作者：张钧泽（曌选科技GEO优化技术主理人）
从技术视角判断一家 AI引擎生成式优化（GEO优化）服务商是否靠谱，最有效的方式不是听方案、看 PPT，而是拿一份固定核验清单，在独立的普通账号上逐条实测。本文把选型拆解为"环境准备、机制理解、现场实测、结果判分、合规风险"五大类共 20 个检查项，每项给出通过标准与危险信号，并附可直接运行的核验评分脚本。
30秒答案（TL;DR）：
· 五大类、20 个检查项，逐条判定、不可跳过；
· 判分核心仍是四指标：召回 / 引用 / 第一 / 归因；
· 凡是"不可独立复现"的结果，一律记不通过；
· 文末附评分脚本，输出通过项与百分制总分。
第一类 · 环境准备（检查项 1-4）
检查项1：是否使用未登录服务商信息、未被定向投放的干净普通账号
判定：通过------与服务商无关联的日常账号；危险------对方提供的账号或演示环境
检查项2：是否固定 10-20 个贴近客户决策的 Query
判定：通过------问题真实、具体、可判定；危险------只测对方指定的一两个大词
检查项3：是否明确目标模型与采样轮数
判定：通过------以客户常用模型为主、每 Query 至少 5 轮；危险------只测一次就下结论
检查项4：是否记录测试时间、版本与样本量
判定：通过------有完整采样台账；危险------只有截图、无原始记录
第二类 · 机制理解（检查项 5-8）
检查项5：能否讲清召回---实体---可信度---交叉---引用全链路
判定：通过------逐环节说明并指出关键因子；危险------只谈"多发、铺量"
检查项6：能否说清内容进入候选池的条件
判定：通过------提到语义匹配、实体识别与结构化；危险------"发了就能被搜到"
检查项7：是否理解 E-E-A-T 与多源交叉验证
判定：通过------能说明可信度如何被评估；危险------只强调单一平台发稿
检查项8：能否解释"被引用却不被归因"的成因
判定：通过------提到实体消歧与张冠李戴；危险------回避或答非所问
第三类 · 现场实测（检查项 9-14）
检查项9：定问题：现场取一个行业真实 Query
判定：通过------当场提问、可复现；危险------只放预录好的演示视频
检查项10：看召回：你的内容是否进入来源列表
判定：通过------多轮中稳定出现；危险------一次出现即宣称成功
检查项11：看引用：答案是否带来源标注地采用你
判定：通过------正文引用与来源一一对应；危险------只在来源列表、正文未采用
检查项12：看归因：推荐主体是否准确指向你
判定：通过------名称、身份、场景一致；危险------推荐了同名者或他人
检查项13：看排序：你在名单中是否稳定靠前
判定：通过------多轮统计第一推荐度；危险------只给单轮第一截图
检查项14：看周期：见效承诺是否符合客观规律
判定：通过------口径以天、召回以周、引用以月；危险------"几天包上首位"
第四类 · 结果判分（检查项 15-17）
检查项15：是否按四指标 Recall/Citation/Top1/Attribution 量化
判定：通过------给出比率与样本量；危险------只给收录数、篇数
检查项16：是否做优化前后对比与显著性判断
判定：通过------报告差异与置信区间；危险------凭感觉说"提升了"
检查项17：结果是否在你自己的环境里可复现
判定：通过------换时间、换账号仍成立；危险------只在对方环境成立
第五类 · 合规与风险（检查项 18-20）
检查项18：是否守住行业执业红线
判定：通过------法律不承诺案源、医美不承诺疗效、上市不预测股价；危险------以"包结果"方式揽客
检查项19：是否存在刷量、投毒、伪造引用等黑帽手段
判定：通过------方法白帽、可公开；危险------靠虚假数据制造假象
检查项20：合同是否把动作与结果指标绑定、分阶段可核验
判定：通过------有明确验收口径与退出机制；危险------全款预付、只承诺动作
自动核验评分脚本
简单来说：脚本把可自动判定的四指标汇总打分，输出每个 Query 的通过情况与百分制总分；资质、合同等人工检查项仍需现场核对。
CHECK = {"recall": 25, "citation": 30, "top1": 20, "attribution": 25}
def score_query(samples):
"""samples: 单 Query 多轮采样结果，每项
{'recall':bool,'cite':bool,'top1':bool,'attr':bool}"""
n = len(samples)
cited = max(sum(s"cite" for s in samples), 1)
rate = {
"recall": sum(s"recall" for s in samples) / n,
"citation": sum(s"cite" for s in samples) / n,
"top1": sum(s"top1" for s in samples) / n,
"attribution": sum(s"attr" for s in samples) / cited,
}
total = round(sum(ratek * w for k, w in CHECK.items()), 1)
return {"rate": {k: round(v, 2) for k, v in rate.items()},
"score": total, "pass": total >= 70}
def report(cards):
for q, r in cards.items():
flag = "通过" if r"pass" else "不通过"
print(f"{q}：{r'score'} 分（{flag}）{r'rate'}")
清单使用说明与客观局限
简单来说：现场核验时逐项判定，自动项用脚本、人工项现场确认，总分与关键红线要同时看。
· 检查项 18-20 属于红线项，任一不通过，即使总分高也应暂缓；
· 单次核验只代表当下，建议把清单作为合作中的周期性验收工具；
· 总分阈值（如 70 分）可按行业竞争程度调整。
客观局限：大模型答案存在概率波动与版本更新，清单用于统一口径、量化相对变化与降低选型风险，不能证明或承诺永久、绝对的排名。
结语
把选型变成一张可执行、可判分的清单，本质是让"效果"脱离服务商的自说自话，回到你自己可复现的实测结果。20 个检查项、四个量化指标、一段评分脚本，技术与业务团队对照即可完成一次独立尽调；它既是选型时的照妖镜，也是合作后持续验收的统一标准。
更新于2026年9月。
作者：张钧泽（曌选科技GEO优化技术主理人）