先测量再建设：GEO 里那四个不做就白做的阶段
一个团队连发了半年内容。半年之后被问效果，他们给出了三样东西：发布数量、几张 AI 回答的截图、以及一段"感觉最近提到的多了"的描述。
这三样都不能用来判断投入是否有效。截图和感觉的问题前面讲过，这里要说的是另一件更贵的事：真正的问题出在顺序上。
内容生产在 GEO 的作业流里排在中段，前面还有四个阶段。跳过前四个直接进生产，生产出来的东西有两个特征：不知道该命中什么，以及做完之后无法判断有没有用。
那四个阶段各自解决什么问题
四个前置阶段的名字分别是战役与目标、基础资产、词库工程、基线诊断。把它们当成四道不同的工序，而不是四份文档。
| 阶段 | 它回答的问题 | 缺了会出什么事 |
|---|---|---|
| 战役与目标 | 什么情况算成功 | 做不到判定，也做不到验收 |
| 基础资产 | 关于我们的事实从哪来 | 内容靠编，事实错误反复出现 |
| 词库工程 | 内容要命中哪些提问 | 写出来的内容碰不到客户在问的问题 |
| 基线诊断 | 现在是多少 | 做完之后分不清是效果还是噪音 |
四道工序里，最后一列最值得看。缺前三样是"做得不好"，缺第四样是"做得不知好歹"，因为你会把噪音当成效果，然后把无效的动作重复做下去。
基础资产决定了内容会不会编
这一段的落点很直接：内容里的每一个事实，都必须能指向一个来源。
来源包括品牌档案、产品参数、价格政策、资质文件、历史问答。它们的作用是给内容生产划一个可写范围，供写手参考只是附带功能。有来源的能写，没来源的要么不写，要么先去补来源。
这一步缺掉的典型症状，是内容开始出现"合理但不实"的表述。团队成立于一个看起来合理的年份，服务客户数是一个整数，价格是一个听起来不失真的数字。这些内容读起来没问题，直到有客户拿它去对账。
所以这个阶段和事实卡是同一件事的两个侧面。事实卡是卡片化的产物，基础资产是它的原料池。
词库工程把目标从"写得好"换成"命中"
没有词库的时候，内容生产的质量目标是模糊的。写手只能往"专业、有深度、有干货"这个方向努力，而这些标准无法验证。
有了词库，目标变成一个可检查的东西：这篇内容命中了哪几个提问。
词库不是关键词表。它是一份用客户的问法写成的提问清单，通常按三类分：
- 品类提问，比如"这个品类怎么选"
- 场景提问，比如"老房子能不能装"
- 比较提问，比如"A 和 B 哪个适合小户型"
三类里价值差别很大。上一篇文章算过，比较类和选型类的提问者最接近决策，而它们在真实提问中的占比往往最低。词库如果不分类，内容生产会自动涌向占比最高的那一类。
词库要过期的。客户的问法会变，品类会新增子类。所以它需要按季度复核，把不再被问的问题换掉。
基线诊断：最容易被跳过的一步
这一步只有一件事，把当前的数字测出来，并且测法要在后面每一次复测里保持不变。
为什么要先测
原因在于噪音。
GEO 的指标会自然波动。同一个问题集、同一批平台，隔一周测两次，结果不会一样。假设这个波动是 6 个百分点。
那么当你做完一轮动作，测到提及率涨了 8 个百分点，其中有多少是真实提升？最多 2 个点。剩下的 6 个点可能全是噪音。
没有基线的时候，你无法做这个减法。你会把 8 个点全部算作效果，然后按这个结论去决定下一步。这个错误会一直累加。
需要观察多久
噪音随观察周数的平方根下降。要把噪音压到效应的一半，需要的周数是：
`
周数 = (单周噪音 ÷ (效应 ÷ 2))²
`
按单周噪音 6 个百分点算：
| 要检测的提升 | 需要观察 |
|---|---|
| 12 个百分点 | 约 1 周 |
| 8 个百分点 | 约 3 周 |
| 5 个百分点 | 约 6 周 |
| 3 个百分点 | 约 16 周 |
这张表解释了一件很多团队想不通的事：为什么小改动看不到效果。
改动带来的提升如果是 3 个点，而你没有耐心观察 16 周，那你永远看不见它。你会在一两周之后得出结论"这招没用"，然后换一个方法，再重复一遍。
积累下来，团队会形成一种"什么都试过了但都没用"的结论，而真实原因是每次都测得太早。
反过来看这张表也有一层意思：把公式倒过来用，能算出某个观察时长下你能分辨的最小变化。观察 8 周，这个数是 4.2 个百分点；观察 16 周，是 3 个百分点；观察 26 周，是 2.4 个百分点。
这个数应该写进你的验收标准，而不是拿一个拍出来的目标去要求。如果你的验收标准写的是"提升 2 个点算达标"，那它对应的是 26 周左右的观察窗口，不是一个月。
耐心和样本量是两种货币
