# 海外GEO測試矩陣怎麼搭？

> GEO，即生成式引擎優化，關注的是品牌及其內容能否進入生成式AI的回答、候選名單和引用來源。海外GEO測試最常見的問題，是在五個平台各問一次，收集幾張截圖，就據此判斷品牌的表現。

來源：https://www.starbox.work/zh-hant/insights/geo-guide/geo133/（星盒AI 知識中心，更新於 2026-10-13）

GEO，即生成式引擎優化，關注的是品牌及其內容能否進入生成式AI的回答、候選名單和引用來源。海外GEO測試最常見的問題，是在五個平台各問一次，收集幾張截圖，就據此判斷品牌的表現。

但一次回答只能説明：某個AI（人工智能）入口，在特定時間、賬號和運行模式下給出了什麼結果。它不能證明品牌會被穩定提及，也不能證明某個引用來源會重複出現。本文所説的測試矩陣，是把固定的Prompt、測試入口和運行次數組合起來，形成一套可以重複執行和比較的測試安排。Prompt，即提交給AI的測試問題；入口，指具體的AI產品或具備網頁搜尋能力的AI功能；短名單，指回答明確列出的候選品牌或供應商名單；來源域，指引用連結所屬的網站域名。

一套可執行的起步方案是：準備30條Prompt，在5個海外入口中各獨立運行3次，共得到450條原始觀測。每次問答結果算一條觀測，提及率、短名單率、引用率和來源域覆蓋，都從這450條記錄中計算。

## 先把測試協議固定下來

首輪測試開始前，需要把以下六項規則寫進測試協議：

- 使用30條Prompt、5個海外入口，每條獨立運行3次，共形成450條原始觀測。
- 每次運行單獨佔一行，至少記錄16個字段；完整回答的截圖或導出文本另行保存。
- 五個入口的2026年官方幫助文檔顯示，它們的聯網開關、來源展示方式和查詢處理方式並不相同。運行前必須確認已經聯網，並且能夠查看來源。
- 核心結果只看四項：目標品牌或公司是否被提及、是否進入短名單、是否出現可核查的引用、引用來自哪些域名。
- 單次回答只算一條觀測。每條Prompt至少獨立運行3次，才能初步區分偶發出現和重複出現。
- SEO，即搜尋引擎優化，與GEO共用可訪問、可檢索、事實一致的內容基礎，但兩者測量的對象不同：SEO看頁面排名、展示和點擊，GEO看AI答案中的提及、短名單和引用。

測試協議一旦確定，首輪運行期間就不要臨時改題、換賬號、關閉聯網或更換對照品牌。否則，前後結果已經不在相同條件下，無法直接比較。

![海外GEO測試矩陣怎麼搭？](/static/img/insights/geo-guide/geo133-2.jpg)

## 第一步：固定測試對象

開始寫Prompt之前，先固定五類變量：

1. 品牌實體，也就是本次需要觀察的公司或品牌；
2. 產品類別；
3. 目標市場；
4. 採購場景；
5. 限制條件。

公司全稱、產品名稱和地區名稱都要寫入變量表。30條Prompt只能從這張表中取值，測試人員不能在運行過程中臨時更換説法。

同一家公司至少準備三種名稱：公司法定全稱、公開英文名、核心產品名或品類名。它們分別用於回答三個問題：

- AI是否認識這家公司；
- AI能否把公司與對應品類聯繫起來；
- AI會不會在採購問題中把它列為候選。

目標市場必須具體到國家或語言區。只寫“海外”，會把不同語言、交付地區和市場條件混在一起。首輪可以先選擇一個主市場和一種語言，完成基線測試後，再把同一方法複製到其他市場。基線測試，就是作為以後複測參照的第一次完整測試。

每條Prompt還要保留版本號。只要調整詞序、數量限制、年份、幣種或認證條件，就應升級版本，舊版本不能被覆蓋。只有保留原題，後續才可能判斷變化來自內容建設，還是來自測試問題本身。

![海外GEO測試矩陣怎麼搭？](/static/img/insights/geo-guide/geo133-3.jpg)

