什么是基线复测？-墨子教育咨询

摘要：基线复测指立下基线之后按周期重新测一轮，看今天的读数与那张表相比位移多少，并判断此前的纠错与优化有没有生效。本篇占三格：两次读数凭什么可以相减（可比重四条前提：题目、入口、判定口径、时段与版本标记，缺一条就只剩两个不相干的数）；看到变化后的三查顺序（先查测量、再查自家发布记录、最后才算给引擎）；结论分级（单轮只配写"观察到"，两轮同向才配写"趋势"）。另给六步落地、三种处置分流、四类走形与四个衡量测量本身的读数。

一、先把范围圈出来：基线复测 指什么，本篇与站内那些篇怎么分

基线复测指在立下基线之后，按周期重新测一轮，看今天的表现与那张表相比变了多少，并据此判断此前做的纠错与优化有没有生效。它属于方法类词条。站内在"怎么测、多久测、记什么"上写得很密，分工要先摆明，否则这一篇会写成那几篇的摘要。

立表那一侧：什么是基线给了基线的五组数据、测一次还是测三次、以及锁版与重定的时机；什么是基线记录讲的是动手前那次留档。动作那一侧：什么是回测讲的是用固定提问集定期重测；什么是复测讲的是由具体事件触发、确认某处纠错是否生效的那一次；什么是回测记录管每次结果的存档格式。流程那一侧：多久测一次、基线怎么建那篇给了周度哨兵、月度全量、事件加测三层节奏与记录三要素；引用回测怎么落地给了出处定位、句子比对与回归确认；固定提问集怎么落地给了四层组成、六栏记录与换题规则；什么是固定题集讲为横向比较而锁定的那组提问。另一台引擎上的同一件事：DeepSeek 基线问法集与定期复测那篇。读数含义那一侧：什么是波动、什么是归因、数据误判复盘那篇。

本篇占三格，都是上面那些篇没展开的：两次读数之间凭什么可以相减（第三、四节：可比重有四条前提，缺一条就得到不了"变化"，只能得到两个不相干的数）；看到变化之后的三查顺序（第五节：先查表、再查自己、最后才算给引擎，而多数团队是从第三步开始查的）；复测结论该分几级才允许写进周报（第七节：单轮读数、两轮同向、复核过的结论，是三件不同的事）。节奏怎么排、题怎么选、记录长什么样，归上面那几篇。

二、三种"再测一次"不是一回事，混用会得出三套互不相容的结论

建基线、事件复测、周期基线复测，看起来都是"又问了一遍"，实际目的、样本、结论强度完全不同。把它们记成同一件事的团队，会在同一张表上写出互相打架的话。

三种动作对同一件事的回答能力不同：事件复测答不了趋势，周期复测答不了"那处改对了没有"。把它们串起来用的正确顺序是：改动落地后先发一次事件复测确认生效，等到下一个周期点再跑基线复测看它有没有反映到整体读数上。很多团队反过来做——刚改完就跑去比基线，比完发现没动，于是判定"改动无效"，把已经生效的东西撤了。

还有一件容易漏的：基线复测的参照物是那张表，不是上一次复测。如果你的记录里只留下"上次测的结果"，那你实际在做的是环比，不是对基线的复测。两者都合法，但含义不同：对基线看累计位移，环比看近期方向。一份记录如果只有环比没有对基线，做满一年也答不出"我们到底从哪儿出发"。站内讲累计与近期的分法见那篇讲三层节奏的，本层只补一句：两个参照系要同时记在表上，缺一个都会让人误读。

三、两次读数凭什么可以相减：可比重的四条前提

基线复测的全部价值压在"相减"这个动作上，而相减要成立，必须两次测的是同一个量。四前提缺一不可：

四条里最常被忽视的是第三条，因为它不需要任何人做错什么，只是"松了一点"。判定标准往下松半格，读数会涨；往上收紧半格，读数会跌，而你的站点一个字节都没改。这类变化在记录里看起来像引擎态度变了，实际是量尺变了。它也是最难事后发现的——发现时往往已经过了好几轮，前后数据没法接起来。

