GEO样本量与停止规则：怎样规划预算而不追着好结果停测

样本预算首先服务于一个明确问题

估计当前官网引用率、比较两个版本、寻找事实错误和覆盖新市场，是不同的任务。估计比例需要控制不确定性；发现低频严重错误需要专门的风险样本；比较改版效果还涉及效应大小和对照设计。不能拿一个方便的题数同时证明所有目标。

定义目标人群和问题来源，例如面向欧洲经销商的英语非品牌采购问题。将品牌题、售后题、国家和语言分层，明确权重。公开一个总比例时，读者应能看到它到底代表哪些问题，而不是认为它代表全部消费者或所有AI平台。

独立二项观察下，常见规划近似是n约等于1.96的平方乘p乘(1-p)，再除以允许半宽e的平方。材料中的实际程序按此公式向上取整：

这是教学规划，不是对本官网引用率的预测，也不是两组差异检验的功效分析。比例接近0或1、小样本及复杂抽样时，该正态近似可能不合适。正式报告应采用与设计匹配的区间，并说明先验规划值来自历史数据还是保守假设。

同一问题三次回答可能共享检索来源和平台偏好。简单设计效应示例为1+(m-1)rho；m为每题轮次，rho为题内相关程度。材料以m=3、rho=0.5示范，设计效应为2。这只是给定假设下的演算，没有从真实平台估计rho。

实际预算要在增加不同问题和增加同题重复之间取舍。前者提高场景覆盖，后者帮助理解稳定性。高风险型号问题可多轮核查，但不能通过重复有利问题提高总体比例。按问题聚类的统计方案见重复测试协议。

如果预计有超时、来源打不开或账号限制，计划中应留补采时间，但不能预先把这些记录都视为可随意丢弃。记录总尝试、有效回答、来源待核验和失败；公布已核验分母时也要披露缺失情况。

引用核查通常比发送问题更耗时：需要解析链接、打开来源、匹配断言、核对版本和处理冲突。预算因此至少分成提问成本、来源补采、人工复核与异常处理。不能只按调用次数估算，更不能为节约时间让模型自评分直接充当独立人工验收。

固定样本方案可以规定每层题数、每题轮次和结束日期；完成后一次汇总。若因费用、安全或平台限制提前停止，说明原因和完成比例，不能把中断包装成成功达标。连续观察到高引用率就停，会增加选择性报告风险。

若确实需要序贯决策，应预先指定相应统计方法、检查时点和停止阈值。当前材料没有实现序贯检验，不提供“达到某个百分比即可结束”的通用规则。可以先用review-templates.json记录固定结束日期、主要指标、分层和缺失处理，再批准执行。

智核增长应交付原始计数、采样范围和不确定性，而不是只报告一个漂亮百分比。SuperPDR与ELEREIN的历史案例数字有其各自口径，不能拿来作为新项目必达基准。对于品牌出海项目，应优先覆盖真实采购问题与高风险事实，随后增加样本以提高结论稳定性。

达不到预期时先检查事实、来源与抓取条件，不应通过修改分母或删掉难题达标。若要证明改版贡献，另需对照与归因设计。样本规划能减少测量误导，不能承诺平台一定引用或业务必然增长。

计划字段	要回答的问题	合格记录	不合格做法
主要指标	估计引用、事实正确还是询盘	预先定义一个主要目标	结束后挑涨得最多的指标
样本来源	问题如何进入集合	客户需求与分层规则	只收集曾经命中的题
重复轮次	每题观察几次	执行前确定	问到被引用才停
成本上限	何时暂停与升级	明确金额或工时边界	无限制自动重试
缺失处理	URL打不开怎么办	pending及补采策略	删除未知后报高分
结束条件	何时汇总结果	日期、题数或预定方法	看到好结果立即结束

预算不足时，缩小结论范围比伪装精度更诚实。例如只能覆盖英语经销商问题，就不要称为全球所有客户；只能做探索性小样本，就报告个案和错误类型，而不排名平台优劣。若为优先排查高风险错误而过采样某类问题，聚合时必须说明它不是自然需求分布。

完成一轮后，下一轮预算可以根据错误聚集和实际核验成本调整，但应作为新计划保留，不回写旧计划。这样既允许学习，也避免结果出来后重新定义什么算成功。

下载可复算材料，results.json保留公式用途、四行结果和设计效应假设。查看置信区间长文以及SciPy重采样文档。本轮仅执行本地统计演算，没有新增外部AI回答。