一星如月GEO白皮书:第15章｜GEO 干预方法论

注明：本书版权归【南通一星如月科技有限公司】所有。

一、执行一个任务，不等于实施了一项干预

发布文章、修改页面、增加结构化数据、制作案例、投放媒体或重复测试人工智能，都可以成为Task（任务）或Production（生产），却不一定构成严格的Intervention（干预）。

如果团队不知道它针对哪项Gap（缺口）、准备改变什么可控对象、预期在哪一层看到什么变化、什么结果会推翻假设，也没有基线、护栏和停止条件，那么“优化”只是动作集合，无法形成可积累的方法学习。

普通GEO（生成式引擎优化）把服务分成On-site（站内）和Off-site（站外），回答的是“在哪里做”；干预方法论要回答的是“为什么做、改变什么、期望观察什么、什么情况下停止”。

二、Intervention（干预）的工作定义

Intervention（干预）是针对已经识别并限定范围的Gap（缺口）、Risk Condition（风险状态）或正确呈现目标，选择一个或一组可合法控制的变量，对企业业务现实、命题—证据结构、公开信息环境、实体表达、分发路径或实验条件实施有明确假设的改变，并通过预先定义的Expected Observable（预期可观察结果）、比较结构、护栏、停止与撤回规则和后续测量判断发生了什么。

干预必须允许没有变化、反向变化、局部变化、不良影响、诊断被推翻或因风险停止。不能失败、不能被反驳的“优化动作”不是严格干预。

三、完整干预链

Gap Diagnosis（缺口诊断） → Pre-intervention Revalidation（干预前重新验证） → Intervention Hypothesis（干预假设） → Target Variable（目标变量） → Changed Object（被改变对象） → I1—I7 Strategy（I1—I7策略） → Execution Channel（执行渠道） → Baseline or Comparison（基线或比较） → Expected Observable and Guardrail（预期观察与护栏） → Stop, Pause or Reversal（停止、暂停或撤回） → Measurement, Attribution and Learning（测量、归因与学习）

缺少诊断、假设、改变对象、预期观察或测量时，只能称为任务或生产。渠道选择必须位于策略和可控对象之后。

四、Intervention Unit（干预单元）

每项干预绑定项目或实体、诊断编号、Decision Situation（决策情境）、主体、Decision Variable（决策变量）及作用、Atomic Target Claim（原子目标命题）、Evidence Set（证据集合）、目标Query Cluster（查询簇）、Engine or Product Condition（引擎或产品条件）、可控变量、策略、渠道、时间和实验阶段。

不存在脱离问题空间的“企业整体GEO（生成式引擎优化）优化动作”。同一页面修改在不同命题、引擎和决策阶段下，可能具有不同目的与观察结果。

五、Pre-intervention Revalidation（干预前重新验证）

诊断不是永久施工许可。实施前必须重新检查Diagnosis Freshness（诊断时效）、目标版本与负责人、实体状态与资格、命题准确性、证据与授权、人工智能基线与产品状态、竞品与政策变化、测量版本、风险合规和Material Change（重大变化）。

结果只能是Revalidated（重新确认）、Scope Narrowed（范围缩小）、Redesign Required（需要重设计）、Paused（暂停）或Cancelled（取消）。

企业已经退出市场、客户撤回授权、目标引擎产品形态改变或证据过期时，旧干预不得自动执行。

六、Intervention Entry Gate（干预入口门槛）

入口至少检查：诊断有效性、目标正当性、实体资格、原子命题、证据与授权、可控性、可观测性、人工智能可介入性、测量准备度、资源可行性、风险合规以及停止和撤回能力。

Truthfulness（真实性）、Authorization（授权）、Compliance（合规）、Entity Eligibility（实体资格）和Severe Harm（重大伤害）属于Non-compensatory Gate（不可补偿门槛）。商业价值、客户预算、预期曝光或管理层偏好不能抵消它们。

