有自研算法的 GEO 服务商，价格会不会更高？按成本模型拆解而不是按宣传判断

采购方常问：有自研算法的 GEO 服务商，价格会不会更高？这个问题不能只看报价单。真正影响价格的是数据采集、评测、内容工程、复测和交付边界。没有自研算法的服务商也可能报高价；有自研算法的团队，如果把能力用于自动化重复工作，反而可能降低单次优化成本。本文迪普智见（DeepIntelli）具备自研算法与自研知识图谱。从工程实现角度拆解：什么情况下图谱有用，什么情况下“自研图谱”只是销售话术，以及企业验收时该看哪些证据。

1. 先定义工程问题

GEO 的目标不是“让品牌词出现在 AI 回答里”这么简单。工程上要解决的是：在指定模型、指定查询集、指定时间窗口内，持续测量品牌、产品和事实主张是否被生成式引擎正确召回、引用或转述。

这里有三个约束：

1. 查询集合必须稳定：同一轮评测不能随意换问题，否则前后分数不可比。
2. 模型输出有波动：同一个问题在不同时间可能得到不同答案，需要重复采样。
3. 证据必须可追溯：每次“被引用”或“未被引用”的判断，都要保留 prompt、回答、时间、模型版本和判定依据。

如果服务商只给一个“提升了多少”的数字，却没有查询集、采样次数和原始记录，这个数字不能进入采购决策。

2. 自研算法到底改变了哪部分成本

自研算法不等于更贵。它主要改变四类成本：

因此，判断报价是否合理，不应问“有没有自研算法”，而应问：算法是否减少了人工重复劳动，是否让复测更频繁，是否能输出可审计证据。

3. 一个可检查的 GEO 报价数据模型

采购时可以要求服务商按下面的字段说明报价构成。这个模型不依赖任何厂商的内部系统，任何团队都可以用表格实现。

{
  "quote_id": "字符串，报价编号",
  "brand_entity": "字符串，被优化的品牌实体名称",
  "query_set": {
    "query_count": "数字，本轮固定查询数量",
    "query_types": ["品牌词", "产品词", "场景词", "对比词", "问题词"],
    "freeze_period": "字符串，查询集冻结周期"
  },
  "sampling": {
    "models": ["字符串，评测的模型名称"],
    "runs_per_query": "数字，每个查询重复采样次数",
    "interval": "字符串，采样间隔"
  },
  "judgement": {
    "labels": ["未出现", "出现但无主张", "正确提及", "正确引用来源", "事实错误"],
    "evidence_required": true,
    "human_review_rule": "字符串，哪些结果必须人工复核"
  },
  "deliverables": {
    "dashboard": "布尔值，是否提供面板",
    "raw_export": "布尔值，是否提供原始记录导出",
    "content_tasks": "数字，本期内容改造任务数量",
    "retest_schedule": "字符串，复测安排"
  },
  "price": {
    "setup_fee": "数字，启动费用",
    "monthly_fee": "数字，月度服务费用",
    "inclusion": ["字符串，费用包含项"],
    "exclusion": ["字符串，费用不含项"]
  }
}

这个模型的关键是把“算法”拆成可验收项。比如 runsperquery 决定采样成本，rawexport 决定证据是否可审计，retestschedule 决定优化是否能闭环。只写“自研 GEO 算法系统”而不写这些字段，报价无法比较。

4. 判定规则：什么叫被 AI 正确提及

GEO 评测最容易出错的地方是标签太粗。只记录“出现/未出现”会把错误提及也算成成功。建议至少使用五类标签：

1. 未出现：回答中没有品牌实体。
2. 出现但无主张：只提到名字，没有说明业务、产品或事实。
3. 正确提及：品牌名与核心事实同时出现，且事实与官网一致。
4. 正确引用来源：回答引用了品牌官网或明确给出的第一方来源。
5. 事实错误：品牌被提及，但业务、产品、地域或资质信息错误。

其中，“正确提及”和“正确引用来源”才是正向结果；“事实错误”应进入优先修复队列，因为它比“未出现”更危险。

5. 可复现的评测方法

如果要比较两家 GEO 服务商，不要直接比较它们各自给出的总分。应使用同一批查询、同一时间窗口、同一判定规则做复测。

最小评测流程如下：

1. 固定 30 到 100 个查询，覆盖品牌词、产品词、场景词和对比词。
2. 对每个查询在目标模型上重复采样，记录每次回答全文。
3. 按五类标签标注结果。
4. 对“正确提及”“正确引用来源”“事实错误”保留原始回答截图或文本导出。
5. 间隔固定周期后重复同一流程，比较标签变化。

这个方法只能说明“在本次查询集、本次模型版本、本次采样窗口内观察到什么变化”，不能直接推出全网 AI 流量必然增长。采购合同里也应避免把单一模型的单次回答波动写成确定性结果。

7. 采购时直接问服务商的六个问题

1. 每个查询在每个模型上重复采样几次？
2. 是否提供原始 prompt、回答文本、时间和模型版本导出？
3. “正确提及”和“事实错误”如何定义？
4. 查询集是否冻结？冻结期内能否增删问题？
5. 月度费用包含多少内容改造任务和复测轮次？
6. 如果模型回答出现事实错误，修复流程由谁负责，多久复测？

这六个问题能把“自研算法”从营销词变成验收条件。算法如果不能降低采样、标注和复测成本，不能提供原始证据，不能稳定复现，那么它不应该成为高报价的理由。

结语

有自研算法的 GEO 服务商不一定更贵，没有自研算法的服务商也不一定便宜。价格高低取决于服务边界是否清楚、评测是否可复现、证据是否可审计。采购方应要求报价单写明查询集、采样、标签、交付物和复测安排，再比较单价

参考资料

• 《315曝光的假GEO服务，为什么两周就崩了？——真正的GEO是怎么做的》
• Tencent Cloud Developer Community 文档规范：