GEO 生成式引擎优化 · 系列课程
从入门到精通|中国 AI 搜索生态实战体系
一套讲透「让 AI 主动推荐你」的系统课程 适用:工业品 B2B / 消费品 / 医疗 / 教育 / 金融 / 本地生活 覆盖:认知 → 原理 → 方法 → 执行 → 行业 → 组织
一、课程定位
这套课解决什么问题
过去二十年,企业获取线上流量的核心动作叫 SEO——让网页在搜索引擎结果列表里排到前面。
今天,用户的信息入口正在发生一次静默的迁移:越来越多的人不再点开十个蓝色链接,而是直接问 AI,然后拿一个答案走。
这个变化对企业意味着三件事:
- 流量分配逻辑变了——不是「谁排第一」,而是「谁被 AI 引用」。
- 内容评价标准变了——不是「关键词密度」,而是「实体可信度 + 数据可追溯 + 结构可解析」。
- 竞争维度变了——你的对手不只是同行官网,还包括知乎高赞、公众号长文、行业白皮书、百度百科。
GEO(Generative Engine Optimization,生成式引擎优化),就是在这场迁移里,让企业的内容被 AI 发现、引用、推荐的一整套方法论。
这套课跟市面上 GEO 课程的区别
| 常见 GEO 内容 | 本课程 |
|---|---|
| 讲抽象概念,落不了地 | 每个维度配评分标准 + 操作清单 + 改写示例 |
| 只讲 ChatGPT / Google | 聚焦中国 17 个主流 AI 平台的差异化打法 |
| 不谈合规,容易踩雷 | 单列合规维度,对齐《生成式人工智能服务管理暂行办法》 |
| 只讲内容,不管技术 | 含 Schema 结构化数据、爬虫协议、网站技术改造 |
| 只讲通用行业 | 设工业品 B2B 专章 + 五大行业适配 |
| 不量效果 | 给出八维加权计分模型,可评、可测、可对比 |
适合谁学
- 企业市场 / 品牌 / 运营负责人:要为获客结果负责,需要一套可落地的新打法
- 内容创作者与自媒体:在 AI 时代保住内容的分发效率
- GEO / SEO 服务商与代运营团队:要交付客户、要报价、要验收
- 创业者与业务负责人:判断要不要投入、投多少、怎么衡量
学完之后你能做到什么
- 用八维评分模型给自己的内容打分,找出短板,知道每一项怎么补
- 针对豆包 / Kimi / 文心一言 / 通义千问 / DeepSeek / 腾讯元宝写出各自偏好的内容
- 完成一次网站 GEO 审计,输出可执行的优化清单
- 用五种改写模式把一篇普通文章改成 AI 友好版本
- 设计一套GEO 内容生产流水线并落地到团队
二、学习路径
课程按「三阶递进」设计,你可以按顺序学,也可以按需跳读。
第一阶 · 认知与原理(模块一、二)
└─ 搞懂:AI 凭什么引用你?底层链路是什么?
↓
第二阶 · 方法与执行(模块三、四)
└─ 学会:八大维度怎么补?内容怎么生产?技术怎么改?
↓
第三阶 · 行业与组织(模块五、六)
└─ 落地:我的行业怎么打?团队怎么建?效果怎么衡量?
| 阶段 | 对应章节 | 建议投入 | 产出物 |
|---|---|---|---|
| 第一阶 | 第 1–6 章 | 2–3 小时 | 一份《企业 GEO 现状诊断》 |
| 第二阶 | 第 7–18 章 | 8–10 小时 | 一份《GEO 优化执行清单》 |
| 第三阶 | 第 19–23 章 | 4–6 小时 | 一份《GEO 落地方案》 |
三、课程结构总览
课程共 6 大模块、23 章、5 个附录。
模块一 认知重构:为什么必须做 GEO
先解决「要不要做」的问题。这一模块帮你把认知从 SEO 时代切换到 AI 时代。
| 章 | 标题 | 核心命题 |
|---|---|---|
| 第 1 章 | 信息入口的迁移 | 从「搜索列表」到「AI 直接给答案」,中间发生了什么 |
| 第 2 章 | GEO 是什么、不是什么 | 划清 GEO 与 SEO、AIGC、内容营销的边界,别把三件事混成一件事 |
| 第 3 章 | 中国 AI 搜索生态全景图 | 17 个平台分三个梯队,各自的引用偏好完全不同 |
模块二 底层原理:AI 凭什么引用你
不看懂链路,所有优化都是瞎猜。这一模块讲清楚生成式引擎的内部机制。
| 章 | 标题 | 核心命题 |
|---|---|---|
| 第 4 章 | 生成式引擎的内容调用链路 | 爬取 → 索引 → 检索 → 增强 → 生成 → 引用,六步链路中你卡在哪一步 |
| 第 5 章 | AI 的引用偏好从何而来 | 实体、可信度、结构化、时效性——四个决定性变量 |
| 第 6 章 | 八大评分维度与计分模型 | 一套可量化、可复用的 GEO 体检表 |
模块三 方法体系:八维逐项击破
课程主体。每一个维度都给到评分标准、操作清单和改写示例。
| 章 | 维度 | 权重 | 核心命题 |
|---|---|---|---|
| 第 7 章 | ① 实体权威性 | 15% | 先让 AI「认识你是谁」,再谈推荐 |
| 第 8 章 | ② 数据可追溯 | 15% | 没有来源的数字,AI 不敢用 |
| 第 9 章 | ③ 结构清晰度 | 12% | 结论先行,让 AI 三秒钟抓到重点 |
| 第 10 章 | ④ FAQ 覆盖 | 12% | 用户怎么问,你就怎么答 |
| 第 11 章 | ⑤ AI 平台适配 | 12% | 一个内容喂十张嘴,不可能都吃得好 |
| 第 12 章 | ⑥ SEO 双轨 | 10% | 百度 + 微信搜一搜,GEO 的地基 |
| 第 13 章 | ⑦ 合规安全 | 12% | 一次违规,前功尽弃 |
| 第 14 章 | ⑧ 社交信号 | 12% | AI 也看「别人怎么说你」 |
模块四 执行落地:从方法到交付
把方法变成流程,把流程变成日常动作。
| 章 | 标题 | 核心命题 |
|---|---|---|
| 第 15 章 | GEO 内容生产流水线 | 选题 → 写作 → 优化 → 分发 → 监测,五段闭环 |
| 第 16 章 | 五种改写模式实战 | 权威背书型 / 数据驱动型 / FAQ 覆盖型 / 对比分析型 / 合规优先型 |
| 第 17 章 | 网站 GEO 技术改造 | Schema 结构化数据、爬虫协议、页面架构 |
| 第 18 章 | 评分与效果监测体系 | 没有度量,就没有优化 |
模块五 行业适配:不同战场不同打法
方法论是骨架,行业知识是血肉。
| 章 | 标题 | 核心命题 |
|---|---|---|
| 第 19 章 | 工业品 B2B 行业 GEO 实战 | 长决策链、多角色、重参数——B2B 的 GEO 打法完全不同 |
| 第 20 章 | 五大行业适配指南 | 消费品 / 医疗 / 教育 / 金融 / 本地生活 |
模块六 组织与未来
让 GEO 从「一次性项目」变成「组织能力」。
| 章 | 标题 | 核心命题 |
|---|---|---|
| 第 21 章 | 服务商视角:交付、报价与验收 | 做乙方的,怎么管项目、怎么报价、怎么证明效果 |
| 第 22 章 | 团队配置与组织落地 | 谁来做、做什么、怎么考核 |
| 第 23 章 | GEO 的未来演进 | 多模态、Agent 生态、AI 与 AI 的对话 |
附录
- 附录 A:GEO 八维评分表(可直接打印使用)
- 附录 B:权威信源库清单(央媒 / 部委 / 协会 / 数据平台)
- 附录 C:JSON-LD Schema 模板速查
- 附录 D:合规检查清单
- 附录 E:GEO 术语表
四、怎么用这套课
如果你是自学者
- 通读模块一、二,建立底层认知(别跳,会看不懂后面的方法论)
- 拿一篇自己的现有内容,用附录 A 评分表打一次分
- 对照模块三找出得分最低的三个维度,优先补
- 按模块四的流水线跑一遍完整流程
如果你是企业负责人
- 直接读第 1、3、6 章,判断这件事的战略价值和成本衡量方式
- 读第 22 章,定团队和预算
- 让执行同学从模块三开始
如果你是服务商
- 读模块二建立理论高度(客户会问「为什么」)
- 把模块三 + 第 18 章做成你的服务交付物和验收标准
- 读第 21 章做报价模型和项目管控
五、一个必须提前说清楚的前提
GEO 不是一夜见效的流量技巧。
它的本质是「内容资产的可信度建设」。可信度需要时间积累,需要持续输出,需要在多个平台留下一致、可验证的痕迹。
任何承诺「三天让你的品牌被 AI 推荐」的说法,要么是骗你,要么是在做别的生意。
但它的复利效应极强——一旦你在 AI 的内容库里建立起了实体权威,后续每一次内容发布、每一个平台覆盖,都会叠加到同一份信任资产上。
这是这套课程想帮你建立的长期能力。
下一章开始,我们正式进入模块一:认知重构。
模块一 认知重构:为什么必须做 GEO
模块导语 做任何事之前,先想清楚「要不要做」。这一模块不教方法,只做一件事:把你在 SEO 时代形成的直觉,切换到 AI 时代。 读完这个模块,你应该能回答三个问题——入口变了没有?GEO 到底是什么?我的客户在用哪个 AI?
第 1 章 信息入口的迁移
1.1 人类获取信息的方式,每隔十年换一次
回头看清过去三十年,中国企业的线上获客史,本质是一部「信息入口争夺史」:
| 时期 | 主入口 | 竞争单位 | 企业的核心动作 |
|---|---|---|---|
| 1998–2008 | 门户网站(新浪/搜狐/网易) | 版面位置 | 买广告位、做频道合作 |
| 2005–2015 | 搜索引擎(百度/谷歌) | 关键词排名 | SEO 优化、SEM 投放 |
| 2012–2022 | 社交与推荐(微博/微信/抖音) | 粉丝与推荐权重 | 做内容、养账号、买流量 |
| 2023– 至今 | 生成式 AI(豆包/DeepSeek/元宝…) | 被引用与被推荐 | GEO 优化 |
每一次入口迁移,都会淘汰一批「只会上一代打法」的企业,也会成就一批踩对节奏的企业。
这一次迁移的特殊性在于:它不只是换个地方展示,而是把「选择权」上交给了机器。
1.2 从「给你十个链接」到「直接给你一个答案」
对比一下同一句提问,在两种入口下的结果:
提问:「工业品采购怎么选靠谱的供应商?」
- 搜索引擎时代:返回 10 个蓝色链接,用户自己点开、自己读、自己比、自己判断。企业争夺的是「排在前 3 位」。
- 生成式 AI 时代:AI 读完了那 10 个页面(以及成百上千个页面),直接给你一段结论——「建议从资质、交付能力、售后响应三个维度评估,业内常被提及的包括 A、B、C 等企业……」
企业争夺的对象变了:不再是用户的注意力,而是 AI 的判断。
这就是 GEO 诞生的原因。
核心判断 SEO 是让用户「找到你」,GEO 是让 AI「推荐你」。 前者优化排名位置,后者优化被引用的资格。
1.3 数据说明什么
先看最权威的一组数据。
据 中国互联网络信息中心(CNNIC)第 57 次《中国互联网络发展状况统计报告》:
| 指标 | 数值 | 时间节点 |
|---|---|---|
| 中国网民规模 | 11.25 亿 | 2025 年 12 月 |
| 互联网普及率 | 80.1% | 2025 年 12 月 |
| 生成式人工智能用户规模 | 6.02 亿 | 2025 年 12 月 |
| 较上年增长 | 3.53 亿(+141.7%) | 同比 |
| 生成式 AI 普及率 | 42.8% | 2025 年 12 月 |
一年翻了一倍半。 这个增速在中国互联网史上,只有移动互联网普及初期可以相比。
再看供给侧。国家网信办数据显示,截至 2025 年 11 月,我国累计已有 611 款生成式人工智能服务完成备案、306 款完成登记——这意味着 AI 已经不是一个「新鲜玩意儿」,而是一个被纳入监管的、成熟的、有完整产业配套的基础设施。
产业侧,据 中国信通院《人工智能产业发展研究报告(2025 年)》 测算,2024 年我国人工智能核心产业规模已突破 9000 亿元,同比增长 24%;工信部在 2026 年 1 月国新办发布会上介绍,2025 年中国人工智能企业数量超过 6000 家,核心产业规模预计突破 1.2 万亿元。
结论 6 亿人已经在用 AI 获取信息。问题不再是「AI 会不会成为入口」,而是「你在不在这个入口里」。
⚠️ 顺带说一个反面例子:GEO 行业自己的数据乱象
你在网上搜「GEO 市场规模」,会看到相互矛盾的数字:有说 2026 年 30 亿元的,有说 186 亿元的,有说 286 亿元的,还有说 220 亿美元的。差异接近十倍。
这不是谁在撒谎,而是统计口径完全不同(有的只算内容优化服务,有的把 AI 广告、知识图谱建设全算进去)。但这些数据大多来自服务商的市场宣传材料,而不是可追溯的第三方权威报告。
请记住这个教训——恰好是 GEO 八大维度里「数据可追溯」的核心原则:
- 一个数字如果没有明确来源、没有统计口径、没有发布年份,AI 不敢用,你也不该信。
- 本课程后面讲的所有技巧,第一条永远是:给出处。
1.4 用户的行为链路,具体是怎么变的
抽象讲趋势没有体感。我们看一个具体的人——某制造企业的设备采购经理老张,他要采购一批工业视觉检测设备。
旧链路(搜索时代):
百度搜「工业视觉检测设备」
→ 翻 3 页,点开 5 个官网
→ 关注参数、案例、价格区间
→ 在知乎搜「XX 设备怎么样」
→ 找同行打听
→ 形成候选名单(3-5 家)
→ 询价、比价、招标
新链路(AI 时代):
打开 DeepSeek / 豆包,问:
「工业视觉检测设备国内有哪些主流厂商?各自的优势和适用场景是什么?」
→ AI 直接给出一段带厂商名的对比结论
→ 追问:「A 和 B 在精度和售后上有什么区别?」
→ AI 继续对比
→ 追问:「我们做汽车零部件检测,预算 50 万,推荐哪个?」
→ AI 给出建议
→ 形成候选名单(2-3 家)——注意:名单被 AI 提前收敛了
→ 询价、比价、招标
链路里发生了三个致命变化:
- 候选名单的收敛点提前了。 过去是用户读完后自己筛,现在 AI 先帮你筛完。你不在 AI 的答案里,你连「被比较」的资格都没有。
- 比较的维度被 AI 定义了。 AI 说「从精度、售后、交付周期三个维度看」——这三个维度就成了用户心智里的评价框架。如果 AI 从未提到你的核心优势维度,那个优势就不存在。
- 信任的载体变了。 过去用户信任你的官网,现在用户信任 AI 的总结。而 AI 信任的是更权威、更结构化、更可验证的信源。
1.5 对企业意味着什么:三层影响
第一层:流量分配的规则变了
AI 回答通常只提及 3–8 个品牌/选项。这意味着在 AI 的赛场上,不是你排第几的问题,而是你「在不在名单里」的问题。这是比排名更残酷的淘汰机制——0 和 1 的鸿沟,比 1 和 10 的差距大得多。
第二层:心智占位的窗口期很短
AI 对品牌的「印象」,来自它学习过的语料。谁先在 AI 的语料库中把「我是这个品类里的可信实体」这件事写清楚,谁就先占住位置。 后来者要覆盖已有的语料共识,成本高得多。
这个窗口期,目前仍然开着——因为绝大多数企业还没意识到要去做。
第三层:组织能力要重新配置
SEO 时代,企业通常只需要一个 SEO 专员 + 内容编辑。 GEO 时代,需要的是:内容工程能力 + 权威信源建设能力 + 技术结构化能力 + 平台运营能力。
这不是换个人就行的,是换一套打法。这一点我们在第 22 章讲团队配置时会展开。
1.6 本章小结
- 信息入口发生了第四次迁移,核心是从「给链接」变成「给答案」
- 生成式 AI 用户已达 6.02 亿(CNNIC,2025 年 12 月),普及率 42.8%,同比增速 141.7%
- 企业竞争的对象从「用户注意力」变成「AI 的判断」
- GEO 的本质是:让 AI 认识你、信任你、引用你
- GEO 行业自身的数据乱象,恰好证明了「数据可追溯」这一原则的价值
思考题
- 你的目标客户,最可能用哪个 AI 平台、问什么问题?现在去问一遍,看看答案里有没有你。
- 如果 AI 用三个维度描述你的行业,你希望是哪三个?现在 AI 实际用的是哪三个?
第 2 章 GEO 是什么、不是什么
2.1 定义
GEO(Generative Engine Optimization,生成式引擎优化),是通过优化内容的权威性、结构化程度、可追溯性和平台适配度,使企业信息更容易被生成式 AI 引擎发现、理解、引用和推荐的一整套方法体系。
拆开这句话,有四个动作:
| 动作 | 含义 | 对应维度 |
|---|---|---|
| 发现 | AI 的检索环节能抓到你 | 平台适配、SEO 双轨 |
| 理解 | AI 能准确识别「你是谁、你做什么、你凭什么」 | 实体权威性、结构清晰度 |
| 引用 | AI 判断你的内容可信、可用 | 数据可追溯、合规安全 |
| 推荐 | AI 在生成答案时优先提到你 | 社交信号、FAQ 覆盖 |
注意:这四个动作是有顺序的。 大多数企业失败在第一步——AI 根本不知道它存在,却急着想被推荐。
2.2 GEO 与 SEO:不是替代,是叠加
这是最需要说清楚的一组关系。
| 对比项 | SEO(搜索引擎优化) | GEO(生成式引擎优化) |
|---|---|---|
| 优化目标 | 网页在结果页的排名位置 | 内容在 AI 答案中被引用与推荐 |
| 竞争单位 | 关键词、页面 | 实体、语义、可信度 |
| 流量路径 | 用户点击链接进入网站 | 品牌信息直接出现在答案里,用户可能不点击 |
| 内容逻辑 | 关键词密度、外链、页面权重 | 语义清晰度、结构化程度、实体标识、引用信号 |
| 效果指标 | 排名、PV/UV、点击率 | AI 提及率、引用频次、描述准确度、推荐位次 |
| 见效周期 | 3–6 个月 | 1–3 个月起效,3–6 个月形成资产 |
| 失效风险 | 算法更新、竞品堆词 | 信源被判定不可信、合规问题 |
关键认知:GEO 不能脱离 SEO 单独存在
很多人以为「GEO 是新东西,SEO 过时了」。这是错的。
底层关系是:
SEO 沉淀的资产 → 反哺 GEO 的可信度评分
————————————— ————————————————————
高权重外链 信源权威性
优质原创内容 语料质量
官网权威度 实体识别
百度/微信收录 AI 抓取可得性
一个百度都搜不到的网站,绝无可能被文心一言引用。 SEO 是 GEO 的地基,地基不牢,上面盖什么都会塌。
一句话记住 SEO 让内容「被找到」,GEO 让内容「被采用」。 中国市场的正确姿势是:SEO 打底 + GEO 增援,双轨并行。
2.3 三个必须纠正的混淆
混淆一:把 GEO 当成 AIGC(用 AI 批量生成内容)
错在哪: AIGC 解决的是「生产速度」,GEO 解决的是「被引用概率」。
为什么危险: AI 生成的、无信源、无独特信息的批量内容,恰恰是生成式引擎最不信任的内容。各平台都在打击低质 AI 水文。你用 AI 批量生产 1000 篇,可能不如认真写 10 篇带权威数据的内容。
正确做法: AI 辅助起草和结构化,但数据、案例、观点必须来自真实且可追溯的来源。
混淆二:把 GEO 当成「内容营销换了个名字」
错在哪: 内容营销追求「打动人」,GEO 追求「被机器读懂并信任」。
差异举例:
| 内容营销写法 | GEO 写法 |
|---|---|
| 「我们深耕行业十余年,匠心打造」 | 「公司成立于 2011 年,据中国XX协会 2025 年统计,市场占有率位居行业前三」 |
| 「产品性能卓越,深受客户好评」 | 「检测精度 ±0.02mm,重复定位精度 ±0.01mm(来源:国家XX检测中心 2025 年检测报告)」 |
| 情绪化、故事化、追求传播 | 结论先行、数据支撑、结构化、追求被引用 |
两者不冲突,但目标不同。 品牌故事做内容营销,产品参数和数据做 GEO,各司其职。
混淆三:把 GEO 当成「刷 AI 推荐的黑产」
错在哪: 有人宣称能「让 AI 一定推荐你」,方法是大量铺设垃圾内容、伪造信源。
为什么不可能持久: ① AI 平台的语料清洗能力在快速进化;② 伪造权威信源涉嫌违法;③ 一旦被判定不可信,整个域名/品牌的信源权重会一起掉。
GEO 是长期资产建设,不是短期排名技巧。 任何承诺「七天见效、保证被推荐」的,请直接拉黑。
2.4 GEO 的效果边界:什么能做到,什么做不到
GEO 能做到:
- 让 AI 能准确识别并描述你的企业、产品、能力
- 让 AI 在回答相关问题时,把你的品牌纳入候选名单
- 让 AI 描述你的方式,贴合你希望被认知的定位
- 在被提及的语境中,建立正向、准确的印象
- 在多个平台形成一致、可交叉验证的信息
GEO 做不到:
- 保证 AI 在任何提问下都推荐你(AI 有随机性,答案不唯一)
- 让 AI 说假话、夸大功效(AI 会校验,且违规)
- 替代真实的产品和口碑(AI 只是放大已有的信息现状)
- 立竿见影(可信度是积累出来的)
诚实的预期管理 GEO 的收益是——把你的「内容资产」变成「AI 可引用的信任资产」,然后享受长期复利。 它不是流量开关,是信任基建。
2.5 本章小结
- GEO 是让 AI 发现、理解、引用、推荐你的方法体系,四步有序
- GEO 与 SEO 是叠加关系,中国市场的正确姿势是「双轨并行」,SEO 是地基
- 三个必须纠正的混淆:GEO ≠ AIGC 批量生产、GEO ≠ 内容营销换名、GEO ≠ 刷推荐黑产
- GEO 有明确的能力边界,不是万能药;管理好预期,才能长期投入
思考题
- 你现在的内容里,「打动人的话」和「可被引用的数据」各占多少比例?
- 如果 AI 现在描述你的公司,它会说什么?和你想让它说的,差多少?
