GEO 评估需要把静态内容质量、AI 平台真实输出、用户行为和因果归因结合起来。以下方法可以组合使用。

方法 1：静态内容审计用评分卡检查页面结构、证据、实体、schema、作者、日期、FAQ、图注和内容块。适合发布前和竞品拆解。

输出：页面质量分、缺口清单、修改优先级。

方法 2：检索层模拟用传统搜索、站内搜索、向量检索或自建 RAG 检查页面是否能在相关提示下进入候选集。适合诊断 Selection 前端问题。

输出：候选排名、命中片段、相似竞品来源。

方法 3：生成层模拟把目标页面与竞品页面放入受控 RAG 环境，观察模型如何选择、引用和吸收。适合比较页面改写前后差异。

输出：答案贡献、引用片段、证据对齐。

方法 4：Live Engine 重复测量在真实 AI 搜索平台上运行提示集，按引擎、地区、时间、账号和模型版本记录多次结果。

输出：引用率、提及率、吸收率、稳定性和情感倾向。

方法 5：引用精确度与召回评估对每条答案句子判断是否有引用支持，对每个关键引用判断是否真的支持答案。适合防止“被引用但不支撑”的幻觉。

输出：Citation Precision、Citation Recall、Unsupported Claim 列表。

方法 6：准因果归因用处理组/对照组、上线前后、自然实验或 interrupted time series 评估优化增量。适合向管理层证明投入产出。

输出：增量引用率、增量 referral、置信区间和解释边界。

方法 7：LLM judge + 人审治理用 LLM 进行初筛评分，再用人审抽样校验，降低规模化评估成本，同时记录评审一致性。

输出：评分日志、争议样本、评审校准文档。

7.1 推荐实验设计

实验对象	设计方式	样本建议	注意事项
页面改写	选择相似页面做处理组和对照组 更高	每组 10 到 30 页	避免处理组本身品牌权威明显
提示集	核心提示 + 长尾提示 + 多角色提示	每个页面 10 到 50 个提示	提示不能只围绕品牌词
运行次数	每个提示多次运行	每引擎至少 3 到 5 次	记录时间、地区、账号、模型版本
结果指标	引用、吸收、归因、情感、referral	至少连续 2 到 4 周	不要只看首日波动
归因判断	上线前后 + 对照组差异	按周复盘	平台整体流量上涨要剔除