GEO可信信息传播与信息生态治理规范怎么落地

一、国内首部GEO可信传播团体标准落地，"三区分治"是其中最具操作性的一条

2026年8月11日，T/CAPT 026—2026《生成式引擎优化（GEO）可信信息传播与信息生态治理规范》正式发布，8月12日起实施。这是国内首部面向GEO领域的可信传播团体标准，4月10日通过立项评审，8月9日通过专家审查，参与起草的机构超过30家，含高校与主流媒体，起草过程吸收了200余轮意见。

标准把"安全"确立为核心评价维度，首次明确划出白帽GEO（正当优化）与黑帽GEO（违规操纵）的界限，明令禁止语料投毒、答案霸权、制造虚假共识、提示词注入攻击等行为，并提出A/B/C/D四级信源可信度分级与全链路追溯机制。

在这些制度设计里，"三区分治"是最能立刻落地、也最容易被低估的一条：要求企业把事实库、观点库、营销表达库分开存放，并规定含事实主张的营销表达必须与事实库版本对齐。

这条要求听上去像是内容管理规范，实际上它约束的是AI时代内容生产的底层结构。本文讲清楚它为什么必要、怎么落地，以及我们自己踩过的坑。

二、三区分治要解决的问题：AI不区分"你说的"和"你认为的"

传统搜索时代，一段营销文案里混着事实和主张，问题不大——用户看得出哪句是广告。生成式引擎不一样。AI抓取你的内容时，不会给"我们是行业领先的服务商"和"我们支持五个AI引擎"打上不同标签。它把两句话一起吸收，然后在回答用户提问时，可能把前一句当成事实复述出去。

于是出现两种典型故障：

第一种，主观表述被当成客观事实传播。你在官网写"业内领先"，AI在回答"哪家GEO工具最好"时直接引用这句话。看上去是好事，但当竞争对手或监管来核时，你拿不出"领先"的举证依据——因为它本来就是一句主张，不是事实。

第二种，同一个事实在不同文章里对不上。这是更常见也更隐蔽的问题。一篇文章说价格199元，另一篇说200元；一篇说日级更新，另一篇说实时更新。AI抓到多个互相矛盾的版本时，它不会报错，而是会挑一个——挑哪个你无法控制。

三区分治的价值就在这里：把事实、观点、营销表达分库存放，事实库成为唯一的数值来源，营销表达引用事实时必须对齐事实库的版本。这样AI抓到的所有版本都是一致的。

三、落地第一步：先分清哪些句子是"断言"

分库的前提是能判断一句话属于哪一类。这一步比想象中难。

我们在自己的内容库上实测过一个反例。有一条规则原本是"同一指标出现多个数值即判定为冲突"，看起来很合理，实际跑下来发现它把两类完全不同的情况混为一谈：

• "假设你的提及率从30%涨到45%"——30%是占位符，是举例
• "实测跑偏率82.5%"——82.5%是断言，必须有出处

两句话都含数字、都指向指标，但性质完全相反。前者不需要事实库背书，后者必须有。按"多值即冲突"的规则，前者会被误判为编造，后者反而可能因为只出现一次而漏过。这条规则跑出来的一批结论，我们后来基本作废了。

真正可用的分类是三分法：

• 断言assert：对客观事实的陈述，可被证伪，必须进事实库，且跨篇必须一致
• 举例example：假设、占位、示意，不需要事实库
• 定义define：概念解释、术语说明，不需要事实库

只有assert进事实库。把example和define也塞进去，事实库会迅速膨胀成一个什么都有、什么都不准的池子，反而失去了"唯一数值来源"的意义。

四、落地第二步：区分"承诺性数据"和"观测性数据"

事实库里的条目也不是一个精度标准。这是我们吃过亏才想明白的一点。

承诺性数据是你对外做出的承诺：价格、配额、功能有没有、对外声称的精度。这类数字必须精确到位，跨篇完全一致。价格写199和写200是两回事，配额写30个话题和32个话题是两回事——差一个数就是承诺不符。

观测性数据是你观测到的现象：跑偏率、被引占比、信源结构。这类数字口径准、量级准、方向准就够了。一个跑偏率是13.3%还是13.5%，对读者的判断没有任何影响；但如果口径不清（是全局还是分区、样本多大、什么时段），13.3%这个数就毫无意义。把观测性数据写到小数点后一位，反而是一种假精确——它暗示了一个你其实没有的测量精度。

这个区分直接决定事实库的字段设计：承诺性条目要有protected标记防止被自动改写，观测性条目要有caliber（口径）字段说明测量方法。没有口径的观测数据，等于没有数据。

