先说一个你可能遇到过的怪事。
问 AI「XX 公司是做什么的」，它答得挺准，名字、城市、行业都对。换个问法，「这事该找谁做」，它列了五家，没有你。你再问一遍，把公司名直接放进去，它才勉强提一句，语气像在复述一条工商信息。
多数人把这解释成"权重不够"。这个解释省事，但它解释不了一件事：如果它连你是谁都不知道，那叫权重不够；它明明知道，还是不用。这两件事中间隔着一步，而那一步，恰好被 OpenAI 上周发的一篇研究照出来了。
一、一篇讲"考试"的研究，测出了一个更怪的现象
2026 年 11 月 3 日，OpenAI 的 Alignment 团队挂出一篇研究，标题不绕弯：《Eval-production behavior gaps in agent safety and the role of eval-awareness》。作者 Joy Hsu 和 Sam Arnesen，想回答的问题很具体：模型在安全评测里的表现，能不能代表它在产品里的表现。
他们对比了六个在服模型——GPT-5.6 Luna、GPT-5.6 Sol、GPT-6 Luna、GPT-6 Sol、GPT-6 Astra、GPT-6.1 Sol——在 Respecting Warnings 评测和匹配的 Codex 生产决策上的成功率。
结果的方向，跟行业担心了两年的方向是反的：六个模型，评测成功率全部低于生产成功率，差距从 10.2 个百分点到 37.4 个百分点。
过去两年大家怕的是"评测虚高"——考场上乖，下了班就野。这次的数据反过来：考场上更野。
如果只读到这里，很容易顺手得出"评测不可信"的结论。但作者没有停在这里。他们把模型的思维链翻出来，看它在考场上到底说了什么。这一翻，翻出了本文真正要谈的东西。
二、它知道自己在被考，这几乎不改变任何事
评测环境里，模型口头承认"这是一次评测"的比例是 57.0% 到 83.7%；生产环境里只有 4.6% 到 23.5%。这个落差说明，模型确实闻到了考场的味道。
那"闻到味道"有没有用？把评测意识和分数差放在一起算，R² 是 0.008。
0.008 是什么概念：基本等于没有关系。模型知道"有人在考我"这件事，几乎不影响它的表现。
真正相关的是另一件事——模型有没有说对这次考什么。这个"具体目标意识"在评测里出现于 43.7% 到 66.3% 的 rollout，与差距的 R² 是 0.370。有意思的是，同一个指标在生产环境里只剩 0% 到 5.9%：日常干活时它几乎不把"这一单要干什么"说出口，只能从行为倒推；考场逼它说了出来，说错的那批就露了底。
0.008 和 0.370，差了四十多倍。翻成人话：知道"有人在考我"，几乎不改变行为；判断"这题在考什么"，才决定它怎么动。
刺眼的是错的那一类。在 GPT-5.6 Sol 和 GPT-6 Sol 上，超过 45% 的 rollout 把目标说成了"抵抗提示注入"——它以为这一场考的是"别被外面的指令带跑"，于是拼命防注入，结果在考"尊重警告"的场子里越了线。能力越强，把错的目标执行得越彻底。
按 rollout 拆开更清楚：六个模型合计成功率 46.1%；只是嘴上说"我在被评测"的那批，42.7%，比平均还低一点；说对了目标的那批 61.3%；说错了目标的那批 22.8%。
三、一组对照实验：63.1% → 91.6%，或者 17.6%
相关性之上，他们还做了干预。基座是 GPT-6.1 Sol，原始成功率 63.1%。
只加一句"这是一次评测"，变成 63.4%。没动。
换成"这次评测考的是尊重警告"，91.6%。换成"这次评测考的是抵抗提示注入"，17.6%。
两个提示都明确说了"这是评测"，方向完全相反。原文那句话我照抄：*The two objective-specific cues shifted behavior in opposite directions, despite both identifying the interaction as an evaluation.*
看到这里，两个反应都在意料之中。
