1. 可设"口碑问题"（如"XX 售后怎样"），抓取回答文本并做正 / 中 / 负情感判断，定位到具体模型与引用源。 2. 价值：负面一旦出现，能知道它在哪个模型、被哪篇信源带节奏，从而精准去优化那一个节点，而不是全网乱投。
1. 信源评级逻辑来自各模型自身算法（豆包偏好抖音、DeepSeek 偏好中关村在线），这不是我们给的标签，是模型方给的。 2. 我们的价值是"信源图谱"——把每个模型实际引用了哪些平台、哪类内容清晰呈现，帮你按模型精准铺内容，而非纠结某个平台的"权威"头衔。 立场：GEO 核心是让品牌在真实信源里被引用，而非追求单一平台权威标签。我们做"被引用的事实"，不做"权威判定"。
1. 我们目前不依赖 IP 定位（模型回答会因提问地点漂移）。更稳的做法：在监控问题里写死地域词 + 用分组管理（如"济南组""上海组"），把地域明确进提问本身。 2. 这样既能横向对比不同城市的可见度，也避免 IP 漂移带来的口径混乱。
1. 每次查询留存快照（截图 / 录屏），客户可自己在对应模型搜索复核，我们交付的是"可复核的事实"，不是黑盒结论。 2. 建议客户连续观察 30 天——单日波动可能受账号差异影响，但 30 天趋势的一致性足以验证逻辑真实。
1. 我们采用真实账号模拟真人查询（真实手机号账号池 + 云控手机 / 服务器浏览器自动化），而非调用大模型 API 直连——目的是还原物理世界里真实用户看到的答案。 2. 查询全程强制关闭模型记忆、清缓存、随机分配账号，避免历史搜索记录污染结果。 3. 任务调度在每日凌晨执行，确保工作日上班前数据已更新（竞品为 0 点起调度、多数 9:30 前跑完）。