第 5 章：一次 GEO 诊断
到底要看什么
第一条回答出现了豆序，小乔却不敢报喜
第 4 章冻结八道问题以后，小乔选择两个目标客户常用的国内 AI 入口，每道题各做两次可见新会话观察。
计划任务是：
8 道问题 × 2 个入口 × 每题 2 次 = 32 项观察
第一条 Q01 回答就出现了豆序：
五十人办公室可以优先考虑带安装和维护的咖啡机租赁方案。选择时应确认设备容量、每天建议杯量、清洁频率、故障响应和耗材费用。豆序服务提供咖啡机租赁及咖啡豆配送，适合成都企业客户，并可提供四川全省上门维护。签约前建议继续确认是否包含定期深度清洁、备用机和节假日响应。
市场同事说：“这算被推荐了。”
服务负责人却指出，豆序没有承诺四川全省上门。品牌出现了，客户也得到了一些有用建议，但服务范围写错了。
这就是第一次 GEO 诊断要解决的问题：不要只看有没有名字，而要同时看它在什么位置、说得是否正确、依据是什么，以及这次运行是否真的形成了有效回答。
豆序、人物、回答和数据均为教学合成内容，不代表任何真实企业或平台结果。
运行状态是进入诊断前的门槛。只有形成可分析回答以后，才进入图中的四个观察面：有没有出现、承担什么角色、事实是否准确、有什么可见依据。
第一步：这次运行有没有形成可分析回答
32 项计划观察中，31 项形成完整回答，1 项因入口没有返回完整内容而记为技术失败。
技术失败不是品牌未出现。页面空白、服务错误、登录失效或回答严重截断时，团队没有得到一段能够判断品牌与事实的正常回答。
合理拒绝也不一定是失败。用户问“成都最好的咖啡服务商是哪家”，回答拒绝无依据排名，却提供了比较服务地区、维护和费用的方法，这是一段有意义的回答。
所以，小乔先记录运行状态，再分析内容。成功重试也不会覆盖原失败，否则以后看不出入口当时是否稳定。
第二步：豆序有没有出现
在 31 条有效回答中，豆序出现 7 次。
这只能说明：在本轮八道问题、两个入口和指定时间里，7 条有效回答出现豆序。它不是永久提及率，也不能代表所有客户问题。
还要区分问题类型。Q08 已经在问题中写出豆序，回答重复品牌并不意外；Q01 和 Q07 没有品牌提示，豆序进入其中，才说明它在本次陌生客户任务里成为候选或例子。
一次没有出现也不等于失败。若 Q02 正确解释购买与租赁条件，却没有列任何服务商，它仍可能帮助客户。
第三步：豆序出现在哪里、承担什么角色
同样是出现，含义可能完全不同。
豆序可能是回答主动列出的候选，也可能只出现在来源标题中；可能被写成适合成都办公室的服务商，也可能作为不覆盖某地区的排除对象；品牌问题中还可能只是跟着用户原话重复。
示例回答里，豆序出现在主要建议段，是一个主动候选。回答将它与成都企业客户、租赁和维护联系在一起，位置与问题相关。
但“候选”不等于“最佳”，也不等于所有事实正确。更准确的记录是：
豆序在一条相关租赁问题中进入主要候选，回答给出部分有用选择条件，同时包含服务范围错误。
这句话比“豆序被推荐”更接近客户实际看到的内容。
第四步：回答说得对不对
示例回答不能整段标成正确或错误。小乔逐项核对：
| 回答中的说法 | 当前事实 | 判断 |
|---|---|---|
| 五十人办公室应确认容量、杯量与清洁频率 | 是合理选择方法 | 有帮助 |
| 豆序提供咖啡机租赁 | 当前服务页支持 | 正确 |
| 豆序提供咖啡豆配送 | 当前服务与合同说明支持 | 正确 |
| 豆序适合成都企业客户 | 基本符合当前对象 | 大致正确 |
| 豆序提供四川全省上门维护 | 当前资料不支持 | 错误，高风险 |
| 签约前确认清洁、备用机与节假日响应 | 是有用采购建议 | 保留条件 |
最值得优先处理的不是豆序只出现 7 次，而是“四川全省上门”在本轮 4 条回答中重复出现。客户若据此联系，可能直到签约时才发现服务地区不同。