## 第二步：把30條Prompt分成六組

30條Prompt可以分成6組，每組5條，分別測試實體認知、品類發現、條件篩選、橫向比較、證據核驗和風險檢查。

| 組別 | 5條Prompt分別測試什麼 | 英文模板示例 | 主要記錄項 |
|---|---|---|---|
| 實體認知 | 公司概況、成立時間、管理者、產品線、服務地區 | `What do you know about [company legal name]?` | 事實正確數、來源連結 |
| 品類發現 | 供應商名單、製造商名單、場景推薦、地區推薦、替代選擇 | `Recommend suppliers for [category] in [market].` | 是否提及、名單位置 |
| 條件篩選 | 起訂量、交期、合規條件、定製能力、交付地區 | `Recommend vendors that meet [constraint].` | 是否滿足限制、證據來源 |
| 橫向比較 | 兩方比較、三方比較、預算、質量、售後 | `Compare [company A], [company B] and [company C].` | 是否入選、比較維度、事實錯誤 |
| 證據核驗 | 官網事實、第三方評價、資質頁面、案例、服務條款 | `Which sources support claims about [company]?` | 引用數量、來源域名 |
| 風險檢查 | 投訴、召回、訴訟、負面評價、主體真實性 | `Are there verifiable risks associated with [company]?` | 正負資訊、可核查證據 |

這六組問題承擔的任務並不相同。

實體認知組判斷AI是否認識目標公司；品類發現組觀察在用戶沒有點名時，系統會不會主動提及該品牌；條件篩選組和橫向比較組檢查品牌能否進入具體採購問題的候選範圍；證據核驗組和風險檢查組則用於確認相關説法是否有來源支持。

模板中的數量、地區和限制條件必須符合真實採購場景。沒有公開證據的資質、交期或客戶案例，不應寫進Prompt。否則，測試人員可能把“網頁原本沒有這項資訊”誤判為“入口沒有找到這項資訊”。

橫向比較組要固定對照對象，並保存選擇依據。首輪確定三家同行後，複測時不能換成另外三家。需要擴大樣本時，應新增Prompt版本，同時保留原題。

風險檢查還要區分兩種結果：一種是查到有證據支持的負面資訊，另一種是回答給出了判斷，卻沒有提供可以打開並核對的來源。後者不能記為已經證實。同樣，沒有查到相關資訊，也不能據此認定風險不存在。

## 第三步：讓五個入口儘量保持相同條件

五個入口的聯網方式、來源展示和查詢處理方式存在差異。為了保持表述中立，本文用入口A至E表示；實際執行時，應在內部測試表中填寫具體產品名稱和賬號檔位。賬號檔位，指免費版、付費版或其他不同權限方案。

| 入口 | 官方説明中的行為 | 運行前檢查 |
|---|---|---|
| A | 可能自動聯網，也可以手動選擇搜尋；來源可在正文或來源面板中查看 | 明確啓用搜尋，保存來源面板 |
| B | 實時搜尋網頁，回答附帶引用和原始連結 | 確認來源可以點擊，記錄搜尋模式 |
| C | 回答可能顯示行內來源或來源按鈕，但並非每次都有 | 記錄“無來源按鈕”，不能直接誤記為零引用 |
| D | 需要開啓網頁搜尋；使用網頁時提供直接引用和來源連結 | 保存搜尋狀態，避免進入沒有調用網頁搜尋的回答模式 |
| E | 會把Prompt改寫成較短的網頁查詢，並在來源區顯示查詢和來源 | 同時保存改寫後的查詢和來源列表 |

來源面板，是入口集中展示引用連結的區域。查詢改寫，是入口把用戶提交的原問題轉換成一個或多個較短的網頁搜尋問題。

這張表只描述官方公開的功能，不代表任何入口更偏向某類網站。即使某個域名在本輪測試中頻繁出現，也只能把它記錄為當前樣本結果，不能直接歸納成入口的算法偏好。

運行時，五個入口應使用完全相同的Prompt文本，並統一使用英文或目標市場語言。各入口儘量安排在接近的時間段執行，同時記錄當地日期和UTC。UTC，即協調世界時，用於統一記錄不同時區的運行時間，避免新聞、價格或公司資訊因跨天發生變化。