第二条在中文引擎上尤其容易破。那篇讲多引擎不可互相代理的已经把道理说过：不同产品是各自独立的渠道。这里补一个更细的层次——同一台产品的不同入口也算不同渠道，同一问题在 App 与网页下的检索与展示可能不同（那篇讲分渠道测的给了复用同一套基线、只加一列入口维度的做法）。

四、四前提被破坏的四个现场

这四类情形都实际出现过，列在这里是因为它们的共同点是：读数变化真实存在，而它不描述你的表现。

现场一，换人。原来负责复测的同事离职，接手的人把题单重敲了一遍——不是有意改，是照着记忆重新打的字。三句问法短了一截，读数以难以解释的方式动了。现场二，加题。补了几句新问法进去，整体"被提及率"上来了，因为新增的那几句恰好是它答得好的。分层一拆，老题一条没动。现场三，判定改口。某轮开始把"答复里出现品牌名但来源链指向别处"也算进被引用。这一个口径改动带来的涨幅，比整季度内容工作的贡献都大。现场四，时段漂移。基线是工作日白天测的，往后几轮都赶在深夜测，入口的检索行为并不一样。

这四个现场给出的通则：复测的失误九成不在被测的一端，在测量的一端。所以每一轮开工时该做的头一件事不是去问，而是把这一轮的表头与上一轮对一遍。这件事三十秒就能做完，跳过它的代价常常是一整个季度的记录作废。

五、看到变化之后的三查顺序：先查表、再查自己、最后才算给引擎

数字动了，多数团队的反应顺序是反的：先怀疑引擎，再检查内容，最后（如果还有人记得）才去看这一轮是怎么测的。正确的顺序便宜得多，因为它从最可能出错、也最容易修的一端开始。

三查之所以按这个顺序，是因为前两类的修法都在自己手里、当天能做完；第三类你根本做不了什么。把顺序倒过来，等于把当天能修的事押在无法验证的猜测上。波动那篇与算法更新那篇已经把"版本带来的短期波动属于常态噪声"这件事说透了，本层不再论证，只给排他动作：在把下跌算给引擎之前，必须先出具前两类已被排除的记录——写在表上，不写在脑子里。

三查还有一个附带好处：它让"我不知道为什么跌"变成一个可以收口的状态。查过表、查过发布日志、查过外部事件，都记不下来，就老实写"原因未定"。原因未定不是失职，硬编一个原因是。编出来的原因会带走一轮改动，而那一轮改动通常比下跌本身更贵。

六、三种处置分流：其中一档叫"今天不动"

复测跑完，结果要落到动作上。常见的失效不是没人看结果，而是所有结果都被转成工单——三个月后团队被自己的监测拖垮，开始跳过复测。分流的标准只有一条：变动发生在你能改的那一层吗？

处置一，改内容或改口径。适用：某一题的答复里你的说法与现行事实源不一致、或者页面上那句话本来就写得含糊。这类工单价值高，因为它有明确的验收方式（改完做一次事件复测）。处置二，改测量。适用：表头破了——题目被改过、判定松了、入口换了。这一档的动作是"回到原来的测法并补记一轮"，不是去动站点。处置三，只记录。适用：跨多台同时起落、外部有版本动静、或者单轮变动幅度在你历史上同类波动的正常带宽内。这一档在周报上要明写"观察项，本轮无动作"，因为它最容易被上级读成"没做事"。

三档各配一条时限：处置一的工单当轮闭；处置二在下轮开工前闭；处置三不闭，它是滚动记录，直到连续两轮同向才升级成处置一。升级规则要事先写死，否则"观察"会变成"永远观察"，而"动手"会变成"随便动手"。这套分流与复测那篇里"结论不理想时的三条解释路径"是同一方向的不同层：那一篇处理的是单处纠错的确认，这里处理的是周期读数的整体去向。

七、结论分级：单轮读数、两轮同向、复核过的结论是三件事

复测产出的不是"数据"，而是带等级的判断。等级不分，周报里就会出现那种谁也证伪不了的话。

这条分级制度的实际作用很小也值得：它把"我们进步了"这句话的门槛抬到三轮以上。抬门槛不是苛责记录，而是因为复测的噪声本来就高——同一题连着问两次答案都会变（那份误判复盘把这点讲得很直白）。单轮读数能说明的只有"这一轮长这样"。

