同一份公开办事说明，两次询问 AI 得到不同答案，并不能立刻说明网站内容变差了。可能是问题换了说法、联网模式变了，也可能是本次引用了另一份旧文件。比较答案之前，先把测试条件和来源记录下来，才知道差异发生在哪一层。
一次测试同时保存问题、回答和条件
给每个测试问题一个固定编号，保存完整原句，不只记“问材料清单”。再记录使用的平台与模式、测试时间和时区、界面语言、地区设置、登录状态、是否联网，以及回答中实际出现的引用链接。如果某个设置无法确认，就写未知，不要凭回答语言猜测测试地区。
测试公共服务信息时，使用公开资料和虚构的普通情境即可，不要提交真实证件号码、健康信息或个人办事材料。测试的目标是了解公开说明是否容易被正确理解，而不是代替具体事项的官方办理判断。
先确认回答引用了哪一版资料
打开引用链接，核对发布机构、适用地区、发布时间或修订日期，再看它是否真的支持回答中的条件。一个链接能够打开，并不能证明回答正确；它可能指向栏目首页、另一个地区的规定，或者只支持答案中的部分句子。
可把问题分成四种情况记录：引用当前资料且解释准确；引用当前资料但解释偏离；引用过期资料；没有可核对的来源。没有引用不等于答案一定错误，但需要额外核查，不能与已逐句验证的回答混在同一项“准确率”里。
新增问题后，不直接对比总命中数
以下是教学数字：第一轮有10条固定问题，其中4条回答提到了目标网站；第二轮增加到20条，其中8条提及。提及总数翻倍，但比例仍为40%，而且新增问题可能更容易命中。仅凭这两个总数，不能说原来的问题表现改善。
更稳妥的办法是单独比较两轮都使用的那10条问题，新增部分作为新基线。对于同一问题多次提问，还要先确定统计单位是“问题”还是“单次回答”；否则一个问题问五次，另一个只问一次，会让总数偏向重复采集的题目。
需要设计记录字段时，可以参考光算的AI 监测采样与可比性说明，重点关注问题集、模式、语言和采样条件，不把人工测试的小样本当作所有用户会看到的固定结果。
条件变了，就把变化写进结论
如果平台入口或模式发生变化，可以报告“本轮观察到的回答与引用”，同时注明无法与旧轮直接比较。平台之间的结果也应分开呈现：它们可以用于并列观察，但不能在没有说明的情况下合成一个代表所有 AI 的分数。
一段可用的结论可以是：“本轮在相同问题集下复测，发现两条回答仍引用旧版材料；已确认新版公开文件地址，后续将复查相同问题。尚不能判断其他用户是否得到相同结果。”这种写法保留了发现、依据和后续动作，也避免把一次截图包装成长期趋势。