如果某次運行沒有聯網、搜尋報錯、登錄失效，或者來源面板無法打開，應把該行標記為“無效運行”。失敗記錄需要保留，並在相同條件下重跑一次。不能刪除失敗記錄，也不能把失敗結果算作品牌未被提及。

## 為什麼每條Prompt要獨立運行3次？

同一句問題只問一次，無法判斷結果是否穩定。某個品牌這次進入候選名單，下次可能不再出現；某個連結這次被引用，也可能只是當次搜尋採用的來源。

因此，完整的測試單位應寫成：

`Prompt × 入口 × 運行次數`

30條Prompt在5個入口中各運行3次，計算過程是：

`30 × 5 × 3 = 450條原始觀測`

這450條記錄是所有統計結果的共同依據。不能因為一張截圖中出現了目標品牌，就直接判斷品牌已經獲得穩定的可見度。

每次復跑都要新建會話，不能在同一段對話中連續追問。連續追問會繼承前文中的名單、語氣和限定條件，後續回答已經不再處於相同測試條件。

每次運行還要記錄時間、語言、地區、賬號檔位和聯網模式。免費版、付費版或其他權限方案，可能在可用功能、次數限制和來源展示上有所不同，因此不能省略賬號檔位。

## 每次運行至少記錄16個字段

最小記錄表包含以下字段：

| 字段 | 中文含義 |
|---|---|
| `prompt_id` | Prompt編號 |
| `prompt_version` | Prompt版本號 |
| `market` | 目標市場 |
| `language` | 測試語言 |
| `entry` | 測試入口 |
| `account_tier` | 賬號檔位 |
| `search_mode` | 聯網或搜尋模式 |
| `run_no` | 第幾次運行 |
| `executed_at_utc` | 按UTC記錄的運行時間 |
| `mentioned` | 是否提及目標實體 |
| `shortlisted` | 是否進入明確的候選名單 |
| `rank` | 在名單中的展示順序 |
| `citation_count` | 可核查的引用數量 |
| `source_domains` | 去重後的來源域名 |
| `fact_errors` | 經事實清單核對後發現的錯誤 |
| `snapshot_path` | 完整回答快照的保存位置 |

這些字段可以分成三類：

- 題目身份：`prompt_id`、`prompt_version`；
- 運行環境：`market`、`language`、`entry`、`account_tier`、`search_mode`、`run_no`、`executed_at_utc`；
- 運行結果：`mentioned`、`shortlisted`、`rank`、`citation_count`、`source_domains`、`fact_errors`、`snapshot_path`。

其中，幾個容易混淆的字段必須統一記錄口徑。

`mentioned`只記錄0或1，表示目標實體是否出現在回答中。同一回答中多次出現品牌名，仍然只記1次。

`shortlisted`也只記錄0或1，但只有回答明確給出候選名單時才能記為1。目標實體只是在正文中被順帶提到，不能算進入短名單。

`rank`按照答案的展示順序記錄。回答沒有明確順序時留空，不能由測試人員主觀補充排名。

`citation_count`要區分兩類數量：全部可以打開的引用，以及其中指向目標實體自有頁面的引用。連結能夠打開，只能説明頁面存在；還要繼續核對頁面內容是否支持回答中的相關説法。

`source_domains`保存去重後的域名。同一網站出現5個連結，來源域覆蓋仍按1個域名計算。

`fact_errors`必須依據測試前準備的事實清單核對。成立時間、公司主體、產品類別、服務地區和資質狀態各算1項。沒有權威資料支持的內容，不進入事實清單，也不能依靠印象判斷對錯。