品牌缺席影响发现机会，错误服务范围则直接影响客户决定。第一次诊断要学会区分优先级。
第五步：回答展示了什么依据
示例回答展示了一篇旧合作介绍、豆序当前首页和两篇办公室咖啡选购文章。
来源数量看起来不少，却不能一起支持所有说法。
当前首页支持豆序面向成都企业提供咖啡服务；办公室选购文章可以支持一般选择方法；旧合作介绍仍写着较宽的服务范围，可能是需要继续调查的冲突来源。
但看到旧稿出现在来源中，还不能宣布它是所有错误的唯一原因。本轮另有回答没有展示来源，平台内部过程也不可见。
诊断阶段先保存：本次展示了哪些来源，哪一个来源能支持哪句话，哪个链接已经过期或存在冲突。
没有可见来源时，写“本次界面未展示来源”，不要推断回答完全没有使用外部信息。
把运行状态和四个观察面放在一起，才是一条诊断
小乔没有制作一个“豆序 GEO 72 分”。她写下：
本轮 32 项计划观察中，31 项形成有效回答，1 项技术失败。豆序在 7 条有效回答中出现，其中部分是相关候选；多数提及时企业身份大致正确，但 4 条回答使用了“四川全省上门”这一当前不支持的服务范围。部分回答展示旧合作介绍，企业当前页面只有少量出现。下一步优先调查服务范围错误与直接答案缺口，不以提高提及次数为第一动作。
这段话说清了运行质量、品牌现象、事实风险、来源线索和下一步。
诊断的目标不是证明 AI 好或坏，而是找到企业下一步最值得检查的具体问题。
一张诊断快照，至少留下这六格
新手很容易保存几十条回答，却无法说明为什么挑中 Q01。豆序把本轮结果压成一张诊断快照：
| 诊断格 | 豆序本轮记录 |
|---|---|
| 观察范围 | 8 道冻结问题、2 个入口、每题 2 次，共 32 项计划观察 |
| 运行质量 | 31 条有效回答，1 项技术失败 |
| 品牌现象 | 豆序出现 7 次；品牌题与陌生客户题分开解释 |
| 最高风险 | 4 条回答出现当前不支持的“四川全省上门” |
| 来源线索 | 部分回答展示旧合作介绍；当前企业页面展示较少 |
| 深读对象 | Q01，因为它同时包含客户方法、品牌候选、事实错误和多个来源 |
这张快照不是为了压缩掉原始回答，而是说明下一章为什么要读这一条。任何数字都应该能够回到对应问题和完整文字。
第一次范围小一点，反而更容易学会
豆序没有一开始覆盖七个平台和五十道题。八题、两个入口、每题两次，已经需要保存 32 项运行状态、全文和来源。
小范围的好处是团队能亲自读完整回答，发现服务范围、费用和维护责任怎样被表达。若一开始只追求数量，最容易退化成搜索品牌名称和统计次数。
以后扩大时，可以使用更多问题、入口和重复观察，但阅读顺序不变：先确认运行是否有效，再看品牌有没有出现、承担什么角色、事实是否准确以及来源能支持什么。
现在动手：完成自己的第一张诊断快照
使用第 4 章冻结的八到十二道问题，选择两个客户实际使用的入口。开始前写清每题次数、新会话方式和失败处理。
每条观察保存完整问题、完整回答、日期、入口、可见来源与必要截图。先分类有效回答与技术失败，再记录品牌是否出现、出现角色、最重要事实和来源支持。
最后不要打总分。照着本章六格写一张诊断快照，再用普通话说明：这轮数据能不能用，企业在哪些问题中出现，最危险的错误是什么，为什么选择某一条完整回答进入下一章。
豆序选择 Q01 的示例回答，因为它同时包含品牌候选、正确方法、高风险事实错误和多个来源。第 6 章会从头到尾拆解这条回答。
延伸阅读与资料来源
- Aggarwal 等人的论文 GEO: Generative Engine Optimization 提供了按问题观察生成式回答可见性的研究背景。本章的运行门槛与四个观察面是面向新手的阅读方法，不是平台官方评分标准。
- 美国国家标准与技术研究院发布的 生成式人工智能风险管理框架简介 强调测量应结合情境、限制和人工复核。本章借用这些原则区分运行、事实和风险，不评价任何具体平台。