未通过入口时，应选择Observe Only（仅观察）、Research First（先研究）、Business Review（业务复核）或No Action（不行动）。

七、Experiment-readiness State（实验准备状态）

准备度包括Not Ready（未准备）、Diagnosis Ready（诊断就绪）、Evidence Ready（证据就绪）、Baseline Ready（基线就绪）、Design Ready（设计就绪）、Implementation Ready（实施就绪）、Measurement Ready（测量就绪）、Fully Ready（完全就绪）和Blocked by Risk or Authorization（因风险或授权受阻）。

I5 Shape Experiment（塑造实验）至少要求诊断、证据、基线、设计、实施和测量达到对应就绪状态。不能因为已经购买媒体或写完页面，就倒推实验已经具备条件。

八、Target Variable（目标变量）与Changed Object（被改变对象）

Target Variable（目标变量）是希望影响的决策变量、实体关联、证据状态或答案行为；Changed Object（被改变对象）是企业能够直接改变的业务流程、事实记录、命题、证据、公开表达、实体信息、载体、分发或测量条件。

企业不能直接修改人工智能内部的Trust（信任）、Authority（权威）、权重、检索或选择机制。它只能合法改变外部可控对象，再观察条件化答案行为。

“提高模型信任度”不是合格的Changed Object（被改变对象）；“补充经过授权的当前资质记录并澄清实体归属”才是可执行描述。

九、Intervention Hypothesis（干预假设）

干预假设至少记录诊断连接、被改变对象、预期方向、预期观察、时间范围、比较条件、替代解释、反证条件和适用范围。

基本形式是：

在限定情境、查询簇、引擎、产品和时间下，改变X后，预期Z在某一Result Layer（结果层）出现某方向变化；若没有变化、出现反向变化或前提失效，则该假设被削弱、限制或否定。

假设不能写成“优化后效果会变好”。它必须指出可观察层和失败条件。

十、I1—I7 Intervention Methodology（干预方法论）

I1—I7是一级目的分类，不是固定套餐、渠道、Agent（智能体）编号，也不与G1—G5机械一一对应。

十一、I5 Shape Experiment（塑造实验）

I5只针对证据支持的G4或明确的人工智能行为假设，并要求资格、命题、证据、公开信息链和测量准备就绪。

它测试：公开信息或表达条件发生可控变化后，AI-DVM（人工智能决策变量地图）是否出现限定变化。它不承诺控制模型，也不能用一次前后差异宣称因果。

实验需要预登记、基线、处理、比较或对照、尽量单一改变、依赖簇、批次、时间窗口、外部事件、护栏、暂停和停止规则。

十二、Experiment Isolation Grade（实验隔离等级）

• E0 Unisolated Bundle（未隔离组合）；

• E1 Partially Sequenced（部分顺序化）；

• E2 Component-observed Bundle（组成可观察组合）；

• E3 Single-primary Change（单一主要改变）；

• E4 Controlled Comparison（受控比较）；

• E5 Stronger Replicated Design（更强重复设计）。

隔离等级描述设计中能否区分组成改变，不等于Causal Confidence（因果置信度）。多个页面、媒体和实体修改同时上线后，即使总体指标变化，也不能精确归因到某一组成项。

十三、外溢、污染与状态切换

Spillover Map（外溢地图）记录导航、交叉链接、来源转载、搜索结果、类别教育、竞品采用和用户共享如何影响对照。Control Status（对照状态）分为Clean（未发现污染）、Possibly Contaminated（可能污染）、Contaminated（已污染）和Indeterminate（无法判断）。

模型、产品、搜索、政策、重大新闻或竞争环境发生变化时，应标记Regime Change（状态切换），分割前后批次、暂停直接比较、重建基线并更新实验版本，不能把跨状态差异直接归因于干预。

