什么时候淘汰一条 prompt，面板又该怎么版本化？

当最近没有人说过任何接近它的话时，这条 prompt 就不再对应一个活的问题；而检验方式是一次检索而不是一次判断：在上一个季度的通话录音和支持工单里，找这句措辞或它的近义改写。如果找不到，那这条 prompt 测的是你对市场的记忆，而不是市场。品类词汇变化很快，一份十八个月前写下的面板，测的是一个已经不存在的买家的用词。

相关的一种情形是：这条 prompt 本来就不是问句形态。疑问句式的查询触发 AI 答案的频率远高于陈述句：一项 55,393 条查询的研究测得 Google AI Overview 的整体触发率为 13.7%，而疑问句式查询为 64.7%；³ 另一项被 SIGIR 2026 接收、基于 11,500 条查询代表性样本的研究，把 AI Overview 的整体出现率定在 51.5%。⁴ 因此一条陈述句形态的 prompt 会产出一串结构性的零，看起来像可见性问题，实际上是面板设计问题。把它改写成问句（那是一次版本变更，不是一次修补），或者淘汰它。

什么不构成淘汰理由：你在这条查询上开始排第一了。引擎取材的域名，和排名靠前的域名并不是一回事；关于这个落差有多大，两项已发表的审计并不一致，但都认为它很大。2025 年 9 月采集的 4,706 条查询审计中，AI Overviews 查阅过的域名平均有 53% 不在自然结果前十；⁵ 而 2026 年 3 月 13 日至 4 月 21 日采集的 55,393 条查询研究中，29.8% 的引述域名不出现在对应首页上。³ 拿到头名排名，不是停止关注答案在说什么的理由。

一条结果变了的 prompt，未必是因为你做了什么才变的，而这种背景变动如今是被测量出来的，不是猜出来的。2026 年那篇批判性综述在转述 Schulte 等人的工作时记录到：在四个引擎、45 天的观测里，逐日的来源级 Jaccard 大约在 0.34 到 0.42 之间，24 小时内重复运行的水平也差不多；该综述还把“各商业引擎彼此不同且随时间变化”评为高置信度。¹ Jaccard 是交集除以并集，而不是“被引用 URL 的占比”：0.34 意味着相邻两天的来源合集里，大约三分之一在两天都出现过。这些数字来自一个很小的瑞士查询集合、最多十次重复，所以请把它读成一个数量级，而不是一个常数。

另有两项测量从不同方向给这个问题划了边界。一项同行评议审计在 2025 年 9 月用英语发出 4,706 条查询，发现同样的查询隔两个月再跑，AI Overviews 用到的网页只有 18% 重合，而自然搜索是 45%；即便把温度设为零，重复运行仍会改变 9% 到 28% 的判定。⁵ 换成跨界面而不是跨时间来看，那份 11,500 条查询的代表性样本测得 Google 搜索、AI Overviews 与 Gemini 之间的 URL 级 Jaccard 在 0.11 到 0.18 之间，其摘要里写作“低于 0.2”。⁴ 这些都不是你的内容在变。

所以没有任何触发条件应该由“一个周期的变动”点燃。请在连续两个周期之后、按累计运行次数而不是连续次数来淘汰，并且只在一个你从不去动的冻结对照子集显示“同样的变动没有落到它们身上”之后才动手。

变大的分母会毁掉这个数字，因为面板出现率是对“恰好在面板里的那些东西”取的平均，所以即使你的可见性一点没变，加进 prompt 也会改变结果。取一个报 34% 的 40 条面板，相当于 13.6 条 prompt 的出现量。加进十条你本来就以 80% 赢下的简单定义类 prompt，面板会报 43.2%。改成加十条你只以 10% 赢下的困难对比类 prompt，它会报 29.2%。同样的表现，14 个百分点的跨度，完全由“某人加了哪十个问题”决定。

它之所以是最常见的污染，是因为“加 prompt”感觉像尽职，而没有人记录每一条是为什么进来的。三条路径都很眼熟：有人在会上听到竞品被提起就加了几条；某位销售负责人要求跟踪自己的那个问题；或者一个内容项目上线后，它的目标问题被成批加进来。最后这一条最糟，因为这些新增与“你正想测量其效果的那项工作”是相关的，按构造就把结果朝好看的方向带偏了。

四条规则能彻底解决它。淘汰和新增按同样的速率进行，让面板规模保持不变。每次变更都升版本号，让这条曲线被显式分段。把类别构成和比率并排公布。还有，绝不要在一个你宣称有改善的周期里新增 prompt：用旧面板的数字来报这个周期，新面板从下个周期开始。在现实的运行次数下，单条 prompt 的噪声本就已经很宽，以至于 2026 年一篇对这个领域的统计学论文得出结论：域名之间许多表面上的差异，落在测量本身的噪声基底之内。²