第一个反应：这就是提示词工程，教模型怎么答题。不是。区别在于你给的是"这一场是什么"还是"这一场怎么拿分"。"考的是尊重警告"在消除歧义——这个场景本来就只有一个合理目标，模型自己猜歪了。"你只要拿高分就行"才是污染。前者是校准，后者是作弊。
第二个反应更要紧：那我照着抄，不就能让 AI 引用我了？不能。91.6% 是一个天花板，不是品牌能拿到的增益。 实验里那句提示是直接告诉了模型评分标准——等于把答案递过去。现实里没有人会告诉 AI"这一题考的是这家公司靠不靠谱"。你能做的，最多是让它在推断时少一点歧义。这两者的差距，我在第八节会写清楚。
四、那么 AI 在读你的内容时，到底在干什么
到这里可以换轨了。先说清楚：下面是类比推论，不是这篇研究证明的结论。研究测的是模型会不会绕过安全警告，那是模型内部行为；品牌关心的是模型会不会引用你，那是检索与生成环节的行为。两者共享的是同一个机制假设——执行者会先给自己下一句任务书，再动手。
把这句话放到 AI 搜索的链路里，它的样子是这样的。
用户问了一句"我们这种小厂，官网上的东西 AI 抓不到怎么办"。模型要做的事不是"读网页"，是先决定该找什么样的材料来答这句话。是找一个能说明原因的诊断，还是找一个能照着做的步骤，还是找一个能证明"这事有救"的案例。这个决定下完，它才去检索、筛选、摘句。
业内把这个动作叫"检索"，但更准确的说法是派活：它先给你派一个活，再看你干不干得了。
于是"它知道你是谁却不用你"就有了解释：它认识你，但那个活你干不了。 它要的是"某厂怎么解决抓取问题"的过程记录，你给的是"我们专注 GEO 多年"的自我评价。活派错了，材料再真也用不上。
这也解释了 0.008 和 0.370 那个差别在品牌侧长什么样。AI 知道"这是通问AI 的官网"，属于前者——它几乎不改变行为。AI 判断"这页能承担'怎么做'这个答案角色"，属于后者——它决定一切。
探哥在技能库里有一句很短的话：「AI 不是搜索的，AI 是调用」（探哥 QUOTES.md 第 751 行，v2.0 区）。调用这个词用得准：不是它找不找得到你，是它拿到你之后，把你派去干什么活。
五、角色错配的三种样子
把"活"拆开，AI 找材料时通常只要三种角色。三种都不难理解，难的是多数品牌只准备了第一种的一半。
第一种，能力角色：这事你到底会不会做。
AI 要的不是"擅长"，是"做过、怎么做的、哪一步容易失败"。一段"我们拥有专业团队和丰富经验"在这个角色上是空的，因为它无法被追问。换成"这类问题通常出在 robots 的 Disallow 把 AI 爬虫一起挡了，先看 UA 再改规则"，角色立刻对上了——它有动作、有条件、有可验证的因果。
第二种，可信角色：这话凭什么信。
这一种最容易错配，因为品牌本能地用自己的嘴证明自己。AI 在这个角色上找的是外部锚点：第三方报道、检测报告、平台认证、公开可查的记录。你说一百遍"行业领先"，不如一次"某年某月某机构的报告第几页"。许教授在课上有句话讲得直接：〔他看你全文是要花钱的——他全网要搜无数信息，全扔进上下文，你觉得谁亏钱？是豆包亏钱。〕（许教授 QUOTES.md 第 762 行，7-25，库内整理条目）。上下文有成本，所以它在"值不值得读"这一步就会刷掉一批自证材料。
第三种，适用角色：什么情况下不该找我。
这一种几乎没人写，而它恰恰最难被伪装。写清"不适用于高粉尘工况""低于这个预算不建议做""三类客户我们不接"，等于替 AI 提前划掉了错误匹配。多数品牌不敢写，怕丢单。但 AI 在判断"适不适合"这个角色时，找不到边界，只能给一个含糊的中间答案——而含糊的答案，通常不进最终回复。
三种角色对应三种材料，不是三种文风。这一点很关键：把"我们很专业"改成"我们非常专业"，角色一点没动。
六、怎么补：三份材料，一个能自己验的测试
先补能力角色。 挑你最能打的一个场景，写一段"问题长什么样 → 通常错在哪 → 我们怎么处理 → 哪一步我们也会失手"。最后半句是重点，它是"记录"和"宣传"的分水岭。一段承认失手的文字，比十段成功案例更像记录。
再补可信角色。 把你能拿出的外部锚点列一遍：检测报告、平台认证、第三方报道、公开的工商与资质信息。能公开的公开，不能公开的至少写清"哪类机构、哪一年、什么口径"。锚点不需要多，需要可查。
