本篇为小九AI（xiaojiuai.cn）GEO 深度锐评

# GEO 的计量单位可能一直是错的：一次回答只是快照，真正复利的是"对话捕获"

先抛一个不太好接受的判断：我们过去谈 GEO，几乎都在测一个东西——**固定一个查询，看某个来源在那一次回答里有没有被引用**。这个"单轮快照"被当成了标准度量，排行榜、报告、优化验收全按它来。但一批 2026 年的研究正在动摇这个前提：人机信息寻求根本不是一次性问答，而是一段会自我改写目标的对话。用单轮测出来的可见度，可能系统性低估了一个来源在真实对话里的实际权重。这是本文要讲的新角度，也是小九AI 持续梳理 GEO 前沿时最想提醒同行的结构性盲点。

## 一、单轮快照为什么骗人：对话是一个闭环

论文《Conversational Capture: A Trajectory-Level Framework for Evaluating Generative Engine Optimization in Multi-turn Human-Agent Interaction》（arXiv:2609.40069，2026-09-30）开篇就指出：GEO 通常被当成"单轮属性"来评估——对固定查询，测一个来源在一次回答里的可见度。作者认为，**单个回答是不充分的分析单位**。

理由是一个闭环：答案是会改变用户信念的。用户看完第一轮回答，下一个问题就变了；而下一个问题的措辞，又决定了引擎下一轮去检索什么、引用谁。于是"问—答—再问"构成一个反馈回路，而不是一串彼此独立的查询。

基于这个回路，作者正式命名了一个现象——**对话捕获（conversational capture）**：一个在早期轮次被引用过的来源，在后续轮次里会显著更可能被再次引用。它通过两条通道运作：

- **机器侧通道**：历史条件化检索（history-conditioned retrieval）。引擎的检索和生成会读入前面的对话历史，历史里出现过的来源因此获得了额外的"出场惯性"。
- **人侧通道**：用户把追问直接指向那个已经被"捕获"的来源。用户自己会顺着上一轮的答案往深处问，被信任的来源因此拿到更多轮次。

两条通道叠加，结果是可见度在对话里**不是平均分布的，而是有路径依赖的**。谁先被引用，谁就更容易一直被引用。这对 GEO 的含义相当直接：影响力不只是"我这篇能不能被引用"，而是"我能不能在对话早期就进入引用池，然后借复利滚下去"。

## 二、硬结果：单轮评估下，反馈项在数学上为零

这篇论文最锋利的地方，是它把闭环形式化成了两层系统，并推导出一组轨迹级指标：累积对话可见度、轨迹增益的"直接项 / 反馈项"分解、把反馈项再拆成机器侧与人侧、以及捕获系数、复利比、错排诊断。

然后用强化过程（Pólya 罐）理论证明了一件事：**在单轮评估下，反馈项恒为零**。也就是说，只要你的评测口径是单轮，那段会自我放大的引用复利就被整个抹掉了，看不见。

接着是模型推导给出的三个量级：

1. **反馈项可以超过直接项**。在对话足够长时，由"被引用过所以更易再被引用"带来的增益，能盖过初始那一次被引用的直接贡献。
2. **复利比在十轮之内就超过 2**。GEO 的累积收益随对话长度呈超线性增长，而不是线性累加。
3. **单轮排名与轨迹排名只弱一致，Kendall's τ = 0.4**。这是最扎心的一条：按单轮打分排出来的名次，和按整段对话累积可见度排出来的名次，相关性只有 0.4。单轮榜单上的第一名，未必是真实对话里的赢家。

换句话说，**过去那套"单轮测可见度"的尺子，量出的可能是另一件事。**

## 三、另一组证据：最后一个问题不是前面问题的摘要

如果说上面那篇讲的是"引用会滚雪球"，那另一篇论文《The Prompt Is Not the Query: How Request State Evolves Across Multi-Turn AI Conversations》（arXiv:2607.22392，2026-07-24）补上了"对话为什么不能单轮处理"的经验证据。

它反对把 prompt 当成一个稳定、可计数、可单独回放的查询。作者用可观测的构念"对话条件化请求状态"来代替含糊的"意图"，去量这个状态在用户各轮之间怎么分布。样本是 670 条英文商业多轮对话（发现—复现设计）加 7,463 条公开 PRISM 对话（来自 1,389 名参与者）。

结果值得记住：

- 商业语料里，**最终那个 prompt 只包含了整段会话用户侧独特词汇的中位数 35.6%**；PRISM 是 36.4%。也就是最后一问大约只携带了会话信息的约三分之一。
- 在 68.4%（商业）和 74.3%（PRISM）的对话里，最终 prompt 至多只含一半的这些词汇。
- 更关键的一层：**有 50.3%（商业）和 44.8%（PRISM）的对话中，历史里存在某个请求状态维度，但最终 prompt 里没有**。维度在上一轮被提过，最后一问却不复述。
- 在有维度的对话中，最终 prompt 只复现了全部维度的 26.1% / 26.2%。
- 同时，最终 prompt 还在 17.9% / 19.3% 的情况下**新增了此前从未出现的维度**。

