这个系列写到第五篇，总览、词条、竞品对比、引用来源都聊过了。压轴的这一篇，讲讲正负面——也是最容易被做浅了的一个模块。
一、正负面监测最大的坑：把"AI瞎说"和"真负面"混为一谈
大部分正负面监测工具的逻辑很简单：抓一批AI回答，跑一遍情感分类模型，打上"正面"“负面”“中性"的标签，扔给你一张饼图。这套流程本身没错，但真正带过团队的人都知道，负面的"含金量"天差地别。用户吐槽你家产品"广告太多”，和AI直接编造出一个不存在的功能限制，是两种完全不同的问题——前者是产品和舆情层面的事，后者是AI在信息聚合时出的错，处理方式、处理紧急程度完全不是一回事。如果系统只给你一个笼统的"负面回答率"，你根本分不清这堆负面里，哪些是真该找公关处理，哪些是该去纠正AI的信息源。
二、价格区间校验，专治AI瞎报价
GEO ONE在正负面模块里藏了一个很小、但很戳中实际业务痛点的设计：价格范围校验。你可以提前设好自己产品线的真实价格区间——最低价、最高价，系统会在识别AI回答时，自动比对回答里提到的具体价格。一旦AI说出的价格超出了你设定的真实区间，这条记录会被单独标记成"价格错误"，跟其他泛泛的负面区分开，直接冒出来。
这个设计背后的判断很实在：AI的"幻觉"里，价格错误是杀伤力最大的一类。大模型抓取的资料常常滞后——一个半年前的促销价、一个被同行乱写的错误报价，都可能被AI当成"事实"直接说给用户听。用户拿着AI给的价格去比价、去下单，一旦和实际不符，轻则跑单，重则变成一次实打实的信任危机和客诉。比起"这句话听起来不太正面"这种模糊的情感判断，"AI报错了一个具体数字"是一个能被立刻验证、立刻纠正的硬信号——发现了就能去查是哪个信源把价格写错了，联系对方更正，或者补充更新、更权威的语料把旧数据"洗"下去。
情感分类解决的是"语气对不对"，价格校验解决的是"事实对不对"。两者叠在一起，正负面监测才算真正扎到了实处，而不是停在一张笼统的情绪饼图上。
三、抓出反复出现的那几个词
负面列表往下翻，还有一张词云图，把一段时间内负面回答里反复出现的高频词做了可视化，配一张按热度排序的关键词榜。
单条负面看着可能只是个例，但如果某几个词持续在词云里变大——比如反复出现某个具体的功能缺陷、某个反复被cue到的竞品——那基本可以判定这不是偶发吐槽，而是一个系统性问题，AI已经"记住"了这个说法，需要专门去处理，而不是当成噪声忽略。
总结
看完这五篇，总览、词条、竞品对比、引用来源、正负面，其实拼的是同一件事：把"AI怎么看你"这件事，从一堆模糊的印象，拆解成一条条可验证、可执行的具体信号。价格区间校验这种藏在细节里的设计，比堆一百个好看的图表更能说明问题——真正做懂GEO监测的团队，抠的从来不是界面好不好看，抠的是每一个信号扛不扛得住"这事到底该怎么处理"这句追问。