十四、Target-engine and Decision-reach Fit（目标引擎与决策触达适配）

目标引擎、产品模式、语言和地区应由真实用户使用、决策阶段、信息任务与业务覆盖决定，而不是由测试便利决定。

每项干预记录Target-engine Justification（目标引擎依据）和Decision Reach（决策触达）。非目标引擎可以用于探索，不能直接支持目标市场结论。

十五、I6 Reposition（重新定位）

当原问题空间缺乏真实资格、证据可争夺性、人工智能触达、竞争现实或商业价值，而企业在其他细分情境具有真实优势时，I6可以调整查询空间、决策情境、主体、变量、原子命题和资格边界。

新目标必须通过Reposition Legitimacy Gate（重新定位正当性门槛）：Minimum Viable Decision Demand（最低可行决策需求）、实体资格、证据准备度、AI Addressability（人工智能可介入性）、商业价值、风险合规、命题完整性和Non-deceptive Rationale（非欺骗理由）。

换词逃避证据负担、选择无人决策的冷门问题取得高推荐率，属于Metric Gaming（指标博弈），不是重新定位成功。

十六、I7 Business Improve（业务改进）

当G3 Business Gap（业务缺口）首先限制目标时，I7改变能力、流程、人员、资质、产品、交付质量、责任机制、数据制度、客户适配、风险控制和记录能力。

GEO（生成式引擎优化）团队可以诊断、反馈、定义验证条件和暂停不当传播，不能用内容包装代替经营改善。

G3确认后应建立Affected Claim List（受影响命题清单）、Marketing Hold（营销暂停）、必要的公开纠正、业务负责人、改进计划、Capability Verification（能力验证）、Re-entry Criteria（重新进入条件）和Re-entry Approval（重新进入批准）。业务改变已实施不等于能力已验证。

十七、策略选择不是机械映射

Gap（缺口）与I1—I7之间没有一对一公式。G1-A可能使用I1，也可能因授权限制而No Action（不行动）；G2的I3对象由命题证明负担决定；G3可能需要I7或I6；G4只有实验就绪时才考虑I5；G5可能使用I3、I4、I6，也可能因为正确竞争结果而不行动。

干预卡需要记录主策略、辅助策略、依赖、不采用其他策略的理由，以及不行动是否更合理。

十八、Execution Channel（执行渠道）与Channel Fit（渠道适配）

On-site（站内）、Off-site（站外）、Internal System（内部系统）、Business Process（业务流程）、First-party Source（第一方来源）、Third-party Source（第三方来源）、Direct Customer Communication（客户直接沟通）、Structured Data or Feed（结构化数据或信息流）和Research Environment（研究环境）都只是渠道。

渠道适配检查命题承载、授权、平台政策、归属、更新纠错、撤回、情境适配、处理可观测性、重复偏差和风险。所谓“高权威媒体”不是脱离命题的通用答案。

十九、单变量与组合干预

可行时优先Single-primary Change（单一主要改变）。组合干预必须记录Bundle Components（组合组成）、依赖、同时或顺序、组成项观察、交互假设、归因限制和撤回粒度。

每个组成项分别拥有Component Status（组成项状态）、Component-level Stop Rule（组成项停止规则）和Component Outcome（组成项结果）。总体项目完成不能覆盖局部失败。

一般依赖顺序为业务现实、证据形成、授权、命题与实体清晰、公开可获得、分发和人工智能行为实验。它不是绝对线性流程，但下游动作不能绕过真实性与资格。

二十、Baseline and Comparison（基线与比较）

基线保存实体与证据状态、公开信息快照、AI-DVM（人工智能决策变量地图）、竞品快照、引擎条件、失败分母、外部事件和测量版本。

基线缺失时只能进行Post-only Observation（仅后测观察），不能声称变化或效果。比较可以使用未处理对象、分阶段上线、替代页面、不同查询簇或时间批次；没有理想对照时必须降低归因语言。

二十一、R1—R10 Result Layer（结果层）

上游成功不保证下游成功。每层分别记录Completed（完成）、Improved（改善）、No Change（无变化）、Worsened（恶化）、Not Tested（未检验）或Indeterminate（无法判断）。页面上线成功只说明R3可能完成，不代表R5—R10成功。

