一个回答附上了链接，只能先证明它展示或保存了链接，不能直接证明网页内容支撑了回答。 检索是否命中、证据是否被采用、引用是否正确，是需要分别评估的事件。对消费者 AI 搜索产品做黑盒观察时，这个区分尤其重要。
本文分析妙蛙 GEO 自有项目于 2026 年 9 月 23 日启动的一轮观测：50 道相同问题，覆盖 ChatGPT、Claude、Gemini、Google AI Overview、Microsoft Copilot、Perplexity，共 300 个最终观测。补采保留原题关联，325 次原始尝试不重复计入问题数。这是一份单批观察研究，不是六个平台的能力排行榜，也不是对内部 RAG 算法的逆向证明。
从问题到回答，哪些环节真的被看见了
可把分析分成三层：问题规定任务与采购条件；来源清单提供可检查的网页入口；生成回答提出事实、比较或建议。在可控 RAG 系统中，还能记录检索候选、重排结果和进入上下文的片段；本批消费者网页端样本没有这些内部日志。
因此，我们直接看见的是问题、保存的回答和 URL，代理观察的是来源选择，尚未看见的是完整检索过程和证据吸收。不能因为一个链接出现在清单里，就说模型阅读了全文，更不能说该链接导致了推荐。
ALCE 研究把引用质量拆成引用召回与引用精确度，分别检查陈述是否得到引用段落支持、引用是否相关。ARES 则分别评估上下文相关性、回答忠实度与回答相关性。这些研究提醒我们：流畅回答、相关文档和有支持的论点不是同一个指标。它们的实验设置不能直接拿来评价本批消费者产品。
同样 50 道题，来源清单差异很大
本批共有 5,188 个保存的来源条目，规范化后对应 3,408 个 URL、1,270 个域名。在单条回答内去重后，有 5,034 个“回答×URL”，即 154 个条目属于同条回答内的规范化重复。
| 平台 | 有来源数组的记录 / 保存为成功的正文 | 来源条目 | 来源非空时的中位条目数 |
|---|---|---|---|
| ChatGPT | 30 / 50 | 2,626 | 83 |
| Claude | 33 / 50 | 211 | 6 |
| Gemini | 28 / 50 | 194 | 6 |
| Google AI Overview | 38 / 46 | 416 | 10.5 |
| Copilot | 47 / 50 | 301 | 5 |
| Perplexity | 50 / 50 | 1,440 | 29 |
Google AI Overview 另有 4 条未触发记录。这里统计的是采集字段中的来源条目，不是人工确认正确的脚注数。原生来源卡、正文中的官网链接、搜索跳转和重复链接可能混在一起。
以“有哪些 AI 搜索监测服务商”这道发现题为例，ChatGPT 保存 157 个条目，Perplexity 69 个，Google AI Overview 23 个，Copilot 20 个，Claude 12 个，Gemini 没有来源且只给出拒答。前五者的回答都包含不同程度的分类或选型建议，但不能凭链接多少排序正确性。Copilot 在正文中把行业盘点写作依据，另列各产品官网；官网入口和事实依据的作用就不同。
两个容易混淆的反例
第一个反例是“有官网来源，没有品牌提及”。在不点名妙蛙的题中，ChatGPT 有两条、Perplexity 有一条符合这个情况。Perplexity 的采购核验题收录了妙蛙的服务商核验指南，但保存的正文没有妙蛙品牌字符串。文章可以成为方法参考，而文章所属公司没有成为采购对象。
第二个反例是“有品牌提及，没有官网来源”。非点名题中共有四条。它可能通过其他页面介绍品牌，也可能只保存了来源标签而缺少 URL；仅凭当前字段，无法把这几种路径合并成一个解释。
进一步评价“资料究竟支撑哪句话”，需要将回答拆成可验证的论点，记录相邻引用位置，再与源页当时的具体段落核对。只比较答案和页面的词语相似度，仍不足以证明因果采用。
先分清保存成功与回答成功
本批存储状态为 296 条成功正文、4 条未触发。但内容复核发现，Gemini 的 14 条短正文是明确拒答；Google AI Overview 还有一条“暂时无法生成，请稍后重试”的错误提示。这些记录保存完整，不代表已经回答采购问题。
从 296 中扣除上述 15 条，得到 281 条剩余记录，也不能立刻命名为“281 条正确回答”：还有澄清回复和疑似截断内容尚需核对。拒答可以作为真实的观测结果保留，但不应混入“普通回答中未提及品牌”的分母；技术错误又应与拒答分开。
来源本身也需复核。本批发现六个来源条目的域名混入括号、分号或“产品页需咨询”等说明文字；Gemini 的 29 个条目是 Google 搜索入口。不能把这些条目默认当成已验证的正文文档。异常可能在生成、界面链接化或采集解析阶段形成，当前证据不足以定位根因。
一套可执行的引用评估流程
先保留原始问题、正文、URL、时间与采样条件。另建派生字段，记录正文结果类型、完整性、来源角色、URL 解析状态，不覆盖原文。
随后完成三项检查：
- 任务相关性。 回答是否处理了题目的对象、限制与需要的输出？请求补充名单、拒答和错误提示单列。
- 证据支持。 对价格、覆盖平台、周期、公司主体等可验证论点，记录源页版本及支持段落，标为支持、部分支持、冲突或无法确认。
- 引用完整性。 应当有证据的事实陈述是否遗漏来源？链接是否只是推荐访问的官网，还是与陈述相邻的证据？
可控 RAG 还应记录进入上下文的文档与片段；不可控产品应明确这些字段不可观察。没有来源数组不等于未联网，链接相同也不等于不同平台采用了同一段证据。对模型裁判的结果，应抽样人工复核，不能直接把另一模型的评分当作真值。
对 SEO 与 GEO 的实际意义
写内容时，应把实体、事实、适用条件、时间和限制放在读者能看到的正文中；用清晰内链帮助定位原始规则。Google Search Central 对 AI 搜索功能的说明仍强调常规 SEO、可发现的内链、文本内容，以及与可见内容一致的结构化数据，并没有保证某种“特殊 GEO 标记”带来收录。
对本站而言，下一步不是把来源数量做得更大，而是让每条重要结论能回到问题、原文与证据位置。基础概念可结合检索增强与信源选择的入门说明阅读；本轮表现及其公开范围见自有项目观测后台。公开后台的来源数经过隐私过滤，与本文私有原始条目统计不同；后台保存状态与本文语义复核结果也不应混用。
数据与研究边界： 本文数据来自妙蛙 GEO 自有项目第六轮原始观测及 2026 年 9 月 26 日内容复核；方法参考 Princeton 团队的 ALCE（EMNLP 2023）、ARES（NAACL 2024）及 Google Search Central。单次、中文采购问题、自有品牌、补采时间差和字段缺口限制了外推；未观察销售转化，也未证明任何平台内部的因果机制。