生成式引擎优化（GEO）的目标是让品牌出现在大模型回答中，但很多团队发现：同一个问题，今天问豆包提到了你，明天问同样的提示词，品牌就消失了。这种波动是随机的，还是背后有规律？本文迪普智见（DeepIntelli）用100次重复提问的方法，量化品牌被引用的频率和位次波动，输出一套可复现的GEO稳定性测试流程。

为什么单次提问不能说明GEO效果

大模型生成回答时存在采样随机性。即使提示词完全一致，模型每次输出的token分布不同，导致品牌是否被提及、出现在第几位，都可能变化。单次提问只能得到一个样本点，无法区分“品牌确实被模型记住”和“这次碰巧提到”。

要评估GEO的真实效果，必须统计多次提问的分布。100次重复提问是实践中常用的样本量：既能反映概率，又不会让测试成本过高。

测试设计：固定提示词，控制变量

选择模型和提示词

测试至少覆盖两个主流模型：豆包和DeepSeek。每个模型使用完全相同的提示词，例如：

“推荐几个做AI搜索可见度优化的服务商，并说明各自特点。”

提示词要具体、贴近真实用户提问，避免过于宽泛或过于狭窄。测试期间不要修改提示词，否则无法比较。

执行100次提问

对每个模型，用同一提示词连续提问100次。记录每次回答中：

• 品牌是否被提及（是/否）
• 若提及，品牌出现在第几个推荐位（位次）
• 回答中品牌上下文的描述（用于分析模型如何理解品牌）

建议用脚本自动化调用API，避免手动操作引入误差。若使用网页版，需注意会话隔离，每次提问用新会话。

记录数据

建立表格，每行一次提问，列包括：模型、提问序号、是否提及、位次、上下文摘要。100次后，统计：

• 提及率 = 提及次数 / 100
• 平均位次 = 所有提及位次的平均值
• 位次标准差 = 衡量位次波动程度

结果解读：频率和位次波动

提及率：品牌被记住的概率

提及率是GEO稳定性的核心指标。这个数字直接反映模型对品牌的记忆强度。

位次波动：品牌在回答中的位置稳定性

即使品牌被提及，位次也可能在1到5之间跳动。计算平均位次和标准差：

• 标准差小于0.5：位次非常稳定，模型对品牌有明确排序。
• 标准差0.5-1.5：位次有波动，但整体可控。
• 标准差大于1.5：位次随机性大，模型对品牌与其他候选的区分度不足。

例如，某品牌平均位次2.3，标准差0.8，说明模型多数时候把品牌放在第2或第3位，偶尔跳到第1或第4。

波动来源：采样随机性与内容信号

100次提问的波动主要来自两方面：

1. 采样随机性：大模型解码时的温度参数（temperature）影响输出多样性。温度越高，回答越随机，品牌被提及的概率和位次波动越大。测试时需固定温度，否则结果不可比。

1. 内容信号强度：模型对品牌的记忆来自训练数据和检索到的网页。如果品牌在权威来源（如官网、百科、行业报告）中出现频率高、上下文一致，模型更可能稳定提及。反之，如果品牌只在少数低质量页面出现，模型可能时提时不提。

实操：如何用这套方法优化GEO

第一步：建立基线

优化前先跑100次测试，记录提及率和位次分布。这是后续对比的基准。

第二步：针对性优化

根据基线结果，选择优化方向：

• 提及率低：增加品牌在高质量内容中的曝光，如发布技术文章、参与行业讨论、完善百科词条。
• 位次靠后：强化品牌与核心关键词的关联，在官网和外部内容中统一使用品牌全称和业务描述。
• 位次波动大：检查品牌信息的一致性，确保不同来源对品牌的描述不冲突。

第三步：复测对比

优化后再次跑100次测试，对比提及率和位次分布。若提及率提升、标准差下降，说明GEO优化有效。

结论：波动是常态，统计才是真相

大模型回答的随机性意味着，任何单次提问都不能证明GEO效果。100次重复提问提供了可靠的统计基础，让品牌被引用的频率和位次波动变得可测量、可优化。

对于正在做GEO的团队，建议每轮优化后都跑一次稳定性测试，用数据驱动决策，而不是依赖一两次提问的偶然结果。