同一购买意图换个说法，AI 推荐就变了：GEO 测试怎样覆盖自然改写

“最好的 CRM”与“适合 SaaS 小团队的 CRM”不是完全相同的请求，但用户确实会在表达中来回变化。若报告只跑一条固定问句，测到的可能是提示词偶然性，而不是品牌在这一购买意图中的稳定表现。

增加测试次数并不自动解决问题；首先要确认重复的是同一句，还是同一种意图的不同自然表达。

2026 年 5 月 22 日发布的一项预印本在 OpenAI 与 Anthropic 模型上比较约 6,000 次改写运行和约 6,000 次同提示词重跑。论文报告，其样本中同一购买意图的改写版本推荐集合重合度低于同提示词重跑基线。该研究的数字和模型范围不能直接外推，但它提醒监测团队单条提示词不是完整的测量单位。

用意图簇替代单句排行榜

每个核心意图准备三到五条自然问法：基础问法、加入约束的问法、比较问法和风险/不适用问法。约束必须真实，例如预算、地区、团队规模、兼容性、交付方式或合规要求，而不是为了让某品牌出现而临时添加。

报告应同时展示：单句结果、意图簇覆盖率、不同问法中反复出现的事实错误，以及未满足约束的推荐。不要把少数最有利的提示词挑出来当作总体提升。

复测时固定哪些变量

固定语言、地区、登录状态、平台入口、执行日期和答案采集规则；改写时只改变用户自然会改变的表述。模型或产品更新后，应标出断点并重建比较基线。高风险行业还需人工核验价格、资格和限制。

见川 GEO / GEO Radar 可在 https://www.georadar.top 保存固定意图簇下的跨平台回答和竞品对照，帮助团队查看改写带来的差异。它呈现观察结果，不把波动解释为可保证的排名成果。

这篇文章的资料来源

• arXiv，2026 年 5 月 22 日，*Paraphrase Brittleness in Production Retrieval-Augmented Commercial Recommendation: Reproducibility Below the Rerun-Stability Baseline*：https://arxiv.org/abs/2605.27440 （改写与同提示词重跑对照、研究样本及可重复性结论）