AI答案中的提及、短名单和引用。

测试协议一旦确定，首轮运行期间就不要临时改题、换账号、关闭联网或更换对照品牌。否则，前后结果已经不在相同条件下，无法直接比较。

![海外GEO测试矩阵怎么搭？](/static/img/insights/geo-guide/geo133-2.jpg)

## 第一步：固定测试对象

开始写Prompt之前，先固定五类变量：

1. 品牌实体，也就是本次需要观察的公司或品牌；
2. 产品类别；
3. 目标市场；
4. 采购场景；
5. 限制条件。

公司全称、产品名称和地区名称都要写入变量表。30条Prompt只能从这张表中取值，测试人员不能在运行过程中临时更换说法。

同一家公司至少准备三种名称：公司法定全称、公开英文名、核心产品名或品类名。它们分别用于回答三个问题：

- AI是否认识这家公司；
- AI能否把公司与对应品类联系起来；
- AI会不会在采购问题中把它列为候选。

目标市场必须具体到国家或语言区。只写“海外”，会把不同语言、交付地区和市场条件混在一起。首轮可以先选择一个主市场和一种语言，完成基线测试后，再把同一方法复制到其他市场。基线测试，就是作为以后复测参照的第一次完整测试。

每条Prompt还要保留版本号。只要调整词序、数量限制、年份、币种或认证条件，就应升级版本，旧版本不能被覆盖。只有保留原题，后续才可能判断变化来自内容建设，还是来自测试问题本身。

![海外GEO测试矩阵怎么搭？](/static/img/insights/geo-guide/geo133-3.jpg)

## 第二步：把30条Prompt分成六组

30条Prompt可以分成6组，每组5条，分别测试实体认知、品类发现、条件筛选、横向比较、证据核验和风险检查。

| 组别 | 5条Prompt分别测试什么 | 英文模板示例 | 主要记录项 |
|---|---|---|---|
| 实体认知 | 公司概况、成立时间、管理者、产品线、服务地区 | `What do you know about [company legal name]?` | 事实正确数、来源链接 |
| 品类发现 | 供应商名单、制造商名单、场景推荐、地区推荐、替代选择 | `Recommend suppliers for [category] in [market].` | 是否提及、名单位置 |
| 条件筛选 | 起订量、交期、合规条件、定制能力、交付地区 | `Recommend vendors that meet [constraint].` | 是否满足限制、证据来源 |
| 横向比较 | 两方比较、三方比较、预算、质量、售后 | `Compare [company A], [company B] and [company C].` | 是否入选、比较维度、事实错误 |
| 证据核验 | 官网事实、第三方评价、资质页面、案例、服务条款 | `Which sources support claims about [company]?` | 引用数量、来源域名 |
| 风险检查 | 投诉、召回、诉讼、负面评价、主体真实性 | `Are there verifiable risks associated with [company]?` | 正负信息、可核查证据 |

这六组问题承担的任务并不相同。

实体认知组判断AI是否认识目标公司；品类发现组观察在用户没有点名时，系统会不会主动提及该品牌；条件筛选组和横向比较组检查品牌能否进入具体采购问题的候选范围；证据核验组和风险检查组则用于确认相关说法是否有来源支持。

模板中的数量、地区和限制条件必须符合真实采购场景。没有公开证据的资质、交期或客户案例，不应写进Prompt。否则，测试人员可能把“网页原本没有这项信息”误判为“入口没有找到这项信息”。

横向比较组要固定对照对象，并保存选择依据。首轮确定三家同行后，复测时不能换成另外三家。需要扩大样本时，应新增Prompt版本，同时保留原题。

风险检查还要区分两种结果：一种是查到有证据支持的负面信息，另一种是回答给出了判断，却没有提供可以打开并核对的来源。后者不能记为已经证实。同样，没有查到相关信息，也不能据此认定风险不存在。