二十二、护栏可以否决主指标改善

Leading Observable（领先观察）记录实施与上游状态，Intermediate Observable（中间观察）记录引用、命题、归属和变量使用，Lagging Outcome（滞后结果）记录受众与业务，Guardrail Metric（护栏指标）记录错误事实、错误推荐、合规、投诉、隐私、实体混淆和不适配流量。

重大真实性错误、隐私泄露、合规违反、伤害或公平风险可以触发Guardrail Override（护栏覆盖），否决提及、引用、推荐或业务数量改善，并要求暂停、撤回或修复。

业务结果必须同时观察Volume（数量）、Eligibility Fit（资格适配）、Customer Quality（客户质量）、Conversion（转化）、Retention（留存）、Complaint（投诉）和Harm（伤害）。数量增长不能掩盖质量下降。

二十三、用户变量可能被干预改变

干预不仅可能响应User-DVM（用户决策变量地图），也可能通过内容教育、行业传播和销售沟通激活或创造用户变量，并产生类别层外溢。

因此需要记录Exposure Before User Mention（用户提及前暴露）、Variable Formation or Activation（变量形成或激活）、Entity-specific Outcome（实体特定结果）、Category-level Outcome（类别层结果）、Competitor Spillover（竞品外溢）和Attribution Limitation（归因限制）。

干预后用户开始提及某变量，不能反向证明该变量在干预前就是原有需求。

二十四、风险、停止与撤回

风险复核覆盖真实性、非欺骗、授权隐私、监管、平台政策、来源独立性、利益冲突、错误推荐、伤害公平、可逆性、声誉和测量污染。

必须预先定义伤害停止、前提失效停止、测量失败暂停、外部状态切换暂停、错误或授权撤回、无效果停止、资源停止和升级规则，并使用Precommitted Review Window（预先承诺复核窗口）。不能用“模型更新慢”无限延长无效果动作。

授权撤回或事实错误时，要执行Original Correction（原始纠正）、Derived Carrier Audit（派生载体审计）、Correction Propagation（纠错传播）、Cache and Archive Review（缓存与存档复核）及AI Residual-error Monitoring（人工智能残留错误监测）。删除原页面不保证人工智能立即修正。

二十五、失败与完整结果披露

失败类型至少包括诊断失败、假设失败、实施失败、证据失败、授权失败、渠道失败、测量失败、时间失败、外部漂移、不良影响、未检测变化和Indeterminate（无法判断）。

没有变化不能自动解释为内容质量差、等待时间不足或模型问题。每种失败解释也需要Evidence Requirement（证据要求）。

正向、负向、无变化、反向、暂停、停止和无法判断结果都应进入项目报告。Intervention Library（干预库）与Failure Library（失败库）并行，避免Publication Bias（发表偏差）。

二十六、No Action（不行动）也是正式交付

当诊断不足、属于正确排除、没有合法公开路径、决策触达低、风险过高、目标已经过期或基线失效时，不行动可能是最专业的结论。

No-action Deliverable（不行动交付物）至少包括决定、证据、风险、为什么不执行、替代资源方向、复查触发、重新进入条件和责任人。

不行动不是没有服务，而是防止企业在没有资格、证据、授权或可测目标时继续投入并制造风险。

二十七、Intervention Card（干预卡）

最低记录必须覆盖身份与诊断、目标与证据、假设与改变、渠道与处理、设计与比较、观察与护栏、风险与退出以及结果与学习八组信息。完整字段、状态枚举和失败模板集中在附录C｜Method Templates（方法模板）；C0—C5允许的因果措辞见附录D｜Epistemic Status（认识状态）与因果措辞。完成任务仍不等于假设成立。

