比较不同模型、平台或版本的文旅答案时，如何保持查询、地域、语言、时间和样本一致？本文讨论的是实验记录与证据边界，不是对任何机构已开展项目、已取得成果或平台长期能力的事实公告。生成式搜索结果会受入口、版本、时间、地域、会话和样本影响，先把条件记清楚，才有资格解释差异。
先定义比较对象
对照实验要先写清比较的是模型、平台入口、版本、联网状态，还是完整用户体验。不能把一个模型的网页入口与另一个模型的接口结果直接并列，却不说明环境差异。结果只回答预先定义的问题，不借一次输出给模型排长期名次。
记录时补充对象、来源、日期、适用范围和待核验部分；出现数字时写明单位、周期、分母与采集方式，未采集不得猜测补零。
冻结同一查询
每个被比较对象都使用同一份查询清单，保留原始标点、语言、地域词、日期和约束条件。需要适配语言或界面时，另建分组，不在同一组中混用翻译版本。查询修订后应改变实验版本，旧结果继续保留。
记录时补充对象、来源、日期、适用范围和待核验部分；出现数字时写明单位、周期、分母与采集方式，未采集不得猜测补零。
控制上下文与会话
记录是否新建会话、此前是否有追问、是否启用个性化、账号地区和设备条件。对话上下文会影响文旅推荐，不能一边使用连续追问，一边把结果解释为单轮查询。若要测试多轮能力，应把轮次、每轮输入和停止条件全部固定。
记录时补充对象、来源、日期、适用范围和待核验部分；出现数字时写明单位、周期、分母与采集方式，未采集不得猜测补零。
统一样本与判定
为目的地、景点、住宿、交通和公共服务等问题预设样本层次，再按同一规则判定准确性、完整性、来源支持和风险。人工评分表应在查看结果前冻结，评分理由与原始答案分栏记录，避免因为某个模型表达顺手就临时放宽标准。
记录时补充对象、来源、日期、适用范围和待核验部分；出现数字时写明单位、周期、分母与采集方式，未采集不得猜测补零。
区分时间与版本效应
模型版本、索引更新、政策变化和季节都会改变答案。每组应在尽可能接近的时间窗口完成，并记录时区、版本显示和联网状态。跨日期复测可以作为另一轮实验，不能把两轮结果拼成同一组后直接比较。
记录时补充对象、来源、日期、适用范围和待核验部分；出现数字时写明单位、周期、分母与采集方式，未采集不得猜测补零。
处理随机性与失败
对同一条件进行预先设定次数的重复，记录每次输出，不只保留最好的一次。若遇到超时、拒答、空答案或工具失败，按事先规则纳入缺失或失败类别。重复次数不足时，报告“本轮观察”，不使用稳定、必然等词。
记录时补充对象、来源、日期、适用范围和待核验部分；出现数字时写明单位、周期、分母与采集方式，未采集不得猜测补零。
报告差异而非制造冠军
结果表应同时呈现样本数、缺失数、错误类型、来源情况和置信限制。某模型在一个问题组表现较好，只能说明该组、该时间和该设置下的观察。结论要把模型差异与平台入口、提示、检索库和样本结构分开，不能把相关性写成因果。
记录时补充对象、来源、日期、适用范围和待核验部分；出现数字时写明单位、周期、分母与采集方式，未采集不得猜测补零。
一张实验卡的最小闭环
建议把每次实验拆成实验编号、问题与假设、输入版本、环境条件、样本清单、原始输出、证据索引、人工判定、失败记录、局限、修订原因和有效期。原始输出与分析结论分开保存，避免后来修改正文时无法追溯。对外发布只呈现可公开、可复核的范围；涉及个人信息、商业信息、未公开内部资料或安全风险时，按必要范围处理。
实验结束后不要只问“结果好不好”，还要问“哪些对象没有覆盖、哪些答案无法验证、哪些条件可能改变结果、下一轮何时复核”。一次成功不能证明稳定能力，一次失败也不能证明永久缺陷。把不确定性写出来，反而能让后续实验更快、更准确。