摘要：大模型评测最容易烂在「分数是模型自己说的」。可见度诊断把每一次问答写成一行探针，报告只做计数。没配密钥就跳过并记失败，不用模拟回答把图填满。

演示环境里最省事的做法，是检测不到 API Key 就返回一段写死的 JSON：提及率 62%，前三占位 28%。图能看，数是假的。客户拿着这张图去做季度复盘时，你无法指出哪一次提问支撑了 62%。

数能GEO里，诊断的失败策略是：大模型调用失败直接跳过，写进报告的失败列表。页面上看到的每个比率，都从探针表 COUNT 出来。

探针是审计单元，报告是派生视图

一次诊断先落一张报告，状态为进行中，立刻把接口返回给浏览器。真正的提问放在响应之后的后台任务里跑。前端按 已完成探针数 / 计划探针数 轮询。用户关掉页面，库里的行还在。

每一行探针至少留下这些字段：

• 大模型
• 问句原文、意图（发现 / 认知 / 对比）
• 回答原文，或错误信息
• 是否提及、排名
• 来源 URL、是否走了联网
• 耗时、token
• 认知与情感（仅认知轨，未判定就保持未判定）

聚合时只取「没有错误、且有回答」的发现类探针。计划了 40 问、成功 31 问，提及率的分母是 31。失败的 9 问出现在模型失败说明里，不参与分子分母。

监测写趋势时再强调一次：不要从报告摘要 JSON 里抄数字。报告结构会改版，趋势要跨所有历史期可比，所以每一期都从探针行重算。跨引擎合计用一个保留键 * 写进同一张指标表，和分引擎序列放在一起，唯一键是「项目 + 统计日 + 引擎 + 主体」。

模型 ID 必须精确命中

诊断勾选的是「豆包、文心、通义、DeepSeek、Kimi、元宝」这类平台。真正发出去的请求还要落到一个模型 ID。

网关的 /models 列表里没有这个 ID，就标记该模型不可用。

某个模型厂商的兼容接口即使触发了搜索、却不返回来源列表，报告要标明「搜索已发生但没有来源」，而不是当成没联网。这两种状态对内容优化的含义完全不同：前者该去查引用了谁，后者是这次根本看不到引用。

认知轨的「不知道」不能填成中立

发现类的提及与排名可以用规则：在回答里找品牌别名，看它出现在推荐列表的第几位。认知和情感更主观，需要另一轮评审模型阅读回答，判断「认不认识」「正 / 中 / 负」。

模型没配置时，字段保持「未判定」。用中性情感把空值填上，情感指数会恒定在一个好看的中间值，客户会以为口碑稳定。空着，至少能说明这期没测情感。

小结

可审计的诊断只有一条原则：原始回答先落库，指标是查询结果。模型不可用就记失败；评审模型不可用就记未判定；型号对不上就不要换一个来凑。图可以晚一点画，假数不能先填上。

下一篇写监测：题目不冻结时，这条可审计的曲线仍然会骗人。