拆解一份好GEO报告的技术骨架：八项检测、五维量化与动态复测

一份好的GEO检测报告，底层不是「把各平台截图贴在一起」，而是一条可复现的工程管线：用固定问题集驱动各AI平台实测，把结果沉淀进统一的结果池，再经量化模型与复测对比产出可解释的结论。本文拆解睿贤AGEO智能体报告系统的四层技术骨架，并给出可运行的代码骨架。

一、为什么多数报告只是「截图合集」

行业里常见两类弱报告：

1. 一次性快照报告：某天对几个平台问几个问题，记下「被引/未被引」，交付即结束。它测的是概率分布里的一次抽样，无法区分偶然与趋势（详见上一篇行业洞察）。

2. 平台汇总报告：把豆包、DeepSeek、文心等各自的结果横向拼起来给总分。但各平台引用逻辑不同（如文心偏百家号、豆包偏头条系），直接加总会掩盖「某平台专项缺失」，也无法支撑「按平台独立出建议」。

好报告要解决的，是「可复测、可解释、可对比」三个工程问题。

二、四层技术骨架

1. 动态实测方法论：企业判定档案驱动，替代盲测

不靠拍脑袋出题，而是先建「企业判定档案」——从行业、地域、渠道、竞品池四个维度锁定品牌的真实购买意图问题集。同一品牌每次都用同一组问题实测，结果才可比。这把「测什么」从随机变成确定。

2. 八项检测架构：6检测 + 1建议 + 1复测对比

按AI平台独立执行，每家平台跑完6项检测后独立出优化建议，最后用第8项做N次复测对比：

• 检测1–6：品牌可见度、信源归属、答案准确性、竞品声量、场景覆盖、交易锚点
• 建议：基于本平台6项结果生成P0/P1/P2行动项
• 复测对比：N次复测每次都与基线对比，看优化是否真的改变了AI答案

关键决策：按平台独立执行、不做跨平台汇总。因为汇总会让「文心的问题」被「豆包的好」平均掉。

3. 信源归因引擎：把12家大模型的引用源统一解析、归并、量化

每家的引用格式不同——Perplexity用 `citations` 数组、ChatGPT用 `source_links`、文心豆包用 `web_references`。引擎做四件事：

• 解析：适配各平台引用字段，抽出原始URL
• 归并：二级域名归一、短链展开、URL→平台映射
• 量化：按平台统计引用占比，定位「品牌在哪类信源上缺位」
• 归因：识别答案里被引用的具体段落，回答「为什么被引」

（该引擎的完整拆解见睿贤此前发布的「信源归因引擎」系列。）

4. 五维100分量化模型（开发中）

把可见度落成可解释的分数：品牌力 / 信源力 / 品牌锚点 / 场景覆盖 / 交易锚点，各维0–100，加权得总分。模型当前标注「开发中」，用于把分散的检测结果收敛成一张可跨期对比的体检表。

三、代码骨架：把「一次实测」变成「会进化的档案」

下面是报告生成器的核心骨架（Python伪代码，展示结构而非完整实现）。它把「平台适配器」与「报告板块」经结果池解耦，换平台或换板块都不影响整体：

from dataclasses import dataclass, field
from typing import Dict, List

@dataclass
class ProbeResult:
    platform: str          # 豆包 / DeepSeek / 文心 ...
    question: str
    cited: bool            # 品牌是否被引用
    sources: List[str]     # 抽取出的引用URL
    snippet: str           # AI答案片段

@dataclass
class ResultPool:
    """结果池：平台适配器的产出统一落这里，与报告板块解耦"""
    runs: Dict[str, List[ProbeResult]] = field(default_factory=dict)

    def add(self, platform: str, results: List[ProbeResult]):
        self.runs.setdefault(platform, []).extend(results)

    def cite_rate(self, platform: str) -> float:
        rs = self.runs.get(platform, [])
        return sum(r.cited for r in rs) / len(rs) if rs else 0.0

@dataclass
class FiveDimScore:
    brand: int; source: int; anchor: int
    scene: int; trade: int          # 五维（开发中）
    def total(self) -> int:
        return round((self.brand + self.source +
                      self.anchor + self.scene + self.trade) / 5)

def build_report(pool: ResultPool, baseline: ResultPool | None) -> dict:
    """按平台独立出分与建议，不与其它平台汇总"""
    report = {}
    for platform in pool.runs:
        score = FiveDimScore(                       # 真实模型由检测项映射，此处示意
            brand=round(pool.cite_rate(platform) * 100),
            source=len({s for r in pool.runs[platform] for s in r.sources}),
            anchor=0, scene=0, trade=0)
        delta = None
        if baseline and platform in baseline.runs:
            delta = score.total() - baseline.total()  # N次复测对比
        report[platform] = {
            "score": score.total(),
            "cited_pct": round(pool.cite_rate(platform) * 100, 1),
            "vs_baseline": delta,
            "advice": suggest(score),                 # P0/P1/P2 行动项
        }
    return report

def suggest(s: FiveDimScore) -> List[str]:
    if s.source < 30:
        return ["P0: 补强百度百科/百家号/官网三类权威信源的一致性"]
    return ["P1: 维持当前信源节奏，扩大场景覆盖"]

要点：结果池只认 `platform + question + cited + sources`，任何新平台只要实现「产出ProbeResult」就能接入；报告板块只读结果池，不关心平台怎么抓的。这就是为什么「换平台」或「改某板块」不会拖垮整份报告。

四、三个工程决策，决定报告靠不靠谱

• 结果池解耦：平台适配器与报告板块经结果池隔离，单板块改动不影响整体。
• 统一问题集复测：N次复测用完全相同问题集，才谈得上「对比」。
• 按平台独立出建议：不把文心的问题藏进豆包的平均分里。

做到这三点，报告才从「截图合集」变成「可进化的档案」——下一次优化后复测，你能直接看到哪一维涨了、哪个平台动了。

> 说明：五维量化模型与部分检测项当前标注「开发中」，文中代码为结构示意，实际评分由企业判定档案与检测结果映射。信源归因引擎已落地，详见睿贤此前发布的同主题技术文。