第 3 章 中国 AI 搜索生态全景图
3.1 为什么必须「分平台打」
一个残酷的事实:同一条内容,在豆包那里可能被引用,在 Kimi 那里可能石沉大海。
因为每个 AI 平台的训练语料来源、检索信源池、内容偏好都不同。它们背后是不同的母公司、不同的内容生态、不同的用户群:
- 豆包背后是字节跳动,天然偏好抖音、今日头条生态的内容
- 腾讯元宝背后是腾讯,天然偏好公众号、视频号内容
- 文心一言背后是百度,天然偏好百度百科、百度收录的网页
- 通义千问背后是阿里,天然偏好权威行业数据、企业信息、电商生态
- DeepSeek 背后是技术社区文化,天然偏好技术博客、GitHub、知乎技术内容
这意味着:GEO 不是「发一篇到处贴」,而是「一个核心内容 + 多平台适配版本」。
3.2 中国 AI 平台三梯队全景
第一梯队:头部通用 AI 平台(重点投入)
| 平台 | 所属 | 内容偏好 | 核心优化动作 |
|---|---|---|---|
| 豆包 | 字节跳动 | 短视频 + 图文,抖音生态 | 抖音/头条内容矩阵、百度百科、数据可视化 |
| Kimi | 月之暗面 | 长文本、知乎/公众号深度内容 | 知乎机构号问答、公众号深度长文、白皮书 |
| 文心一言 | 百度 | 百度百科、结构化数据、百度收录内容 | 百度资源平台提交、百科完善、结构化数据 |
| 通义千问 | 阿里巴巴 | 权威数据、行业报告、企业信息 | 权威行业数据引用、企查查/天眼查信息完整 |
| DeepSeek | 深度求索 | 技术社区、GitHub、知乎技术内容 | 技术博客、GitHub、知乎技术问答 |
| 腾讯元宝 | 腾讯 | 公众号、视频号、微信生态 | 公众号持续输出、视频号矩阵、微信搜一搜 |
| 百度 AI 搜索 | 百度 | 百度收录的高质量内容 | 百度 SEO、结构化数据、网站权重 |
第二梯队:新兴与垂直平台(按行业取舍)
| 平台 | 所属 | 特色与适配行业 |
|---|---|---|
| 小红书 COLA / 达芬奇 | 小红书 | 种草社区,年轻用户;消费品、美妆、家居、本地生活 |
| 智谱清言 | 智谱 AI(清华系) | 学术 + 企业场景;科研、教育、B2B 技术 |
| 百川智能 | 百川智能 | 搜索增强型,实时信息;新闻、财经 |
| 360 智脑 | 三六零 | 安全 + 搜索生态;安全、企业服务 |
| 天工 AI | 昆仑万维 | 多模态 + 搜索;泛内容 |
| 星火大模型 | 科大讯飞 | 教育 + 政企;教育、政务、制造 |
| MiniMax(海螺 AI) | 稀宇科技 | 语音 + 多模态;音视频、社交 |
| 紫东太初 | 中科院自动化所 | 学术研究导向;科研、产学研 |
第三梯队:场景化 AI(B 端特别关注)
| 平台 | 所属 | 场景 |
|---|---|---|
| 钉钉 AI | 阿里 | 企业办公、B 端 SaaS 采购决策 |
| 飞书 AI | 字节 | 团队协作、知识管理 |
B2B 企业的提示 钉钉 AI 和飞书 AI 常被忽略,但它们直接嵌入企业办公场景。当采购方在公司内部用钉钉问「有没有推荐的XX供应商」时,这是最短的决策链路,也最容易被忽略的战场。
3.3 五大主力平台引用偏好对照
把最关键的信息压缩成一张表——这是本课程最该贴在墙上的表之一。
| 维度 | 豆包 | Kimi | 文心一言 | 通义千问 | DeepSeek | 腾讯元宝 |
|---|---|---|---|---|---|---|
| 第一信源池 | 抖音/头条 | 知乎/公众号 | 百度百科/百度收录 | 行业报告/企业库 | 技术社区/GitHub | 公众号/视频号 |
| 内容长度偏好 | 短、图文 | 长、深度 | 中、结构化 | 中、数据密集 | 长、技术 | 中、场景化 |
| 最看重什么 | 热度、可视 | 深度、逻辑 | 权威、收录 | 数据、资质 | 技术、开源 | 生态、原创 |
| B2B 适配度 | 中 | 高 | 高 | 高 | 高 | 中高 |
| 首选动作 | 抖音矩阵 | 知乎机构号 | 百度百科 + 收录 | 权威数据引用 | 技术内容 | 公众号原创 |
读表方法: 如果你的预算只够打两个平台,B2B 行业建议选 文心一言 + DeepSeek(权威性 + 技术深度),或者 Kimi + 腾讯元宝(深度内容 + 私域生态)。消费品建议 豆包 + 小红书。
3.4 中国生态的三个特殊性
做中国 GEO,不能照搬海外 GEO 的方法论。有三个绕不开的特殊性:
特殊性一:百度 + 微信「双搜索生态」
中国市场实际存在两个并列的搜索入口:
- 百度系:百度搜索 + 文心一言 + 百度 AI 搜索,共享百度收录池
- 微信系:微信搜一搜 + 腾讯元宝,共享公众号/视频号内容池
这意味着企业必须同时经营两套内容体系。 很多企业只在百度上做优化,完全忽略了微信搜一搜里每天发生的海量搜索——而后者是未被充分竞争的洼地。
特殊性二:平台闭环,内容不通用
抖音的内容进不了微信的池子,公众号的内容在抖音权重很低。
所以「一稿多发」在中国基本无效。 必须做核心内容 + 平台适配改写。这是第 11 章要专门解决的问题。
特殊性三:合规前置,不是事后补救
中国的生成式 AI 服务受 《生成式人工智能服务管理暂行办法》 等法规约束。国家网信办要求生成式 AI 服务备案——截至 2025 年 11 月已有 611 款完成备案。
这带来一个直接后果:AI 平台对内容的合规审查远比搜索引擎严格。
- 违规内容不只是"不被收录",可能导致品牌信源整体降权
- 医疗、金融、教育等强监管行业,有额外的广告法、行业法规约束
- 虚假宣传、绝对化用语("最"、"第一"、"国家级")都要严格规避
合规不是 GEO 的附加项,是前置条件。 我们在第 13 章会给出完整清单。
3.5 本章小结
- 中国 AI 生态分三梯队,第一梯队 7 个平台是主战场
- 各平台语料来源和引用偏好差异极大,必须分平台适配,不能一稿多发
- B2B 重点关注:文心一言、DeepSeek、Kimi、通义千问,以及被忽略的钉钉/飞书 AI
- 三个特殊性:百度 + 微信双搜索生态、平台闭环内容不通用、合规前置
- 微信搜一搜是当前性价比最高的未被充分竞争战场
思考题
- 列出你的目标客户最可能使用的 3 个 AI 平台,说明理由。
- 现在分别在这 3 个平台问一个你行业的核心问题,记录 AI 提到了哪些品牌——这就是你的竞争基线。
模块一结束。 你现在知道了「为什么要做 GEO」和「在哪儿做」。 下一个模块,我们钻进 AI 的黑箱:它到底凭什么引用一个内容?
模块二 底层原理:AI 凭什么引用你
模块导语 上一模块解决了「要不要做」。这个模块解决「为什么这么做有用」。 不看懂机制,所有优化动作都是照着菜谱瞎猜——成功了不知道为什么,失败了也不知道哪里错。 读懂这三章,你就能自己判断一个优化动作有没有意义。
第 4 章 生成式引擎的内容调用链路
4.1 先破除一个幻想:AI 不是「记住了你」
很多人以为,AI 引用某家公司,是因为它「训练的时候学过」。
这只说对了一半,而且在今天的 AI 搜索场景里,是次要的一半。
真实情况是:当用户向 AI 提问时,AI 不只是凭记忆回答,而是会实时去检索外部资料,再基于检索结果生成答案。这个机制叫 RAG(Retrieval-Augmented Generation,检索增强生成)。
RAG 的意义极为重大:它意味着你的内容可以在今天被改写、今天被抓取、今天就影响 AI 的回答——不需要等下一次模型训练。
So,一个完整的 AI 回答,背后是六个步骤。
4.2 六步链路全景
① 爬取 Crawl
AI 的信源爬虫 / 合作数据源,抓取互联网内容
↓
② 索引 Index
内容被解析、清洗、分类,进入平台的候选信源池
↓
③ 检索 Retrieval
用户提问后,系统从信源池中召回最相关的若干条
↓
④ 增强 Augment
把召回的内容拼装进上下文,供模型参考
↓
⑤ 生成 Generate
模型基于这些材料 + 自身知识,组织答案
↓
⑥ 引用 Cite
模型在答案中标注/提及信息来源
关键认知:这是六道关,不是一道关。 你的内容必须六关全过,才有机会出现在答案里。
任何一关卡住,前功尽弃。
4.3 逐关拆解:你的内容可能死在哪一步
第①关:爬取 —— 「AI 根本进不来你的网站」
机制: AI 平台需要抓取你的内容,才能建立索引。
常见死法:
| 问题 | 后果 | 排查方法 |
|---|---|---|
robots.txt 屏蔽了 AI 爬虫 | 内容完全不被抓取 | 打开 你的域名/robots.txt,检查是否有 Disallow 拦截 |
| 纯 JS 渲染、无服务端渲染 | 爬虫抓到空页面 | 关闭 JS 后用 curl 抓取页面,看是否有正文 |
| 内容只在图片里 | 文本无法被解析 | 关键信息必须有文字版 |
| 登录墙 / 付费墙 | 内容不可访问 | 核心内容应开放可访问 |
| 网站加载极慢 | 爬虫超时放弃 | 检查首屏加载时间 |
实操提示 用命令行检查你的网站对爬虫是否友好:
> curl -A "Mozilla/5.0" -s https://你的域名/robots.txt
> curl -s https://你的页面URL | head -100
> 如果第二条命令看不到正文文字,说明你的内容对爬虫不友好。这一关的残酷之处在于:很多企业根本不知道自己在这一关就已经出局了——不是内容不好,是 AI 连看都看不到。
第②关:索引 —— 「抓到了,但没被收进池子」
机制: 抓取不等于收录。平台会做质量筛选、去重、可信度判断,只有通过筛选的内容才进入候选池。
常见死法:
- 内容重复度太高:和网上大量内容雷同,被去重丢弃
- 无明确来源:不知道谁说的、什么时候说的,可信度不足
- 排版混乱:解析器无法提取有效信息结构
- 质量评分低:广告堆砌、关键词堆砌、无实质信息
这一关的核心是:内容要有「唯一性」和「可解析性」。
第③关:检索 —— 「池子里有你,但召回不到你」
机制: 用户提问后,系统要在海量信源里,召回与问题最相关的 top-N 条。
常见死法:
- 语义不匹配:用户问「性价比高的国产替代方案」,你的内容写的是「高可靠工业级产品」,词不一样,语义也没被识别为相关
- 缺少常见问题的直接回答:用户在问一个具体问题,你的文章绕来绕去没正面回答
- 没有匹配用户口语化表达:用户用口语,你用术语,缺少桥梁
这一关的核心是:说人话,覆盖用户真实提问的表述方式。 这正是第 10 章「FAQ 覆盖」的战略价值。
第④⑤关:增强与生成 —— 「召回了你,但生成时被忽略」
机制: 召回的内容会被拼进模型的上下文。模型在生成时,会优先采信权威、具体、逻辑清晰的材料。
常见死法:
- 内容模糊:「我们的产品质量非常好」——模型无法采用,因为没有可陈述的信息
- 没有结论:通篇铺垫,没有可摘取的明确判断
- 信息密度低:3000 字里只有 3 句有用信息,被模型当作噪声
- 自相矛盾:站内不同页面说法不一致,模型降低信任
这一关的核心是:让模型「好抄」。 结论先行、数据明确、表述可直接引用。
第⑥关:引用 —— 「用你了,但不提你名字」
机制: 模型生成答案时,可能综合了你的内容,但最终没提及你的品牌。
常见死法:
- 品牌名没和核心信息绑定:你写了「检测精度 ±0.02mm」,但没写「XX 公司的检测精度 ±0.02mm」——模型采用了数据,但不知道归谁
- 实体不够清晰:品牌名和主体信息分离,模型无法关联
这一关的核心是:每一次有价值的信息表达,都要带上主体名称。让模型形成「这个数据 = 这家公司」的绑定。
4.4 六关自查清单
拿你的一篇核心内容,逐项打勾:
| # | 关卡 | 自查问题 | ✅/❌ |
|---|---|---|---|
| 1 | 爬取 | robots.txt 是否允许 AI 爬虫?页面无 JS 是否可见正文? | |
| 2 | 索引 | 内容是否原创且有明确来源?排版是否结构清晰? | |
| 3 | 检索 | 是否覆盖了用户口语化的提问方式? | |
| 4 | 增强 | 是否有可被直接摘取的具体数据/结论? | |
| 5 | 生成 | 信息密度是否够高?站内表述是否一致? | |
| 6 | 引用 | 关键信息是否都绑定了品牌主体名称? |
任何一项打 ❌,就是你当前最该补的短板。 顺序不要乱——第 1 关没过,优化第 6 关毫无意义。
核心判断 做 GEO 最常见的能力浪费,是在第 1 关就出局的企业,拼命优化第 5 关的文案。
4.5 本章小结
- AI 回答不是凭记忆,而是实时检索 + 生成(RAG 机制)
- 完整链路六步:爬取 → 索引 → 检索 → 增强 → 生成 → 引用
- 每一关都有典型死法,必须六关全过
- 优化的正确顺序是从①到⑥,不能跳
- 最高频的隐藏问题是「爬虫进不来」和「品牌名没绑定信息」
思考题
- 用上面的自查清单,给你官网首页打一次分,找出第一个 ❌ 出现在第几关。
- 你的产品资料里,有多少句关键数据是脱离品牌名单独存在的?
第 5 章 AI 的引用偏好从何而来
5.1 四个决定性变量
如果把 AI 的内容筛选过程想象成一个打分器,它对每一份材料主要看四件事:
| 变量 | 权重直觉 | 一句话解释 |
|---|---|---|
| 实体(Entity) | 极高 | 你是谁?可识别吗?可验证吗? |
| 可信度(Credibility) | 极高 | 你说的算不算数?谁给你背书? |
| 结构化(Structure) | 高 | 你好不好解析?信息抓不抓得住? |
| 时效性(Freshness) | 中高 | 这是什么时候的信息?还准吗? |
这四个变量,就是 GEO 八大评分维度背后的底层逻辑。 理解了它们,你就理解了为什么要做那些动作。
5.2 变量一:实体(Entity)
什么是「实体」
在 AI 的认知体系里,世界由实体构成:人、公司、产品、地点、概念。每个实体有属性、有关系、有标识。
「实体化」的意思是:AI 能把「XX 公司」识别为一个明确的、独立的对象,并且知道它的属性(做什么、多大、在哪、算什么级别)。
为什么实体如此重要
因为AI 无法推荐一个它无法识别的对象。
想象你问 AI「推荐一家靠谱的工业机器人集成商」,AI 内部的处理是:
识别用户意图 → 在我的实体库里找「工业机器人集成商」这个类目
→ 该 类目下有哪些被识别为实体的公司?
→ 这些公司各自的可信度评分如何?
→ 选出 top N 生成答案
如果你不是一个「被识别的实体」,你在第二步就不存在。
实体化的四要素
| 要素 | 说明 | 落地动作 |
|---|---|---|
| 唯一标识 | 有百度百科、有官网、有统一社会信用代码 | 百科条目、官网 About 页、企查查信息 |
| 属性完整 | 成立时间、规模、业务范围、资质 | 结构化填写,别藏着 |
| 关系网络 | 和谁合作、被谁报道、属于哪个协会 | 新闻报道、协会会员、合作伙伴公示 |
| 一致性 | 各平台描述一致,不打架 | 全平台统一名称、统一 Slogan、统一数据 |
一个高频错误 企业官网写「XX科技」,公众号叫「XX智能」,百科是「XX科技有限公司」,抖音号叫「XX-官方」。 在 AI 眼里,这是四个弱势实体,而不是一个强势实体。 统一名称,是最低成本的 GEO 优化。
5.3 变量二:可信度(Credibility)
可信度从哪来
AI 判断可信度,主要看信源的层级和交叉验证的程度。
信源权威层级(从高到低):
第 1 层 政府/部委/国家标准 工信部、网信办、国家统计局、国标委
第 2 层 央媒 人民日报、新华社、央视、光明日报、经济日报
第 3 层 行业协会/权威研究机构 中国信通院、赛迪顾问、艾瑞、IDC、CNNIC
第 4 层 上市公司公告/年报 财报、招股书、公告
第 5 层 学术论文/知网 CNKI、核心期刊
第 6 层 企业官方信源 官网、官方公众号、官方发布
第 7 层 垂直媒体/行业媒体
第 8 层 自媒体/社交平台内容
规律:AI 更愿意引用层级高的信源;当一个信息在多个层级被交叉验证时,可信度大幅提升。
交叉验证的力量
一句「我们的市场占有率行业前三」:
- 只出现在自己官网 → 可信度低,AI 视为自我宣传
- 出现在自己官网 + 某垂直媒体报道 → 可信度中
- 出现在官网 + 行业媒体 + 中国信通院报告引用 → 可信度高,AI 会采用
核心判断 自我宣称 < 第三方背书。 GEO 的一大半功夫,花在「让别人来说你好」上,而不是「自己说自己好」。
可信度建设的三个来源
| 来源 | 具体动作 | 见效周期 |
|---|---|---|
| 资质与认证 | 政策备案、体系认证、检测报告、专利 | 3–6 个月 |
| 第三方报道 | 央媒/行业媒体/权威机构报道与引用 | 3–12 个月 |
| 人物背书 | 创始人/专家在行业媒体发声、演讲、署名文章 | 1–6 个月 |
5.4 变量三:结构化(Structure)
为什么 AI 偏爱结构化内容
模型的上下文窗口有限,它需要在最短时间内提取最多有效信息。
结构化内容的价值在于:降低 AI 的解析成本。
三种结构化手段
(1)逻辑结构化 —— 让结论先行
❌ 铺垫型(AI 要读到最后才知道你要说什么)
我们公司成立于 2011 年,经过多年发展,在行业中不断积累经验,
先后获得了多项认证,服务了很多客户,因此我们的产品……
✅ 结论先行型(AI 三秒抓到重点)
XX 公司在工业视觉检测领域的市场占有率为 12.3%(来源:XX 报告,2025 年),
位居国内前三。支撑这一地位的是三项核心能力:……
(2)视觉结构化 —— 用表格、列表、对比
表格是 AI 最容易解析的格式。一个对比表格,胜过三段文字描述。
| 适用场景 | 推荐结构 |
|---|---|
| 选型对比 | 表格(维度 × 产品) |
| 步骤流程 | 有序列表 |
| 能力清单 | 无序列表 |
| 因果关系 | 「A → B → C」箭头式表达 |
| 数据汇总 | 表格 + 数字加粗 |
(3)技术结构化 —— Schema 标记
用 JSON-LD 等结构化数据标记,直接告诉机器「这是什么」:
<script type="application/ld+json">
{
"@context": "https://schema.org",
"@type": "Organization",
"name": "企业全称",
"url": "https://example.com",
"foundingDate": "2011",
"sameAs": [
"https://www.qichacha.com/company_xxx",
"https://www.tianyancha.com/company/xxx"
]
}
</script>
Schema 是「给机器看的说明书」,第 17 章会专门讲怎么部署。
5.5 变量四:时效性(Freshness)
机制
AI 会判断信息的时间:带明确年份的数据,比模糊的「近年来」可信;近期更新的内容,比三年前的旧文更有参考价值。
三个动作
| 动作 | 说明 |
|---|---|
| 标注年份 | 「据 XX 报告(2025 年)」,而不是「据 XX 报告」 |
| 定期更新 | 核心页面每季度刷新数据、补充新案例 |
| 保留更新时间戳 | 页面显示「最后更新:2026 年 9 月」 |
实操建议 把内容资产的「保鲜期」管理纳入日常运营。我们建议:
- 核心产品页:每季度更新一次
- 行业分析/白皮书:每半年更新一次
- FAQ 页:随用户提问变化随时补充
- 关键数据页:数据源更新后同步更新
5.6 四个变量速查表
| 变量 | 核心问题 | 关键动作 | 对应课程章节 |
|---|---|---|---|
| 实体 | AI 认识我吗? | 百科、企查查、全平台名称统一 | 第 7 章 |
| 可信度 | AI 信我吗? | 权威信源、第三方背书、交叉验证 | 第 8 章 |
| 结构化 | AI 读得懂吗? | 结论先行、表格、Schema | 第 9、17 章 |
| 时效性 | 信息还准吗? | 标年份、定期更新、时间戳 | 第 8、18 章 |
5.7 本章小结
- AI 的引用偏好由四个变量决定:实体、可信度、结构化、时效性
- 实体是前提:AI 无法推荐它认识不到的对象;名称统一是零成本优化
- 可信度靠第三方背书,不是自我宣称;信源有明确层级
- 结构化降低 AI 的解析成本,表格比段落好,结论先行比铺垫好
- 时效性要求标注年份、定期更新
思考题
- 用四要素检查你的企业「实体化」程度:唯一标识、属性、关系、一致性,各打几分?
- 你的核心产品卖点,有几条是第三方说的?有几条是自己说的?
第 6 章 八大评分维度与计分模型
6.1 为什么需要评分
没有度量,就没有优化。
GEO 最大的执行难点不是「不知道怎么做」,而是「不知道做得好不好、该先做哪个」。
所以我们需要一个可量化、可复现、可对比的体检表。
6.2 八大维度与权重
| # | 维度 | 权重 | 评分要点 |
|---|---|---|---|
| ① | 实体权威性 | 15% | 百度百科收录?央媒/部委引用?企查查/天眼查信息完整? |
| ② | 数据可追溯 | 15% | 数据来源为政府统计/协会白皮书/上市公司财报?标注年份? |
| ③ | 结构清晰度 | 12% | 结论先行?数字标题?表格/对比? |
| ④ | FAQ 覆盖 | 12% | 覆盖知乎/百度知道/微信搜一搜高频问题? |
| ⑤ | AI 平台适配 | 12% | 对豆包/Kimi/文心一言等平台解析友好? |
| ⑥ | SEO 双轨 | 10% | 百度 SEO + 微信搜一搜关键词覆盖? |
| ⑦ | 合规安全 | 12% | 敏感词检测?数据来源可解释?符合法规? |
| ⑧ | 社交信号 | 12% | 知乎/公众号/视频号/小红书内容矩阵? |
权重合计:15 + 15 + 12 + 12 + 12 + 10 + 12 + 12 = 100%
权重背后的逻辑
为什么「实体权威性」和「数据可追溯」各占 15%,排在最高?