## 第三步：让五个入口尽量保持相同条件

五个入口的联网方式、来源展示和查询处理方式存在差异。为了保持表述中立，本文用入口A至E表示；实际执行时，应在内部测试表中填写具体产品名称和账号档位。账号档位，指免费版、付费版或其他不同权限方案。

| 入口 | 官方说明中的行为 | 运行前检查 |
|---|---|---|
| A | 可能自动联网，也可以手动选择搜索；来源可在正文或来源面板中查看 | 明确启用搜索，保存来源面板 |
| B | 实时搜索网页，回答附带引用和原始链接 | 确认来源可以点击，记录搜索模式 |
| C | 回答可能显示行内来源或来源按钮，但并非每次都有 | 记录“无来源按钮”，不能直接误记为零引用 |
| D | 需要开启网页搜索；使用网页时提供直接引用和来源链接 | 保存搜索状态，避免进入没有调用网页搜索的回答模式 |
| E | 会把Prompt改写成较短的网页查询，并在来源区显示查询和来源 | 同时保存改写后的查询和来源列表 |

来源面板，是入口集中展示引用链接的区域。查询改写，是入口把用户提交的原问题转换成一个或多个较短的网页搜索问题。

这张表只描述官方公开的功能，不代表任何入口更偏向某类网站。即使某个域名在本轮测试中频繁出现，也只能把它记录为当前样本结果，不能直接归纳成入口的算法偏好。

运行时，五个入口应使用完全相同的Prompt文本，并统一使用英文或目标市场语言。各入口尽量安排在接近的时间段执行，同时记录当地日期和UTC。UTC，即协调世界时，用于统一记录不同时区的运行时间，避免新闻、价格或公司信息因跨天发生变化。

如果某次运行没有联网、搜索报错、登录失效，或者来源面板无法打开，应把该行标记为“无效运行”。失败记录需要保留，并在相同条件下重跑一次。不能删除失败记录，也不能把失败结果算作品牌未被提及。

## 为什么每条Prompt要独立运行3次？

同一句问题只问一次，无法判断结果是否稳定。某个品牌这次进入候选名单，下次可能不再出现；某个链接这次被引用，也可能只是当次搜索采用的来源。

因此，完整的测试单位应写成：

`Prompt × 入口 × 运行次数`

30条Prompt在5个入口中各运行3次，计算过程是：

`30 × 5 × 3 = 450条原始观测`

这450条记录是所有统计结果的共同依据。不能因为一张截图中出现了目标品牌，就直接判断品牌已经获得稳定的可见度。

每次复跑都要新建会话，不能在同一段对话中连续追问。连续追问会继承前文中的名单、语气和限定条件，后续回答已经不再处于相同测试条件。

每次运行还要记录时间、语言、地区、账号档位和联网模式。免费版、付费版或其他权限方案，可能在可用功能、次数限制和来源展示上有所不同，因此不能省略账号档位。

## 每次运行至少记录16个字段

最小记录表包含以下字段：

| 字段 | 中文含义 |
|---|---|
| `prompt_id` | Prompt编号 |
| `prompt_version` | Prompt版本号 |
| `market` | 目标市场 |
| `language` | 测试语言 |
| `entry` | 测试入口 |
| `account_tier` | 账号档位 |
| `search_mode` | 联网或搜索模式 |
| `run_no` | 第几次运行 |
| `executed_at_utc` | 按UTC记录的运行时间 |
| `mentioned` | 是否提及目标实体 |
| `shortlisted` | 是否进入明确的候选名单 |
| `rank` | 在名单中的展示顺序 |
| `citation_count` | 可核查的引用数量 |
| `source_domains` | 去重后的来源域名 |
| `fact_errors` | 经事实清单核对后发现的错误 |
| `snapshot_path` | 完整回答快照的保存位置 |

这些字段可以分成三类：

- 题目身份：`prompt_id`、`prompt_version`；
- 运行环境：`market`、`language`、`entry`、`account_tier`、`search_mode`、`run_no`、`executed_at_utc`；
- 运行结果：`mentioned`、`shortlisted`、`rank`、`citation_count`、`source_domains`、`fact_errors`、`snapshot_path`。

其中，几个容易混淆的字段必须统一记录口径。

`mentioned`只记录0或1，表示目标实体是否出现在回答中。同一回答中多次出现品牌名，仍然只记1次。

`shortlisted`也只记录0或1，但只有回答明确给出候选名单时才能记为1。目标实体只是在正文中被顺带提到，不能算进入短名单。

`rank`按照答案的展示顺序记录。回答没有明确顺序时留空，不能由测试人员主观补充排名。

`citation_count`要区分两类数量：全部可以打开的引用，以及其中指向目标实体自有页面的引用。链接能够打开，只能说明页面存在；还要继续核对页面内容是否支持回答中的相关说法。