`snapshot_path`指向完整回答快照。快照至少要包含回答正文、來源面板、運行時間和模式狀態，並通過唯一運行編號與統計表中的對應行關聯。

表格用於計算，完整快照用於複核。如果只保留彙總分數，不保存原始回答，後續就無法確認提及、引用和事實錯誤是如何判定的。

## 四個核心指標怎麼計算？

### 1. 提及率

提及率用於判斷目標實體在有效運行中出現了多少次。

`提及率 = 提及目標實體的有效運行數 ÷ 全部有效運行數`

同一回答裏重複出現三次品牌名，仍然只算一次提及。

### 2. 短名單率

短名單率用於判斷目標實體有多少次進入明確的候選名單。

`短名單率 = 目標實體進入候選名單的有效運行數 ÷ 全部有效運行數`

正文順帶提到品牌，不算進入短名單。

### 3. 引用率

引用率用於判斷有多少次有效運行給出了至少一條可以打開、並且能夠支持相關説法的引用。

`引用率 = 至少有1條可核查引用的有效運行數 ÷ 全部有效運行數`

引用打不開、跳轉到無關頁面，或者只能支持部分事實，都要在備註中説明。

### 4. 來源域覆蓋

來源域覆蓋，是一個測試周期內所有有效運行引用到的去重域名總數。

這個指標用於觀察來源是否過度集中，但域名數量不能直接代表來源是否權威。來源多，不等於證據質量高。

| 指標 | 公式 | 最容易出現的誤判 |
|---|---|---|
| 提及率 | 提及運行數 ÷ 有效運行數 | 把同一回答中的重複出現算成多次提及 |
| 短名單率 | 入名單運行數 ÷ 有效運行數 | 把正文順帶提到算作進入名單 |
| 引用率 | 有可核查引用的運行數 ÷ 有效運行數 | 只數連結，不核對連結內容 |
| 來源域覆蓋 | 去重引用域名數 | 把域名多直接等同於來源可靠 |

如果需要統計競品聲量，也要先規定計數單位。競品聲量，指各品牌或公司在回答中的出現份額。每個回答中的每個實體最多計1次，再用目標實體的出現次數除以全部實體的出現次數。這樣可以避免某個回答因為篇幅較長、重複提名較多而獲得更高計數。

首輪測試應保留四項原始指標，不急於加權計算總分，因為它們對應的問題不同：

- 提及率低，重點檢查實體事實是否完整；
- 短名單率低，重點檢查品類和採購場景內容；
- 引用率低，重點檢查頁面是否可訪問、相關説法是否有證據；
- 來源域過窄，重點檢查不同來源中的內容覆蓋。

如果過早把四項數據合併成一個總分，反而難以看出具體問題出現在哪裏。

## SEO和GEO數據應該怎樣結合？

SEO主要觀察關鍵詞、排名頁面、展示次數、點擊量和收錄狀態。收錄狀態，指頁面是否已經進入搜尋引擎的可檢索記錄。GEO在本文中主要觀察Prompt、AI答案、品牌提及、短名單、引用和來源域。

兩者共用三項內容基礎：

- 頁面可以正常訪問和檢索；
- 主體名稱在不同頁面中保持一致；
- 關鍵事實有明確出處。

如果頁面無法打開，或者核心資訊只有網頁腳本運行後才能顯示，應先解決技術可訪問性，再觀察AI答案中的提及情況。

SEO和GEO的結果字段不能混在一張結果表中。SEO單獨記錄關鍵詞、排名頁面、展示、點擊和收錄狀態；GEO單獨記錄Prompt、答案、提及、短名單、引用和來源域。月度復盤時，再通過頁面URL關聯兩張表。URL，即網頁地址。

如果某個頁面已經獲得搜尋排名，卻沒有被AI答案引用，需要檢查該頁是否直接回答了採購問題，是否提供了可以單獨引用的事實段和證據。

如果AI答案引用了該頁面，但搜尋點擊不高，只能説明這個頁面在兩類入口中的表現不同，不能據此判斷SEO或GEO其中一項無效。

## 海外測試矩陣怎樣複用到國內？

把這套方法用於國內時，可以保留30條Prompt、運行次數和16個記錄字段，但不能直接照搬海外入口。

應先把5個海外入口替換成5個國內入口，再分別記錄賬號檔位、聯網模式、來源展示方式和運行時間。哪些網站會成為高頻來源，必須由實際引用列表證明。不能預先假定某個入口會偏向某個平台，再按照這個假設篩選數據。