因为这两个维度对应变量中的实体和可信度——它们是「能不能被引用」的门槛,其他维度是「引用得好不好」的优化。
门槛没跨过,优化是白费的。
6.3 评分标准:每一项 1–5 分
| 分值 | 含义 | 通用判断标准 |
|---|---|---|
| 5 | 优秀 | 有权威第三方背书,完整、具体、可直接引用 |
| 4 | 良好 | 基本完备,细节有提升空间 |
| 3 | 及格 | 有基础,但明显不足 |
| 2 | 较弱 | 有零星体现,不成体系 |
| 1 | 缺失 | 完全没有 |
八大维度评分细则
① 实体权威性(15%)
| 分值 | 判断标准 |
|---|---|
| 5 | 有百度百科;被央媒/部委/权威协会报道引用;企查查/天眼查信息完整;全平台名称一致 |
| 3 | 有百科或企业库收录;有行业媒体报道;信息基本完整 |
| 1 | 无百科,无第三方报道,企业信息残缺或各平台名称不一致 |
② 数据可追溯(15%)
| 分值 | 判断标准 |
|---|---|
| 5 | 关键数据均有明确来源(报告名 + 发布机构 + 年份);使用政府/协会/财报等权威数据 |
| 3 | 部分数据有来源,部分模糊 |
| 1 | 通篇「行业领先」「大幅提升」等无来源表述 |
③ 结构清晰度(12%)
| 分值 | 判断标准 |
|---|---|
| 5 | 结论先行;数字小标题;大量使用表格/对比/列表;逻辑层级清晰 |
| 3 | 有标题层级,但多为平铺直叙 |
| 1 | 大段文字堆砌,无标题,无结构 |
④ FAQ 覆盖(12%)
| 分值 | 判断标准 |
|---|---|
| 5 | 系统覆盖知乎/百度知道/微信搜一搜高频问题,答案直接、具体、带数据 |
| 3 | 有 FAQ 区块,但问题选择随意,答案空泛 |
| 1 | 无 FAQ |
⑤ AI 平台适配(12%)
| 分值 | 判断标准 |
|---|---|
| 5 | 针对目标平台做了专项适配(如公众号长文、知乎问答、技术博客),内容形态匹配平台偏好 |
| 3 | 内容通用,未做平台差异化 |
| 1 | 一稿多发,格式在各平台都混乱 |
⑥ SEO 双轨(10%)
| 分值 | 判断标准 |
|---|---|
| 5 | 百度收录良好 + 微信搜一搜关键词覆盖完整;结构化数据齐全 |
| 3 | 有百度收录,未做微信搜一搜 |
| 1 | 百度未收录,无任何搜索优化 |
⑦ 合规安全(12%)
| 分值 | 判断标准 |
|---|---|
| 5 | 无敏感词;无绝对化用语;数据来源可解释;有免责声明;符合行业法规 |
| 3 | 基本合规,个别表述需调整 |
| 1 | 存在虚假宣传、绝对化用语、违规表述 |
⑧ 社交信号(12%)
| 分值 | 判断标准 |
|---|---|
| 5 | 在知乎/公众号/视频号/小红书等多平台有持续、一致的内容矩阵 |
| 3 | 有 1–2 个平台运营,更新不稳定 |
| 1 | 无社交媒体内容 |
6.4 计分公式与等级
加权得分 = Σ (各维度得分 × 5 → 百分制 × 权重)
单维度换算:得分 × 20 = 该维度百分制分数
总分 = Σ (维度得分 × 20 × 权重)
示例计算:
| 维度 | 得分 | 换算(×20) | 权重 | 加权 |
|---|---|---|---|---|
| ① 实体权威性 | 4 | 80 | 15% | 12.0 |
| ② 数据可追溯 | 3 | 60 | 15% | 9.0 |
| ③ 结构清晰度 | 5 | 100 | 12% | 12.0 |
| ④ FAQ 覆盖 | 2 | 40 | 12% | 4.8 |
| ⑤ AI 平台适配 | 3 | 60 | 12% | 7.2 |
| ⑥ SEO 双轨 | 4 | 80 | 10% | 8.0 |
| ⑦ 合规安全 | 5 | 100 | 12% | 12.0 |
| ⑧ 社交信号 | 2 | 40 | 12% | 4.8 |
| 总分 | 69.8 |
等级对照
| 等级 | 分数 | 说明 | 行动建议 |
|---|---|---|---|
| A | 85–100 | 优秀,AI 友好 | 保持节奏,扩展平台覆盖 |
| B | 70–84 | 良好,少量优化 | 补齐 3 分以下维度 |
| C | 50–69 | 待优化,有明显短板 | 制定 3 个月专项提升计划 |
| D | 30–49 | 需大幅改进 | 从实体性和结构入手,重建内容体系 |
| F | 0–29 | 基本不可见 | 先解决「爬取 + 收录」问题,再谈优化 |
上例 69.8 分 = C 级, 短板明确:FAQ 覆盖(2 分)和社交信号(2 分) 是首要补强对象。
6.5 怎么用这个模型
用法一:单篇内容诊断
对一篇文章打分,找出短板,针对性改写。这是第 16 章五种改写模式的决策依据。
用法二:企业 GEO 整体体检
对以下资产分别打分,得出企业整体 GEO 水平:
| 打分对象 | 说明 |
|---|---|
| 官网首页 | 实体识别、结构化 |
| 核心产品页 | 数据追溯、FAQ |
| 行业内容/白皮书 | 权威性、可引用性 |
| 社交账号主页 | 社交信号 |
| 百度/微信搜索表现 | SEO 双轨 |
用法三:竞品对比
对自己和 3 个竞品用同一标准打分,得出差距图——这是最有说服力的内部汇报材料,也是服务商向客户证明价值的方式。
用法四:优化前后对比
同一对象,优化前打一次分,优化后打一次分。分数的提升就是交付结果。
6.6 本章小结
- 八大维度 + 权重构成 GEO 的量化体系,总分 100
- 实体权威性(15%)与数据可追溯(15%)权重最高,因为它们是「被引用的门槛」
- 每个维度 1–5 分,换算百分制后加权求和
- 等级:A(85+)/ B(70–84)/ C(50–69)/ D(30–49)/ F(<30)
- 四种用法:单篇诊断、企业体检、竞品对比、效果验证
思考题
- 用这套模型给你的官网首页打分,你的总分落在哪个等级?
- 你的最低分维度是哪一项?它对应第 5 章的哪个变量?
模块二结束。 你现在理解了 AI 的引用机制和评价体系。 下一个模块,我们进入课程主体:八大维度,逐项击破。
模块三 方法体系(上):维度①–④
模块导语 前面两个模块解决「为什么」。从这一章开始,全部是「怎么做」。 八个维度按权重排序拆解,每一项都给到:为什么重要 → 具体动作 → 评分标准 → 自查表。 建议你边读边对着自己的资产动手,读完一个维度就改一处。
第 7 章 维度① 实体权威性(权重 15%)
7.1 为什么它是第一优先级
回到第 5 章的底层逻辑:AI 无法推荐一个它无法识别的对象。
实体权威性回答的是最根本的问题:在 AI 的认知里,你到底是不是一个「明确、可信、有身份的对象」。
这一项做不好,后面七项全部打折——因为你写的内容,AI 不知道归谁。
核心判断 实体权威性是 GEO 的「户口」。没有户口,你写再多内容都是「无名氏」。
7.2 实体的四大载体
AI 判断一个企业是不是实体,主要看四个地方的信号:
| 载体 | 作用 | 关键平台 |
|---|---|---|
| 百科类 | 定义「你是谁」 | 百度百科、搜狗百科、维基百科(如有) |
| 企业信息平台 | 定义「你的法定身份」 | 企查查、天眼查、爱企查、国家企业信用信息公示系统 |
| 官方信源 | 定义「你的自我陈述」 | 官网、官方公众号、官方微博、官方视频号 |
| 知识关联 | 定义「你和谁有关系」 | 行业媒体报道、协会会员名录、合作伙伴公示、专利库 |
四个载体缺一不可,且必须「说法一致」。
7.3 百度百科:最关键的单一资产
为什么是百度百科
百度百科是文心一言、百度 AI 搜索最直接的知识来源,同时被豆包、Kimi 等平台广泛采信。它是中国 GEO 中性价比最高的单项资产。
建词条的实操要点
| 环节 | 要点 |
|---|---|
| 准备材料 | 企业全称、成立时间、注册资本、法人、经营范围、发展历程、主要产品、资质荣誉——全部要有第三方可查证的来源 |
| 参考资料 | 必须是第三方权威媒体报道(央媒、正规行业媒体)。官网自我宣传不能作为百科的参考资料 |
| 撰写原则 | 客观、平实、无营销用语。不写「最先进」「行业领先」,写具体事实 |
| 通过技巧 | 先积累 3–5 篇第三方媒体报道,再提交词条,通过率显著提高 |
常见被拒原因
| 拒审原因 | 解决办法 |
|---|---|
| 「宣传性内容过多」 | 删除所有形容词和营销语,只留事实 |
| 「参考资料不可靠」 | 换成央媒/正规媒体的报道链接 |
| 「关注度不足」 | 先做媒体报道积累,再提交 |
| 「词条名不规范」 | 使用工商全称 |
实操建议 百科词条不是一次性的。建立后要持续维护:新获资质、新产品线、重大合作,都可以在词条中更新。持续更新的词条,在 AI 眼中的时效性评分更高。
7.4 企业信息平台的完善
为什么重要
通义千问、文心一言等平台会读取企业信息平台的数据。这些平台的数据完整度,直接构成 AI 对你「法定身份」的认知。
完善清单
| 字段 | 要求 |
|---|---|
| 企业全称 | 与工商注册完全一致 |
| 统一社会信用代码 | 必填 |
| 注册资本 / 实缴资本 | 完整 |
| 成立日期 | 完整 |
| 法定代表人 | 完整 |
| 经营范围 | 完整,且与实际业务对应 |
| 官网地址 | 有效链接 |
| 联系电话 / 邮箱 | 有效 |
| 分支机构 / 对外投资 | 完整 |
| 知识产权(专利/商标/软著) | 重点补充——这是技术实力的硬证据 |
| 资质证书 | 完整上传 |
特别提醒:知识产权和资质证书是最容易被忽略、但对 B2B 企业最有价值的部分。 一个有 50 项专利的企业,和一个"空白"的企业,在 AI 眼中的技术可信度完全不同。
7.5 全平台名称一致性清单
这是零成本、最高性价比的优化动作。
| 平台 | 要求 |
|---|---|
| 官网 | 全站统一使用同一简称 + 首次出现时标注全称 |
| 百度百科 | 词条名用工商全称,正文中统一简称 |
| 企查查/天眼查 | 与工商一致 |
| 微信公众号 | 认证名称统一 |
| 视频号 / 抖音 / 小红书 | 认证名称统一 |
| 知乎机构号 | 认证名称统一 |
| 对外稿件 | 统一署名格式:「全称(简称)」 |
格式建议: 在重要内容中首次出现时写作「XX 科技有限公司(以下简称 XX)」,之后统一用「XX」。这样 AI 既能建立实体关联,又能记住简称。
反例警示 官网叫「星辰科技」,公众号叫「星辰智能」,抖音号叫「星辰-官方账号」,百科是「星辰科技股份有限公司」。 结果:AI 眼里有四个模糊的小实体,而不是一个清晰的大实体。花了四份力气,得到四分之一的效果。
7.6 权威背书的获取路径
实体权威性的强度,取决于有多少第三方权威信源提到你。
| 背书类型 | 获取路径 | 难度 | 价值 |
|---|---|---|---|
| 政策备案/许可 | 行业主管部门申请 | 中 | 极高 |
| 国家标准/行业标准参编 | 加入标准化技术委员会 | 高 | 极高 |
| 协会会员/理事单位 | 加入行业协会 | 低 | 高 |
| 权威奖项 | 参加官方/协会评选 | 中 | 高 |
| 央媒报道 | 新闻发布、媒体关系 | 高 | 极高 |
| 行业媒体报道 | 内容合作、投稿、专访 | 中 | 高 |
| 检测报告 | 第三方检测机构 | 中 | 高 |
| 体系认证 | ISO、等保等 | 中 | 高 |
| 专利/软著 | 知识产权申请 | 中 | 高 |
| 创始人/专家署名文章 | 行业媒体投稿 | 低 | 中高 |
建议起步顺序: 协会会员 → 检测报告/专利 → 行业媒体专访 → 央媒报道。
7.7 维度① 自查表
| # | 检查项 | ✅/❌ |
|---|---|---|
| 1 | 有百度百科词条,且内容接近最新 | |
| 2 | 词条有 3 条以上第三方权威媒体作为参考资料 | |
| 3 | 企查查/天眼查信息完整(含知识产权、资质) | |
| 4 | 官网有清晰的 About 页面,含成立时间、规模、业务范围 | |
| 5 | 全平台名称统一,无混用 | |
| 6 | 被至少 3 家行业媒体或权威机构报道/引用过 | |
| 7 | 加入至少 1 个行业协会并公开 | |
| 8 | 有可查证的专利、软著、认证或检测报告 |
8 项全过 = 5 分;6–7 项 = 4 分;4–5 项 = 3 分;2–3 项 = 2 分;0–1 项 = 1 分。
7.8 本章小结
- 实体权威性是 GEO 的「户口」,权重 15%,与数据可追溯并列第一
- 四大载体:百科、企业信息平台、官方信源、知识关联
- 百度百科是性价比最高的单项资产,关键在第三方参考资料
- 知识产权和资质证书是 B2B 企业最易忽略、价值最高的字段
- 全平台名称统一是零成本优化,务必先做
第 8 章 维度② 数据可追溯(权重 15%)
8.1 为什么「没有来源的数字,AI 不敢用」
这是一个容易被低估的维度。
想象 AI 在生成答案时面对两句话:
A: 「我们的产品性能行业领先。」 B: 「据中国信通院《XXX 报告》(2025 年)测算,该产品在精度指标上的行业均值为 0.05mm,本公司产品达到 0.02mm。」
AI 会怎么处理?
- A 句:无法采用。没有具体信息,也没有来源,写进答案里就是替企业做宣传——这是 AI 明确要避免的。
- B 句:可以直接采用。有来源、有年份、有对比、有具体数字。AI 甚至可以直接引用这个结论。
核心判断 AI 需要「可被验证的事实」,而不是「需要被相信的主张」。 数据可追溯,就是把你的主张变成事实。
8.2 数据的五个可信等级
| 等级 | 数据类型 | 举例 | AI 采信度 |
|---|---|---|---|
| S | 国家标准 / 法律法规 | GB/T ×××、行业强制性标准 | 极高 |
| A | 政府统计 / 部委数据 | 国家统计局、工信部、网信办公开发布 | 极高 |
| B | 权威机构报告 | 中国信通院、赛迪顾问、IDC、CNNIC、艾瑞 | 高 |
| C | 上市公司财报 / 招股书 | 经审计的公开财务数据 | 高 |
| D | 学术论文 / 行业协会 | 知网核心期刊、行业协会白皮书 | 中高 |
| E | 企业自有数据 | 内部测试、客户案例 | 中(需标注为自有) |
| F | 无来源表述 | 「行业领先」「大幅提升」 | 极低,不予采用 |
优化方向很明确:把你的主张,尽可能往 S/A/B/C 级靠;实在只能用 E 级自有数据时,务必标注清楚来源主体。
8.3 引用规范:怎么写才算「可追溯」
三要素公式
据[发布机构][报告名称]([年份])显示,[具体数据]。
示例:
| 写法 | 评价 |
|---|---|
| ❌「据权威机构统计,市场规模超过 100 亿」 | 什么机构?哪年?不可追溯 |
| ⚠️「据赛迪顾问统计,市场规模超过 100 亿」 | 有机构,缺报告名和年份 |
| ✅「据赛迪顾问《中国 XX 市场研究报告》(2025 年)显示,市场规模达 112 亿元」 | 完整可追溯 |
不同场景的引用模板
(1)引用行业数据
据中国信息通信研究院《人工智能产业发展研究报告(2025 年)》测算,
2024 年我国人工智能核心产业规模已突破 9000 亿元,同比增长 24%。
(2)引用政策法规
根据《生成式人工智能服务管理暂行办法》(国家网信办等七部门,2023 年 7 月)
第七条规定,……
(3)引用企业自有数据(需明确标注)
据本公司 2025 年度客户服务统计(样本量:XXX 家客户),
平均故障响应时间为 2.3 小时。
(4)引用第三方检测
经国家XX质量监督检验中心(2025 年)检测,
产品检测精度为 ±0.02mm(检测报告编号:XXXX)。
8.4 企业自有数据的合规表达
很多企业有很好的内部数据,但不会表达。关键原则是:诚实标注来源主体,不伪装成第三方数据。
| ❌ 错误写法 | ✅ 正确写法 |
|---|---|
| 「据统计,80% 的客户在 3 个月内回本」 | 「据本公司 2025 年客户回访数据(有效样本 128 家),80.5% 的客户在 3 个月内实现成本回收」 |
| 「行业调研显示,我们的满意度最高」 | 「在本公司 2025 年 NPS 调研中(回收有效问卷 316 份),客户净推荐值为 62」 |
| 「市场占有率第一」 | 「据 XX 咨询《2025 年 XX 市场报告》,本公司市场占有率为 12.3%,位居行业前三」 |
差别在于:前者是「需要信任的主张」,后者是「可验证的事实陈述」。
8.5 建立企业数据资产库
这是 B2B 企业最值得做的一件事。
建一个内部文档,把企业所有可对外引用的数据整理成库:
| 类别 | 内容 | 来源 | 年份 | 可引用表述 |
|---|---|---|---|---|
| 资质 | 高新技术企业 | 科技部认定 | 2024 | 「国家级高新技术企业(2024 年认定)」 |
| 专利 | 发明专利 32 项 | 国家知识产权局 | 2025 | 「累计获得发明专利 32 项」 |
| 检测 | 精度 ±0.02mm | XX 检测中心 | 2025 | 「经 XX 检测中心检测,精度达 ±0.02mm」 |
| 客户 | 服务客户 1200 家 | 内部统计 | 2025 | 「截至 2025 年,累计服务客户超 1200 家」 |
| 行业数据 | 市场规模 112 亿 | 赛迪顾问报告 | 2025 | 「据赛迪顾问(2025 年),市场规模达 112 亿元」 |
有了这个库,写任何内容时都可以直接调用,不会出现「想引用但找不到出处」的情况。
实操建议 这份文档建议由市场部维护,每季度更新一次。它同时服务于 GEO、SEO、销售话术、投标文件,投入产出比极高。
8.6 反面案例:GEO 行业自己的数据乱象
这是一个绝佳的教材。
你搜索「GEO 市场规模」会得到什么?
| 说法 | 来源 |
|---|---|
| 2026 年中国 GEO 市场约 30 亿元 | 易观分析 |
| 2026 年中国 GEO 市场 186 亿元 | IDC + 赛迪顾问 |
| 2026 年中国 GEO 市场突破 286 亿元 | 中国信通院 |
| 2026 年全球 GEO 市场 220 亿美元 | IDC |
数字相差近十倍。
问题出在哪?
- 口径不统一:有的只算内容优化服务,有的把 AI 广告、知识图谱、技术开发全算进去
- 来源多为二手转述:这些数字大量出现在服务商的宣传文章中,而非原始报告
- 缺少可验证的原始文件:你很难找到这些报告的完整版和统计方法论
这恰好演示了「数据可追溯」这个维度为什么值 15% 权重:
当一个行业自己都在用不可追溯的数据互相吹嘘时,能提供可追溯数据的那个玩家,会迅速建立信任优势。
同样的逻辑适用于你的行业。 当同行都在说「行业领先」时,你说「据 XX 报告(2025 年),占有率 12.3%,位居前三」——AI 会选谁,不言而喻。
8.7 维度② 自查表
| # | 检查项 | ✅/❌ |
|---|---|---|
| 1 | 内容中的关键数据均有「机构 + 报告名 + 年份」 | |
| 2 | 至少引用过 1 个 S/A 级信源(国标/政府/部委数据) | |
| 3 | 至少引用过 1 个 B 级信源(信通院/赛迪/IDC/CNNIC) | |
| 4 | 自有数据均明确标注了「本公司」「样本量」 | |
| 5 | 无「行业领先」「大幅提升」等无来源表述 | |
| 6 | 建立了企业数据资产库并季度更新 | |
| 7 | 关键数据标注了时效年份 | |
| 8 | 检测报告、专利等有可查证编号 |
评分同维度①。
8.8 本章小结
- 数据可追溯权重 15%,因为它决定 AI 敢不敢用你的内容
- 数据可信度分 S–F 七级,优先往 S/A/B/C 级靠
- 引用三要素公式:机构 + 报告名 + 年份
- 自有数据要诚实标注来源主体,不伪装第三方
- 建立企业数据资产库是 B2B 企业最高杠杆的动作
- GEO 行业自身的数据乱象,是「可追溯」价值的最佳证明
第 9 章 维度③ 结构清晰度(权重 12%)
9.1 结构是给机器省力的
回顾第 5 章的变量三:结构化降低 AI 的解析成本。
模型在有限上下文里要快速提取信息。结构越清晰,你的内容越容易被「抓住」和「使用」。
结构清晰度包含三个层面:逻辑结构、视觉结构、技术结构。技术结构(Schema)在第 17 章单独讲,本章聚焦前两者。
9.2 逻辑结构:结论先行
原则
把最重要的结论放在最前面,把论证放在后面。
这既符合新闻写作的「倒金字塔」,也符合 AI 的信息提取习惯。
改写示例
原始(铺垫式):
随着工业 4.0 的深入推进,制造业对智能检测的需求不断提升。我们公司成立于 2011 年,多年来持续投入研发,组建了专业团队,先后服务了众多客户,积累了丰富经验,在行业内树立了良好口碑,我们的视觉检测系统具备高精度、高稳定性的特点……
AI 友好版(结论先行):
XX 公司的工业视觉检测系统检测精度达 ±0.02mm,重复定位精度 ±0.01mm(来源:XX 检测中心,2025 年),处于国内领先水平。
支撑这一性能的是三项核心技术:
- 算法:自研亚像素边缘检测算法,将边缘定位误差控制在一个像素内
- 光学:采用远心镜头配合多角度环形光源,适应复杂表面
- 标定:全自动标定流程,单次标定耗时 < 30 秒
公司成立于 2011 年,累计服务客户超 1200 家。
差别: AI 在 3 秒内就能抓到「XX 公司 + ±0.02mm + 国内领先」这个可直接引用的结论。
9.3 四种高效结构模板
模板一:数字小标题式
适合:清单型、盘点型内容
## 3 大核心发现
### 1. 市场规模突破 XXX 亿元
[数据 + 来源]
### 2. XXX 成为首要选型因素
[数据 + 来源]
### 3. XXX 带来 XX 亿市场空间
[数据 + 来源]
优势: AI 可以直接引用「3 大发现」中的任意一条。
模板二:总分总式
适合:分析型内容
[一句话结论]
↓
论点 1 + 证据
论点 2 + 证据
论点 3 + 证据
↓
[总结判断]
模板三:对比表格式
适合:选型、竞品、方案比较
| 维度 | 方案 A | 方案 B | 方案 C |
|------|:---:|:---:|:---:|
| ... | ... | ... | ... |
| ... | ... | ... | ... |
**结论**:[一句话选择建议]
这是 AI 最容易解析的格式之一,强烈推荐在选型类内容中使用。
模板四:问题—答案式(FAQ 结构)
适合:产品页、服务页
### [用户真实提问]
[2-3 句直接回答,含关键数据]
[权威来源引用]
9.4 标题工程
标题是 AI 抓取内容的第一线索。
| 原则 | ❌ 差 | ✅ 好 |
|---|---|---|
| 含关键词 | 「我们的优势」 | 「工业视觉检测系统的三大核心性能指标」 |
| 含数字 | 「市场情况分析」 | 「2025 年工业视觉检测市场:3 组关键数据」 |
| 含结论 | 「关于交付周期」 | 「标准交付周期 15 天,加急可压缩至 7 天」 |
| 含实体 | 「公司简介」 | 「XX 科技:国家级高新技术企业(2024 年认定)」 |
| 层级清晰 | 全篇都用 ## | H1 → H2 → H3 严格对应逻辑层级 |
标题层级规范
H1 文章标题(一篇只有一个)
H2 一级论点
H3 二级论点 / 子项
H4 具体细节(尽量少用)
不要跳级(从 H2 直接到 H4),会让解析器理解困难。
9.5 三大高价值排版元素
元素一:表格
一个对比表格 ≈ 三段描述性文字的信息量,且解析成本更低。
推荐使用表格的场景:
- 产品参数对比
- 竞品对比
- 方案选型
- 数据汇总
- 评分对照
- 优劣势分析
元素二:加粗
把关键信息加粗,帮助 AI 快速定位重点。
建议加粗的内容:
- 核心结论
- 关键数字
- 品牌名 + 核心能力
- 权威来源
不要滥用加粗。 一段话加粗超过 3 处,等于没有加粗。
元素三:列表
并列关系用无序列表,顺序关系用有序列表。
并列(无序列表):
- 支持国产 CPU(鲲鹏、飞腾、海光、兆芯)
- 支持国产操作系统(统信 UOS、麒麟)
顺序(有序列表):
1. 需求诊断
2. 方案设计
3. 部署实施
9.6 AI 友好的排版规范清单
| # | 规范 | 说明 |
|---|---|---|
| 1 | 结论前置 | 每段首句是核心观点 |
| 2 | 段落短 | 每段不超过 5 行,3–4 行最佳 |
| 3 | 层级不超 4 层 | H1–H4,不要更深 |
| 4 | 多用表格 | 对比、参数、汇总场景必用 |
| 5 | 关键数据加粗 | 但一段不超 3 处 |
| 6 | 数字用阿拉伯数字 | 「12.3%」优于「百分之十二点三」 |
| 7 | 单位统一 | mm、kg、元、天,全文一致 |
| 8 | 避免超长句 | 单句不超过 40 字 |
| 9 | 重要信息配小标题 | 便于分块提取 |
| 10 | 首屏有摘要 | 文章开头 100 字内概述核心内容 |
9.7 维度③ 自查表
| # | 检查项 | ✅/❌ |
|---|---|---|
| 1 | 全文核心结论在开头 100 字内出现 | |
| 2 | 每段首句是观点句 | |
| 3 | 至少有 1 个表格 | |
| 4 | 标题含关键词/数字/结论 | |
| 5 | 标题层级清晰,无跳级 | |
| 6 | 段落平均不超过 5 行 | |
| 7 | 关键数字已加粗,且未滥用 | |
| 8 | 有清晰的摘要或导语 |
评分同维度①。
9.8 本章小结
- 结构的本质是降低 AI 的解析成本
- 结论先行是最重要的单一原则
- 四种高效模板:数字小标题、总分总、对比表格、问题—答案
- 标题要含关键词/数字/结论,层级不跳级
- 表格、加粗、列表是三大高价值排版元素,但不要滥用
第 10 章 维度④ FAQ 覆盖(权重 12%)
10.1 为什么 FAQ 是高杠杆动作
回到第 4 章的第③关:检索(Retrieval)。
用户向 AI 提问时,系统要在信源池里召回与问题最相关的内容。
FAQ 的战略价值在于:它直接命中用户的「提问原话」。
普通文章写的是「我想说的」,FAQ 写的是「用户会问的」。当用户的原话和你的 FAQ 标题高度重合时,召回概率大幅提升。
核心判断 FAQ 让你从「我要讲什么」切换到「用户在问什么」。 这是内容视角的根本转变,也是 ROI 最高的优化动作之一。
10.2 用户的问题从哪来
五大问题源
| 来源 | 采集方法 | 价值 |
|---|---|---|
| 知乎 | 搜索行业关键词,看高赞问题标题 | 极高 |
| 百度知道/百度相关搜索 | 搜核心词,看「大家还在搜」 | 极高 |
| 微信搜一搜 | 输入关键词,看下拉推荐和结果 | 高 |
| AI 平台本身 | 直接问 AI「XX 行业客户最常问什么」 | 高 |
| 企业自有数据 | 客服记录、销售话术、售前咨询、400 电话记录 | 极高(独家) |
企业自有数据是被严重低估的宝库。 你的销售每天回答的问题,就是最真实的客户提问。
采集清单模板
| # | 用户原话问题 | 来源 | 月提问频次 | 是否已覆盖 |
|---|---|---|---|---|
| 1 | 「XX 设备多少钱一台?」 | 售前咨询 | 高 | ❌ |
| 2 | 「XX 和 YY 哪个好?」 | 知乎 | 中 | ❌ |
| 3 | 「XX 支持定制吗?」 | 客服 | 高 | ✅ |
10.3 问题挖掘方法
方法一:平台搜索法
在知乎、百度知道、微信搜一搜搜索你的核心关键词,记录所有出现的问题标题。
重点关注:
- 「XXX 怎么样」
- 「XXX 和 YYY 哪个好」
- 「如何选择 XXX」
- 「XXX 多少钱」
- 「XXX 的核心指标是什么」
- 「XXX 有哪些品牌」
方法二:AI 反向提问法
直接问 AI:
「我想了解工业视觉检测设备,作为一个采购方,我通常需要搞清楚哪些问题?」
AI 会给你一份问题清单——这本质上就是在读 AI 的「检索意图图谱」。
方法三:销售/客服访谈法
把销售和客服拉过来,问三个问题:
- 客户最常问的 10 个问题是什么?
