哪六个 prompt 类别应该分开跟踪？

平均会摧毁信号，因为这些类别的基础比率差别很大，于是综合数字既是你的可见性的属性，也是面板构成的属性。用一个合理的 40 条面板算一遍：12 条品类定义类，你被点名的比例是 70%；10 条候选清单类，15%；8 条对比类，30%；4 条适配类，25%；3 条异议类，10%；3 条操作指南类，45%。综合出现率是 37.4%。现在再加五条你本来就赢的品类定义类 prompt，别的什么都不动，同一个面板报出来就是 41.0%：这 3.6 个百分点的上升，完全是一个编辑决定制造出来的。

第二个理由是，“赢”在每一类里不是同一件事。在候选清单类上，出现在名单里的任何位置就是全部结果。在对比类上，如果你名字旁边那句话是错的，出现本身一文不值。在品类定义类上，赢是被归进正确的品类，而不是相邻的那个。一个单一的出现率，对六类中的两类问对了问题，对另外四类问错了。

第三个理由是，这些类别是从不同的来源群体里被回答的，因此它们响应的是不同的工作。品类定义类和操作指南类的答案，靠的是一家公司写得出来的页面；候选清单类和异议类的答案，靠的是它写不了的页面。把它们报成一个数字，只会告诉你“有东西动了”，却不告诉你哪个团队本来能推动它。提示词研究这一阶段 讲怎么把面板建起来；本文讲的是面板每一行上贴的那个标签。

因为在这两类上，一次挂着错误描述的引用，代价比根本没被引用还大，而错误描述是常态。哥伦比亚大学 Tow 数字新闻中心在 2025 年 3 月对八个引擎跑了 1,600 条查询，发现超过 60% 返回了错误答案；最差的引擎错误率高达 94%，在它的 200 条 prompt 中产生了 154 条指向错误页面的引用，而表现最好的那个也有 37% 出错。³ 它更早的一次 200 条直接引文测试发现，153 条回答部分或完全错误，而系统只有 7 次表达了不确定。²

另有两项独立测量，把同一个问题落到了句子这一层。较早的研究发现，生成式搜索答案中只有 51.5% 的句子被其所挂引用完全支撑；⁴ 2026 年一项研究把 98,020 条原子性主张中约 11% 归类为支撑不足。⁵ 一个把你的品类说对、却把你的价格档说错的引擎，产出的仍然是一个会丢单的答案，而“是否出现”这个标记会把它记成一次胜利。

由此有三条便宜的操作后果。在对比类和异议类 prompt 上，记录完整的答案正文，而不只是出现标记，因为你真正需要读的是那句话，不是那个布尔值。这两类要用更高的运行次数来跑，因为你要从同一批运行里估两个比率，你出现的频率和描述正确的频率，而后者需要人工抽读。另外，在异议类上要预期修复动作落在你的域名之外：“用 X 会被封号吗”的诚实答案，通常是从一条社区帖子里检索来的，那属于站外 GEO这一阶段 的地盘，而不是你内容团队的。

因为一个类别比率所依赖的三件事里，有两件属于引擎而不属于你。第一件是引擎到底会不会给出 AI 答案：一项覆盖 55,393 条查询的 Google AI Overviews 研究测到，整体触发率是 13.7%，而在问句形式的查询上升到 64.7%。⁵ 六个类别的措辞并不一样：品类定义类、适配类和异议类天然是问句，候选清单类通常是名词短语。所以一个类别显得平，可能只是因为它的 prompt 很少触发答案，这是分母问题，因此日志要把“有没有出现答案”和“答案里有没有你”分开记录。

第二件是，一个类别背后的来源群体既不是那份排序结果，也不是一个稳定集合。Google 的文档说明，AI Overviews 和 AI Mode 可能把一条 prompt 扇出成若干条围绕子话题的检索，¹⁰ 而同一份审计发现，被引用的域名里有近 30% 根本没有出现在第一页结果中。⁵ 一份 11,500 条查询的基准测试报告了 Google 自然结果、AI Overviews 与 Gemini 之间 URL 层面 0.11 到 0.18 的 Jaccard 相似度，以及同一条查询跑两次时更低的一致性。⁶ 另有跨三个引擎的重复采样发现，域名之间许多看起来的差异其实落在噪声下限之内。⁹ 在把一次类别变动算到你自己头上之前，先拿它跟这条噪声下限比一比。