哪六類 prompt 應該分開追蹤？

取平均會摧毀訊號，因為這幾類的基準率差距很大，於是綜合數字既是你能見度的屬性，也同樣是面板構成的屬性。拿一個 40 條的面板來算：12 條品類定義類，你被點名的比例是 70%；10 條候選清單類，15%；8 條對比類，30%；4 條適配類，25%；3 條異議類，10%；3 條操作指南類，45%。綜合數字是 37.4%。再加五條你本來就贏的品類定義類 prompt，其他什麼都不動，同一個面板報出來就是 41.0%：這 3.6 個百分點的上升，是一個編輯決定製造出來的。

第二個理由是，「贏」在每一類裡並不是同一件事。在候選清單類 prompt 上，出現在名單的任何位置就是全部結果；在對比類 prompt 上，如果你名字旁邊那句話是錯的，出現本身一文不值；在品類定義類 prompt 上，贏是被歸進正確的品類，而不是相鄰的那一個。單一的出現率，對兩類問對了問題，對另外四類問錯了問題。

第三個理由是，這幾類是從不同的來源群體裡被回答的，因此它們回應的是不同的工作：品類定義類和操作指南類的答案倚賴一家公司寫得出來的頁面，候選清單類和異議類的答案倚賴它寫不出來的頁面。一個數字只會告訴你有東西動了，卻不會告訴你哪個團隊本來動得了它。prompt 調研階段負責把面板建起來，本文講的是面板每一行上貼的那個標籤。

因為在這兩類上，一次掛著錯誤描述的引用，代價比根本沒有引用還大，而錯誤描述是常態。Tow 中心在 2025 年 3 月對八個引擎跑了 1,600 條查詢，發現超過 60% 返回了錯誤答案；最差的引擎有 94% 的時候是錯的，在它的 200 條 prompt 中產生了 154 條指向錯誤頁面的引用，就連最好的那個也有 37% 是錯的。³ 它更早一次針對 200 條引文的測試發現，153 則回答部分或完全錯誤，而表達不確定的只有 7 次。²

有兩項測量把同一個問題放到了句子這一層。較早的研究發現，生成式搜尋答案中只有 51.5% 的句子被掛在它們上面的引用完全支撐，⁴ 而 2026 年一項研究把 98,020 條原子主張中約 11% 歸類為支撐不足。⁵ 一個把你的品類說對、卻把你的價格級別說錯的引擎，產出的仍然是一則會丟單的答案，而出現標記會把它記成一次贏。

由此有三條便宜的操作後果。在對比類和異議類 prompt 上，記錄完整的答案正文，而不只是出現標記：你需要讀的是那句話，不是那個布林值。這兩類要用更高的執行次數來跑，因為你是從同一批執行裡估兩個比率，而第二個比率，也就是描述對不對，需要人工抽讀樣本。還有，在異議類 prompt 上，修復動作通常落在你的網域之外，落在那條被檢索到的誠實答案所在的社群討論串裡，那是站外 GEO 階段的地盤。

因為一個類別比率所依賴的三件事裡，有兩件屬於引擎而不屬於你。第一件是究竟會不會出現 AI 答案：一項涵蓋 55,393 條查詢的 Google AI Overviews 研究測到整體觸發率是 13.7%，在問句形式的查詢上升到 64.7%。⁵ 這幾類的措辭並不一樣：品類定義類、適配類和異議類 prompt 天生是問句，候選清單類 prompt 通常是名詞短語。一個類別看起來平，可能只是因為它的 prompt 很少觸發答案，所以日誌要把有沒有出現答案和答案裡有沒有你分開記錄。

第二件是，一個類別背後的來源群體既不是那份排序清單，也不是一個穩定的集合。Google 的文件寫明，AI Overviews 與 AI Mode 可能把一條 prompt 扇出成好幾條涵蓋子話題的搜尋，¹⁰ 而同一份審計發現，被引用的網域裡有將近 30% 從未出現在第一頁結果中。⁵ 一份 11,500 條查詢的基準測試回報，Google 自然結果、AI Overviews 與 Gemini 之間 URL 層級的 Jaccard 相似度是 0.11 到 0.18，而重複執行之間的一致性更低。⁶ 跨三個引擎的重複採樣則發現，網域之間許多看起來的差異其實落在噪聲基底之內。⁹ 在把一次類別變動算到你自己的工作頭上之前，先拿它對照那條基底。