- 哪个问题最难解释?
- 哪个问题问出来说明客户已经进入决策阶段?
10.4 FAQ 答案的写作公式
四要素公式
① 直接回答(2–3 句,第一句给结论)
② 关键数据(具体数字,加粗)
③ 权威来源(机构 + 年份)
④ 品牌主体绑定(明确说出是谁)
示例
问题:工业视觉检测设备的检测精度一般能达到多少?
回答: 主流工业视觉检测设备的检测精度通常在 0.01mm–0.05mm 区间,具体取决于镜头倍率、光源方案和算法能力。(① 直接回答)
据中国XX协会《2025 年机器视觉产业发展报告》,国内中高端设备的平均精度为 0.03mm;XX 公司的 XX 系列产品达到 ±0.02mm,重复定位精度 ±0.01mm。(② 数据 + ③ 来源 + ④ 品牌绑定)
如果你的应用场景对精度要求更高(如半导体封装),需要配合更高倍率镜头和定制光源方案。
注意最后一句: 主动提供延伸信息,增加内容的信息密度和实用性——AI 更愿意引用「有用」的内容。
10.5 FAQ 的布局位置
FAQ 不该只放在一个页面,而应分布式部署:
| 位置 | 内容 | 作用 |
|---|---|---|
| 官网独立 FAQ 页 | 全量高频问题(30–50 条) | 集中覆盖,配合 FAQ Schema |
| 每个产品页底部 | 该产品的专属问题(5–10 条) | 场景化召回 |
| 每篇内容末尾 | 与本文相关的 3–5 个问题 | 提升单篇召回率 |
| 知乎回答 | 一个问题一个回答 | 命中知乎信源池 |
| 公众号文章 | 文末 Q&A 区块 | 命中微信搜一搜 |
| 产品手册/白皮书 | 附录 FAQ | 权威内容配套 |
技术加持:FAQ Schema
在 FAQ 页面添加 JSON-LD 标记,直接告诉机器「这是问答内容」:
<script type="application/ld+json">
{
"@context": "https://schema.org",
"@type": "FAQPage",
"mainEntity": [
{
"@type": "Question",
"name": "工业视觉检测设备的检测精度一般能达到多少?",
"acceptedAnswer": {
"@type": "Answer",
"text": "主流设备精度通常在 0.01mm–0.05mm。据中国XX协会(2025 年)报告,国内中高端设备平均精度为 0.03mm。"
}
}
]
}
</script>
10.6 常见错误
| 错误 | 后果 | 正确做法 |
|---|---|---|
| 自问自答营销问题(「为什么选择我们?」) | 用户不会这样问,召回不到 | 用客户真实提问 |
| 答案绕弯子 | AI 抓不到结论 | 第一句就给答案 |
| 答案无数据 | 信息密度低,不被引用 | 补具体数字 |
| 只做一页 FAQ | 覆盖窄 | 分布式部署 |
| 从不更新 | 时效性差 | 随提问变化补充 |
| 忽略微信搜一搜的问题 | 漏掉一半战场 | 双平台采集 |
10.7 维度④ 自查表
| # | 检查项 | ✅/❌ |
|---|---|---|
| 1 | 有独立的 FAQ 页面,且不少于 20 条 | |
| 2 | FAQ 问题来自真实用户提问(非自造) | |
| 3 | 已覆盖知乎/百度知道/微信搜一搜的高频问题 | |
| 4 | 每条答案第一句给出结论 | |
| 5 | 每条答案含具体数据 | |
| 6 | 每条答案含权威来源 | |
| 7 | 答案中明确了品牌主体 | |
| 8 | 部署了 FAQ Schema 结构化数据 |
评分同维度①。
10.8 本章小结
- FAQ 直接命中用户的提问原话,是召回环节的最高杠杆
- 五大问题源:知乎、百度知道、微信搜一搜、AI 平台、企业自有客服数据
- 答案写作四要素:直接回答 → 关键数据 → 权威来源 → 品牌绑定
- FAQ 要分布式部署,不是只做一个页面
- 配合 FAQ Schema,让机器明确识别
模块三(上)结束。 四维已过:实体、数据、结构、FAQ。 接下来是另外四维:平台适配、SEO 双轨、合规安全、社交信号。
模块三 方法体系(中):维度⑤–⑥
第 11 章 维度⑤ AI 平台适配(权重 12%)
11.1 为什么「一稿多发」在中国基本无效
第 3 章讲过中国生态的特殊性:平台闭环,内容不通用。
- 抖音的内容,在微信生态权重极低
- 公众号长文,在抖音生态几乎不会被推荐
- 知乎的内容可以被 Kimi 高效召回,但在豆包那里优先级低
每个 AI 平台的检索信源池,是一个相对封闭的圈子。 你的内容必须进入「对的池子」,并且以「对的形态」存在。
核心判断 内容适配不是「多平台发同一篇」, 而是「一个核心内容 + N 个平台原生版本」。
11.2 平台适配的三个层次
| 层次 | 说明 | 难度 | 效果 |
|---|---|---|---|
| L1 格式适配 | 把同一内容改排版发到不同平台 | 低 | 低 |
| L2 内容适配 | 按平台内容偏好重写(长度、文风、重点) | 中 | 高 |
| L3 生态适配 | 融入平台原生生态(话题、互动、算法机制) | 高 | 极高 |
大多数企业停在 L1,而 L2 才是分水岭。
11.3 六大平台适配操作手册
平台一:文心一言 / 百度 AI 搜索
信源池: 百度收录的网页、百度百科、百度知道、百度系产品
| 动作 | 具体执行 |
|---|---|
| 核心抓手 | 百度收录 + 百度百科 + 结构化数据 |
| 内容形态 | 官网文章、百度百家号、百度知道回答 |
| 技术动作 | 提交百度资源平台;部署 JSON-LD 结构化数据;提交 sitemap |
| 内容要求 | 结论清晰、有数据、有来源——百度 AI 摘取偏好「可验证事实」 |
| 高频错误 | 官网没做任何 SEO,导致根本不被收录 |
关键认知:百度是地基中的地基。 百度搜不到 = 文心一言看不见 = 丢掉中国 AI 搜索最大的一块基本盘。
平台二:DeepSeek
信源池: 技术社区、GitHub、知乎技术内容、技术博客
| 动作 | 具体执行 |
|---|---|
| 核心抓手 | 技术深度 + 开源 + 知乎技术问答 |
| 内容形态 | 技术原理拆解、方案对比、选型指南、开源项目 |
| 平台优先 | 知乎 > 技术博客 > GitHub > 公众号 |
| 内容要求 | 有技术细节、有原理、有对比、有数据;避免营销腔 |
| 高频错误 | 用营销话术写技术内容,被判定为低质 |
适配要点: DeepSeek 的用户群偏技术、偏理性。内容要讲清楚「为什么」,而不只是「是什么」。
示例适配:
| ❌ 通用版 | ✅ DeepSeek 适配版 |
|---|---|
| 「我们的系统采用先进的 AI 算法,识别准确率高达 99.5%」 | 「系统采用亚像素边缘检测 + 自适应阈值分割算法。在 500 组标准测试样本上,误检率 0.5%(漏检 0.3%、误检 0.2%),测试方法见附录」 |
平台三:Kimi
信源池: 知乎高赞、公众号长文、深度研究报告
| 动作 | 具体执行 |
|---|---|
| 核心抓手 | 长文深度 + 逻辑完整 + 知乎机构号 |
| 内容形态 | 深度长文(3000 字以上)、白皮书、行业研究 |
| 平台优先 | 知乎机构号 > 公众号长文 > 行业媒体 |
| 内容要求 | 逻辑链完整、论证充分、有数据支撑;长文本处理是 Kimi 强项 |
| 高频错误 | 内容太短、太碎,信息量不足以支撑长文本召回 |
适配要点: Kimi 擅长长文本,你的内容越完整、越系统,越占优势。 适合把一篇深度研究做成「一站式解答」。
平台四:豆包
信源池: 抖音、今日头条、权威媒体、百度百科
| 动作 | 具体执行 |
|---|---|
| 核心抓手 | 短视频 + 图文 + 头条号 |
| 内容形态 | 短视频(1–3 分钟)、头条图文、可视化数据 |
| 平台优先 | 抖音 > 头条号 > 西瓜视频 |
| 内容要求 | 轻量、直观、有画面感;数据可视化 |
| 高频错误 | 只发长文,完全不做视频和头条 |
适配要点: 豆包背后是字节生态。做豆包 = 做抖音搜索 + 头条内容。 建议把核心内容做成 3–5 条短视频 + 1 篇头条图文。
平台五:腾讯元宝 / 微信搜一搜
信源池: 公众号、视频号、微信生态内容
| 动作 | 具体执行 |
|---|---|
| 核心抓手 | 公众号原创 + 视频号 + 微信搜一搜关键词 |
| 内容形态 | 公众号深度文章(2000–5000 字)、视频号短视频 |
| 平台优先 | 公众号原创 > 视频号 > 小程序 |
| 内容要求 | 原创(微信对原创权重大)、标题含关键词、首段含核心结论 |
| 高频错误 | 只做百度忽略微信,或公众号发文不做标题关键词优化 |
适配要点: 微信搜一搜是当前竞争最不充分的高价值战场。很多行业第一页还是几年前的内容,优化空间极大。
微信搜一搜优化动作:
- 标题包含用户搜索的关键词(自然融入,不堆砌)
- 公众号简介、菜单、自动回复设置关键词
- 文章首段即出现核心关键词与结论
- 保持原创声明(原创权重更高)
- 视频号简介与标题同步关键词
- 引导「在看」「分享」(社交信号反哺搜索权重)
平台六:通义千问
信源池: 权威行业报告、企业信息库、电商生态
| 动作 | 具体执行 |
|---|---|
| 核心抓手 | 权威数据引用 + 企业信息完整 + 资质公开 |
| 内容形态 | 行业报告、企业白皮书、资质公示 |
| 平台优先 | 行业媒体 > 企业官方 > 电商平台 |
| 内容要求 | 数据权威、企业信息完整(企查查/天眼查) |
| 高频错误 | 企业信息平台残缺,导致无法被识别 |
11.4 「一源多改」方法论
核心思路
先做一个「源内容」,再派生多个平台版本。
┌─────────────────┐
│ 源内容(母本) │
│ 深度、完整、有据 │
└────────┬────────┘
↓ 派生
┌──────────┬──────────┼──────────┬──────────┐
↓ ↓ ↓ ↓ ↓
百度版 知乎版 公众号版 抖音版 头条版
结构化 技术深度 深度长文 短视频脚本 轻量图文
+百科 +原理 +场景 +可视化 +要点
派生对照表
| 平台版本 | 长度 | 重点 | 形态 | 核心动作 |
|---|---|---|---|---|
| 百度版 | 1500–3000 字 | 结论 + 数据 + 结构化 | 官网文章 + Schema | 提交收录 |
| 知乎版 | 2000–4000 字 | 技术原理 + 论证 | 问答/文章 | 机构号回答 |
| 公众号版 | 2000–5000 字 | 场景 + 故事 + 观点 | 图文长文 | 关键词标题 |
| 抖音版 | 60–180 秒 | 单点结论 + 画面 | 短视频 | 关键词字幕 |
| 头条版 | 800–1500 字 | 要点 + 数据 | 图文 | 热点结合 |
| 行业媒体版 | 2000–3000 字 | 行业视角 + 数据 | 投稿文章 | 权威背书 |
关键原则:不是复制粘贴,是「同一份信息,按平台口味重新组织」。
11.5 适配的投入优先级
预算有限时怎么办?按行业选两个主战场打透。
| 行业类型 | 优先平台组合 | 理由 |
|---|---|---|
| 工业品 B2B | 文心一言 + DeepSeek + 微信搜一搜 | 权威 + 技术 + 决策链 |
| 消费品 | 豆包 + 小红书 + 微信 | 流量 + 种草 + 私域 |
| 专业服务(法律/咨询) | 文心一言 + Kimi + 公众号 | 权威 + 深度 + 信任 |
| 教育培训 | 文心一言 + 豆包 + 星火 | 搜索 + 流量 + 场景 |
| 医疗健康 | 文心一言 + 权威媒体 + 公众号 | 合规 + 权威 + 信任 |
| 本地生活 | 豆包 + 小红书 + 微信 | 流量 + 社区 + 到店 |
11.6 维度⑤ 自查表
| # | 检查项 | ✅/❌ |
|---|---|---|
| 1 | 明确了本行业的 2–3 个优先平台 | |
| 2 | 已有针对性的平台适配内容(非一稿多发) | |
| 3 | 在百度有收录,企业信息平台信息完整 | |
| 4 | 在知乎有机构号或高质量问答 | |
| 5 | 公众号有持续原创输出 | |
| 6 | 有短视频内容(做豆包必须) | |
| 7 | 微信搜一搜核心关键词能搜到自家内容 | |
| 8 | 建立了「一源多改」的内容生产流程 |
评分同第 7 章。
11.7 本章小结
- 中国平台闭环,一稿多发无效,必须做平台适配
- 适配三层次:格式 → 内容 → 生态,L2 是分水岭
- 六大平台各有抓手:百度收录、技术深度、长文深度、短视频、公众号原创、权威数据
- 「一源多改」是效率最高的生产模式
- 预算有限时,按行业选两个主战场打透
第 12 章 维度⑥ SEO 双轨(权重 10%)
12.1 SEO 是 GEO 的地基
第 2 章说过:SEO 沉淀的资产会反哺 GEO 的可信度评分。
具体来说:
百度收录良好 → 文心一言、百度 AI 搜索可见
官网权重高 → 实体权威性评分高
结构化数据全 → AI 解析效率高
微信搜一搜覆盖 → 腾讯元宝、微信生态可见
这一维度权重只有 10%,但它决定其他维度能不能生效——因为它是「看得见」的前提。
12.2 百度 SEO 的三个基础动作
动作一:确保被收录
这是底线。没有收录,后面全是零。
| 步骤 | 操作 |
|---|---|
| 1 | 注册百度搜索资源平台(ziyuan.baidu.com) |
| 2 | 验证网站所有权 |
| 3 | 提交 sitemap 和 URL |
| 4 | 检查站点是否有屏蔽百度蜘蛛的规则 |
| 5 | 定期查看抓取诊断,排查异常 |
动作二:检查 robots.txt
这是最容易出事、也最容易忽略的一环。
用命令行检查:
curl -s https://你的域名/robots.txt
必须确认: 没有 Disallow: / 这种全站屏蔽,没有误屏蔽关键目录。
推荐的 robots.txt 写法:
User-agent: Baiduspider
Allow: /
User-agent: Sogou web spider
Allow: /
User-agent: 360Spider
Allow: /
User-agent: *
Allow: /
Disallow: /admin/
Disallow: /temp/
重要提示 各 AI 平台的爬虫标识(User-Agent)会随平台更新,请以各平台官方文档公布的最新标识为准。 原则是:对搜索引擎和内容抓取类爬虫保持开放,只屏蔽后台、临时目录等无价值页面。
动作三:基础 SEO 优化
| 要素 | 要求 |
|---|---|
| TDK | 标题(Title)含核心关键词;描述(Description)含结论;关键词(Keywords)不必堆砌 |
| URL 结构 | 语义化,如 /products/vision-inspection-system |
| H 标签 | H1 唯一,层级正确 |
| 内链 | 相关页面互相链接,形成主题簇 |
| 外链 | 优质第三方链接(媒体、协会、合作伙伴) |
| 移动适配 | 移动端友好(百度移动优先索引) |
| 加载速度 | 首屏 < 3 秒 |
| 内容更新 | 定期更新,保持活跃度 |
12.3 微信搜一搜优化
为什么它被严重低估
- 微信月活用户超过十亿,搜一搜是高频入口
- 公众号内容在微信内权重远高于外部内容
- 很多行业的搜一搜第一页,还是几年前的旧内容
- 竞争强度远低于百度
优化动作清单
| # | 动作 | 说明 |
|---|---|---|
| 1 | 公众号名称含核心关键词 | 让 AI 和用户都能一眼识别你是谁 |
| 2 | 公众号简介写清楚业务 | 简介也是被索引的内容 |
| 3 | 文章标题含用户搜索词 | 自然融入,不堆砌 |
| 4 | 首段 200 字内出现核心关键词与结论 | 提升相关性判断 |
| 5 | 坚持原创声明 | 原创内容权重明显更高 |
| 6 | 文章内使用关键词小节标题 | 帮助内容分块被索引 |
| 7 | 视频号同步关键词 | 视频号内容也进入搜索池 |
| 8 | 菜单栏设置关键词入口 | 提升账号相关性 |
| 9 | 引导「在看」「转发」 | 社交信号反哺搜索权重 |
| 10 | 定期更新、保持活跃 | 活跃账号权重更高 |
一个实战技巧:用搜一搜反推选题
打开微信搜一搜,输入你的核心关键词,观察:
- 下拉联想:这是用户真实高频搜索词
- 搜索结果类型:是文章多还是视频号多?说明哪种形态更吃香
- 时间分布:第一页内容是新的还是旧的?判断竞争强度
下拉联想里的每一个词,都是一篇该写的文章。
12.4 双轨关键词策略
关键词的三层结构
| 层级 | 特征 | 举例 | 优先级 |
|---|---|---|---|
| 核心词 | 品类词,竞争激烈 | 「工业视觉检测设备」 | 中 |
| 长尾词 | 具体场景/问题 | 「汽车零部件视觉检测方案」 | 高 |
| 问题词 | 用户口语提问 | 「视觉检测设备精度能到多少」 | 最高 |
GEO 时代,长尾词和问题词的价值远超核心词。
原因:AI 回答的是具体问题,不是宽泛品类。用户问「汽车零部件检测用哪种视觉方案」,远比问「视觉检测设备」更可能触发 AI 的详细推荐。
关键词矩阵模板
| 核心词 | 长尾词 | 问题词 |
|---|---|---|
| 工业视觉检测 | 汽车零部件检测方案 | 视觉检测精度能到多少 |
| 3C 电子外观检测 | 视觉检测和人工检测哪个成本低 | |
| 食品包装缺陷检测 | 视觉检测设备多久回本 |
每一行,就是一篇内容。
百度 vs 微信的关键词差异
| 维度 | 百度 | 微信搜一搜 |
|---|---|---|
| 搜索意图 | 更宽泛,信息型为主 | 更具体,决策型偏多 |
| 内容偏好 | 网页、资讯、百科 | 公众号文章、视频号 |
| 竞争强度 | 高 | 低 |
| 优化重点 | 官网 + 收录 | 公众号 + 标题 |
| 建议 | 打长尾,避核心词红海 | 尽早布局,抢占洼地 |
12.5 结构化数据:SEO 与 GEO 的交汇点
结构化数据是唯一同时服务 SEO 和 GEO 的动作。
| 类型 | 用途 | 部署位置 |
|---|---|---|
| Organization | 企业信息 | 首页 |
| Article | 文章信息 | 内容页 |
| Product | 产品信息 | 产品页 |
| FAQPage | 问答 | FAQ 页 |
| BreadcrumbList | 面包屑 | 全站 |
百度专属结构化数据(提交到百度搜索资源平台):
<script type="application/ld+json">
{
"@context": "https://ziyuan.baidu.com/contexts/cambrian.jsonld",
"@id": "https://example.com/page",
"title": "页面标题",
"description": "页面描述",
"pubDate": "2026-01-01T00:00:00",
"upDate": "2026-09-01T00:00:00"
}
</script>
详细部署方法见第 17 章。
12.6 维度⑥ 自查表
| # | 检查项 | ✅/❌ |
|---|---|---|
| 1 | 网站已被百度收录(site:你的域名 有结果) | |
| 2 | 已在百度搜索资源平台提交 sitemap | |
| 3 | robots.txt 未误屏蔽爬虫 | |
| 4 | 全站 TDK 规范,含核心关键词 | |
| 5 | 移动端适配良好 | |
| 6 | 已部署至少 3 类 Schema 结构化数据 | |
| 7 | 公众号持续原创更新 | |
| 8 | 微信搜一搜核心关键词能搜到自家内容 |
评分同第 7 章。
12.7 本章小结
- SEO 是 GEO 的地基,权重 10% 但决定其他维度能否生效
- 百度三动作:确保收录、检查 robots.txt、基础 SEO
- 微信搜一搜是竞争最不充分的洼地,务必尽早布局
- GEO 时代长尾词和问题词的价值 > 核心词
- 结构化数据是唯一同时服务 SEO 和 GEO 的动作
模块三(中)结束。 下一部分:合规安全(最容易翻车的一维)与社交信号(AI 眼中的第三方证言)。
模块三 方法体系(下):维度⑦–⑧
第 13 章 维度⑦ 合规安全(权重 12%)
13.1 为什么合规是「前置条件」而不是「附加项」
在中国做 GEO,合规有一条和其他维度完全不同的性质:
其他维度做得差,是「效果不好」;合规出问题,是「全盘归零」。
具体来说:
- 违规内容不只是不被收录,可能导致品牌信源被整体降权
- 生成式 AI 平台受严格监管,对内容的合规审查远严于传统搜索引擎
- 医疗、金融、教育、房地产等强监管行业,有额外的行业法规约束
- 一旦被处罚,公开记录会长期存在,成为 AI 认知里的负面标签
核心判断 合规不是「做完了再检查一遍」, 而是「在动笔之前就要知道的红线」。
13.2 法规地图:四层约束
做中国 GEO,需要了解四层法规约束:
第一层:生成式 AI 专项法规
| 法规 | 发布主体 | 施行时间 | 对你的影响 |
|---|---|---|---|
| 《生成式人工智能服务管理暂行办法》 | 国家网信办等七部门 | 2023 年 8 月 15 日 | 生成式 AI 服务须备案;内容须合法合规 |
| 《人工智能生成合成内容标识办法》 | 国家网信办等四部门 | 2025 年 9 月 1 日 | AI 生成内容须添加标识 |
| 《互联网信息服务深度合成管理规定》 | 国家网信办等三部门 | 2023 年 1 月 10 日 | 深度合成内容须标识 |
| 《互联网信息服务算法推荐管理规定》 | 国家网信办等四部门 | 2022 年 3 月 1 日 | 算法推荐须透明、可申诉 |
实践意义: 截至 2025 年 11 月,已有 611 款生成式 AI 服务完成备案、306 款完成登记(国家网信办公告)。这意味着主流 AI 平台都在监管框架内运行,对内容的合规要求只会更严,不会更松。
第二层:广告与宣传法规
| 法规 | 关键约束 |
|---|---|
| 《中华人民共和国广告法》 | 禁止绝对化用语;禁止虚假宣传;特殊行业有专门规定 |
| 《反不正当竞争法》 | 禁止虚假宣传、商业诋毁 |
| 《消费者权益保护法》 | 禁止虚假或引人误解的宣传 |
第三层:数据与隐私法规
| 法规 | 关键约束 |
|---|---|
| 《数据安全法》 | 数据处理须合法正当;重要数据须合规管理 |
| 《个人信息保护法》 | 收集使用个人信息须获同意;须脱敏 |
| 《网络安全法》 | 网络运营者基本安全义务 |
第四层:行业专项法规
| 行业 | 主要约束 |
|---|---|
| 医疗健康 | 《医疗广告管理办法》——禁止疗效保证、禁止用患者名义证明 |
| 金融 | 《金融产品网络营销管理办法》等——禁止保本保收益承诺 |
| 教育培训 | 禁止升学率保证、禁止师资虚假宣传 |
| 房地产 | 禁止升值承诺、禁止学区房承诺 |
| 食品 | 禁止疾病治疗功能宣称 |
13.3 广告法绝对化用语:完整清单
这是最高频的违规点。
《广告法》第九条明确规定,广告不得使用「国家级」「最高级」「最佳」等用语。
高风险词清单
| 类别 | 禁用词示例 |
|---|---|
| 最高级类 | 最好、最佳、最优、最强、最大、最先进、最便宜、最权威、最专业 |
| 国家级类 | 国家级、国家免检、国家×××中心推荐 |
| 绝对类 | 第一、唯一、独家、首创、绝无仅有、史无前例、万能 |
| 权威类 | 国家级产品、填补国内空白、国内领先(无依据)、世界领先(无依据) |