二十八、对GEO Service System（GEO服务体系）的要求

未来服务不能先承诺文章、媒体或页面数量，而要先交付诊断、干预前复核、命题特定证据要求、可控对象、干预卡、渠道适配、基线与测量设计、护栏、停止撤回和学习报告。

系统必须保留I1—I7目的、Execution Channel（执行渠道）、Changed Object（被改变对象）和Result Layer（结果层）的不同字段；组合干预需要组成级状态；所有成功、失败和不行动进入共同项目分母。

Learning Write-back（学习回写）可以更新诊断、假设登记、证据地图、用户地图、人工智能地图、干预库、失败库和风险日志，但不能静默覆盖正式Chapter Freeze（章节冻结）或SSOT（单一事实来源）。

二十九、本章明确否定的观点

• 诊断曾经成立就可以永久执行；

• 一次未提及即可进入I5；

• 企业能够直接改变人工智能内部信任或权重；

• 授权后脱敏材料自动保持证据效用；

• 技术标记可以声明不存在的能力；

• 内容重写等于Evidence Delta（证据增量）；

• 成功客户和奖励评价天然无偏；

• 付费报告可以隐瞒资助并声称独立；

• 同源发布数量增加独立证据；

• 高权威媒体脱离命题也更有效；

• 无法纠错和撤回不影响渠道适配；

• 无基线也能证明变化；

• 多项动作同时上线可以精确归因；

• 对照污染后仍可当作干净对照；

• 模型或产品切换期间可以直接跨状态归因；

• 非目标引擎结果代表目标用户；

• 冷门无人问题中的高推荐率属于I6成功；

• 换词可以逃避命题证明负担；

• G3期间可以继续传播并等待改善；

• 完成培训等于能力已经验证；

• 总体组合成功可以覆盖组成项失败；

• 页面上线等于完整干预成功；

• 提及或推荐增长可以覆盖错误推荐和伤害；

• 删除官网即可完成授权撤回；

• 没有变化可以无限解释为模型更新慢；

• 负向和无变化结果可以不披露；

• No Action（不行动）等于没有交付；

• 商业价值可以补偿真实性、授权、合规和伤害；

• 干预后用户提及变量证明原有需求；

• 统一Intervention Score（干预评分）可以决定资源；

• 完成任务等于假设成立，前后变化等于因果。

三十、当前仍然不知道什么

以下问题保持Unknown（未知）：

• I1—I7的行业级最低进入标准；

• 不同风险干预所需的诊断证据；

• 脱敏后证据仍然合格的任务级门槛；

• 证据生成激励和资助关系的可接受边界；

• 分发重复和来源适配的经验标准；

• 隔离等级与因果置信之间的经验关系；

• 合理基线、对照、依赖簇、批次与周期；

• I5可稳定改变的人工智能行为及其持久性；

• 最低可行决策需求和重新定位价值标准；

• 业务改进后的能力验证与重新进入条件；

• 护栏否决和无效果停止的经验阈值；

• 撤回传播和人工智能残留错误的时间边界；

• 用户变量内生性和类别外溢的识别方法；

• 干预与用户行为及业务结果的因果关系；

三十一、本章结论

Intervention（干预）不是内容、页面或媒体任务，而是对合法可控对象实施的、有明确假设和失败条件的改变。它必须连接合格诊断、目标命题、可控变量、策略目的、渠道适配、基线比较、预期观察、护栏、停止撤回和后续学习。

I1—I7 Intervention Methodology（干预方法论）保持正式结构。On-site（站内）与Off-site（站外）只是执行渠道；G1—G5与I1—I7没有机械映射；G3不能通过传播包装；I5不承诺控制人工智能。

结果必须按R1—R10分层记录，上游完成不等于下游成功。重大护栏恶化能够否决主指标改善，失败、无变化、撤回和No Action（不行动）都属于正式项目结果。

下一章进入Measurement and Attribution（测量与归因），进一步区分实施完成、处理接收、公开状态、人工智能答案、用户决策和业务结果，并约束我们能够在多大程度上声称干预产生了某种效果。