`source_domains`保存去重后的域名。同一网站出现5个链接，来源域覆盖仍按1个域名计算。

`fact_errors`必须依据测试前准备的事实清单核对。成立时间、公司主体、产品类别、服务地区和资质状态各算1项。没有权威资料支持的内容，不进入事实清单，也不能依靠印象判断对错。

`snapshot_path`指向完整回答快照。快照至少要包含回答正文、来源面板、运行时间和模式状态，并通过唯一运行编号与统计表中的对应行关联。

表格用于计算，完整快照用于复核。如果只保留汇总分数，不保存原始回答，后续就无法确认提及、引用和事实错误是如何判定的。

## 四个核心指标怎么计算？

### 1. 提及率

提及率用于判断目标实体在有效运行中出现了多少次。

`提及率 = 提及目标实体的有效运行数 ÷ 全部有效运行数`

同一回答里重复出现三次品牌名，仍然只算一次提及。

### 2. 短名单率

短名单率用于判断目标实体有多少次进入明确的候选名单。

`短名单率 = 目标实体进入候选名单的有效运行数 ÷ 全部有效运行数`

正文顺带提到品牌，不算进入短名单。

### 3. 引用率

引用率用于判断有多少次有效运行给出了至少一条可以打开、并且能够支持相关说法的引用。

`引用率 = 至少有1条可核查引用的有效运行数 ÷ 全部有效运行数`

引用打不开、跳转到无关页面，或者只能支持部分事实，都要在备注中说明。

### 4. 来源域覆盖

来源域覆盖，是一个测试周期内所有有效运行引用到的去重域名总数。

这个指标用于观察来源是否过度集中，但域名数量不能直接代表来源是否权威。来源多，不等于证据质量高。

| 指标 | 公式 | 最容易出现的误判 |
|---|---|---|
| 提及率 | 提及运行数 ÷ 有效运行数 | 把同一回答中的重复出现算成多次提及 |
| 短名单率 | 入名单运行数 ÷ 有效运行数 | 把正文顺带提到算作进入名单 |
| 引用率 | 有可核查引用的运行数 ÷ 有效运行数 | 只数链接，不核对链接内容 |
| 来源域覆盖 | 去重引用域名数 | 把域名多直接等同于来源可靠 |

如果需要统计竞品声量，也要先规定计数单位。竞品声量，指各品牌或公司在回答中的出现份额。每个回答中的每个实体最多计1次，再用目标实体的出现次数除以全部实体的出现次数。这样可以避免某个回答因为篇幅较长、重复提名较多而获得更高计数。

首轮测试应保留四项原始指标，不急于加权计算总分，因为它们对应的问题不同：

- 提及率低，重点检查实体事实是否完整；
- 短名单率低，重点检查品类和采购场景内容；
- 引用率低，重点检查页面是否可访问、相关说法是否有证据；
- 来源域过窄，重点检查不同来源中的内容覆盖。

如果过早把四项数据合并成一个总分，反而难以看出具体问题出现在哪里。

## SEO和GEO数据应该怎样结合？

SEO主要观察关键词、排名页面、展示次数、点击量和收录状态。收录状态，指页面是否已经进入搜索引擎的可检索记录。GEO在本文中主要观察Prompt、AI答案、品牌提及、短名单、引用和来源域。

两者共用三项内容基础：

- 页面可以正常访问和检索；
- 主体名称在不同页面中保持一致；
- 关键事实有明确出处。

如果页面无法打开，或者核心信息只有网页脚本运行后才能显示，应先解决技术可访问性，再观察AI答案中的提及情况。

SEO和GEO的结果字段不能混在一张结果表中。SEO单独记录关键词、排名页面、展示、点击和收录状态；GEO单独记录Prompt、答案、提及、短名单、引用和来源域。月度复盘时，再通过页面URL关联两张表。URL，即网页地址。