| 百分百类 | 100% 有效、零风险、绝对安全、永不××× |
| 时间类 | 永久、一次见效、立竿见影、终身免费 |
合规改写对照
| ❌ 违规 | ✅ 合规 |
|---|---|
| 「国内最好的工业视觉检测设备」 | 「国内主流的工业视觉检测设备之一」 |
| 「检测精度行业第一」 | 「据 XX 报告(2025 年),检测精度为 ±0.02mm,处于行业前列」 |
| 「100% 通过率」 | 「在 2025 年 500 组测试样本中,通过率为 99.2%」 |
| 「国家级高新技术企业」 | 「国家高新技术企业(2024 年认定)」← 注意:这是有正式认定依据的资质名称,可写 |
| 「独家技术」 | 「自主研发技术(专利号:ZL××××)」 |
| 「永久免费升级」 | 「提供软件版本升级服务(具体期限以合同约定为准)」 |
重要区分 「国家级」作为违法宣传用语被禁止,但「国家高新技术企业」「国家级专精特新"小巨人"企业」这类有正式认定文件、有准确认定名称的资质,可以如实表述。 判断标准:有没有官方认定文件,名称是否与认定文件完全一致。
合规的替代表达
| 想表达 | 合规写法 |
|---|---|
| 「我们最好」 | 「据 [第三方来源],[具体指标] 达到 [具体数值]」 |
| 「市场第一」 | 「据 [机构]《[报告名]》([年份]),市场占有率为 [X]%,位居 [位次]」 |
| 「客户都说好」 | 「据本公司 2025 年客户满意度调研(有效样本 N 份),满意度为 X%」 |
规律:用「有来源的具体事实」替代「无依据的自我评价」。
13.4 行业敏感禁区
通用禁区
| 禁区 | 说明 |
|---|---|
| 涉政敏感 | 严禁涉及政治敏感内容 |
| 民族宗教 | 避免任何可能引发争议的表述 |
| 性别地域歧视 | 避免刻板印象和歧视性表达 |
| 低俗内容 | 避免擦边内容 |
| 虚假信息 | 不编造数据、案例、资质 |
| 诋毁竞品 | 不指名贬低竞争对手 |
行业专项禁区
| 行业 | 禁区要点 |
|---|---|
| 医疗健康 | 禁疗效保证、禁患者证言、禁「治愈率」表述、禁暗示治愈 |
| 金融 | 禁保本保收益、禁承诺回报率、须风险提示 |
| 教育 | 禁升学率/通过率保证、禁「名师」无据宣传 |
| 食品保健 | 禁疾病预防治疗功能宣称 |
| 化妆品 | 禁功效夸大、禁医疗术语 |
| 招商加盟 | 禁收益承诺、须风险提示 |
13.5 数据合规与隐私保护
三个必须做的事
(1)客户案例脱敏
引用客户案例时:
| ❌ | ✅ |
|---|---|
| 「某银行(中国银行)采购了我们的系统」 | 「某股份制商业银行(应客户要求匿名)」 |
| 直接放客户 LOGO 墙 | 取得书面授权后再展示 |
| 公开客户内部数据 | 脱敏为区间或百分比 |
(2)数据来源留痕
所有对外引用的数据,保留原始出处链接或文件。这既满足合规要求,也是第 8 章「数据可追溯」的执行基础。
(3)AI 生成内容标识
根据《人工智能生成合成内容标识办法》,AI 生成的图片、视频、音频等合成内容,需添加显式或隐式标识。企业使用 AIGC 制作宣传素材时需要注意。
13.6 合规检查清单
发布前必须逐项确认:
| # | 检查项 | ✅/❌ |
|---|---|---|
| 1 | 无「最」「第一」「唯一」「国家级」等绝对化用语 | |
| 2 | 所有数据有明确来源与年份 | |
| 3 | 无虚假、夸大、无依据的宣传表述 | |
| 4 | 客户案例已脱敏或取得授权 | |
| 5 | 无竞品诋毁内容 | |
| 6 | 行业专项禁区已排查(医疗/金融/教育等) | |
| 7 | 无涉政、涉民族宗教、歧视性表述 | |
| 8 | 相关文件有免责声明(如适用) | |
| 9 | AI 生成素材已添加标识(如适用) | |
| 10 | 引用的资质、专利、认证均真实可查 |
13.7 维度⑦ 自查表
| # | 检查项 | ✅/❌ |
|---|---|---|
| 1 | 已通读《广告法》第九条禁用词清单 | |
| 2 | 全站内容做过敏感词扫描 | |
| 3 | 已清理所有绝对化用语 | |
| 4 | 行业专项合规要求已梳理 | |
| 5 | 建立了内容发布前的合规审核流程 | |
| 6 | 客户案例有授权或已脱敏 | |
| 7 | 有数据来源留痕机制 | |
| 8 | 关键页面有免责声明(强监管行业) |
评分同第 7 章。
13.8 本章小结
- 合规是前置条件:其他维度差是效果问题,合规差是归零问题
- 四层法规约束:生成式 AI 专项、广告宣传、数据隐私、行业专项
- 《广告法》绝对化用语是最高频违规点,附完整清单
- 区分「国家级」违法用语与「国家高新技术企业」正式资质
- 客户案例脱敏、数据留痕、AI 内容标识是三个必备动作
第 14 章 维度⑧ 社交信号(权重 12%)
14.1 为什么 AI 也看「别人怎么说你」
回到第 5 章的「可信度」变量:AI 判断可信度的重要依据是「交叉验证」。
一个信息,如果只出现在你的官网,AI 会视为自我宣传。 如果同时出现在知乎、公众号、行业协会、行业媒体,AI 会认为这是被广泛认可的共识。
社交信号的作用,就是为你的品牌提供「第三方语境」。
核心判断 官网是你的「自述」,社交平台是「他人的证言」。 AI 对证言的信任度,高于自述。
14.2 四大平台的 GEO 价值
| 平台 | AI 价值 | 内容形态 | 优先度(B2B) |
|---|---|---|---|
| 知乎 | 被 Kimi、DeepSeek 高权重召回 | 问答、专栏文章 | ★★★★★ |
| 微信公众号 | 被腾讯元宝、微信搜一搜召回 | 深度图文 | ★★★★★ |
| 视频号 | 微信生态 + 元宝召回 | 短视频 | ★★★★ |
| 抖音 | 被豆包高权重召回 | 短视频、图文 | ★★★★ |
| 小红书 | 被小红书 AI、年轻用户搜索召回 | 图文笔记 | ★★★(消费品★★★★★) |
| B站 | 技术/深度内容,长尾价值 | 中长视频 | ★★★ |
| 头条号 | 被豆包召回 | 图文 | ★★★ |
| 百家号 | 被百度系召回 | 图文 | ★★★ |
为什么知乎是 B2B 的第一社交信号平台
- 知乎内容被 Kimi、DeepSeek 高度采信(Kimi 明确偏好知乎高赞内容)
- 知乎问答天然匹配「问题词」,与 AI 的检索意图高度重合
- 知乎内容具备长尾效应:一条高赞回答可以持续数年带来引用
- 知乎的机构号认证本身就是一个权威性信号
14.3 内容矩阵设计
三层矩阵模型
┌──────────────────────────────────┐
│ 第一层:权威阵地(深度) │
│ 知乎机构号 + 公众号 + 官网 │
│ 作用:建立专业形象、被 AI 高权重召回 │
└──────────────────────────────────┘
↓
┌──────────────────────────────────┐
│ 第二层:流量阵地(广度) │
│ 视频号 + 抖音 + 头条 + 百家号 │
│ 作用:扩大覆盖面、进入多平台信源池 │
└──────────────────────────────────┘
↓
┌──────────────────────────────────┐
│ 第三层:长尾阵地(垂类) │
│ 小红书 + B站 + 行业媒体 + 论坛 │
│ 作用:覆盖细分人群与场景 │
└──────────────────────────────────┘
内容配比建议(B2B 企业)
| 内容类型 | 占比 | 举例 |
|---|---|---|
| 问题解答类 | 40% | 「XX 设备怎么选」「XX 和 YY 的区别」 |
| 技术知识类 | 25% | 原理拆解、参数解读、行业标准 |
| 案例实践类 | 20% | 客户案例、项目复盘(脱敏后) |
| 行业观点类 | 15% | 趋势判断、政策解读、行业观察 |
问题解答类占比最高——因为它们直接对应 AI 的检索意图。
14.4 一致性管理
社交信号最怕的不是量少,是「说法不一致」。
必须统一的五项
| 项 | 要求 |
|---|---|
| 企业名称 | 全平台统一(见第 7 章) |
| 核心定位 | 一句话描述必须一致 |
| 关键数据 | 客户数、专利数、成立时间等,各平台说法一致 |
| 核心优势 | 不要今天说「精度高」,明天说「服务好」,后天说「便宜」 |
| 视觉标识 | LOGO、色彩、字体统一 |
不一致的后果
AI 在交叉验证时,如果发现多个来源的数据打架,会降低整体可信度,甚至可能采用错误(较早)的那个版本。
更糟的情况:AI 会把两个数据都写进答案,造成用户困惑。
一致性检查方法
| 检查项 | 方法 |
|---|---|
| 企业名称 | 各平台搜一遍,对比显示名称 |
| 关键数据 | 列出 5 个核心数据,逐平台核对 |
| 核心定位 | 各平台简介并排对比 |
| 成立时间 | 全平台一致性检查 |
14.5 KOL / KOC 的 GEO 价值
第三方账号的内容,在 AI 眼中的「可信度」通常高于企业自营账号——因为它被视为「独立证言」。
三种合作方式
| 方式 | 说明 | GEO 价值 |
|---|---|---|
| 行业专家合作 | 邀请业内专家撰写或联名内容 | 高——专家本身是权威实体 |
| KOL 深度测评 | 邀请垂类 KOL 做专业评测 | 高——第三方视角 |
| KOC 真实体验 | 邀请真实用户分享使用经验 | 中高——真实感 |
合作内容的关键要求
必须包含「事实信息」而不只是「感受」。
| ❌ 价值低 | ✅ 价值高 |
|---|---|
| 「这个设备用起来真不错」 | 「这款设备精度 ±0.02mm,我们的产线良率提升了 3.2 个百分点」 |
| 「推荐这家公司」 | 「XX 公司在汽车零部件检测领域有 200+ 案例,交付周期 15 天」 |
原因: AI 需要的是可引用的事实,而不是主观评价。
14.6 社交信号的实际操作节奏
| 频率 | 动作 |
|---|---|
| 每周 | 知乎回答 2–3 个行业问题;公众号发 1 篇深度文 |
| 每两周 | 视频号发 1 条短视频 |
| 每月 | 输出 1 篇行业分析;整理 1 个客户案例 |
| 每季度 | 发布 1 份白皮书/研究报告;做 1 次数据盘点 |
| 每半年 | 更新百科词条;做一次全平台一致性检查 |
核心原则:持续 > 爆发。 AI 对「持续活跃」的实体评价更高。一次爆量然后停更半年,效果远不如稳定输出。
14.7 维度⑧ 自查表
| # | 检查项 | ✅/❌ |
|---|---|---|
| 1 | 有知乎机构号,且有高质量回答 | |
| 2 | 公众号持续原创更新(至少月更) | |
| 3 | 有视频号或抖音内容 | |
| 4 | 覆盖至少 3 个社交平台 | |
| 5 | 全平台企业名称、定位、核心数据一致 | |
| 6 | 有 KOL/KOC 的第三方内容 | |
| 7 | 第三方内容中含可引用的事实信息 | |
| 8 | 保持稳定更新节奏(非间歇性爆量) |
评分同第 7 章。
14.8 本章小结
- 社交信号为品牌提供第三方语境,AI 对「证言」的信任高于「自述」
- 知乎是 B2B 第一社交信号平台(被 Kimi/DeepSeek 高权重召回)
- 三层矩阵:权威阵地(深度)+ 流量阵地(广度)+ 长尾阵地(垂类)
- 内容配比:问题解答类占 40%,直接对应检索意图
- 一致性比数量更重要;数据打架会降低 AI 的整体可信度评分
- 持续 > 爆发,稳定输出才能被 AI 判定为活跃实体
模块三结束。 八大维度全部拆解完毕。 下一个模块进入执行层:怎么把这些维度变成一套可运转的生产流程。
模块四 执行落地(上):内容生产与改写
模块导语 前面讲了「什么是好的内容」。这个模块讲「怎么稳定地产出好的内容」。 核心命题:把偶尔做对的事,变成每天都能做对的事。
第 15 章 GEO 内容生产流水线
15.1 五段闭环
GEO 内容不是「灵感来了写一篇」,而是一条可重复运转的流水线:
① 选题 → ② 写作 → ③ 优化 → ④ 分发 → ⑤ 监测
↑ │
└────────────── 数据反馈 ─────────────┘
每一段都有明确的输入、动作、输出。 下面逐段拆解。
15.2 第①段:选题
目标
找到「用户真实在问、AI 正在检索、竞争还不激烈」的题目。
三种选题来源
| 来源 | 采集方法 | 适用 |
|---|---|---|
| 用户提问 | 客服记录、销售话术、400 电话、知乎/百度知道/搜一搜 | 问题解答类 |
| AI 反向提问 | 直接问 AI「客户最常问什么」「这个行业的选购要点」 | 快速建题 |
| 关键词矩阵 | 核心词 × 场景 × 问题组合 | 系统性覆盖 |
选题评分卡
每个候选选题,用四个维度打分(1–5 分):
| 维度 | 说明 |
|---|---|
| 搜索需求度 | 有多少人在问这个问题? |
| 竞争强度(反向) | 现有内容质量如何?越差越好切 |
| AI 召回潜力 | 是否匹配 AI 的检索意图? |
| 业务相关性 | 是否指向你的产品或服务? |
总分 ≥ 16 分的选题,优先做。
选题库模板
| # | 选题 | 需求度 | 竞争 | 召回 | 业务 | 总分 | 状态 |
|---|---|---|---|---|---|---|---|
| 1 | 工业视觉检测设备怎么选 | 5 | 4 | 5 | 5 | 19 | 已发布 |
| 2 | 视觉检测 vs 人工检测成本对比 | 4 | 5 | 5 | 4 | 18 | 待写 |
| 3 | 视觉检测设备多久能回本 | 3 | 5 | 4 | 4 | 16 | 待写 |
实操建议 选题库建议始终保持 20 个待写选题。这样内容生产永远不会卡在「今天写什么」。
15.3 第②段:写作
目标
用AI 友好的结构写出有独特信息的内容。
写作前的三个准备
| 准备 | 说明 |
|---|---|
| 调用数据资产库 | 从第 8 章的数据库里取数据,避免临时找来源 |
| 确定改写模式 | 按内容类型选择(见第 16 章五种模式) |
| 明确目标平台 | 决定长度、文风、重点 |
写作的六条硬标准
| # | 标准 | 说明 |
|---|---|---|
| 1 | 结论先行 | 开头 100 字内给出核心结论 |
| 2 | 每段一个观点 | 段首句即观点句 |
| 3 | 数据必带来源 | 机构 + 报告名 + 年份 |
| 4 | 品牌名绑定信息 | 关键数据必须和品牌名同现 |
| 5 | 多用表格 | 对比、参数、汇总场景必用 |
| 6 | 预留 FAQ 区 | 文末附 3–5 个相关问题 |
关于用 AI 辅助写作的正确姿势
可以用 AI 辅助,但要清楚边界:
| 环节 | 可以让 AI 做 | 必须人工做 |
|---|---|---|
| 结构 | 生成大纲、建议小标题 | 确定核心结论 |
| 初稿 | 起草段落 | 提供独家数据、案例 |
| 优化 | 检查结构化程度 | 判断表述是否合规 |
| 排版 | 生成表格、格式化 | 核对数据准确性 |
红线 AI 不能发明数据、案例和资质。 所有事实性内容必须有可追溯来源。 用 AI 批量生成无信源内容,是 GEO 里最典型的高投入低回报行为——甚至可能触发平台的低质内容降权。
15.4 第③段:优化
目标
用八维评分模型,把初稿改造成 AI 友好版本。
优化流程
初稿
↓ 逐维打分(1-5 分)
↓ 找出得分 < 4 的维度
↓ 优先补权重高的(实体15% / 数据15%)
↓ 逐项改写
↓ 复评,直到总分 ≥ 80
单篇优化检查表
| 维度 | 权重 | 初稿分 | 优化分 | 关键动作 |
|---|---|---|---|---|
| ① 实体权威性 | 15% | 品牌名 + 全称首次标注 | ||
| ② 数据可追溯 | 15% | 补来源、补年份 | ||
| ③ 结构清晰度 | 12% | 结论前置、加表格 | ||
| ④ FAQ 覆盖 | 12% | 文末加 3–5 问 | ||
| ⑤ 平台适配 | 12% | 按目标平台调整 | ||
| ⑥ SEO 双轨 | 10% | 标题关键词、内链 | ||
| ⑦ 合规安全 | 12% | 敏感词扫描 | ||
| ⑧ 社交信号 | 12% | 规划衍生内容 |
优化优先级原则 先补权重高的维度,后补权重低的;先补得分最低的,后补接近 4 分的。 权重高 × 得分低 = 优先处理。
15.5 第④段:分发
目标
把一篇核心内容,派生成 N 个平台版本。
分发矩阵(详见第 11 章)
| 平台 | 形态 | 关键动作 |
|---|---|---|
| 官网 | 长文 + Schema | 提交百度收录 |
| 公众号 | 深度图文 | 标题含关键词、原创声明 |
| 知乎 | 问答 / 专栏 | 机构号发布,回答具体问题 |
| 视频号 | 短视频 | 核心结论 + 关键词字幕 |
| 抖音 | 短视频 | 可视化呈现 |
| 头条号 | 图文 | 要点式、结合热点 |
| 小红书 | 笔记 | 场景化(消费类产品) |
分发节奏建议
不要一次性全平台铺开。 建议:
| 时间 | 动作 |
|---|---|
| D+0 | 官网发布 + 提交百度收录 |
| D+1 | 公众号发布 |
| D+3 | 知乎相关问题下作答 |
| D+5 | 短视频版本发布 |
| D+7 | 头条/百家等二次分发 |
错峰分发的好处: 每个平台的内容都是「新鲜的」,避免被平台判定为重复内容。
15.6 第⑤段:监测
目标
验证内容是否真的被 AI 采用了。
监测什么(详见第 18 章)
| 指标 | 说明 |
|---|---|
| AI 提及率 | 在目标问题的 AI 回答中,品牌出现的比例 |
| 描述准确度 | AI 描述你的方式是否符合预期 |
| 推荐位次 | 在被提及的品牌中排第几 |
| 引用来源 | AI 引用的是你的哪个平台内容 |
| 竞品对比 | 竞品被提及的情况变化 |
反馈闭环
监测结果要回流到选题段:
- 哪些选题的 AI 召回率高 → 加大同类选题
- 哪些平台被引用的比例高 → 加大该平台投入
- 哪些表述被 AI 采用了 → 固化为标准表达
- 哪些内容零引用 → 分析原因,调整策略
15.7 一个完整的生产周期示例
背景: 某工业视觉检测设备企业,本周要产出 1 篇核心内容。
| 环节 | 具体动作 | 产出 | 责任人 |
|---|---|---|---|
| 周一 · 选题 | 从选题库取「视觉检测 vs 人工检测成本对比」(18 分) | 选题确认 | 市场 |
| 周一 · 准备 | 调数据资产库:人工检测成本数据、自家效率数据、行业报告 | 素材包 | 市场 |
| 周二 · 写作 | 用「数据驱动型」模式写作 | 初稿 2500 字 | 内容 |
| 周三 · 优化 | 八维打分(初稿 62 分)→ 补数据来源、加 2 个表格、加 FAQ 区 → 复评 84 分 | 定稿 | 内容 |
| 周三 · 合规 | 敏感词扫描,清理绝对化用语 | 合规通过 | 市场 |
| 周四 · 分发 | 官网发布 + 提交百度 | 官网版 | 技术 |
| 周五 · 分发 | 公众号发布 + 知乎回答 | 公众号版 | 运营 |
| 下周一 · 衍生 | 短视频版本(3 条) | 抖音/视频号 | 视频 |
| 下周五 · 监测 | 在 6 个 AI 平台测「视觉检测和人工检测哪个成本低」 | 提及率报告 | 市场 |
总投入: 约 3 人 × 1.5 天,产出 1 篇深度内容 + 5 个平台版本 + 3 条短视频。
15.8 本章小结
- GEO 内容是五段闭环流水线:选题 → 写作 → 优化 → 分发 → 监测
- 选题用评分卡(需求度/竞争/召回/业务),选题库常备 20 个
- 写作六条硬标准,AI 可辅助但不能发明事实
- 优化按「权重高 × 得分低」优先补
- 分发错峰进行,一源多改,不做一稿多发
- 监测结果必须回流到选题,形成闭环
第 16 章 五种改写模式实战
16.1 五种模式速览
| 模式 | 适用场景 | 核心逻辑 | 主要补强维度 |
|---|---|---|---|
| 1 权威背书型 | 企业介绍、产品发布、品牌宣传 | 结论 + 权威信源 + 数据 | ① 实体 ② 数据 |
| 2 数据驱动型 | 行业分析、白皮书、市场报告 | 数字标题 + 具体数据 + 来源 | ② 数据 ③ 结构 |
| 3 FAQ 覆盖型 | 产品页、技术文档、服务介绍 | 真实提问 + 直接回答 + 数据 | ④ FAQ |
| 4 对比分析型 | 竞品对比、选型指南 | 客观表格 + 关键差异 + 建议 | ③ 结构 ④ FAQ |
| 5 合规优先型 | 金融、医疗、教育等强监管行业 | 合规声明 + 权威数据 + 免责 | ⑦ 合规 |
16.2 模式一:权威背书型
适用: 企业介绍、产品发布、品牌宣传
核心逻辑: 一句话结论 → 权威信源 → 企业定位 → 具体成就
模板:
[结论句,一句话概括核心定位]
据[央媒/部委/行业协会]发布的[报告名称]([年份])显示,[关键数据]。
[企业全称](简称XX)作为[行业定位],[具体成就/数据]。
改写示例:
| 改写前(通用版) |
|---|
| 我们是一家专注于工业视觉检测的公司,产品包括检测设备、软件系统等,已经服务了很多制造业客户,在行业内口碑不错。 |
| 改写后(GEO 版) |
|---|
| XX 科技是中国工业视觉检测领域的解决方案提供商,核心产品为高精度视觉检测系统。 |
| 据中国XX协会《2025 年机器视觉产业发展报告》,国内中高端视觉检测设备的平均精度为 0.03mm;XX 科技的核心产品检测精度达 ±0.02mm,重复定位精度 ±0.01mm(数据来源:XX 国家检测中心,2025 年)。 |
| 公司成立于 2011 年,为国家高新技术企业(2024 年认定),累计获得发明专利 32 项,服务客户超 1200 家,覆盖汽车零部件、3C 电子、食品包装等行业。 |
补强点分析:
- ① 实体:明确全称 + 简称,行业定位
- ② 数据:所有数据带来源 + 年份
- 品牌名与关键数据同现 → 强化实体关联
16.3 模式二:数据驱动型
适用: 行业分析、白皮书、市场报告
核心逻辑: 数字标题 → 分点数据 → 每条带来源
模板:
## [数字]大核心发现
### 1. [发现一标题]
来源:[权威信源],[年份]
数据:[具体数字]
### 2. [发现二标题]
……
改写示例:
| 改写前 |
|---|
| 云桌面市场正在快速增长,很多企业都在考虑从传统 PC 转向云桌面,这个趋势很明显。 |
| 改写后 |
|---|
| ## 3 组数据揭示云桌面市场趋势 |
| ### 1. 市场规模突破 300 亿元 |
| 据[机构]《中国桌面云市场研究报告》(2025 年)显示,中国桌面云市场规模达到 XXX 亿元,同比增长 XX%。 |
| ### 2. 信创替代带来 XX 亿元市场空间 |
| 随着部分厂商产品迭代,存量替换市场预计超过 XX 亿元,主要集中在政府、金融、教育等行业。 |
| ### 3. 安全合规成为首要选型因素 |
| 据[机构]调研报告,XX% 的企业将数据安全列为云桌面选型的首要考量。 |
要点: 每一条发现都是独立可引用的。AI 可以只引用其中一条,也可以引用全部。
16.4 模式三:FAQ 覆盖型
适用: 产品页、技术文档、服务介绍
核心逻辑: 真实问题 → 直接答案 → 数据 → 来源 → 品牌绑定
模板:
## 常见问题
### [问题,匹配用户真实提问]
[2-3 句直接回答,含关键数据]
[权威来源引用]
改写示例:
| 改写前 |
|---|
| 我们的视觉检测设备支持多种配置,性能优异,可以满足不同客户的需求。 |