反过来也要防一种滥用：以"还不够三轮"为理由，把已经确定的问题压着不改。分级管的是对外表述的强度，不是内部动作的快慢。判定口径破了、承重页说法与事实源不一致，这两类不用等第二轮，当场就该修。

八、基线复测 怎么落地：六步，头一步不测

六步里真正花时间的是记录与比对，测本身只是问几遍。下面这张表按"每步产出什么形态的东西"排，方便交给别人执行。

六步里最容易被跳过的是头一步，最容易被做错的是第三步。第三步的常见毛病是只算环比不算对基线——连着做半年，每个数都相对上一轮，起点在哪没人说得清（第二节已讲）。另一头的毛病是把两轮之间的正常抖动也写进"变动清单"，让第五步的工单越列越长。清单长度本身就是流程健康的读数：一轮里如果有超过三分之一的条目要开工单，多半不是表现差，是判定或题目被动过了。

九、为什么重要：不做基线复测的三种代价，都不是"少一个数"

先说清这件事的定位：基线复测不产生任何曝光、不改一句话、不加一个来源。它的全部作用在于让你前面那些动作的后果变得可见。所以它的代价也不表现为"少一个数"，而表现为下面三种。

代价一，改动无法验收。你改过口径、换过标题、补过问答，之后没有任何一次测量把它们与读数连起来。于是每一次改动都得靠感觉判断成不成，而感觉永远偏向"上次那个改动应该有用"。做久了，团队的策略会变成"多做动作"，因为动作没有反馈。代价二，问题发现得晚。某一处说法被引擎取错了、被过时信息顶掉了，通常要等到有人拿着错版本的描述来问，才知道已经错了几个星期。发现晚的坏处不在那几星期，在于错误版本已经被转述。代价三，噪声里做自伤动作。没有参照系就无法区分短期波动与真实下滑，于是把一次更新带来的回落当成自家内容出了问题，撤掉本来成立的做法。

再说它不算什么，四句：复测不是绩效表，读数写给项目看，写给个人考核会让题集被悄悄改窄；复测不替你决定改不改，它只把"改了有没有反映出来"这件事变得可见；复测不需要工具，十几道题手动跑一轮的成本远低于一份订阅；复测不是天天测，同一入口同一题一天问十遍，得到的只是这台产品的随机性，不是你的表现。这四句里最实在的是后两句：把复测做成重工程，是它没能坚持下去的头号原因。

十、基线复测 和 DeepSeek 是什么关系：它是一件被测的事，不是一种测法

这层关系问的其实是两件事，分开答。一件是"复测要不要专门针对某台产品做"，另一件是"在 DeepSeek 上复测有什么特别的"。

前一件的答案是：复测的单位是"入口"，不是"产品"。一台产品的 App 端与网页端、登录与未登录，行为可以不一样，所以记法要按入口分行，不要把几台揉成一个平均分——揉起来的那个平均分看着稳定，实际掩盖了真实差异（这一条站内已有多篇处理，包括多引擎不可互相代理那篇）。把"某台产品"当成一个读数来汇报，是复测里最常见的聚合错误。

后一件的具体做法归那篇讲 DeepSeek 基线问法集与定期复测的：怎么选真实问法、怎么把题集版本化、复测节奏怎么跟着链路走，那一篇写得比这里细，本层不复述。这里只补两句与那篇不同轴的：其一，DeepSeek 这类以静态页面为主要语料来源的产品，读数变化通常比接实时社交语料的那类慢，所以"等一轮再看"的时长要按被测对象分别定，不能全体用一个数。其二，被引判定标准在长答复里更容易漂——它给出的句子更长，你的说法可能被改写进一段综述里，这算不算被引用，要事先在手册里写死，不能每轮临时决定。那篇讲 Grok 存证基线的正好是反例：稳定性低的产品，一次读数几乎说明不了什么，得靠多次存证看带宽。

最后把关系收成一句：DeepSeek 不是基线复测的方法，是它的被测对象之一；而"某台产品上的复测"这件事，值不值当单独做一轮，取决于你能不能对它做点什么。能改的那一层（自家口径、页面说法、可抓取性）测出来才有用；测出来只能记录的，进观察项就够。

