做GEO前先做基线体检

很多品牌决定做GEO之后，第一反应是"赶紧铺内容"。方向没错，顺序错了。在没有基线数据的情况下动手，三个月后你会陷入一个说不清的处境：AI回答里品牌的出现率确实变了，但你分不清是优化起了作用，还是模型自己更新了认知。基线体检解决的就是这个问题——在动任何优化动作之前，先给AI对你的当前认知拍一张快照。

没有基线的GEO项目，等于闭眼开车

不做体检就开干，通常会付出三种代价：

• 无法归因。三个月后可见度从20%涨到35%，你回答不了"是我们做对了，还是平台算法变了"。涨了说不清功劳，跌了也找不到原因，团队只能反复争论。
• 无法验收。服务方汇报效果时只能拿"感觉"和零散案例说话，你手里没有拒绝的依据，只能被动接受解释。
• 发现不了存量问题。相当多的品牌在优化前，AI对它的描述本身就是错的：产品线张冠李戴、价格信息过时、甚至和同名品牌混为一谈。地基是歪的，上面盖多少楼都会塌。

所以基线体检不是可选项，它是GEO项目的第一道工序，相当于装修前的验房。

做GEO前应该测哪些问题

核心动作是建一个固定问题集：一组贴近用户真实提问方式的问题，优化前后用同样的题反复测。这把"尺子"怎么造？问题从四个地方来：

1. 业务流程反推：沿着用户决策路径列问题。以线上心理咨询为例，品类层问"线上心理咨询靠谱吗""一般怎么收费"，对比层问"A平台和B平台哪个好"，品牌层直接问品牌名。
2. 客服与销售记录：一线团队被问最多的原话，往往就是用户问AI的原话，这是现成的题库，而且自带真实句式。
3. AI反查：直接问AI"想找XX产品的人通常还会问什么"，把清单拿回来补充进题库，是成本最低的扩题方式。
4. 搜索下拉与问答社区：百度下拉词、知乎相关问题，用来校正问题的自然表达，避免题目写成内部行话。

题库结构建议按三层配比：

层级	问题类型	示例	建议占比
品类层	行业通识与选购问题	"GEO优化一般怎么收费"	40%
对比层	涉及竞品与场景选择	"A品牌和B品牌怎么选"	30%
品牌层	直接指向品牌的问题	"XX品牌的口碑怎么样"	30%

规模上起步20到30个问题就够，重点是固定：一旦定下来，前后复测必须用同一套题。中途换题等于换尺子，之前积累的所有数据都失去对照意义。

三条执行纪律

• 新会话测试。每次测试都开全新对话。上下文污染是新手最常见的坑——你在同一个对话里先问了竞品再问自己，AI的回答已经不可信。
• 同题多平台。同一问题在豆包、DeepSeek、Kimi等平台分别测，回答可能截然不同，只测一个平台等于只验了一半。
• 原始记录存档。截图或导出完整回答，标注日期、平台、账号状态。AI回答存在随机性，同一问题当天问两次措辞都可能不同，原始记录是唯一能复盘的证据。

测完之后，拿到的是一张问题地图

体检产出不是一份成绩单，而是一张按问题类型分类的地图：

• 零提及：AI压根不知道你，优先做实体基建和信源铺设；
• 提及但失真：AI提了你但说错了，优先修实体信息和多平台口径一致性；
• 提及但引用他人：AI介绍了你但引用的是第三方页面，优先补官方渠道的可引用内容。

三类问题对应三套完全不同的解法，这张地图就是后续优化排期的依据，比"多写内容"这种笼统结论值钱得多。执行层面，手工测试完全可行，一个人两天内完成20个问题乘以4个平台的矩阵并不难；如果想把固定问题集的定期复测做成机制，可以借助现成工具——搜极星（横琴必优科技旗下）的AI北极星品牌报告就是按"固定问题集、跨平台复测、输出基线"的思路设计的，适合先拿一份底数再决定投入。

小结

基线体检的本质，是用同一套问题给AI的当前认知拍照。它成本低到一两天人力，却决定了整个GEO项目之后能不能被评估、被归因、被汇报。先测，再动手，这个顺序不能反。