| 改写后 |
|---|
| ## 常见问题 |
| ### 视觉检测设备的精度一般能达到多少? |
| 主流工业视觉检测设备的精度通常在 0.01mm–0.05mm 区间,取决于镜头倍率、光源方案和算法能力。据中国XX协会(2025 年)报告,国内中高端设备平均精度为 0.03mm;XX 科技的 XX 系列产品达到 ±0.02mm。 |
| ### 视觉检测设备适合多大规模的企业? |
| 覆盖从年产能 10 万件到 1000 万件的各类规模,支持模块化扩展。XX 科技的客户中,年产能 100 万件以下的企业占比约 45%。 |
要点: 每个问题都对应一个真实搜索意图,答案第一句就是结论。
16.5 模式四:对比分析型
适用: 竞品对比、选型指南
核心逻辑: 客观表格 → 关键差异 → 适用建议
模板:
## [方案类型] 对比
| 维度 | 方案A | 方案B | 方案C |
|------|:---:|:---:|:---:|
| [维度1] | [数据] | [数据] | [数据] |
| [维度2] | [数据] | [数据] | [数据] |
**结论**:[客观总结,适合 AI 直接引用]
改写示例:
改写前(通用版):
我们的产品比竞争对手更好,性价比更高,建议选择我们。
改写后(GEO 版):
## 主流视觉检测方案对比
| 维度 | 方案A(自研集成) | 方案B(分离式) | 方案C(开源) |
|------|:---:|:---:|:---:|
| 部署周期 | 1–2 天 | 5–10 天 | 15–30 天 |
| 精度 | ±0.02mm | ±0.03mm | 视配置而定 |
| 运维成本 | 低 | 中 | 高 |
| 国产化适配 | 全面 | 部分 | 需自行适配 |
结论:对于需要快速部署、注重精度稳定性、有国产化要求的企业,
一体化集成方案通常更合适;对于预算极敏感且有技术团队的企业,
开源方案可作为试点。
要点:
- 客观:不要贬低竞品(既违反广告法,也降低可信度)
- 用结论代替推销:AI 更容易引用「客观的选择建议」
- 不指名竞品:用「方案A/B/C」代替「XX 品牌」,规避商业诋毁风险
16.6 模式五:合规优先型
适用: 金融、医疗、教育等强监管行业
核心逻辑: 合规声明 → 权威数据 → 内容主体 → 免责声明
模板:
**合规声明**:本文数据来源为[权威信源],已通过合规审查。
[内容主体,所有数据带来源]
**免责声明**:[合规说明]
改写示例:
| 改写前 |
|---|
| 我们的方案能帮金融机构大幅提升效率、降低成本,很多银行都在用。 |
| 改写后 |
|---|
| 合规声明:本文数据来源于公开行业报告及本公司内部统计,已通过合规审查。 |
| ## 金融行业云桌面应用 |
| 据中国XX院《金融行业云桌面应用白皮书》(2025 年)显示,超过 XX% 的金融机构已开始部署或试点云桌面,主要驱动力为数据安全和合规要求。 |
| 典型应用场景包括: |
| - 开发测试环境与生产环境隔离 |
| - 满足等保 2.0 三级要求 |
| - 分支机构终端统一管理 |
| 免责声明:本文案例均已脱敏处理。具体产品功能与性能以官方最新资料为准,本文不构成任何投资或采购建议。 |
16.7 模式选择决策树
这篇内容是什么类型?
│
├─ 介绍"我们是谁" → 模式一(权威背书型)
│
├─ 讲行业趋势/数据 → 模式二(数据驱动型)
│
├─ 回答具体问题 → 模式三(FAQ 覆盖型)
│
├─ 帮用户做选择 → 模式四(对比分析型)
│
└─ 强监管行业内容 → 模式五(合规优先型)
组合使用: 一篇完整的深度内容,通常是模式二 + 模式三 + 模式四的组合:
开头:结论先行(数据驱动型)
主体:行业分析(数据驱动型)+ 方案对比(对比分析型)
结尾:常见问题(FAQ 覆盖型)
16.8 五种模式速查表
| 模式 | 一句话记忆 | 最适合补的短板 |
|---|---|---|
| 权威背书型 | 「有来源的自我定位」 | 实体弱、无背书 |
| 数据驱动型 | 「分点讲数据」 | 结构差、数据散 |
| FAQ 覆盖型 | 「用用户的话回答」 | 召回差、无问答 |
| 对比分析型 | 「客观表格给建议」 | 选型类内容缺失 |
| 合规优先型 | 「先声明再说话」 | 强监管行业合规 |
16.9 本章小结
- 五种模式对应不同内容类型,先判断类型再选模式
- 共同点:都要求数据带来源、品牌绑定信息、结论清晰
- 对比型要客观、不指名竞品,规避法律风险
- 强监管行业必须用合规优先型,声明和免责不可省
- 深度内容通常是多模式组合
模块四(上)结束。 下一部分讲技术与度量:网站怎么改,效果怎么测。
模块四 执行落地(下):技术改造与效果监测
第 17 章 网站 GEO 技术改造
17.1 技术改造的三个层次
网站是 GEO 的主阵地——它是企业唯一完全自主可控的信息载体。
技术改造分三层,必须按顺序做:
第一层 可抓取 → AI 能不能进来
第二层 可理解 → AI 懂不懂你
第三层 可引用 → AI 愿不愿意用
第一层没做好,后两层是白做。 这是第 4 章「爬取关」的技术实现。
17.2 第一层:可抓取
动作一:robots.txt 配置
核心原则:对搜索引擎和内容抓取类爬虫开放,只屏蔽无价值页面。
# ---------- 允许主流搜索引擎 ----------
User-agent: Baiduspider
Allow: /
User-agent: Sogou web spider
Allow: /
User-agent: 360Spider
Allow: /
User-agent: Googlebot
Allow: /
User-agent: bingbot
Allow: /
# ---------- 默认规则 ----------
User-agent: *
Allow: /
Disallow: /admin/
Disallow: /temp/
Disallow: /search/
Disallow: /*?sessionid=
# ---------- 站点地图 ----------
Sitemap: https://example.com/sitemap.xml
重要提示 各家 AI 平台的爬虫 User-Agent 标识会随平台迭代调整。请以各平台官方文档公布的最新标识为准,并定期复查。 通行的安全做法是:不要用 Disallow: / 全站屏蔽,只屏蔽后台、临时、搜索结果页等无价值 URL。
动作二:确保服务端渲染(SSR)
问题: 纯前端渲染(React/Vue 的 SPA)的网站,爬虫抓到的是空壳 HTML。
验证方法:
# 关闭 JS 视角,直接抓取页面
curl -s https://example.com/product/xxx | head -50
如果看不到正文文字,说明对爬虫不友好。
解决方案:
| 方案 | 说明 | 成本 |
|---|---|---|
| SSR(服务端渲染) | 服务端直接返回完整 HTML | 中 |
| SSG(静态生成) | 构建时生成静态 HTML | 低 |
| 预渲染(Prerender) | 对爬虫返回渲染后的 HTML | 低 |
| 关键内容降级为 HTML | 至少保证核心文字可抓取 | 极低 |
动作三:sitemap.xml
作用: 告诉爬虫「我有哪些页面」。
<?xml version="1.0" encoding="UTF-8"?>
<urlset xmlns="http://www.sitemaps.org/schemas/sitemap/0.9">
<url>
<loc>https://example.com/</loc>
<lastmod>2026-09-01</lastmod>
<changefreq>weekly</changefreq>
<priority>1.0</priority>
</url>
<url>
<loc>https://example.com/products/vision-system</loc>
<lastmod>2026-09-15</lastmod>
<changefreq>monthly</changefreq>
<priority>0.8</priority>
</url>
</urlset>
提交到百度搜索资源平台,定期更新 lastmod。
动作四:性能优化
| 指标 | 目标 |
|---|---|
| 首屏加载 | < 3 秒 |
| 移动端适配 | 必须(百度移动优先索引) |
| HTTP 状态 | 无 404/500 大规模错误 |
| HTTPS | 必须 |
17.3 第二层:可理解(Schema 结构化数据)
什么是 Schema
Schema(结构化数据)是「给机器看的说明书」——用标准格式告诉搜索引擎和 AI:「这段内容是什么、属于谁、什么时候发布的」。
推荐格式:JSON-LD,放在 <head> 或 <body> 末尾。
必装的五类 Schema
(1)Organization(企业信息)—— 部署在首页
<script type="application/ld+json">
{
"@context": "https://schema.org",
"@type": "Organization",
"name": "XX科技有限公司",
"alternateName": "XX科技",
"description": "工业视觉检测解决方案提供商",
"url": "https://example.com",
"logo": "https://example.com/logo.png",
"foundingDate": "2011",
"numberOfEmployees": "500",
"areaServed": "中国",
"sameAs": [
"https://baike.baidu.com/item/XX科技",
"https://www.qichacha.com/company_xxx",
"https://www.tianyancha.com/company/xxx"
],
"contactPoint": {
"@type": "ContactPoint",
"telephone": "400-xxx-xxxx",
"contactType": "customer service"
}
}
</script>
sameAs 是这一条的灵魂。 它把官网和百科、企查查、天眼查关联起来,帮助 AI 建立「这些说的都是同一个实体」的认知。
(2)Article(文章信息)—— 部署在内容页
<script type="application/ld+json">
{
"@context": "https://schema.org",
"@type": "Article",
"headline": "文章标题",
"description": "文章摘要",
"author": {
"@type": "Organization",
"name": "XX科技有限公司"
},
"datePublished": "2026-09-01",
"dateModified": "2026-09-20",
"publisher": {
"@type": "Organization",
"name": "XX科技有限公司",
"logo": {
"@type": "ImageObject",
"url": "https://example.com/logo.png"
}
}
}
</script>
dateModified 很关键——它直接服务于「时效性」这个变量。
(3)Product(产品信息)—— 部署在产品页
<script type="application/ld+json">
{
"@context": "https://schema.org",
"@type": "Product",
"name": "产品名称",
"description": "产品描述",
"brand": {
"@type": "Brand",
"name": "XX科技"
},
"category": "工业视觉检测设备",
"offers": {
"@type": "Offer",
"priceCurrency": "CNY",
"availability": "https://schema.org/InStock"
}
}
</script>
(4)FAQPage(问答)—— 部署在 FAQ 页
<script type="application/ld+json">
{
"@context": "https://schema.org",
"@type": "FAQPage",
"mainEntity": [
{
"@type": "Question",
"name": "工业视觉检测设备的精度能达到多少?",
"acceptedAnswer": {
"@type": "Answer",
"text": "主流设备精度通常在 0.01mm–0.05mm。据中国XX协会(2025 年)报告,国内中高端设备平均精度为 0.03mm。"
}
},
{
"@type": "Question",
"name": "视觉检测设备适合多大规模的企业?",
"acceptedAnswer": {
"@type": "Answer",
"text": "覆盖年产能 10 万件到 1000 万件的各类规模,支持模块化扩展。"
}
}
]
}
</script>
(5)BreadcrumbList(面包屑)—— 部署在全站
<script type="application/ld+json">
{
"@context": "https://schema.org",
"@type": "BreadcrumbList",
"itemListElement": [
{"@type": "ListItem", "position": 1, "name": "首页", "item": "https://example.com"},
{"@type": "ListItem", "position": 2, "name": "产品中心", "item": "https://example.com/products"},
{"@type": "ListItem", "position": 3, "name": "视觉检测系统", "item": "https://example.com/products/vision"}
]
}
</script>
百度专属结构化数据
百度搜索资源平台支持 Cambrian 格式,建议同步部署:
<script type="application/ld+json">
{
"@context": "https://ziyuan.baidu.com/contexts/cambrian.jsonld",
"@id": "https://example.com/page",
"title": "页面标题",
"description": "页面描述",
"pubDate": "2026-09-01T00:00:00",
"upDate": "2026-09-20T00:00:00",
"data": {
"WebPage": {
"name": "页面名称",
"breadcrumb": [
{"name": "首页", "url": "https://example.com"},
{"name": "产品中心", "url": "https://example.com/products"}
]
}
}
}
</script>
Schema 部署注意事项
| 注意点 | 说明 |
|---|---|
| JSON-LD 语法必须正确 | 用 JSON 校验工具验证,语法错误会导致整个标记失效 |
| 内容必须与页面一致 | 标记的信息要和页面显示的一致,否则可能被判定作弊 |
| 不要滥用 | 只标记实际存在的内容,无 FAQ 页别标记 FAQPage |
| 用官方工具验证 | 百度搜索资源平台的结构化数据校验工具 |
17.4 第三层:可引用
页面架构建议
首页
├─ 关于我们(实体信息:成立时间、规模、资质、专利)
├─ 产品中心
│ ├─ 产品详情页(参数表 + 应用场景 + FAQ)
│ └─ 选型指南(对比表格)
├─ 解决方案(按行业/场景)
├─ 资源中心
│ ├─ 行业白皮书
│ ├─ 技术文章
│ └─ 常见问题 FAQ(配合 FAQPage Schema)
├─ 客户案例(脱敏)
└─ 联系我们(含企查查/天眼查关联信息)
内容组织原则
| 原则 | 说明 |
|---|---|
| 一页一主题 | 每个页面聚焦一个明确主题,不要什么都往首页塞 |
| 主题簇 | 相关页面互相内链,形成「主题簇」,提升整体权重 |
| 实体信息集中 | 关于我们的页面要集中呈现实体属性,便于抓取 |
| 数据可视化 | 参数、对比用表格;趋势用图表(配文字说明) |
| 更新可见 | 页面显示「最后更新:YYYY-MM-DD」 |
首屏优化
AI 抓取时,首屏内容的权重最高。
建议首屏结构:
H1 页面主题(含核心关键词)
↓
[一句话结论/核心卖点 + 关键数据]
↓
[核心参数表 or 3 个要点]
↓
[延伸阅读链接]
17.5 技术审计完整清单
| # | 检查项 | 工具/方法 | ✅/❌ |
|---|---|---|---|
| 1 | robots.txt 未屏蔽主流爬虫 | curl 域名/robots.txt | |
| 2 | 关闭 JS 后正文可见 | curl 页面URL | |
| 3 | sitemap.xml 存在且已提交百度 | 百度搜索资源平台 | |
| 4 | 网站已被百度收录 | site:域名 | |
| 5 | 移动端适配正常 | 百度移动适配测试 | |
| 6 | 首屏加载 < 3 秒 | PageSpeed / Lighthouse | |
| 7 | 全站 HTTPS | 浏览器检查 | |
| 8 | 无大面积 404/500 | 百度抓取诊断 | |
| 9 | 首页部署 Organization Schema | 页面源代码 | |
| 10 | 内容页部署 Article Schema | 页面源代码 | |
| 11 | 产品页部署 Product Schema | 页面源代码 | |
| 12 | FAQ 页部署 FAQPage Schema | 页面源代码 | |
| 13 | 全站部署 BreadcrumbList | 页面源代码 | |
| 14 | Schema 语法通过校验 | JSON 校验工具 | |
| 15 | 页面显示更新时间 | 页面检查 |
17.6 本章小结
- 技术改造三层:可抓取 → 可理解 → 可引用,顺序不能乱
- 可抓取:robots.txt 开放、SSR 渲染、sitemap、性能
- 可理解:五类必备 Schema,
sameAs关联百科与企查查是关键 - 可引用:一页一主题、主题簇内链、首屏结论前置
- 技术审计 15 项清单,建议每季度执行一次
第 18 章 评分与效果监测体系
18.1 为什么监测是 GEO 的生命线
没有度量,就没有优化——只有安慰。
GEO 有一个天然难点:它不产生点击数据。
传统 SEO 可以看 PV/UV/转化率,但 GEO 里用户可能根本没点你的链接——他只是看了 AI 的答案,然后就走了。
所以 GEO 必须建立一套新的指标体系。
18.2 三层指标体系
第一层:过程指标(你做了什么)
├─ 内容发布数量
├─ 平台覆盖数量
├─ Schema 部署完成度
└─ 八维自评分
第二层:可见度指标(AI 有没有用你)
├─ AI 提及率 ★ 核心
├─ 描述准确度 ★ 核心
├─ 推荐位次
└─ 引用来源分布
第三层:业务指标(有没有带来生意)
├─ 品牌搜索量变化
├─ 官网来自 AI 的流量(可识别部分)
├─ 销售端「客户提到在 AI 上看到你们」的频次
└─ 询盘质量与转化
核心是第一层到第二层的转化。 做了多少内容不重要,被 AI 采用多少才重要。
18.3 AI 提及率:核心指标的监测方法
什么是 AI 提及率
定义: 在设定的 N 个核心问题 × M 个目标平台上,品牌被 AI 提及的次数占比。
AI 提及率 = 被提及的次数 ÷ 总提问次数 × 100%
监测 SOP(可执行的标准流程)
第一步:设定问题集(20–30 个)
覆盖用户决策链路的各阶段:
| 阶段 | 问题示例 |
|---|---|
| 认知期 | 「什么是工业视觉检测」「视觉检测的原理是什么」 |
| 比较期 | 「视觉检测 vs 人工检测」「国内视觉检测厂商有哪些」 |
| 选型期 | 「视觉检测设备怎么选」「XX 品牌和 YY 品牌哪个好」 |
| 决策期 | 「汽车零部件检测用什么方案」「预算 50 万推荐什么设备」 |
第二步:设定平台集(5–8 个)
按第 11 章的优先级,选择你行业的 3 个主战场 + 2–3 个次要平台。
第三步:标准化提问
在每个平台,用完全相同的问题提问,记录结果。
建议:每问一次开一个新对话,避免上下文干扰。
第四步:记录表单
| 日期 | 平台 | 问题 | 是否提及品牌 | 提及位次 | 描述是否准确 | 提及的竞品 | 引用来源 |
|---|---|---|---|---|---|---|---|
| 09-26 | 文心一言 | 视觉检测设备怎么选 | ✅ | 3 | ✅ | A公司、B公司 | 知乎 |
| 09-26 | DeepSeek | 视觉检测设备怎么选 | ❌ | - | - | A公司、B公司 | - |
第五步:计算与对比
| 平台 | 提及率 | 平均位次 | 描述准确度 |
|---|---|---|---|
| 文心一言 | 60% | 3.2 | 85% |
| DeepSeek | 35% | 4.5 | 70% |
| 整体 | 48% | 3.9 | 78% |
18.4 建立基线:第一次监测怎么做
在开始优化之前,必须先测一次基线。 否则你无法证明优化有效。
| 步骤 | 动作 |
|---|---|
| 1 | 用 20–30 个问题 × 5 个平台,测一次完整基线 |
| 2 | 同时测 3 个主要竞品(用同样的问题集) |
| 3 | 记录所有数据,形成《GEO 基线报告》 |
| 4 | 之后每月重复一次,对比变化 |
基线报告示例:
| 品牌 | 整体提及率 | 平均位次 | 描述准确度 |
|---|---|---|---|
| 竞品 A | 72% | 2.1 | 90% |
| 竞品 B | 55% | 2.8 | 82% |
| 本企业 | 48% | 3.9 | 78% |
| 竞品 C | 30% | 4.2 | 65% |
这张表的意义:
- 它把「感觉我们不如同行」变成了可量化的差距
- 它让管理层看到投入的必要性
- 它让后续每一次优化都有对比基准
18.5 监测频率与节奏
| 频率 | 动作 | 产出 |
|---|---|---|
| 每周 | 抽查 5 个核心问题 | 快速预警 |
| 每月 | 全量监测(20–30 问题 × 5 平台) | 月度报告 |
| 每季度 | 竞品对比 + 八维自评 + 技术审计 | 季度复盘 |
| 每半年 | 战略调整、平台优先级重排 | 半年规划 |
注意 AI 的不确定性 同一个问题,同一个平台,不同时间问,答案可能不同(模型的随机性 + 检索结果变化)。 所以不要用单次结果下结论,要看趋势。 建议每个问题至少问 2–3 次取平均。
18.6 效果报告模板
每月一份,包含五个部分:
第一部分:过程数据
| 指标 | 本月 | 上月 | 变化 |
|---|---|---|---|
| 发布内容数 | |||
| 覆盖平台数 | |||
| 新增 FAQ 条数 | |||
| 八维自评分 |
第二部分:AI 可见度
| 平台 | 提及率 | 位次 | 准确度 | 环比 |
|---|---|---|---|---|
第三部分:来源分析
AI 引用你时,来源分布是怎样的?