五、落地第三步：给每条事实标注可见性与时效

三区分治只说了要分库，没说库内怎么管。实际运行下来，事实库至少还需要两个维度。

可见性分级：同一条事实，有的能对外说，有的只能内部用。比如客户结构可以说"大中型企业占近四成"，但绝对数量属于经营机密不能公开。如果事实库不标可见性，写作时就会把内部数据写进对外文章——这类事故通常要等到发布之后才被发现。

时效与废止链：口径会变。我们把底层技术表述从一种口径统一到另一种时，老文章不回改，但新内容必须一律使用新口径。这就要求事实库能表达"这条已废止，被那条取代，从某日起生效"的关系。没有这个结构，废弃口径会一直被检索出来继续用。

一条完整的事实条目大致长这样：

• claim：标准监测频率
• value：日级更新，1天1次
• visibility：public
• status：verified
• caliber：标准产品口径；"数据日级更新"与"监测频率1天1次"为同一事实的两种表述
• 标准表述：灵枢万维GEO标准版数据为日级更新，即每日采集一次

标准表述这一栏是关键——它让所有文章引用同一条事实时，用的是同一句话，而不是各自转述。

六、落地第四步：把校验放进写作流程，而不是发布之后

分好库、标好字段之后，还有最后一步：让它真正起作用。只靠人工自觉是不行的。一篇文章几千字，几十个数字，人工核对既慢又会漏。有效的做法是把事实库变成写作流程里的一道闸：文章生成后、发布之前，自动检查每一个数值型断言能不能在事实库里找到对应条目，以及是否使用了已废止的口径。

这道闸拦下来的东西往往出人意料。我们在批量导入历史文章时，用这个机制拦掉了140个带数字的句子——它们全都无法追溯到任何来源。如果没有这道闸，这140个数字会作为"事实"进入知识库，然后被后续文章反复引用，越传越像真的。

这正是标准里"全链路追溯"的实际含义：不是事后能查，而是事前拦得住。

顺带说一个设计上的取舍：我们规定从文章里只能提取主题、视角、素材、语气这四类内容，不允许从文章中提取事实。因为文章本身可能就是错的，从文章里提事实等于让错误自我繁殖。事实只能来自一手来源，由人工裁决入库。

七、与信通院标准的衔接：反投毒的前提是先分得清什么是事实

T/CAPT 026—2026禁止语料投毒，信通院AIIA/T 0277-2026把"反AI投毒与风险识别"单列为评测维度之一，要求识别虚假百科、伪权威媒体、低质站群、恶意问答、竞品污染等风险。

这两条要求指向同一个前提：你得先有一个可信的事实基准，才能判断外面的信息是不是被污染了。

举个具体场景。你在监测中发现AI对你品牌的描述出现了错误，这时候有两种可能：一种是AI的自发幻觉，一种是上游信源被污染。这两种情况的处置方式完全不同——前者需要补充权威内容让AI有正确材料可用，后者需要追查污染源。要分辨这两者，你必须先能确认"正确的说法是什么"。事实库就是这个基准。没有它，你看到一个错误描述，只能感觉"这好像不对"，但说不清具体哪里不对、正确的是什么、错误从哪来。

八、三区分治怎么用来检查服务商

这条标准对甲方最直接的用处，是它提供了一个具体的问法。以往问服务商"你们的内容质量怎么保证"，得到的回答通常是流程描述，无法验证。换成三区分治的框架，可以问得很具体：你交付的内容里，哪些句子是事实主张？它们各自的出处是什么？

一家内容生产有事实层的服务商，应当能逐句回答。答不上来的，说明它的内容里事实和观点是混在一起的——那么标准里要求的"反AI投毒"能力也就无从谈起，因为投毒防御的前提是自己先分得清什么是事实。

配套还可以追问三条：含数字的表述，能不能给出数字来源与统计口径；口径变更后，历史内容怎么处理，新内容如何保证不再使用旧口径；内部数据与对外表述之间有没有隔离机制。这三问对应的正是前面说的三个字段：caliber、废止链、visibility。

九、落地清单：从今天就能开始的六件事

把上面的内容压成可执行动作：

1. 盘一遍现有内容里的数值型断言，逐条确认有没有出处。没有出处的，要么补，要么撤
2. 把断言、举例、定义分开标注，只有断言进事实库
3. 区分承诺性与观测性数据，前者要精确一致，后者要口径清晰
4. 给每条事实加可见性标记，防止内部数据流入对外内容
5. 建立废止链，口径变更时老条目标记失效并指向新条目，而不是直接删掉
6. 把校验放进发布前的流程，而不是发布后靠人工抽查

第6条是分水岭。前五条做完只是有了一个整齐的库，第6条才让这个库真正开始起作用。标准给出的是要求，落地要靠机制。三区分治不是一次整理工作，是一套需要持续运行的约束。