GEO 專案的前 90 天應該長什麼樣？

理由和專案管理慣例沒有關係，而是來自「你什麼都不動的時候，測量自己會怎麼動」。2026 年那篇批判性綜述把可複現性的證據集中到了一處。Kirsten 等人（其 4,706 條查詢的審計是同儕審查成果）發現，在溫度為零的條件下重複執行一次，會改變 9 到 28% 的判定。² Schulte 等人在四個引擎上觀察 45 天（一個很小的瑞士查詢集合），記錄到逐日的來源級 Jaccard 落在 0.34 到 0.42 之間。¹

把這兩條放在一起讀。在任意一天裡，引擎為你這套 prompt 引用的來源中，有很大一部分和昨天不一樣，而你這邊什麼都沒改。這就是任何干預必須蓋過的量級，也是為什麼基線是一個分布而不是一次讀數。跑一次單條 prompt，告訴你的關於引擎的資訊很少，關於「你執行它的那一分鐘」的資訊倒是不少。

要多少條 prompt、跑多少次才買得到一個可用的區間，算在面板規模裡；某個面板規模能偵測到什麼、偵測不到什麼，算在統計檢定力裡。這裡都不重複；本文只取它們的結論：報告單位是面板，單條 prompt 永遠不是。

這對日曆的後果，值得對訂下這個期限的人說清楚。90 天之內，你可以建立一條你信得過的基線、把修復上線，再把面板重讀一次。你沒辦法同時證明某一次內容改動導致了某一段變化，因為拿一次前後對比去對付一台會漂移的儀器，撐不起這個結論。第一週把這話說了，遠比第十二週再說好。

內容排在第 5 週，除了基線還沒有之外還有第二個理由：已發表的內容側介入效應量都很小，其中幾項還是負的。C-SEO Bench 是 NeurIPS 2025 上一個涵蓋十種方法的基準，它報告說其中多數「不僅大體上無效，還常常對文件排名產生負面影響」，而且在 54 個案例中只有 3 個出現統計顯著的排名改善。⁴ KDD 2026 上的 SAGEO Arena 把檢索與重排重新放了回來，而不是直接給模型一段固定脈絡，它發現只優化正文會把三個標題級均值從 0.58、1.00、0.50 拉到 0.53、0.84、0.47，也就是分別朝反方向走了 9%、16% 和 6%。⁵ 這麼小的效應必須待在儀器後面。

有一支把季度順序做反了的團隊，可以把這種失敗講具體。他們一上來就是六週的內容衝刺，因為內容是所有人都已經會做的那部分；第 7 週才開始測量；到第 12 週手裡有一條上揚的線，卻沒有辦法為它辯護。頁面在任何人記錄「引擎看到的是什麼」之前就已經改了，於是那個「之前」只存在於記憶裡。面板從 22 條 prompt 長到了 60 條，於是分母跟著分子一起動。而且沒有對照組，所以一次把所有東西都抬起來的平台側變化，看上去和「衝刺奏效了」一模一樣。他們做的每一件事本身都不壞。是順序把它作廢了。

「混合分數」這一條能上榜，靠的是測量而不是口味。SIGIR 2026 上一項涵蓋 11,500 條代表性查詢的研究測得，Google 自然結果、AI Overviews 與 Gemini 之間 URL 層級的 Jaccard 相似度為 0.11 到 0.18。³ Jaccard 是交集除以聯集，不是被引用 URL 的佔比；在這個水準上，這三個面幾乎不相交。把它們平均出來的那個數，描述的不是任何人真能去造訪的引擎。