| 来源 | 占比 | 变化 |
|---|---|---|
| 官网 | ||
| 知乎 | ||
| 公众号 | ||
| 行业媒体 | ||
| 百科 |
这份分析极有价值:它直接告诉你「哪个平台最值得继续投入」。
第四部分:竞品对比
| 品牌 | 提及率 | 环比 |
|---|---|---|
| 本企业 | ||
| 竞品 A | ||
| 竞品 B |
第五部分:洞察与下一步
- 哪些问题被引用最多?→ 加大同类选题
- 哪个平台表现最好?→ 加大投入
- 哪些描述不准确?→ 针对性补内容
- 哪些问题完全没提及?→ 重点攻坚
18.7 从数据到决策:三个典型判断
判断一:内容质量 vs 数量
| 现象 | 诊断 | 决策 |
|---|---|---|
| 发了 50 篇,提及率没变 | 内容质量不够,或未覆盖真实问题 | 停量提质,回到选题段 |
| 发了 10 篇,提及率明显提升 | 选题精准、内容对路 | 复制这个模式 |
判断二:平台选择
| 现象 | 诊断 | 决策 |
|---|---|---|
| 3 个平台提及率高,2 个为零 | 平台适配问题 or 未进入该平台信源池 | 先补信源池,再评估 |
| 全平台都低 | 实体性/可信度有根本问题 | 回到第 7、8 章 |
判断三:描述准确性
| 现象 | 诊断 | 决策 |
|---|---|---|
| 被提及了,但描述错误 | 语料里的信息混乱或不一致 | 检查全平台一致性 |
| 被提及,但描述的优点不是你想强调的 | 内容没突出核心优势 | 强化核心优势的表达密度 |
| 被提及,但和竞品混在一起 | 差异化信息不足 | 补充独特的技术/数据 |
18.8 本章小结
- GEO 不产生点击数据,必须建立新的指标体系
- 三层指标:过程 → 可见度 → 业务
- AI 提及率是核心指标,用「问题集 × 平台集」的 SOP 监测
- 先测基线再优化,否则无法证明效果
- 报告看五个部分,重点是来源分析(决定下一步投入方向)
- AI 有随机性,看趋势不看单次
模块四结束。 下一个模块:不同行业该怎么打。 从工业品 B2B 专章开始。
模块五 行业适配:不同战场不同打法
模块导语 前面十八讲,讲的是所有行业通用的底层方法。 但真实的生意发生在具体行业里。工业品的 GEO 打法和消费品完全不同——前者是「专业说服」,后者是「情绪种草」。 这一模块把方法论落到行业。
第 19 章 工业品 B2B 行业 GEO 实战
19.1 先理解 B2B 的决策特征
抛开行业谈 GEO 是耍流氓。 工业品 B2B 有六个显著特征,直接决定了 GEO 打法:
| 特征 | 具体表现 | 对 GEO 的影响 |
|---|---|---|
| 决策链长 | 3 个月到 18 个月,甚至更久 | 内容要覆盖全链路,不能只做「临门一脚」 |
| 多角色参与 | 使用者、技术把关、采购、决策者 | 同一件事要写四套说法 |
| 高客单价 | 几十万到几千万 | 用户会做深度调研,内容深度要求高 |
| 低频次 | 几年采购一次 | 无法靠复购,必须抢占「首次认知」 |
| 重参数与资质 | 技术指标、认证、案例、标准 | 数据可追溯维度权重极高 |
| 强关系 + 招投标 | 关系驱动、流程复杂 | GEO 是「入场券」,不是「成交器」 |
核心判断 B2B 的 GEO,目标不是「让客户马上下单」, 而是「让客户在做调研的那三个月里,反复看到你、看懂你、信任你」。
19.2 B2B 决策链路:四个阶段的内容打法
① 认知期 「这个需求要怎么解决?」
↓ 内容:技术科普、问题诊断
② 调研期 「市场上有哪些方案和厂商?」
↓ 内容:选型指南、厂商盘点、方案对比
③ 评估期 「这家公司靠不靠谱?」
↓ 内容:案例、资质、参数、检测报告
④ 决策期 「选哪家?怎么买?」
内容:报价逻辑、交付流程、售后承诺
关键洞察:AI 干预点在①②③
第④阶段(决策期),AI 的影响很小——那时客户已经在走商务流程、招投标、比价了。
真正的价值在于①认知期和②调研期。 因为客户在这一阶段会大量问 AI,而 AI 给出的答案,会直接收敛候选名单。
这就解释了为什么 B2B 的 GEO 投入越早越好:你在客户还没问之前,就要让自己的信息进入 AI 的答案池。
19.3 三类角色,四套说法
B2B 采购中,同一个决定要说服不同的人。你要为每种角色准备对应的内容。
| 角色 | 关心什么 | 内容要点 | 内容形态 |
|---|---|---|---|
| 使用者(工程师/操作员) | 好不好用?兼容吗?好不好维护? | 技术参数、操作细节、兼容性、故障率 | 技术文档、操作指南 |
| 技术把关(技术负责人) | 技术路线对吗?符合标准吗?可靠吗? | 技术原理、行业标准、检测报告、认证 | 白皮书、技术对比 |
| 采购 | 多少钱?交付周期?供应商稳不稳定? | 报价区间、交付周期、产能、财务稳定性 | 选型对比、企业信息 |
| 决策者(老板/高管) | ROI 多少?风险大吗?同行在用吗? | 投资回报测算、同行案例、行业地位 | 案例、ROI 分析 |
内容设计示例:
| 问题(采购方问 AI) | 对应的内容要回答 |
|---|---|
| 「XX 设备的故障率一般是多少?」 | 使用者视角:给出故障率数据 + 常见故障类型 + 维护建议 |
| 「XX 设备符合什么标准?」 | 技术视角:列出符合的国标/行标 + 认证证书 |
| 「XX 设备大概多少钱?」 | 采购视角:给价格区间 + 影响因素 + 配置差异 |
| 「投 XX 设备多久能回本?」 | 决策者视角:给 ROI 测算模型 + 同行案例数据 |
19.4 B2B 的高价值内容类型
按 GEO 价值排序:
| 内容类型 | GEO 价值 | 为什么 |
|---|---|---|
| 选型指南 | ★★★★★ | 直接命中调研期核心问题,AI 高频检索 |
| 技术对比 | ★★★★★ | 表格结构化,AI 极易引用 |
| 参数解读 | ★★★★☆ | 回答「XX 参数是什么意思、多少算好」 |
| 应用案例 | ★★★★☆ | 提供可信度背书 |
| 行业标准解读 | ★★★★☆ | 权威性强,被引用概率高 |
| 常见故障/排查 | ★★★☆☆ | 长尾流量,使用者高频问 |
| 技术原理科普 | ★★★☆☆ | 认知期内容,覆盖面广 |
| 企业与资质介绍 | ★★★☆☆ | 实体权威性基础 |
| 价格与交付说明 | ★★☆☆☆ | 决策期内容,AI 影响力有限 |
重点:选型指南和参数解读
这两类是 B2B 的「黄金内容」:
为什么? 因为 B2B 采购方最常问 AI 的问题就是:
- 「XX 设备怎么选?」
- 「XX 参数多少算好?」
- 「A 和 B 哪个更适合 XX 场景?」
这些问题的答案,会直接形成客户的评估框架。 谁定义了框架,谁就占了先机。
战略级洞察 写选型指南,本质上是在替客户「定义选择标准」。 如果你的指南里强调「精度、售后响应、国产化适配」三项,而这三项恰好是你的强项—— 那么每一个读过这份指南的客户,都会带着这套标准去比较所有供应商。 这是 B2B GEO 最高级的打法。
19.5 工业品的专属信源阵地
B2B 的信源生态和消费品完全不同。这些阵地是普通 GEO 教程不会讲的:
| 阵地 | 说明 | GEO 价值 |
|---|---|---|
| 行业协会 | 中国XX工业协会、XX装备协会 | ★★★★★ |
| 行业标准 | 参编国标/行标 | ★★★★★ |
| 专利与软著 | 国家知识产权局 | ★★★★★ |
| 检测报告 | 国家级检测中心 | ★★★★★ |
| 行业垂直媒体 | 工控、机械、电子类专业媒体 | ★★★★☆ |
| 行业展会 | 展会官网的展商信息、展后报道 | ★★★★☆ |
| 招投标平台 | 中标公告(公开可查) | ★★★★☆ |
| 知网论文 | 产学研合作论文 | ★★★★☆ |
| 知乎(技术向) | 技术问答、选型讨论 | ★★★★☆ |
| B2B 平台 | 1688、慧聪等 | ★★★☆☆ |
特别说明:中标公告的 GEO 价值
这是一条被严重低估的路径。
政府采购网、招投标公共服务平台上的中标公告是公开、权威、可验证的信息。当 AI 需要判断「这家公司在这个领域有没有实际交付能力」时,中标记录是强证据。
动作建议: 把可公开的中标信息整理成内容(注意:需确认合同是否允许公开),发布在官网的「项目业绩」页面。
19.6 完整案例:一家数控机床企业的 GEO 打法
背景: 中型数控机床企业,年营收 2 亿,客户以汽车零部件、模具加工为主。
第一步:八维基线打分(优化前)
| 维度 | 得分 | 问题 |
|---|---|---|
| ① 实体权威性 | 2 | 有官网但无百科;企查查信息残缺;无媒体报道 |
| ② 数据可追溯 | 1 | 通篇「高精度」「高刚性」,无一个数据 |
| ③ 结构清晰度 | 2 | 大段文字,无表格 |
| ④ FAQ 覆盖 | 1 | 无 FAQ |
| ⑤ 平台适配 | 1 | 只有官网,无任何平台内容 |
| ⑥ SEO 双轨 | 2 | 百度收录差,无公众号 |
| ⑦ 合规安全 | 4 | 基本合规 |
| ⑧ 社交信号 | 1 | 无社交内容 |
| 加权总分 | 27.4 | F 级 |
第二步:分阶段执行(6 个月)
| 阶段 | 时间 | 动作 | 目标 |
|---|---|---|---|
| 第一阶段:立实体 | 第 1–2 月 | 完善企查查信息、建百度百科、官网重构 About 页、统一全平台名称、部署 Organization Schema | ① 实体 → 4 分 |
| 第二阶段:上数据 | 第 2–3 月 | 整理数据资产库(精度、刚性、主轴转速、故障率、检测报告);重写全部产品页 | ② 数据 → 5 分 |
| 第三阶段:做结构 | 第 3 月 | 官网全面结构化改造;参数表、对比表;部署 Schema | ③ 结构 → 5 分 |
| 第四阶段:建 FAQ | 第 3–4 月 | 从销售/客服采集 60 个真实问题,建 FAQ 库;分布式部署 | ④ FAQ → 4 分 |
| 第五阶段:铺平台 | 第 4–6 月 | 公众号周更;知乎机构号回答;行业媒体投稿;视频号做机床加工实拍 | ⑤⑧ → 4 分 |
| 第六阶段:攻搜索 | 第 4–6 月 | 百度 SEO 优化;微信搜一搜标题优化 | ⑥ → 4 分 |
第三步:6 个月后复评
| 维度 | 优化前 | 优化后 |
|---|---|---|
| ① 实体权威性 | 2 | 4 |
| ② 数据可追溯 | 1 | 5 |
| ③ 结构清晰度 | 2 | 5 |
| ④ FAQ 覆盖 | 1 | 4 |
| ⑤ 平台适配 | 1 | 4 |
| ⑥ SEO 双轨 | 2 | 4 |
| ⑦ 合规安全 | 4 | 5 |
| ⑧ 社交信号 | 1 | 4 |
| 总分 | 27.4(F) | 86.6(A) |
第四步:AI 提及率变化
| 平台 | 优化前 | 优化后 |
|---|---|---|
| 文心一言 | 0% | 55% |
| DeepSeek | 0% | 40% |
| Kimi | 0% | 35% |
| 通义千问 | 0% | 30% |
| 整体 | 0% | 40% |
关键结论: 从「完全不可见」到「四成问题被提及」,核心动作是前三个月的基础工程(实体 + 数据 + 结构),后三个月的内容铺设是放大器。
19.7 工业品 B2B 的评分侧重调整
通用八维权重可以直接用,但 B2B 建议做局部加权:
| 维度 | 通用权重 | B2B 建议权重 | 说明 |
|---|---|---|---|
| ① 实体权威性 | 15% | 18% | 资质、专利、协会权重更高 |
| ② 数据可追溯 | 15% | 18% | 参数、检测报告是核心 |
| ③ 结构清晰度 | 12% | 12% | 不变 |
| ④ FAQ 覆盖 | 12% | 12% | 不变 |
| ⑤ 平台适配 | 12% | 10% | 平台相对集中 |
| ⑥ SEO 双轨 | 10% | 10% | 不变 |
| ⑦ 合规安全 | 12% | 10% | 相对简单(非强监管) |
| ⑧ 社交信号 | 12% | 10% | 不需要小红书式铺量,重质不重量 |
调整后合计 100%。 核心变化:实体和数据再加重,社交信号从「数量」转向「质量」。
19.8 B2B 专属自查表
| # | 检查项 | ✅/❌ |
|---|---|---|
| 1 | 已为四类角色(使用者/技术/采购/决策者)分别准备内容 | |
| 2 | 有完整的「选型指南」类内容 | |
| 3 | 有「A vs B」的技术对比内容 | |
| 4 | 关键参数有明确定义 + 行业基准值 | |
| 5 | 资质、专利、检测报告已公开可查 | |
| 6 | 在行业协会、招投标平台留有公开痕迹 | |
| 7 | 有面向技术人员的深度内容(知乎/技术博客) | |
| 8 | 客户案例已脱敏并公开 |
19.9 本章小结
- B2B 决策链长、多角色、重参数、低频次,GEO 目标是「被深度调研时反复看到」
- 核心干预点在认知期和调研期,不是决策期
- 同一决定要说服四类角色,需要四套说法
- 选型指南和参数解读是黄金内容——本质是替客户定义选择标准
- 工业品有专属信源阵地:协会、标准、专利、检测、招投标
- B2B 评分建议提高实体和数据权重,社交信号重质不重量
第 20 章 五大行业适配指南
20.1 消费品
| 项目 | 内容 |
|---|---|
| 决策特征 | 情绪驱动、冲动决策、价格敏感、社交影响大 |
| 主战场 | 豆包、小红书、微信、抖音 |
| 内容策略 | 场景化种草、真实测评、使用教程、对比推荐 |
| 关键内容 | 「XX 怎么选」「XX 平替推荐」「XX 真实测评」 |
| GEO 要点 | 强调真实体验 + 场景 + 性价比;小红书笔记是重要信源 |
| 合规要点 | 禁绝对化用语、禁功效夸大(化妆品/食品) |
| 评分侧重 | 社交信号 ↑(15%)、平台适配 ↑ |
适配示例:
| ❌ 通用写法 | ✅ 消费品 GEO 写法 |
|---|---|
| 「我们的产品采用先进技术,品质卓越」 | 「适合 [场景] 的 [品类]:容量 XX L、重量 XX kg、续航 XX 小时。据 [第三方测评](2025 年)对比,在 [指标] 上优于同类产品 XX%。」 |
20.2 医疗健康
| 项目 | 内容 |
|---|---|
| 决策特征 | 高信任门槛、强监管、决策周期长、后果敏感 |
| 主战场 | 文心一言、权威媒体、公众号、医生专家内容 |
| 内容策略 | 循证内容、疾病科普、专家视角、患者教育 |
| 关键内容 | 疾病知识、治疗方式对比、就医指南 |
| GEO 要点 | 权威信源是第一生命线;引用指南、文献、官方诊断标准 |
| 合规要点 | 严禁疗效保证、严禁患者证言、严禁「治愈率」表述、须有免责声明 |
| 评分侧重 | 实体权威性 ↑↑、合规安全 ↑↑、数据可追溯 ↑↑ |
红线清单:
- 不得宣称治愈率、有效率
- 不得使用患者名义或形象作证明
- 不得暗示「包治」「根治」
- 所有内容须有医学依据来源
- 必须标注「内容仅供参考,不构成诊疗建议」
20.3 教育培训
| 项目 | 内容 |
|---|---|
| 决策特征 | 家长决策为主、关注结果、价格敏感 |
| 主战场 | 文心一言、豆包、星火、微信、小红书 |
| 内容策略 | 学习规划、方法论、政策解读、择校指南 |
| 关键内容 | 「XX 怎么学」「XX 政策解读」「如何选机构」 |
| GEO 要点 | 政策解读类内容权威性强、需求高 |
| 合规要点 | 禁升学率/通过率保证、禁师资虚假宣传、禁「保过」承诺 |
| 评分侧重 | 实体权威性 ↑、合规安全 ↑ |
20.4 金融
| 项目 | 内容 |
|---|---|
| 决策特征 | 高信任门槛、强监管、风险敏感 |
| 主战场 | 文心一言、通义千问、权威财经媒体、公众号 |
| 内容策略 | 知识科普、产品说明、风险提示、政策解读 |
| 关键内容 | 产品对比、费率说明、风险等级、适用人群 |
| GEO 要点 | 数据必须来自官方或权威机构;所有收益表述须带风险提示 |
| 合规要点 | 禁保本保收益承诺、禁承诺回报率、须完整风险提示 |
| 评分侧重 | 合规安全 ↑↑、数据可追溯 ↑↑、实体权威性 ↑ |
个人观点,仅供参考 金融行业的 GEO 内容,本质上是在做「合规前提下的知识科普」。 谁把复杂的金融概念讲得最清楚、最有依据,谁就更容易被 AI 引用——因为 AI 也需要「可引用的权威解释」。
20.5 本地生活
| 项目 | 内容 |
|---|---|
| 决策特征 | 即时性、地理位置强相关、价格敏感、评价驱动 |
| 主战场 | 豆包、小红书、高德/百度地图、微信 |
| 内容策略 | 场景内容、探店笔记、服务介绍、常见问题 |
| 关键内容 | 「XX 附近有什么」「XX 怎么样」「XX 多少钱」 |
| GEO 要点 | 地理位置信息要结构化(地址、营业时间、服务范围);评价内容重要 |
| 合规要点 | 禁虚假宣传、禁「最好吃」等绝对化用语 |
| 评分侧重 | 平台适配 ↑、社交信号 ↑、结构清晰度 ↑(营业信息结构化) |
20.6 五大行业对照总表
| 维度 | 消费品 | 医疗 | 教育 | 金融 | 本地生活 |
|---|---|---|---|---|---|
| 首要平台 | 豆包/小红书 | 文心一言 | 文心一言/星火 | 文心一言 | 豆包/小红书 |
| 第二平台 | 微信/抖音 | 公众号 | 豆包 | 财经媒体 | 地图/微信 |
| 内容核心 | 场景种草 | 循证科普 | 政策方法 | 知识风险 | 服务信息 |
| 最高权重维度 | 社交信号 | 实体/合规 | 实体/合规 | 合规/数据 | 平台适配 |
| 最大风险 | 绝对化用语 | 疗效宣称 | 结果承诺 | 收益承诺 | 虚假宣传 |
| 合规严格度 | 中 | 极高 | 极高 | 极高 | 中 |
20.7 跨行业通用原则
无论哪个行业,最后收束到四条:
- 先明确决策特征——客户怎么想,决定内容怎么写
- 先选对平台——不要贪多,两个主战场打透
- 合规先行——尤其强监管行业,红线不可碰
- 数据带来源——跨行业唯一不变的核心
20.8 本章小结
- 五大行业的决策特征、平台选择、内容策略、合规要点差异巨大
- 强监管行业(医疗/教育/金融)合规是绝对前提
- 消费品重社交信号,B2B 重实体与数据,本地生活重平台适配
- 跨行业唯一不变的四条:决策特征、平台选择、合规先行、数据带来源
模块五结束。 最后一个模块:把它变成组织能力,并看向未来。
模块六 组织与未来:从项目到能力
模块导语 前五个模块解决了「怎么做」。这个模块解决「谁来做、做多久、怎么持续」。 一项能力如果不能沉淀到组织里,它就只是一次性项目——项目会结束,能力不会。
第 21 章 服务商视角:交付、报价与验收
如果你是甲方,这一章帮你判断服务商是否专业; 如果你是乙方,这一章帮你建立可标准化的交付体系。
21.1 服务商的三种模式
| 模式 | 内容 | 适合客户 | 交付周期 |
|---|---|---|---|
| 咨询诊断型 | 出诊断报告 + 优化方案,不落地执行 | 有内部团队的企业 | 2–4 周 |
| 全案交付型 | 诊断 + 内容生产 + 技术实施 + 平台分发 | 无内部团队的企业 | 3–12 个月 |
| 陪跑赋能型 | 帮企业建团队、定流程、带首批项目 | 想自建能力的企业 | 3–6 个月 |
选型建议:
- 长期要做 → 选陪跑赋能型(能力留在自己手里)
- 短期要效果 → 选全案交付型
- 只想先看看值不值得做 → 选咨询诊断型
21.2 标准化项目交付流程
一个专业的 GEO 项目,应该分五阶段:
阶段一 诊断(2–3 周)
├─ 八维基线评分
├─ 竞品对比分析
├─ AI 提及率基线测试
├─ 技术审计
└─ 交付物:《GEO 诊断报告》
阶段二 规划(1–2 周)
├─ 确定优先维度
├─ 制定内容计划
├─ 确定目标平台
└─ 交付物:《GEO 执行方案 + 排期表》
阶段三 基础建设(1–2 月)★ 最关键
├─ 实体建设(百科、企业信息、名称统一)
├─ 数据资产库搭建
├─ 网站技术改造(Schema、robots、SSR)
└─ 交付物:《基础建设工程验收表》
阶段四 内容生产与分发(持续)
├─ 选题库建立
├─ 内容生产(按模式改写)
├─ 多平台分发
└─ 交付物:内容清单 + 分发记录
阶段五 监测与迭代(持续)
├─ 月度 AI 提及率监测
├─ 竞品对比
├─ 策略调整
└─ 交付物:《月度 GEO 效果报告》
