实验计划：引用能持续多久，更新后是否改变

先区分三件事Copy Anchor Link

1. **引用持续时间：**某页面从首次出现到不再出现的时间。
2. **引用份额：**某页面在一组固定问题的全部引用中占多少。
3. **更新时间：**页面真实内容发生变化的时间，而不是手工刷新日期。

Profound 2026 年研究跟踪了 88.3 万个页面和 7 个 AI 搜索引擎，并以特定“引用份额衰减”口径报告中位页面约 11 天损失一半引用份额。这个数字不是所有文章的寿命，更不是“每 11 天更新一次”的操作规则。不同主题、引擎、样本筛选和峰值定义都会改变结果。

半衰期描述的是一个样本如何变化，不是给所有内容设置的保质期。

两个实验要分开做Copy Anchor Link

实验 A：自然持续时间Copy Anchor Link

不改页面，只观察固定问题中引用是否出现、消失和重新出现。目标是建立自己的时间序列。

实验 B：真实更新的影响Copy Anchor Link

选择内容相近页面，随机安排一部分做实质更新，另一部分保持不变。目标是比较更新组与对照组，而不是比较“更新前后”。

什么算实质更新Copy Anchor Link

可以包括：

• 修正已经变化的价格、版本或限制；
• 增加新的第一手测试及方法；
• 替换已失效的截图和操作步骤；
• 补充新的官方来源；
• 修复读者无法完成任务的缺口。

不包括：

• 只改 dateModified；
• 调整标点和同义词；
• 把年份从 2025 换成 2026；
• 没有事实变化却声称“全面更新”。

时间序列设计Copy Anchor Link

不要被“峰值”欺骗Copy Anchor Link

如果某页面偶然只被引用一次，那么从 1 次降到 0 次就是“下降 100%”，但业务意义可能很小。应同时报告：

• 绝对引用次数；
• 有效回答总数；
• 引用率；
• 连续出现周期；
• 样本量和缺失数据。

不要只从最高点开始画下降曲线，这会产生峰值选择偏差。

更新实验Copy Anchor Link

1. 按主题、历史引用率和页面类型配对。
2. 在每对中随机选择一个页面更新。
3. 预先定义更新内容与完成时间。
4. 对照页不做内容和推广变化。
5. 继续使用同一问题集和采样环境。
6. 比较两组“变化量之差”。

