为什么多数内容手法都测出零结果？

它说明的是：对任何单独一条查询而言，决定结果的是“这是哪条查询”，而不是“你用了哪个手法”。看看那份基准测试零售列的写法：最好的内容方法是 0.36 ±1.47，而作为参照的那个 SEO 动作，全表最强的数字，也不过是 2.77 ±2.31。¹ 离散度本身就是结论。它意味着在完全相同的干预下，一份文档可能升四位，也可能掉三位，而你个人拿到哪一种，接近于抽签。

由此有三个推论，它们其实就是本页全部的实用内容。第一，一个页面在一条提示词上做前后对比，只是从那个分布里抽了一次，因此它对均值几乎不提供任何信息，正反两个方向都不提供。第二，一个为正的均值完全可以与相当比例的亏损共存，所以只报均值永远不够：2026 年那篇批判性综述的方法学章节明确要求报告“绝对效应、相对效应、区间与分布，而不只是一个均值”。³ 第三，你需要的观测数量随方差增长、随效应量的平方下降，所以一个落在宽分布里的小效应，看清它的代价非常高。

这一点背后的算术写在本站别处：样本量公式给出某个变化幅度所需的每期观测数，要多少提示词和多少次运行把它换算成一个你跑得起来的面板。请在设计测试之前读，而不是在读到结果之后。

SAGEO Arena 已被 KDD 2026 接收，它没有给模型一个固定上下文，而是把整条流水线重建了出来：171,003 份文档、2,700 条查询、每个领域 300 条，检索、重排与生成都在其中。它报告说，只优化正文“在所有环节上都会一致地削弱可见度”，而上面那张表就是这句话立得住的原因：十种策略在三列上全部下滑。² 三十个格子，一个符号。这三个环节是嵌套的而不是独立的，所以那不是三十次独立试验；但十种不同的改写在它们触及的每个环节上都朝同一个方向动，这是一个方向，不是抛硬币。

机制是被写出来的，而不是猜出来的，这正是它高于零结果的地方。检索端跌得最多的，是那些把常用表达换成领域专有词或生僻词的策略，作者把这归因于“优化后的文档与用户查询之间的词汇错配，而用户查询通常使用常用词汇”，并举例说把“sleeping”换成“somnolence”，词面检索器给这一页的打分就会更低。² C-SEO Bench 从另一侧发现了同样的不对称：它的左尾检验显示，加统计数字这个方法在 24 个受测设定中的 19 个里降低了排名。¹ 凡是这些基准去检验“是否有害”的地方，它们经常真的找到了；这与“没能找到帮助”是完全不同的认知处境。

在有人引用那张表之前，还有两处需要老实扣掉。重排的基线是构造出来的 1.00，因为“所有目标文档都是从重排阶段的前十候选中选出的”，所以那一列只能往下走，它的 −16% 与一个基线自由浮动的百分比并不可比。² 另外，“只改正文”只是论文报告的三种设定之一；当结构与正文一起优化时，数字会变。

请用成本和风险来决定，而不是用显著性，因为你要买的从来就不是显著性。一个便宜、无害、而且本来就有别的理由值得做的手法，能完好地熬过一个零结果：问句式小标题、平实的定义、带日期和出处的数字，都会让页面对着它读的人更好，所以它们的引用效果是附赠品，而不是做它们的理由。一个便宜但带着已被记录的负面作用的手法，比如把读者会用的词换成更生僻的词，栽在另一侧尾部的证据上，而不是栽在零结果上。而一个昂贵且测出零结果的手法应当停下，因为它真正的代价是你因此完全没去测的那个约束，而 Google 至今仍把自己的生成式功能描述为“根植于我们核心的搜索排序与质量系统”。⁶

还有一个性质，让边际手法的价值低于它测出来的数值。同一份基准报告说，随着候选集中采用同一方法的文档增多，总体收益会下降，“呈现出一种拥挤而零和的性质”。¹ 正结果是一项会折旧的资产，而一个真正回答了问题的页面不会。一个被正确读懂的零结果，不是浪费掉的一个季度。它是一张“你的约束不在这里”的地图，而它通常指向上游的检索与相关性，接下来由GEO 手法的证据综述和相关性与排名那一篇接手。