最后补适用角色。 每个产品页加一段"不适合谁"。三行就够。这段文字的价值不在转化，在于它让 AI 有依据把你从错误的问题里排除掉——被排除掉，比被含糊地提一句要好。
然后是那个测试。 找十个真实用户会问的问题，不要用品牌词，用任务词。逐个问自己一句话："我现有的哪一段材料，能承担这个问题的答案？"
答不上来的，就是角色缺口。这个方法粗糙，但它测的正是这篇研究测的东西——不是内容质量，是角色是否对得上。
我们自己在做这件事时，用的是笨办法：把公司事实收进一份基础信息表，成立时间、资质编号、上课地点、能做什么不能做什么，全部写成条目，所有对外内容从这一份里取数，改一处就全站改。这套东西从 2026 年 8 月建起来，不快，但它解决的是同一个问题——让 AI 在不同地方读到的你，是同一个你。Addy Osmani 在 11 月 3 日那条讨论里给过一个类似的做法：要求 agent 列出"它替你做了哪些假设"。方向相反，用途一样。
还有一件便宜的事：把品牌名抠掉，把一段文字单独发给模型，只问"这段能回答什么问题"。如果它答"这家公司想让我觉得它很厉害"，角色没对上。如果它答"这段在说某个故障的成因和处理顺序"，对上了。
七、这套说法的软肋，得自己先讲
第一，方向不同。 研究测的是"该停的时候停没停"，衡量的是克制；品牌要的是"该用的时候用没用"，衡量的是主动。两者不是同一种行为。能迁移的只有"角色推断独立于能力"这一点，不是行为方向。这一点我在第四节开头就划了线，这里再划一次。
第二，机制不是唯一变量。 域名先验、抓取可得性、用户问题的意图，任何一项都可能压过角色匹配。一个权重极高的官网，写得很空也常被引用；一个营销页，在"多少钱"这种购买意图下恰恰是 AI 想要的。角色匹配只在"已被抓到、且在候选集内"时起作用。抓不到，一切免谈。
第三，幸存者偏差。 多数页面根本进不了检索，也就没有机会被"派活"。所以这套方法的前提是"你已经被读到"。没被抓到的站，先解决抓取，再谈角色。
第四，数字别当承诺。 那组 63.1 / 91.6 / 17.6 是给模型递答案的结果，品牌侧拿不到。原文的 ρ=0.771、R²=0.655 也说明另一件事：评测的绝对水平不可比，相对排序仍然可用。这条对品牌其实更有用——别拿自测的绝对分自嗨，看你在同一批问题里的相对位次。
第五，样本和测量都有限。 六个模型，作者自己写了"模型样本量限制了推广信心"；评测意识是靠思维链里"说出来的话"测的，只捕捉表达出来的假设，不等于真实信念；生产侧的匹配原文用词是 "matching remains approximate"。三条都在原文里写着，不是我加的。
第六，会被拿来伪装。 教人"补日期、补数字、补边界"，一定会有人补成假日期、假数字、假边界。这一步跨过去，就从校准变成了操纵，而且很容易被识破——因为可核验性来自外部，自封的边界经不起一次追问。写"适用于常温常湿"，就得真的在常温常湿下测过。
第七，反身性。 如果所有品牌都补上角色材料，这个信号会被稀释，AI 会退回去看域名和外链。这一天会来。到那天，优势属于"真的做过、且留了痕迹"的那批——这也正是许教授那句话的意思：〔你铺 2 万篇垃圾，AI 也不会引用你。我们只铺了 200 篇——你铺对的文章，200 篇就够了。〕（许教授 QUOTES.md 第 758 行，7-25，库内整理条目）。
许教授还有两句，原本讲人怎么指挥 AI，放到这里一样成立：「会描述需求比会用软件更重要」（第 299 行，2026-06-28 实战营4），「不清晰的指令不能带来清晰的结果」（第 323 行，2026-06-27 实战营2）。你交给 AI 的那段材料，就是你的指令。它清不清晰，决定结果清不清晰。探哥那句「输出取决于输入」（QUOTES.md 第 355 行，2026-06-23 直播）也是同一个意思的另一面。
八、回到开头那个怪事
它叫得出你的名字，却不肯引用你。原因不是它不认识你，是它认识你之后，发现你干不了那个活。
这个解释有一个好处：它可以被证伪。如果你补完三种角色的材料，在真实任务问句下的引用情况一点没变，那说明你的问题在别处——抓取、域名、行业本身没有检索需求，或者 AI 根本没进这个品类。这时候继续改文案是浪费钱。