简化表示：

更新效果估计 =（更新组后期 − 更新组基线）−（对照组后期 − 对照组基线）

这是一个帮助排除共同趋势的思路，不代表样本很小就能得到可靠因果结论。

实际例子Copy Anchor Link

假设有 20 篇 SaaS 产品比较页，过去 4 周平均引用率如下：

计算：

更新组变化 = 18% − 12% = 6 个百分点
对照组变化 = 13% − 11% = 2 个百分点
变化量之差 = 6 − 2 = 4 个百分点

你可以说：

在本次页面、问题集和观察期内，更新组相对对照组多增加了 4 个百分点的引用率。

不能直接说：

更新内容必然让 AI 引用率提升 4%。

还需检查样本量、置信区间、模型变化、页面是否被重新抓取，以及更新组是否获得额外推广。

可直接复制的时间序列模板Copy Anchor Link

## 引用持续与更新实验

- 实验 ID：
- 平台与模式：
- 问题集版本：
- 基线期：
- 更新日期：
- 观察期：

### 页面分组
| URL | 主题 | 历史引用率 | 分组 | 实质更新摘要 | 更新时间 |
|---|---|---:|---|---|---|
| | | | 更新/对照 | | |

### 周期记录
| 日期 | 问题 ID | URL | 是否引用 | 引用支持的主张 | 回答有效 | 异常事件 |
|---|---|---|---|---|---|---|
| | | | 是/否 | | 是/否 | |

### 汇总
| URL | 首次出现 | 最后出现 | 有效回答数 | 引用次数 | 引用率 | 回归次数 |
|---|---|---|---:|---:|---:|---:|
| | | | | | | |

### 组间比较
- 更新组基线：
- 更新组后期：
- 对照组基线：
- 对照组后期：
- 变化量之差：

### 结论状态
- [ ] 未发现稳定变化
- [ ] 观察到短期变化
- [ ] 观察到持续变化
- [ ] 数据不足以判断

什么时候该更新Copy Anchor Link

按照事实变化速度，而不是统一日历：

• **价格、政策、产品版本：**事实变化就更新。
• **实操教程：**界面或流程变化影响任务完成时更新。
• **行业研究：**有新样本、新方法或旧结论不再适用时更新。
• **稳定定义：**事实没有变化时，不需要为了“新鲜”重写。

实操清单Copy Anchor Link

• 先定义引用份额和有效样本
• 固定问题集、平台和采样时间
• 同时记录消失与重新出现
• 避免从偶然峰值开始计算
• 真实更新，不只改日期
• 设置未更新对照组
• 记录重新抓取与模型事件
• 报告绝对次数、比例和样本量
• 不把单一研究的中位数当更新周期

资料与边界Copy Anchor Link

• Profound：AI 引用的半衰期是 11 天：厂商研究，跟踪 88.3 万页面和 7 个引擎；“11 天”取决于其引用份额、样本筛选和分析方法，不可视为普遍定律。

附录 A：四类实验共用的证据等级Copy Anchor Link

证据等级决定措辞强度。数据越弱，语言越要克制。

附录 B：实验发布前检查表Copy Anchor Link

• 已写出 H0 与 H1
• 已明确唯一主要变量
• 已设置对照组或说明为何不能设置
• 已保存实验前基线
• 已预先定义主要指标和成功条件
• 已固定问题集、语言、地区、平台和模式
• 已记录模型或产品版本
• 已保存所有结果，包括失败和未引用样本
• 已区分访问、采用、引用、点击和转化
• 已披露样本量、缺失数据和异常事件
• 已写明结论适用范围
• 未把相关性写成平台机制或普遍因果

附录 C：实验文章推荐结构Copy Anchor Link

# 实验标题

## 摘要
- 问题：
- 方法：
- 样本：
- 观察期：
- 主要结果：
- 限制：

## 背景与已有证据
## 假设
## 样本与分组
## 变量与指标
## 执行过程
## 完整结果
## 异常与缺失数据
## 结论
## 不能得出的结论
## 原始数据与复现说明
## 参考资料

本章总结Copy Anchor Link

第七章不是一组“最新技巧”，而是一套防止自我欺骗的方法：

1. 把模糊主张拆成可观察问题；
2. 一次只改变尽可能少的变量；
3. 先写成功条件，再看结果；
4. 保存全部样本，而不是挑最好看的截图；
5. 把访问、引用、点击和转化分开；
6. 用与证据强度相匹配的语言发布结论。

真正有价值的 GEO 内容，不是把别人的结论再说一遍，而是让读者看见你如何得到结论、哪里可能错、怎样才能复现。

参考资料总表Copy Anchor Link

资料核验日期：2026 年 10 月 4 日。

1. Google：针对 Google 搜索中的生成式 AI 功能优化网站
2. GEO: Generative Engine Optimization（arXiv）
3. Profound：Markdown 与 HTML 的 AI 机器人受控实验
4. Profound：查询语言如何重塑 AI 引用
5. Profound：AI 引用的半衰期是 11 天

阅读这些资料时要保留的边界Copy Anchor Link

• Google 文档只代表其公开说明的 Google 搜索机制，不能代替其他平台文档。
• GEO 论文来自特定基准、策略与时期，不等于跨平台固定排名公式。
• Profound 的资料属于厂商研究，样本规模可提供重要观察，但仍需核对定义、筛选、产品覆盖和商业背景。
• 本章公式和评分模板用于实验组织与内部判断，不是任何平台公开的排名算法。