减少模型随机干扰，关键不是把问题集做得更大，而是把提问、页面版本、评分口径和重复测试固定下来，再把单次回答改成一组结果来判断。若测试期间页面、抓取状态或提示词同时变化，结果就不能归因给GEO调整；先锁定版本，再分层记录回答、引用和点击，结论才有用。
真正该固定的是测试条件
同一个问题，如果前后使用了不同上下文、不同地域、不同登录状态或不同会话，模型给出的内容就可能发生变化。这里要控制的不是模型内部机制，而是外部输入：问题原文、系统提示、页面链接、测试时间段、设备环境和记录方式都尽量保持一致。
把每次测试看成一次小型实验更稳妥。页面有改动时单独记为新版本，问题有调整时重新建立一组结果，不要把多个变化揉成一条结论。这样即使回答出现差异，也能回头判断差异来自问题、页面，还是测试环境。
GEO问题集别只按关键词堆
问题集应围绕用户真实任务分层，例如品牌认知、产品比较、使用方法、风险顾虑和下一步行动。每一类都保留同一意图的不同问法，既包括完整问句，也包括口语化短问句，避免只测一种写法后就代表全部用户。
每道问题配一张简短记录卡：问题原文、意图类别、期望出现的实体、应被回答的事实、允许的答案范围，以及不能混淆的概念。评分时不只看有没有提到页面，还要看回答是否答中问题、实体是否写对、引用是否指向相关页面。
重复测试要看分布，不看单次输赢
同一道问题不要只测一次。可以在固定条件下重复运行多轮，把回答拆成几个观察项，例如是否命中目标实体、是否回答完整、是否出现无依据延伸、是否给出相关引用。每个观察项单独记结果，比给整段回答凭感觉打分更清楚。
如果同一问题的结果来回波动，先标记为“待观察”，不要马上判定页面做得好或不好。可以把稳定出现的内容与偶尔出现的内容分开记录，再查看它们是否与页面版本、问题措辞或上下文有关。重复测试的作用，是识别波动范围，不是制造一个漂亮的单次答案。
页面本身也要纳入测试记录
测试问题集时，页面状态不能被当成背景噪声。页面是否能正常打开、是否允许抓取、是否处于可索引状态，都会影响后续观察。Google Search Central《搜索抓取与索引指南》提供了抓取、索引和页面访问方面的基础说明，测试记录中应保留对应时间和页面版本。
页面里的实体名称、简称、产品名称和业务描述要前后一致，结构化数据中的名称与正文也不要互相打架。结构化数据可以作为页面信息整理的一部分，但不能把它当成控制模型随机回答的开关；真正需要观察的是回答内容、引用页面和用户点击是否发生同步变化。
用一张表把结果闭环起来
建议把观察对象分成五层：爬虫访问、答案中出现、用户点击、自然搜索进入和后续转化。它们不是同一个结果，看到爬虫访问不等于页面被引用，看到答案出现也不等于用户已经产生线索。
- 固定问题集、提示词、页面版本和测试环境，给本轮测试建立版本名。
- 记录每次回答、出现的实体、引用页面、测试时间和异常情况，不用只保留截图。
- 把AI引荐点击与自然搜索、品牌词搜索、直接访问分开记录，无法判断来源的访问标为未识别。
- 提前选定一个主转化事件，例如有效表单或订单，并按实际销售周期设置归因窗口。
- 测试结束后比较有效线索率、主转化成本或订单完成情况；没有足够业务数据时，只把结果写成待验证假设。
下一轮调整只改一个主要变量，比如只改页面段落，或只改问题措辞。若回答稳定性变化但点击和主转化没有同步变化，就先不要把它写成GEO效果，应回到页面相关性、引用质量和记录完整性上继续观察。