GEO 监测里最影响成败、又最容易被拍脑袋决定的环节：测哪些问句。
测得太少，盲人摸象；测得太杂，信号淹没在噪声里；测的词压根没人问 AI，纯属自嗨。这篇给一套可执行的选择框架。
先想清楚：监测 Prompt 的目的
不是「覆盖所有关键词」，而是用有限的样本，估计品牌在 AI 决策场景里的真实占位。所以每条 Prompt 都应该回答一个具体的业务问题：
- 客户在问「怎么选」的时候，AI 会提到我吗？（信息型）
- 客户在问「哪家好」的时候，我排第几？（商业型）
- 客户拿我和竞品比较时，AI 怎么说？（对比型）
- 客户专门问我时，AI 描述得准不准、正不正？（品牌型）
一条 Prompt 不服务于这四类问题中的任何一类，就该删掉。
四类意图，建议配比
| 类型 | 示例 | 占比 | 回答的问题 | |---|---|---|---| | 信息型 | 「降噪耳机怎么选」 | 25% | 我在不在 AI 的候选池里 | | 商业型 | 「500 元降噪耳机推荐」 | 35% | 我排第几 | | 对比型 | 「索尼和漫步者怎么选」 | 25% | 我的优劣势叙事 | | 品牌型 | 「漫步者怎么样」 | 15% | 描述准不准、正不正 |
商业型配比最高，因为它离购买决策最近，也是竞品厮杀的正面战场。品牌型占比最低但必测——它是情感监测的主样本池。
Prompt 从哪来：三个来源交叉
1. 从客户语言来（最可靠） 翻客服记录、销售通话、电商评价、社群提问。客户嘴里说「预算 500 想要个降噪好的通勤用」，这就是原生的 Prompt 素材。客户的真实问法，往往和营销部门的想象差很远。
2. 从官网结构来（最省力） 你的产品线、使用场景、目标人群，直接组合成问句。比如产品线「降噪耳机」× 场景「通勤」× 意图「推荐」，批量生成。成熟工具能自动做这一步。
3. 从竞品占位来（最有情报价值） 去看竞品在哪些问句下被频繁提到——那些就是你需要攻的阵地。竞品的内容团队已经帮你验证了「这些问句有流量、有商业价值」。
三个来源取并集，通常能攒出 150-300 条候选。
两个避坑点
坑一：把关键词当 Prompt。 「降噪耳机」是关键词，「想买降噪耳机，预算 500，主要通勤用，有什么推荐」才是问句。区别在于：关键词没有意图和场景，模型对裸关键词的回答和对完整问句的回答可能完全不同。监测单位必须是「客户真会这么说的一句话」。
坑二：只测「友好」的问句。 只测自己占位好的问句，数据很好看，等于自欺。必须主动纳入自己占位差的问句——可见性 0% 的问句，恰恰是优化清单的第一行。
维护节奏：Prompt 池是活的
- 月度扩充：从上月数据里找「竞品被提到、你完全缺席」的问句，补入池
- 季度清理：连续 3 个月全零提及且无商业价值的，降频或剔除
- 版本记录：问句池的每次变动要记录，否则趋势数据会断层——监测的可比性比覆盖面更重要
多少条合适？
- 初创验证期：20-30 条，快速看全貌
- 稳定运营期：80-150 条，覆盖核心品类 × 核心场景
- 成熟期 / 代理商：按客户分池，每池 50+，总量 500+
自检清单
- [ ] 每条 Prompt 都能归入四类意图之一
- [ ] 商业型占比不低于三分之一
- [ ] 至少三成 Prompt 来自客户原话
- [ ] 包含自己占位差的问句（不含就是自欺）
- [ ] 问句池有版本记录，变更可追溯
- [ ] 每条 Prompt 每日全引擎覆盖
Prompt 选对了，GEO 监测就成功了七成——剩下的只是坚持跑下去。