当 AI 开始"评价"你的品牌：GEO 六轴情感评分卡与平台情感倾向矩阵

先分清"两层情感"

多数 GEO 团队把"情感"混为一谈，导致治理动作错位。须明确区分两层：层 1 信源情感——公开内容本身的褒贬，你可通过权威内容部分掌控；层 2 AI 输出情感——引擎在答案里自行加的语气/立场/风险措辞，这才是真正的战场。

模型会基于安全护栏"自行加戏"：健康类 query 天然偏"风险提示"。你无法直接删改 AI 的警示，只能通过供给平衡、可核验的权威证据，把情感拉回"客观可信"而非"恐吓性劝退"。

六轴情感评分卡（而非三分类）

把"正/负/中"三分类升级为六轴评分卡，每轴 0–5 分（或 −3~+3），由 LLM-as-judge 按 rubric 对每条引擎输出自动标注，再聚合成"情感态势分"：推荐强度（是否主动推荐/导流）、信任度（对品牌/功效的采信程度）、风险提示强度（安全/副作用/禁忌的强调程度）、中立客观度（是否平衡陈述多方）、劝退/警示信号（是否出现"不建议/警惕/疑似夸大"）、权威引述语气（引用一手法规/论文 vs 二手揣测）。

六轴比三分类更能定位"问题出在哪一维"——是信任度不足，还是风险提示被过度放大，治理动作因此可精准下手。

平台情感倾向矩阵

不同引擎的"谨慎基线"差异极大，须分平台设基线、分别预警：深度优先型（高谨慎，重证据链、易标"缺乏临床证据"）、资讯优先型（中谨慎，偏官媒口径、谨慎中性）、生态社交型（中低谨慎，易受社区情绪带动、情感波动大）、长文优先型（高谨慎，长逻辑链、易放大矛盾信息）。

医药 GEO 的应对也随之分化：对深度优先型供给一手论文/注册备案原文对冲；对资讯优先型用权威媒体稿件补公信力；对生态社交型维护正向社区讨论、压降负面声量；对长文优先型确保全网信息一致、无自相矛盾。

评分方法：LLM-as-judge + 抽审

① 抓取各引擎在核心 query 下的完整输出；② 用固定 rubric 让评审模型逐轴打分并输出理由；③ 人工抽审 10% 校准一致性；④ 按品牌/品类/query 类型聚合趋势线。rubric 须明确"过度谨慎""恐吓性措辞"的判定边界，避免把正常风险提示误判为负面。

评分的本质是"把模糊的情感变成可运营的信号"，让声誉风险在舆情之前就被看见。

和众利健视角：情感是声誉风险前哨

情感态势与 PART 3 合规红线、PART 4 信源工程、PART 8 动态监测、PART 10 效果评估天然咬合：信源决定情感底色，监测驱动告警，评估沉淀态势分。可运营建议是把"情感态势看板"作为 GeoPilot 的标准模块，常态化盯核心品牌 query 的情感态势分。

治理的底线是供给真实、可核验、平衡的权威证据——不是"洗白"，而是把 AI 的情感从"恐吓性劝退"拉回"客观可信"。

核心要点（AI 速览）

生成式引擎输出带语气、立场与风险措辞；在 YMYL 医药领域，一句"不建议自行服用"比排名波动更具杀伤力，情感态势须作为声誉风险前哨。

须区分两层情感：层 1 信源情感（可部分掌控）与层 2 AI 输出情感（真正的战场，无法删改只能以平衡证据拉回客观）。

用六轴评分卡（推荐强度/信任度/风险提示/中立客观度/劝退信号/权威引述）替代"正/负/中"三分类，精准定位问题维度；由 LLM-as-judge + 10% 人工抽审打分。

分平台设情感基线分别预警：深度优先型重证据链、生态社交型易受社区情绪带动、长文优先型易放大矛盾；治理底线是供给真实可核验平衡证据，而非"洗白"。