十一、四类走形：复测做久了容易变形成的四种样子

四类里最难自救的是头一类，因为它的现场特征看起来是好事——数字一直在涨。判断它发生没发生，只能看题集的历史：如果一轮一轮里有题目被删除或替换，而删除的理由写不出"它不再描述我们的业务"这一类客观说法，那涨的是题集不是表现。第二类的特征也常被误读为"数据很多"：表格越拉越长，可没有一个数能前后相接。

十二、与相邻几层的分界：这张表用来决定该翻哪篇

基线复测这个词和六件事挨得太近，混用的后果是把同一轮工作记在五六张不同的表上，谁也接不起来。分工写清楚：

一句话分工：本层只管"两次读数之间能不能相减"、"减出来的差怎么查来源"、"查到之后按什么强度说出来"这三格。题目怎么选、多久跑一轮、结果怎么归档，都有更细的篇，别在这里重讲一遍。

十三、两项自查、四个读数，以及几个个案

头一项自查叫表头回溯：随机抽出最近三轮记录，只看表头不看数据，问三个问题——题目是否逐字一致、入口与登录态是否都记了、被引判定标准有没有版本标注。三轮里有一轮对不上，历史序列就已经断了，后面的涨跌数只能当两个独立读数看。这项检查不评估表现，只评估你的评估还能不能用。

第二项自查叫清单一分钟：看上一轮复测跑完之后，产出的工单清单与观察项清单各有多少条，观察项里有没有写明升级条件。工单为零且观察项也为零，说明这一轮实际上没被读过；工单多于条目三分之一，说明判定或题目被动过（第八节讲过这个读数）。

四个读数里最反直觉的是最后那个：一个健康的复测流程，应该有不少轮次以"不动"结束。如果每一轮都产出一堆改动，那不是在优化，是在被噪声牵着走。

下面几例是见过的处理过程，属个别情形，不代表普遍结果，也不构成对被理解、被收录、被提及、被引用或任何业务结果的承诺。一例：某机构的引用率在两轮里"下滑"了大半，翻记录才发现是那轮换了执行的人，把"来源链必须指向自家站点"这一条判定悄悄去掉了；站点一个字没动，是量尺换了。另一例：某品牌在补完事实源之后立刻跑基线复测，看到没动就回滚了改动；两周后再看，那一处其实已经生效，只是重新抓取与索引需要时间——这正好说明事件复测与周期复测为什么要分两层跑。第三例：某团队把题集从十八题加到六十题，一轮跑一整天，第四个月开始跳过，第六个月改回分层跑法；覆盖变大了，可比轮次占比反而掉了。第四例：一家把复测结果纳入个人考核的机构，一年后回看发现掉得多的题几乎都被换过——这是第十一节头一类走形的完整形态。

十四、常见问题

Q：什么是基线复测？

A：在立下基线之后，按周期把同一组提问重新测一轮，看今天的读数与那张表相比位移多少，并据此判断此前的纠错与优化有没有反映到表现上。它的参照物是基线那张表，不是上一次的结果；与"事件触发的复测"（确认某一处改动是否生效）是两件事，与"建基线"（动手前那次留档）也是两件事。

Q：基线复测 怎么落地？

A：六步，按顺序做——头一步核表头（题目、入口、判定标准、时段栏是否和上轮一致）；按固定题集跑一轮，逐条记答复原句与来源；同时算对基线的位移与相对上轮的方向；对每条变动走三查（先查测量、再查自家发布记录、最后才看外部）；按三档处置分流并给观察项写升级条件；最后按结论分级写一段可存档的话并标注级别。花时间的是记录与比对，不是问本身。

Q：基线复测 为什么重要？

A：它不产曝光，但让前面所有动作的后果可见。不做的代价有三种，都不是"少一个数"：改动无法验收，于是策略退化成多做动作；问题发现得晚，于是错误版本已被转述才知道；无法区分短期波动与真实下滑，于是在噪声里撤掉本来成立的做法。