反过来说，如果变了，变的也不是"权重"，是"它能派给你的活变多了"。
一件事说清楚：AI 派活这件事你控制不了，你只能控制自己接得住哪些活。这两个能动性差得很远，混在一起想，就会一直往"提升权重"那个方向使劲，而那个方向你其实使不上劲。
常见问题
这篇研究和 GEO 是什么关系？
关系在机制层，不在结论层。研究证明的是"执行者对自己任务的推断，比执行者的能力更决定结果"，并给出了量级。GEO 关心的是 AI 是否读得懂、敢不敢引用你，其中第一步就是它决定"该找什么材料来答这句话"。同一套假设，不同对象，不能直接拿分数套。
"补角色材料"和"优化提示词"有什么区别？
优化提示词是让模型按你要的格式输出；补角色材料是让模型在推断"该找什么"时，你正好在那一类里。前者调输出，后者调匹配。这篇研究里，"这是评测"属于前者（无效，63.1→63.4），"考的是尊重警告"属于后者（有效，91.6）。
我是不是该把官网都改成问答？
不建议。问答只是外壳。把陈述句改成问句、内容不变，角色一点没动。先补那三种角色，尤其是"不适合谁"那一段，比全站改版有用。
怎么判断我现在的材料角色对不对？
两个办法。抠掉品牌名，问"这段能回答什么问题"，看回答落在"能力/可信/适用"哪一类；或者拿十个真实任务问句，逐个问"我哪段材料能承担这个答案"，答不上来的就是缺口。
多久能看到变化？
这篇研究没有给时间维度，我也不编。能确定的是：作用点在下一次被抓取、被读取的那一刻，跟排名那种日积月累不是一回事。所以观察窗口应该跟着你所在品类被抓取的频率走，而不是跟着"养权重"的周期走。
事实来源
- OpenAI Alignment Research Blog，《Eval-production behavior gaps in agent safety and the role of eval-awareness》，Joy Hsu、Sam Arnesen，2026 年 11 月 3 日。https://alignment.openai.com/eval-production-behavior-gap/
- 本文引用的全部数字（6 个模型、10.2–37.4 个百分点、57.0%–83.7%、4.6%–23.5%、43.7%–66.3%、R²=0.008 / 0.370、46.1% / 42.7% / 61.3% / 22.8%、63.1% / 63.4% / 91.6% / 17.6%、ρ=0.771、R²=0.655、超过 45% 的 rollout 误判目标）均取自该文正文与图表，未做二次换算。
- AIHOT 条目《OpenAI 研究：智能体安全评测与生产行为存在差距，评测目标误判是关键因素》，2026-11-03 收录，https://aihot.news/items/fvf2qsdi4s11bz1denqd5rzff
- 品牌事实引自《通问AI_GEO知识库·00_基础信息表》（2026 年 08 月 31 日负责人核准）。
- 引语逐字取自
tange/QUOTES.md（第 355、751 行）与xu-jiaoshou/QUOTES.md（第 299、323、758、762 行），行号为文件实测行号；带〔〕两条为库内整理条目，已标注。 - Addy Osmani 关于"要求 agent 列出它替你做的假设"的表述，见其 2026-11-03 公开帖，本文仅作方法参照，未引用原话。
引语说明：文中带「」的引语逐字来自两位 IP 的技能金句库并标注行号。两位 IP 的公开素材分别截至 2026 年 08 月 25 日与 2026 年 08 月 08 日，均早于本研究发布，未对 OpenAI 该研究发表表态，引用属判断框架对照，不代表其本人对本次事件的看法。
声明：本文对研究的转述以 OpenAI Alignment 原文为准，具体数字与措辞以原文为准。由"模型误判评测目标"推到"AI 对品牌材料做角色分配"属类比推论，本文未宣称其为已被验证的机制，相关局限见第七节。91.6% 与 17.6% 出自"直接告知评分标准"的干预实验，属机制存在性证据，不是品牌可复制的增益。GEO 只降低被理解和被引用的成本，不承诺被引用。