GEO 项目的前 90 天应该长什么样？

理由和项目管理惯例没有关系，全部来自“你什么都不动的时候，测量自己会怎么动”。2026 年那篇批判性综述把可复现性的证据集中到了一处。Kirsten 等人（其 4,706 条查询的审计是同行评议成果）发现，在温度为零的条件下重复跑一次，会改变 9 到 28% 的判定。² Schulte 等人在四个引擎上观察 45 天（一个很小的瑞士查询集合），记录到逐日的来源级 Jaccard 在 0.34 到 0.42 之间。¹

把这两条放在一起读。在任意一天里，引擎为你这套 prompt 引用的来源中，有很大一部分和昨天不一样，而你这边什么都没改。这就是任何干预必须盖过的量级，也是为什么基线是一个分布而不是一次读数。分布需要重复才看得见。跑一次单条 prompt，告诉你的关于引擎的信息很少，关于“你跑它的那一分钟”的信息倒是不少。

要多少条 prompt、跑多少次才买得到一个可用的区间，这是算术，算在要多少 prompt 和多少次运行里；给定面板规模能检测到什么、检测不到什么，算在统计功效里。这里都不重复；本文只取它们的结论：报告单位是面板，永远不是单条 prompt。

这对日历的后果，值得对定下这个期限的人说清楚。90 天之内，你可以建立一条你信得过的基线、把修复上线、再把面板重读一次。你没法同时证明某一次内容改动导致了某一段变化，因为拿一次前后对比去对付一台会漂移的仪器，撑不起这个结论。第一周把这话说了，是一场比第十二周再说好得多的对话。

内容排在第 5 周而不是第 1 周，除了“基线还没有”之外还有第二个理由：已发表的内容侧效应量都很小，其中几项还是负的。C-SEO Bench 是 NeurIPS 2025 的一个基准，覆盖十种方法、两类任务、六个领域，它报告说当前多数方法“不仅基本无效，还常常对文档排名产生负面影响”，并且在 54 个受测案例中只有 3 个出现了统计显著的排名改善。⁴ KDD 2026 上的 SAGEO Arena 把检索与重排重新放了回来，而不是直接给模型一段固定上下文，它发现只优化正文会把三个总体均值从 0.58、1.00、0.50 拉到 0.53、0.84、0.47，即分别朝反方向走了 9%、16% 和 6%。⁵ 预期效应这么小的工作，必须待在仪器后面。

有一支把季度顺序做反了的团队，可以把这种失败讲具体。他们一上来就是六周的内容冲刺，因为内容是所有人都已经会做的那部分；第 7 周才开始测量；到第 12 周手里有一条上扬的线，却没有办法为它辩护。页面在任何人记录“引擎看到的是什么”之前就已经改了，于是那个“之前”只存在于记忆里。面板随着新问题冒出来，从 22 条 prompt 长到了 60 条，于是分母跟着分子一起动。而且没有对照组，所以一次把所有东西都抬起来的平台侧变化，看上去和“冲刺奏效了”一模一样。他们做的每一件事本身都不坏。是顺序把它作废了。

“混合分数”这一条能上榜，靠的是测量而不是口味。SIGIR 2026 上一项覆盖 11,500 条代表性查询的研究测得，Google 自然结果、AI Overviews 与 Gemini 之间 URL 层面的 Jaccard 相似度为 0.11 到 0.18。³ Jaccard 是交集除以并集，不是“被引用 URL 的占比”；在这个水平上，这三个面几乎是不相交的。把它们平均出来的那个数，描述的不是任何一个人真能去访问的引擎。