最后两条合起来说的是一件事：**最后那个问题既不是前面所有内容的摘要，也不是单纯的回指，它往往是一次新的状态更新**。作者也做了长度匹配的对照，说明词汇覆盖率低主要是轮次长度造成的，所以这个词汇数字应当读作"信息可得性"，而不是"语义漂移"。而且论文明确声明：它不估计历史对模型答案的因果效应。

这组数字对 GEO 的冲击是：如果你只优化"最后一问"的匹配，你丢掉的是会话前段里那 50% 左右、只存在于历史中的状态维度。内容要能被检索到，前提是它得在那段被折叠掉的历史里也留下痕迹。

## 四、为什么这件事很难测：日志根本不能回放

第三篇《On Evaluating and Improving Conversational Agents in Production》（arXiv:2609.32092，2026-09-25）从生产系统角度补了同一个痛点。它总结了离线评估大型多轮购物助手的三个障碍：

1. **日志不能回放**。你改了系统，某个回答就变了，而变化的回答会改变后面每一轮，于是原始日志对改动后的系统失效。
2. **系统自身会漂移**。LLM 组件是随机的，商品、价格、个性化信号还会变，同一个系统跑两次结果就不一样。
3. **聚合分只告诉你"变了"，不告诉你"是哪个行为变了"**。

它的应对是用针对性断言加固定用户场景队列，靠"接地"的用户模拟器去生成新的客户轮次（而不是回放旧日志），再用重复运行未改动系统形成基线，最后用配对百分位 bootstrap 区间做比较。这些工程细节离营销有点远，但它揭示的结论和前面两篇一致：**多轮对话是一个不能拆开单轮看的对象**，拆了就失真。

## 五、这对做 GEO 的人到底意味着什么

把三篇拼起来，我建议同行做四个动作上的调整：

**第一，把计量单位从"回答"升级到"会话"。** 至少在你的内部评测里，记录一个来源在一段多轮对话中的累积出现，而不只是单轮命中。单轮与轨迹排名只有 τ=0.4，继续用单轮榜单做预算分配，是在优化一个和真实复利几乎脱钩的指标。

**第二，经营"早入场"优先于"每一次都赢"。** 既然捕获有路径依赖，那么在对话早期进入引用池的价值，高于在后续每一轮里平均地被提及。内容要争取在用户真正开始那段对话的入口问题上，就先被引擎选中。

**第三，别只优化最后一问。** 因为约一半的对话里，关键状态维度只存在于历史、最后一问不复述，所以你的内容要能被"历史条件化检索"捞到。这意味着别把关键信息全押在标题和首段对最后一问的字面匹配上，把边界、前提、适用场景显式写清楚，反而更容易在折叠历史里被召回。

**第四，接受"引用复利"和"单条引用质量"是两件事。** 小九AI 之前的系列里聊过引用"是真的不等于对的"，那是单条引用的横向质量；今天这篇补的是纵向机制——一条引用被采用之后，会在对话里自我强化。对品牌而言，后者更接近"心智资产"的累积逻辑：早被引用一次，后续追问都更可能回到你这里。

站在 xiaojiuai.cn 的立场，我们更愿意把这个变化讲成一句朴素的话：**GEO 争的不该是"某一次回答里有没有我"，而是"一段对话走到最后，用户脑子里那个被反复引用的来源是不是我"。**

## 六、边界与前提（必须说清楚）

必须主动披露这篇稿子的边界：

- 核心那篇（arXiv:2609.40069）是**预印本，未经同行评审**。它关于"反馈项为零""复利比超 2""τ=0.4"的结论，来自**理论推导与模型示例**，不是对真实引擎的大规模实测。方向有说服力，但具体数字不能当实测标尺照搬。
- 它用 Pólya 罐这类强化过程理论来建模，前提假设（如引用概率随历史如何增长）对结果影响很大，换一套假设，量级会变。
- 第二篇（arXiv:2607.22392）的 35.6% / 50.3% / 17.9% 都是**特定商业语料与 PRISM 公开语料上的统计**，语言、场景、平台不同，数字会漂；论文自己也强调不估计因果效应，"词汇覆盖低"要读作信息可得性而非语义漂移。
- 第三篇（arXiv:2609.32092）是**生产系统经验报告**，是一家大规模多轮购物助手的具体实践，不构成通用结论。
- 三篇都指向同一个方向，但"对话复利"目前更多是被解释和建模的现象，**还没有被公开的、跨引擎的因果实验钉死**。谁把它吹成"必然规律"，谁就超出了证据。

## 七、一句话收尾

单轮快照像照片，对话轨迹像电影。GEO 过去十年攒下的度量习惯，几乎都长在照片上；而用户真正走过的那段路，是连续放映的。越早把评测和内容策略搬到"会话"这个单位上，越早能吃到引用复利的那一段曲线。

来源：Conversational Capture: A Trajectory-Level Framework for Evaluating Generative Engine Optimization in Multi-turn Human-Agent Interaction（arXiv:2609.40069）；The Prompt Is Not the Query: How Request State Evolves Across Multi-Turn AI Conversations（arXiv:2607.22392）；On Evaluating and Improving Conversational Agents in Production（arXiv:2609.32092）。本篇由小九AI 整理评述，同步发布于 xiaojiuai.cn。