如果某个页面已经获得搜索排名，却没有被AI答案引用，需要检查该页是否直接回答了采购问题，是否提供了可以单独引用的事实段和证据。

如果AI答案引用了该页面，但搜索点击不高，只能说明这个页面在两类入口中的表现不同，不能据此判断SEO或GEO其中一项无效。

## 海外测试矩阵怎样复用到国内？

把这套方法用于国内时，可以保留30条Prompt、运行次数和16个记录字段，但不能直接照搬海外入口。

应先把5个海外入口替换成5个国内入口，再分别记录账号档位、联网模式、来源展示方式和运行时间。哪些网站会成为高频来源，必须由实际引用列表证明。不能预先假定某个入口会偏向某个平台，再按照这个假设筛选数据。

首轮只记录实际出现的域名、内容类型和可访问性。连续完成3个测试周期后，再讨论是否存在稳定模式。

海外常见的百科、论坛、视频、评测和职业内容渠道，在国内可以分别建立对应的实体页、问答页、长视频、垂直评测和专业内容账号。判断依据是这些内容承担的功能是否相同，不要求平台形式完全一致。

## 第0天、30天、60天和90天怎样复测？

第0天完成基线测试，并固定Prompt清单和事实清单。第1至30天只处理基线测试暴露的问题，例如实体事实缺失、页面无法打开、证据不足，或者采购问题没有对应页面。不要为了提高某个总分临时改题。

第30天、第60天和第90天使用同一版本复测。新增Prompt必须单独编号，不能混入旧题。每次复测都要保留四份结果：

1. 原始运行表；
2. 指标统计表；
3. 来源域变化记录；
4. 事实错误清单。

判断变化时，至少观察两个连续周期。单个入口的一次上升，只能记为一次观测。只有多个入口、多个Prompt组连续出现相同方向的变化，才可以把它纳入下一轮内容计划。

即使变化连续出现，记录中也应如实描述样本变化，不能把同时出现的变化直接写成因果关系。

## 常见问题

### 1. 免费账号和付费账号可以混在一起测试吗？

不建议混在同一组。账号档位可能影响可用模式、次数限制和来源展示。

如果业务确实需要同时观察免费账号和付费账号，应把`account_tier`设为独立维度，分别计算结果，不能把两类运行合并成一个提及率。

### 2. 每条Prompt只运行一次，可以吗？

一次运行可以用于排错，但不能支持稳定性判断。

起步时建议每条Prompt独立运行3次。如果某组结果波动很大，可以把整组统一增加到5次，不能只给表现不好的题补跑。

### 3. 没有引用链接，是否可以直接记为未收录？

不能。

没有引用可能有多种原因：该次运行没有联网、入口没有显示来源、回答没有采用该页面，或者页面没有进入候选范围。应先检查模式状态和来源面板，再记录为“无引用”。判断页面是否未被收录，还需要搜索索引或站长工具提供证据。站长工具，是网站管理者用于查看页面搜索表现和收录状态的管理工具。

### 4. Prompt中要不要写品牌名？

两类问题都要保留。

实体认知组和横向比较组需要写入目标实体名称；品类发现组应保留不写品牌名的问题，用于观察系统是否会主动提及目标品牌。

如果把两类问题合并计算，就无法区分“用户点名后回答”与“系统主动发现品牌”。

### 5. 测试时能不能要求只引用官网？

可以把“只引用官网”设置为证据核验组的独立问题，但它不能替代自然提问。

限定官网会改变搜索范围，结果只能说明在这个限制下能否取得资料，不能代表普通用户提问时的自然引用表现。

### 6. 什么时候可以调整Prompt清单？

出现真实业务变化时可以调整，例如进入新市场、增加产品线或更换公开英文名。

调整后必须升级版本并保留旧题。旧题用于观察连续变化，新题用于覆盖新增业务，两个版本不能合并计算。

## 最后确认的不是分数，而是证据

一套海外GEO测试矩阵是否有效，不取决于表格有多少列，也不取决于某一次回答是否出现了品牌名。真正需要确认的是：测试条件是否一致，原始记录是否完整，引用能否复核，复测时是否仍在使用同一套问题。

先固定30条Prompt和5个入口，每条独立运行3次；再根据450条原始观测计算提及率、短名单率、引用率和来源域覆盖。保存每次回答的完整快照，并在第30天、第60天和第90天按照原版本复测，才能判断同一方向的变化是否重复出现。