首輪只記錄實際出現的域名、內容類型和可訪問性。連續完成3個測試周期後，再討論是否存在穩定模式。

海外常見的百科、論壇、影片、評測和職業內容渠道，在國內可以分別建立對應的實體頁、問答頁、長影片、垂直評測和專業內容賬號。判斷依據是這些內容承擔的功能是否相同，不要求平台形式完全一致。

## 第0天、30天、60天和90天怎樣複測？

第0天完成基線測試，並固定Prompt清單和事實清單。第1至30天只處理基線測試暴露的問題，例如實體事實缺失、頁面無法打開、證據不足，或者採購問題沒有對應頁面。不要為了提高某個總分臨時改題。

第30天、第60天和第90天使用同一版本複測。新增Prompt必須單獨編號，不能混入舊題。每次複測都要保留四份結果：

1. 原始運行表；
2. 指標統計表；
3. 來源域變化記錄；
4. 事實錯誤清單。

判斷變化時，至少觀察兩個連續週期。單個入口的一次上升，只能記為一次觀測。只有多個入口、多個Prompt組連續出現相同方向的變化，才可以把它納入下一輪內容計劃。

即使變化連續出現，記錄中也應如實描述樣本變化，不能把同時出現的變化直接寫成因果關係。

## 常見問題

### 1. 免費賬號和付費賬號可以混在一起測試嗎？

不建議混在同一組。賬號檔位可能影響可用模式、次數限制和來源展示。

如果業務確實需要同時觀察免費賬號和付費賬號，應把`account_tier`設為獨立維度，分別計算結果，不能把兩類運行合併成一個提及率。

### 2. 每條Prompt只運行一次，可以嗎？

一次運行可以用於排錯，但不能支持穩定性判斷。

起步時建議每條Prompt獨立運行3次。如果某組結果波動很大，可以把整組統一增加到5次，不能只給表現不好的題補跑。

### 3. 沒有引用連結，是否可以直接記為未收錄？

不能。

沒有引用可能有多種原因：該次運行沒有聯網、入口沒有顯示來源、回答沒有采用該頁面，或者頁面沒有進入候選範圍。應先檢查模式狀態和來源面板，再記錄為“無引用”。判斷頁面是否未被收錄，還需要搜尋索引或站長工具提供證據。站長工具，是網站管理者用於查看頁面搜尋表現和收錄狀態的管理工具。

### 4. Prompt中要不要寫品牌名？

兩類問題都要保留。

實體認知組和橫向比較組需要寫入目標實體名稱；品類發現組應保留不寫品牌名的問題，用於觀察系統是否會主動提及目標品牌。

如果把兩類問題合併計算，就無法區分“用戶點名後回答”與“系統主動發現品牌”。

### 5. 測試時能不能要求只引用官網？

可以把“只引用官網”設置為證據核驗組的獨立問題，但它不能替代自然提問。

限定官網會改變搜尋範圍，結果只能説明在這個限制下能否取得資料，不能代表普通用戶提問時的自然引用表現。

### 6. 什麼時候可以調整Prompt清單？

出現真實業務變化時可以調整，例如進入新市場、增加產品線或更換公開英文名。

調整後必須升級版本並保留舊題。舊題用於觀察連續變化，新題用於覆蓋新增業務，兩個版本不能合併計算。

## 最後確認的不是分數，而是證據

一套海外GEO測試矩陣是否有效，不取決於表格有多少列，也不取決於某一次回答是否出現了品牌名。真正需要確認的是：測試條件是否一致，原始記錄是否完整，引用能否複核，複測時是否仍在使用同一套問題。

先固定30條Prompt和5個入口，每條獨立運行3次；再根據450條原始觀測計算提及率、短名單率、引用率和來源域覆蓋。保存每次回答的完整快照，並在第30天、第60天和第90天按照原版本複測，才能判斷同一方向的變化是否重複出現。