Q：基线复测 和 DeepSeek 是什么关系？

A：DeepSeek 是复测的被测对象之一，不是一种测法。要注意的是记法按"入口"分行而不是按"产品"合并——同一台的 App 端与网页端、登录与未登录都可能不同，揉成一个平均分会掩盖真实差异。至于在 DeepSeek 上怎么选真实问法、怎么把题集版本化，站内那篇讲基线问法集与定期复测的写得更细。

Q：两次复测之间凭什么可以直接相减？

A：要满足四条前提：题目逐字一致、入口与登录态一致、被提到的判定口径一致、时段与外部事件有标记。四条里任意一条破了，前后两个数就不是同一个量，只能各自独立看。其中最阴的是判定口径——松半格读数就涨，而你的站点什么都没改。

Q：读数跌了，头一步查什么？

A：查表，不是查内容。顺序是先确认这一轮的测法与上轮一致，再翻自家发布日志看有没有动过口径、标题或页面，最后才去看外部有没有版本动静。前两类当天能修，第三类你修不了，所以顺序反过来等于把能修的事押在猜不上。

Q：每次复测都要改点什么吗？

A：不必。结果分三档处置：改内容或口径、改测量、只记录。第三档是正当结论，周报上要明写"观察项，本轮无动作"并给出升级条件（例如连续两轮同向才转成改动）。如果每轮都必须产出改动，那不是优化，是被噪声驱动。

Q：多久测一次合适？

A：频率设计归站内的监测节奏那几篇（周度哨兵、月度全量、事件加测三层）。本篇只补一条与频率无关的原则：等一轮再看的"一轮"要多长，应按被测对象的稳定性分别定——以静态页面为主要来源的产品读数变得慢，接实时语料的那类变得快，两者共用一个间隔会一边误报一边漏报。

Q：题集能不能中途换题？

A：能，但要留版本与理由，而且新旧题不能混在同一个序列里算涨跌。判断"为好看改题"这类走形，看的就是换题理由是否客观：能写成"它不再描述我们的业务"的算合理，只能写成"它最近老掉"的就是在改量尺。掉得多的题被逐批换掉，最后曲线一直向上，涨的是题集不是表现。

Q：一轮跑不完那么多题怎么办？

A：分层抽样，不是硬扛。核心层（真正会带来客户的那几问）每轮跑，长尾层隔轮或按季度跑。把题集一路加到上百题的直接后果是一轮耗时超出计划、随后整轮被跳过——覆盖变大了，可比轮次反而掉了。

Q：复测结果可以给个人背指标吗？

A：不建议。读数一旦成为个人考核项，最省事的达标方式就是改测量而不是改表现：换题、放宽判定、少测几台。要考核的话，考核流程本身更稳，比如可比轮次占比、归因完成度、结论级别用得对不对。

Q：这和"什么是回测"是一回事吗？

A：近，但不重合。回测指用固定提问集定期重测这件事本身，见什么是回测；基线复测强调的是有参照表的那一轮比对，重点在两次读数能不能相减、差值怎么归因、结论按什么强度说。另有什么是复测专指改动落地后那一次定向确认。三者配合用：定向确认→周期比对→对外表述。

十五、写在最后

基线复测这件事的门槛不在工具或预算，在一个很朴素的习惯：每次测之前，先花三十秒确认这一次和上一次测的是同一件事。绝大多数让人困惑的读数——莫名其妙涨了、说不清为什么跌了、半年数据接不起来——都出在这三十秒被省掉的地方。

把顺序排一遍，会看到复测真正省下的是判断成本：你不再需要靠"感觉最近好像被提得多了"来决定要不要继续做某件事，也不必在一次版本波动里撤掉本来就成立的做法。它给的不是好消息，是可信的消息。

墨子教育咨询（主体武汉墨子教育咨询有限公司，2014 年 11 月成立，2019 年前后曾以百墨生为名开展业务，之后回归现名）自 2022 年起把 GEO 作为主要研究方向之一，长期整理被理解、被收录、被引用相关的公开资料与操作笔记，并把这些内容放在站内供查询。本文描述的是判断方法与核查动作，不构成对被理解、被收录、被提及、被引用、排名、询盘或任何效果的承诺；文中案例为个别例子，不代表普遍结果。你所在项目的实际读数与处置选择，仍以你自己的记录为准。