上面那张表看起来是在说"要有耐心"。但它其实给了两个可调的量，而人们通常只调其中一个。
公式里有三个东西：观察周数、单周噪音、要检测的提升。想检测更小的提升，除了拉长周数，还可以压低单周噪音。而噪音和样本量之间有一个确定的关系：样本量增加 k 倍，噪音降到原来的根号 k 分之一。
所以同一个目标可以有两种买法。
要把"检测 3 个点"的窗口从 16 周压到 6 周，单周噪音必须从 6 个点降到 3.67 个点，降幅 39%。按上面的关系，这需要把样本量增加到 2.7 倍。
| 方案 | 样本量 | 观察窗口 | 能分辨的最小提升 |
|---|---|---|---|
| 拉长耐心 | 1 倍 | 16 周 | 3 个点 |
| 加样本量 | 2.7 倍 | 6 周 | 3 个点 |
两个方案的分辨力一样，差别在付出的东西：一个是四个月的等待，另一个是接近三倍的测量成本，也就是更多提问、更多采样次数，或者更多平台。
这两个方案不能只比时间成本。 十六周的等待还有一个隐性代价：在这十六周里，其他判断也没有依据可用。而加样本量买到的是立刻可用的分辨力，之后每一轮复测都受益。
判断选哪个，看测量本身能不能自动化。问题集固定、采样可以批量跑的情况下，加样本量的边际成本很低，第二种方案明显更划算。如果每次测量都需要人工逐条去看，成本会随重复次数线性上升，第一种更省。
这两种买法有一个共同前提
前提是你只在预定窗口结束时看一次。
这句话听起来像技术细节，它的分量比看起来大。上一篇文章模拟过一个场景：真实没有提升、单周噪音 6 个点、判定线设在 5 个点。只在第 12 周判定一次，误判率是 0.2%；每周都看一次，误判率是 27%。
同样的窗口，同样的数据，因为多看了十几次，结论的可靠程度差了两个数量级。
所以两种买法有一个共同要求：窗口定下来之后，中途不能用于判定。中途可以看，但看的是"有没有异常"，不是"有没有效果"。这两件事混在一起的时候，无论选哪种买法，花出去的钱都会被浪费掉。
顺序不是绝对的
上面说的顺序有一种例外，而且是常见的例外。
当品牌在公开信源上几乎没有内容的时候，词库和基线都无从测起。提问清单里的大部分问题在 AI 的回答中根本不会出现这个品牌，测出来的基线是零，而且零之上没有噪音可以估计。
这种情况下的实际顺序是先做一批基础内容，让品牌进入可被检索的状态，然后再回到正常的作业顺序。这一段可以理解为把基础资产和词库建设并行启动。
判断是否需要这个例外，看一个数：在你初步列出的 100 个提问里，AI 提到你的有几个。 低于一成就先做基础内容。
这份作业顺序在什么情况下失效
三种情况。
第一种，品类本身没有稳定的提问。有些高度定制的 B 端业务，客户的问题千差万别，浮不出一个稳定的提问集合。这种业务做不了词库，也就走不了这条作业流。它需要的是一对一的需求响应机制。
第二种，目标引擎的检索方式发生结构性变化。这时候历史基线不再可比，需要重新建立。变化期间测到的任何波动都不能当作效果。
第三种，预算规模小到无法支撑完整流程。四个前置阶段本身需要投入，如果总量很小，正确的做法是只做基线诊断和最小词库，把生产按提问逐条做，而不是跑完整流。
一个三十分钟的自查
打开你最近发布的 20 篇内容，逐篇回答四个问题。
一，这篇命中的是哪个提问？答不上来的，说明词库缺位。
二，这篇里的事实能不能指向来源？指向不了的有几处。
三，你现在的基线数字是多少，用什么方法测的，复测过几次。答不出来的是最要紧的。
四，你上一轮动作之后，隔了多久去复测。
第四个问题最常见的结果是"做完就去看了一眼"。这一眼看到的波动，和真实效果之间隔着好几个星期。
常见问题
问：这四个阶段要一次做完吗，还是一件一件来？
基线诊断单独就能做，而且成本最低，建议先做。基础资产和词库可以并行，两者互为输入。战役目标放在最后定，因为只有前三样清楚了，你才知道可以合理地承诺什么。
问：基线的波动率怎么测？
同一个问题集、同一批平台、同样的采样次数，在一周之内测两次，两次结果的差值就是一次噪音样本。连续测四五次，取一个大致范围。这件事只需要做一次，之后每次复测沿用同样的方法。
问：词库要多少条？
起步一百条以上。低于这个数量，各类提问的占比会被单条数据左右，分类就没有意义。
相关阅读
延伸阅读：智能编队层：四个机制，让 AI 岗位能一起干、GEO增长优化实操手册：十二阶段作业流详解、企业AI落地的3个阶段：试点→规模化→智能化。
如果你想知道 AI 现在怎么描述你的品牌、哪里说错了，可以从 一次免费的品牌可见度体检 开始。