关键提示 阶段三是最容易被跳过的,也是最重要的。 很多服务商为了快速出「内容量」的成果,跳过基础建设直接铺内容——结果内容发了半年,AI 还是不认识这个客户是谁。 判断服务商是否专业,就看他愿不愿意花前两个月做「看不见的活」。
21.3 报价模型
四种报价方式
| 方式 | 结构 | 优点 | 风险 |
|---|---|---|---|
| 项目制 | 一次性报价(诊断 + 建设) | 客户易接受,边界清晰 | 后续服务易断档 |
| 服务制 | 月费/年费(持续运营) | 收入稳定,效果可持续 | 客户对效果存疑 |
| 组合制 | 基础建设费 + 月度服务费 | 最推荐 | 需清晰界定范围 |
| 效果对赌 | 低基础费 + 效果达标奖励 | 客户接受度高 | 效果归因困难,不建议 |
影响报价的核心因素
| 因素 | 说明 |
|---|---|
| 行业复杂度 | 强监管行业(医疗/金融)成本更高 |
| 平台数量 | 3 个平台 vs 8 个平台,工作量差异大 |
| 内容产量 | 每月产出篇数 |
| 技术改造成本 | 官网是否需要重构 |
| 是否需要建百科 | 百科建设难度和时间成本高 |
| 监测频率 | 月度 vs 季度 |
报价结构模板
一、诊断阶段
八维诊断 + 竞品分析 + 基线测试 + 技术审计
二、基础建设阶段(一次性)
实体建设 / 数据资产库 / 网站技术改造
三、内容运营阶段(月度)
内容生产:X 篇深度内容 + X 条短视频
平台分发:X 个平台
监测报告:月度
四、增值服务(可选)
百科建设 / 白皮书制作 / KOL 合作
报价原则 报价必须能对应到具体交付物。 「我们帮你做 GEO,一个月 X 万」这种报价是不可信的——因为没有界定做什么、做多少、怎么验收。
21.4 怎么向客户解释 GEO
这是乙方最常见的难题:客户听不懂。
三步讲解法
第一步:用客户的场景讲
「您有没有发现,现在很多客户不问百度了,直接问 AI? 我们做过测试,问 DeepSeek『XX 怎么选』,它列了 5 家公司,没有您。 而您的同行 A 公司被提到了 3 次。」
第二步:用一个数字让他有体感
「CNNIC 的数据显示,截至 2025 年 12 月,国内生成式 AI 用户已经有 6.02 亿,一年涨了 141.7%。 您的客户群——30 到 50 岁的工业从业者,正是使用率最高的群体之一。」
第三步:讲清楚边界,管理预期
「GEO 不能保证 AI 一定推荐您,也不能三天见效。 它是把您的内容变成『AI 可引用的信任资产』。 一般 1–3 个月能看到提及率变化,3–6 个月形成稳定资产。」
诚信原则 不要承诺「保证被 AI 推荐」。 第一,你做不到(AI 有随机性)。第二,一旦客户发现做不到,整个行业的口碑就坏了。 GEO 服务商最宝贵的是可信度——这恰好也是 GEO 的核心价值。
21.5 效果验收标准
必须有可量化的验收指标,否则项目无法结项。
| 层面 | 验收指标 | 参考基线 |
|---|---|---|
| 过程 | 内容产出量、平台覆盖数、Schema 部署完成度 | 按合同约定 |
| 可见度 | AI 提及率、描述准确度、推荐位次 | 相对基线提升 X% |
| 资产 | 八维评分提升、百科建成、数据资产库建立 | 总分从 X 提升到 Y |
| 业务 | 品牌搜索量、AI 来源流量、询盘提及率 | 相对基线提升 X% |
验收注意事项
| 注意 | 说明 |
|---|---|
| 必须测基线 | 没有基线,无法证明效果 |
| 看趋势不看单次 | AI 答案有随机性,单次结果不可靠 |
| 排除自然增长 | 对比竞品的相对变化,而非绝对数字 |
| 过程指标和结果指标并重 | 结果指标滞后,过程指标先行 |
21.6 服务商的五个常见坑
| # | 坑 | 表现 | 规避 |
|---|---|---|---|
| 1 | 跳过基础建设 | 直接铺内容,不做实体和数据 | 强制阶段三验收 |
| 2 | 承诺具体排名 | 「保证 AI 推荐你」 | 不承诺,只承诺过程指标 |
| 3 | 内容注水 | AI 批量生成无信源内容 | 每篇必须有真实数据与来源 |
| 4 | 无监测体系 | 做完了不知道效果 | 建立月度监测 SOP |
| 5 | 一稿多发 | 同一篇发所有平台 | 强制平台适配 |
21.7 本章小结
- 服务商三种模式:咨询诊断、全案交付、陪跑赋能
- 专业交付分五阶段,阶段三(基础建设)最关键且最易被跳过
- 报价推荐「组合制」,必须对应具体交付物
- 向客户解释用三步法:场景 → 数字 → 边界
- 绝不承诺「保证被推荐」——诚信是 GEO 服务商的核心资产
- 验收必须基于基线,看趋势不看单次
第 22 章 团队配置与组织落地
22.1 三种组织模式
| 模式 | 适合规模 | 配置 | 优缺点 |
|---|---|---|---|
| 单点负责制 | 小微企业 | 1 名市场专员兼做 | 成本低,但推进慢、能力单一 |
| 专项小组制 | 中小企业 | 3–5 人跨职能小组 | 最推荐,效率与成本平衡 |
| 独立职能制 | 大型企业 | 独立 GEO/内容中台团队 | 能力强,但协调成本高 |
22.2 专项小组的标准配置
┌─────────────────────────┐
│ GEO 项目负责人(1人) │
│ 定策略、管进度、对接决策层 │
└───────────┬─────────────┘
│
┌───────────┬───┴───┬───────────┐
↓ ↓ ↓ ↓
内容工程 技术 平台运营 数据监测
(1-2人) (1人) (1人) (0.5人)
选题/写作 网站改造 公众号/知乎 提及率监测
数据整理 Schema 视频号/抖音 竞品分析
合规审核 性能优化 分发管理 复盘报告
岗位能力模型
| 岗位 | 核心能力 | 加分项 |
|---|---|---|
| 项目负责人 | 理解 GEO 全貌、跨部门协调、数据分析 | 懂行业、懂业务 |
| 内容工程 | 结构化写作、数据整理、行业知识 | 技术背景(B2B) |
| 技术 | 前端/SEO、Schema、性能优化 | 懂搜索引擎原理 |
| 平台运营 | 各平台规则、内容改编、社区互动 | 有账号运营经验 |
| 数据监测 | 数据整理、报告撰写、工具使用 | 会用 AI 做批量测试 |
最稀缺的人才是「内容工程」。 他需要同时具备:行业理解 + 结构化写作能力 + 数据敏感度 + 合规意识。 这类人很难招,建议内部培养——从懂业务的技术人员或懂技术的市场人员中选拔。
22.3 考核指标设计
原则:过程指标 + 可见度指标 + 业务指标,三层并重。
| 层级 | 指标 | 权重建议 | 说明 |
|---|---|---|---|
| 过程 | 内容产出量、平台覆盖、Schema 完成度 | 30% | 可控、即时反馈 |
| 可见度 | AI 提及率、描述准确度 | 40% | 核心 |
| 业务 | 品牌搜索量、询盘提及率 | 30% | 结果导向 |
关于「提及率」作为考核指标的注意事项
| 注意 | 说明 |
|---|---|
| 按问题集统计 | 固定问题集,避免随意抽样 |
| 取趋势不取单点 | 月度对比,不用单次结果 |
| 区分平台 | 各平台基线不同,分别设定目标 |
| 对标竞品 | 用「相对竞品的变化」而非绝对值 |
22.4 预算分配建议
一个健康的 GEO 预算结构:
| 项目 | 占比 | 说明 |
|---|---|---|
| 基础建设(一次性) | 25% | 实体、数据、技术 |
| 内容生产 | 40% | 最大的持续投入 |
| 平台运营与分发 | 15% | 各平台维护 |
| 监测与工具 | 10% | 监测 SOP、工具采购 |
| KOL/媒体合作 | 10% | 第三方背书 |
给管理层的判断标准:
如果一年的 GEO 预算低于「一名专职员工的成本」, 那就不叫投入,叫试用。 GEO 是资产建设,不是流量采购——预算规模要对得上「资产」这个词。
22.5 分阶段落地路线图
0–3 个月:立地基
| 重点 | 动作 | 目标 |
|---|---|---|
| 实体 | 百科、企查查、名称统一 | 实体权威性 ≥ 4 |
| 数据 | 建立数据资产库 | 数据可追溯 ≥ 4 |
| 技术 | Schema 部署、robots、收录 | SEO 双轨 ≥ 3 |
| 基线 | 测一次 AI 提及率基线 | 有基线数据 |
这一阶段的目标不是「效果」,是「具备被引用的资格」。
3–6 个月:铺内容
| 重点 | 动作 | 目标 |
|---|---|---|
| 内容 | 每周 1 篇深度内容 + FAQ 库 | FAQ ≥ 4 |
| 结构 | 全面结构化改造 | 结构清晰度 ≥ 4 |
| 平台 | 2 个主战场打通 | 平台适配 ≥ 4 |
| 监测 | 月度监测成常规 | 提及率启动提升 |
6–12 个月:成体系
| 重点 | 动作 | 目标 |
|---|---|---|
| 矩阵 | 扩展到 4–5 个平台 | 社交信号 ≥ 4 |
| 权威 | 央媒/协会/白皮书背书 | 实体 ≥ 5 |
| 迭代 | 数据驱动选题优化 | 提及率持续提升 |
| 沉淀 | 流程标准化、团队稳定 | 能力组织化 |
12 个月后:建壁垒
- 持续输出行业标准级内容,成为行业定义者
- 把 GEO 能力嵌入产品发布、招投标、销售全流程
- 扩展到海外 AI 平台(如业务出海)
22.6 本章小结
- 组织三模式,中小企业推荐专项小组制(3–5 人)
- 最稀缺的是「内容工程」岗位,建议内部培养
- 考核三层:过程 30% + 可见度 40% + 业务 30%
- 提及率考核要看趋势、分平台、对标竞品
- 预算结构:基础 25% / 内容 40% / 运营 15% / 监测 10% / 合作 10%
- 落地路线:0–3 月立地基 → 3–6 月铺内容 → 6–12 月成体系 → 12 月后建壁垒
第 23 章 GEO 的未来演进
23.1 三个正在发生的趋势
趋势一:多模态信源
AI 的检索范围正在从「文本」扩展到图片、视频、音频。
- 视频内容被转录成文本后进入检索池
- 图片 OCR 识别文字后参与相关性判断
- 产品演示视频、讲解音频都会成为信源
应对: 让视频「可被听懂」——加字幕、加关键词口播、加文字说明。
趋势二:Agent 生态
AI 正在从「回答问题」进化到「代替人执行任务」。
未来的场景是:
用户:「帮我找几家能做汽车零部件视觉检测的供应商,对比一下,然后发邮件询价。」 AI Agent:自动搜索 → 对比 → 生成询价邮件 → 发送。
这意味着: 你的内容不仅要被人看到,还要被 Agent 结构化解析——因为 Agent 需要提取「参数、价格、联系方式、交付周期」这些字段。
应对: 把关键信息以结构化形式明确呈现(表格、字段化、Schema)。这恰好是第 9、17 章在讲的事——未来的趋势正在印证当下的做法。
趋势三:AI 与 AI 的对话
未来大量的「提问」可能不是人发出的,而是一个 AI Agent 向另一个 AI 发起查询。
后果: 内容必须极度结构化、语义明确,才能被机器对机器地准确传递。含糊的、情绪化的、需要人类常识才能理解的表达,会逐渐失效。
一个不变的原则 无论技术怎么变,「让机器准确理解你是谁、你能做什么、凭什么信你」这件事不会变。 这就是 GEO 的底层,也是它不会被替代的原因。
23.2 从 GEO 到「AI 原生品牌」
GEO 的终局,不是「被 AI 提及」,而是「成为 AI 的默认答案」。
这两者有本质区别:
| 阶段 | 状态 | 表现 |
|---|---|---|
| 阶段一 | 不可见 | AI 提到这个品类时,完全不提你 |
| 阶段二 | 被提及 | AI 会提到你,但排位靠后,描述不准确 |
| 阶段三 | 被优先推荐 | AI 优先提到你,描述准确 |
| 阶段四 | 品类代名词 | AI 在解释这个品类时,用你的标准、你的术语、你的框架 |
第四阶段的企业,已经不只是「被推荐」,而是「定义了行业的表达方式」。
怎么判断自己到了第几阶段? 用第 18 章的监测 SOP 测一次就能知道。
23.3 需要警惕的三个风险
| 风险 | 说明 | 应对 |
|---|---|---|
| 平台规则变化 | 各平台的信源策略随时可能调整 | 不依赖单一平台,多平台布局 |
| AI 幻觉 | AI 可能错误描述你的企业 | 持续监测描述准确度,及时补充澄清内容 |
| 行业泡沫 | 大量不专业服务商涌入,承诺无法兑现 | 坚守诚信,用可量化的过程指标说话 |
23.4 回到根本:GEO 的不变内核
技术会变,平台会变,但有三件事不会变:
第一,可验证的事实永远比华丽的形容更有力。
无论 AI 怎么进化,「有来源的数据」都比「自我宣称的形容词」更容易被采信。
第二,第三方背书永远比自我宣传更可信。
AI 的判断逻辑来自人类社会的信任机制——别人说你行,比你自夸管用。
第三,持续输出永远比一次性爆发更有效。
信任是时间的函数。AI 对「长期活跃、持续一致」的实体评价更高。
最后一句话 GEO 不是一门技术活,是一门「把你的真实价值,翻译成机器和人都能验证的语言」的功夫。 技巧会过时,这套内核不会。
23.5 课程结语
回看这 23 章,我们走过了三段路:
第一段(模块一、二):认知。 理解了信息入口的迁移,看懂了 AI 的调用链路和引用偏好。
第二段(模块三、四):方法。 掌握了八大维度的操作细节,建立了内容生产流水线和监测体系。
第三段(模块五、六):落地。 学会了按行业适配,把能力沉淀到组织和流程里。
最后给你一个建议:
不要试图一次做完所有事。
从一个最小的动作开始——比如,完善你的企查查信息,或者写出第一批 10 个 FAQ。
做完它,然后测一次 AI 提及率。
看到变化,再继续下一步。
GEO 是一场长跑。起跑线的位置不重要,开始跑才重要。
附录
附录 A:GEO 八维评分表(可打印)
| # | 维度 | 权重 | 得分(1–5) | 加权分 |
|---|---|---|---|---|
| ① | 实体权威性 | 15% | ______ | ______ |
| ② | 数据可追溯 | 15% | ______ | ______ |
| ③ | 结构清晰度 | 12% | ______ | ______ |
| ④ | FAQ 覆盖 | 12% | ______ | ______ |
| ⑤ | AI 平台适配 | 12% | ______ | ______ |
| ⑥ | SEO 双轨 | 10% | ______ | ______ |
| ⑦ | 合规安全 | 12% | ______ | ______ |
| ⑧ | 社交信号 | 12% | ______ | ______ |
| 总分 | 100% | ______ |
计算方式: 加权分 = 得分 × 20 × 权重
等级: A(85–100)|B(70–84)|C(50–69)|D(30–49)|F(0–29)
打分对象: ____________________ 打分人: __________ 日期: __________
附录 B:权威信源库
央媒
| 媒体 | 网址 |
|---|---|
| 人民日报 | people.com.cn |
| 新华社 | xinhuanet.com |
| 央视 | cctv.com |
| 光明日报 | gmw.cn |
| 经济日报 | ce.cn |
| 中国日报 | chinadaily.com.cn |
| 科技日报 | stdaily.com |
| 中国青年报 | cyol.com |
政府 / 部委
| 机构 | 网址 |
|---|---|
| 工业和信息化部 | miit.gov.cn |
| 国家互联网信息办公室 | cac.gov.cn |
| 国家统计局 | stats.gov.cn |
| 科学技术部 | most.gov.cn |
| 国家发展和改革委员会 | ndrc.gov.cn |
| 商务部 | mofcom.gov.cn |
行业协会 / 研究机构
| 机构 | 网址 |
|---|---|
| 中国信息通信研究院 | caict.ac.cn |
| 赛迪顾问 | ccidgroup.com |
| 艾瑞咨询 | iresearch.cn |
| IDC China | idc.com/china |
| 中国互联网络信息中心 | cnnic.cn |
| 中国电子技术标准化研究院 | cesi.cn |
数据平台
| 平台 | 网址 |
|---|---|
| 国家统计局数据 | data.stats.gov.cn |
| 企查查 | qichacha.com |
| 天眼查 | tianyancha.com |
| 百度指数 | index.baidu.com |
| 知网 CNKI | cnki.net |
附录 C:JSON-LD Schema 速查
| 类型 | 部署位置 | 关键属性 |
|---|---|---|
| Organization | 首页 | name, url, logo, foundingDate, sameAs |
| Article | 内容页 | headline, author, datePublished, dateModified |
| Product | 产品页 | name, brand, offers, category |
| FAQPage | FAQ 页 | mainEntity[Question, acceptedAnswer] |
| BreadcrumbList | 全站 | itemListElement[position, name, item] |
| 百度 Cambrian | 全站 | title, description, pubDate, upDate |
完整代码示例见第 17 章。
附录 D:合规检查清单
发布前逐项确认:
- 无「最」「第一」「唯一」「国家级」等绝对化用语
- 所有数据有明确来源与年份
- 无虚假、夸大、无依据的宣传表述
- 客户案例已脱敏或取得授权
- 无竞品诋毁内容
- 行业专项禁区已排查(医疗/金融/教育等)
- 无涉政、涉民族宗教、歧视性表述
- 相关文件有免责声明(如适用)
- AI 生成素材已添加标识(如适用)
- 引用的资质、专利、认证均真实可查
主要法规依据:
| 法规 | 施行时间 |
|---|---|
| 《生成式人工智能服务管理暂行办法》 | 2023 年 8 月 15 日 |
| 《人工智能生成合成内容标识办法》 | 2025 年 9 月 1 日 |
| 《互联网信息服务深度合成管理规定》 | 2023 年 1 月 10 日 |
| 《中华人民共和国广告法》 | 现行有效 |
| 《数据安全法》 | 2021 年 9 月 1 日 |
| 《个人信息保护法》 | 2021 年 11 月 1 日 |
附录 E:GEO 术语表
| 术语 | 全称 / 含义 |
|---|---|
| GEO | Generative Engine Optimization,生成式引擎优化 |
| SEO | Search Engine Optimization,搜索引擎优化 |
| AIGC | AI Generated Content,AI 生成内容 |
| RAG | Retrieval-Augmented Generation,检索增强生成 |
| LLM | Large Language Model,大语言模型 |
| Schema | 结构化数据标记,本文指 JSON-LD 格式 |
| JSON-LD | JavaScript Object Notation for Linked Data |
| 实体 | Entity,AI 认知体系中的独立对象(人/公司/产品等) |
| 信源 | 内容来源,AI 判断可信度的依据 |
| 提及率 | 在设定的问题集中,品牌被 AI 提及的占比 |
| 召回 | Retrieval,系统从信源池中筛选相关内容的过程 |
| 爬虫 | Spider / Crawler,自动抓取网页的程序 |
| SSR | Server-Side Rendering,服务端渲染 |
| robots.txt | 网站根目录下告知爬虫抓取规则的文本文件 |
| TDK | Title / Description / Keywords,页面三大元信息 |
| 绝对化用语 | 广告法中禁止使用的「最」「第一」等表述 |
| 信创 | 信息技术应用创新(国产化替代) |
| TCO | Total Cost of Ownership,总拥有成本 |
| NPS | Net Promoter Score,净推荐值 |
全文完
本课程基于中国 GEO 方法论体系编写。 课程中的示例数据均为演示用途,实际应用时请替换为可追溯的真实数据。 行业数据引用请以最新发布的官方报告为准。