Question 1

「AI 可见率 2.56%」是怎么算出来的？

Accepted Answer

口径是「被推荐次数 ÷ 检测次数」。这张报告里，13 个核心查询词在多个主流 AI 模型上各检测一轮，合计 39 次检测；该品牌只在 1 次回答里被推荐，1 ÷ 39 = 2.56%。分母写清楚很重要——只说「推荐率低」没有意义，说清 39 次里 1 次，才知道这个数字是怎么来的、怎么复现。同一份报告还统计出同赛道被提及的品牌共 168 个，用来判断这个市场里究竟是谁在占位。

Question 2

「有缺口 13」代表什么？

Accepted Answer

代表 13 个主营词在 AI 回答里全部零覆盖。这不是「排名靠后」，是根本没进候选池——AI 在回答这类问题时，压根不知道有这家企业存在。这两种情况对应的做法完全不同：排名靠后要做的是提升优势信号的密度，零覆盖要做的则是先把品牌的基础事实（主营、能力边界、资质、可核验信息）补进 AI 能读到的地方。

Question 3

这类检测自己能做吗？

Accepted Answer

能。最简单的自测方法是「不带品牌名问 AI」：用客户会问的原话（例如「XX 材料能不能加工」「本地做 XX 哪家好」）去问同一个问题，看 AI 的回答里有没有你。注意不要用自己公司的说法去问，要用客户真正会用的说法；也不要用品牌名去搜索——搜品牌名能看到，说明的只是你有官网，不能说明客户在找你。

Question 4

「收录总量」和「发稿量」有什么区别？

Accepted Answer

发稿量是发出去的内容数量，收录总量是 AI 侧实际抓取并留在回答素材里的条目数量。这张看板里问题总量 442,414、收录总量 129,924，收录约占问题总量的 29.4%。两者之间的差额，就是「写了但 AI 没吃进去」的部分。只看发稿量不看收录量，等于自己骗自己——很多服务商报的「发了 500 篇」，和 AI 实际能引用多少，是两件事。

Question 5

为什么收录量要按模型分开统计？

Accepted Answer

因为各家平台的抓取偏好不同。这张看板把收录量拆到六家模型上分别看：文心一言 21,568（17%）、通义千问 22,018（17%）、豆包 21,788（17%）、元宝 21,596（16%）、Kimi 22,018（17%）、DeepSeek 20,936（17%）。单家占比看起来差不多，但绝对值差出上千条。同一个内容在豆包被吃进去、在 DeepSeek 没有，是很常见的；只看总量会掩盖单平台的空缺，而客户往往只用一个平台。

Question 6

「AI 训练量」是什么？

Accepted Answer

指内容进入模型训练/索引管道的累计条数（看板中为 1,726,496）。它和收录量的区别在于：收录是可被当前回答引用的存量，训练量是历史上被模型吸收的累计量。我们把它列出来，是为了让客户看到「投入有没有沉淀」——这类指标不直接等于效果，但能说明内容是不是真的进了 AI 的体系，而不是只在自己网站上挂着。

Question 7

什么样的反馈才算「有效果」？

Accepted Answer

带数量和具体场景的反馈。「还有 2 单在谈」「一家做 6 套」这种描述，能对上时间、能落到业务量上，比任何形容词都硬。这张图里的客户是主动同步进度的，不是等服务商来问——这通常说明他自己已经算清楚了这笔账。

Question 8

为什么我们坚持让客户自己报数据？

Accepted Answer

因为只有一线才知道哪通电话、哪条微信是从哪来的。服务商手里只有后台的推荐数据，客户手里有成交数据，两边对得上才叫有效果。我们每个月的复测报告之所以敢让客户当场抽查，靠的就是这个对账习惯——而不是等年底给一份漂亮的总结。

Question 9

决策型提问和普通提问的差别在哪？

Accepted Answer

普通提问要信息，决策型提问要答案。用户问「XX 有哪些」时，AI 列清单就够了；用户问「这几家你帮我选一个最合适」时，AI 必须给出唯一解并说明理由。后一种场景下，品牌有没有出现在候选池、理由里有没有你，直接决定这单生意有没有你的份。这张截图里最值得注意的是：用户没有自己去比较，而是把选择权交给了 AI。

Question 10

为什么 GEO 要盯「取舍逻辑」这一层？

Accepted Answer

因为 AI 给结论时会附带判断标准——这张图里就是硬件差距、安全性、场地与管控这几条。这些标准是可被内容影响的：企业把自己真实的差异化优势写清楚、写具体，AI 在未来回答同类问题时就更可能沿用这套标准；而你的强项正好落在标准里，就会被反复选中。换句话说，与其争「被提到」，不如争「被用什么标准评价」。

Question 11

截图里「AI 生成可能有误」这句话要一起放出来吗？

Accepted Answer

要。这是平台自己的标注，如实保留既是对读者负责，也避免把 AI 生成内容包装成「官方推荐」或「权威认证」——那样做既误导，也有合规风险。我们的原则一直是：能引用的只有真实存在、可当场复现的 AI 回答，不合成、不摆拍、不改写成认证口径。

Question 12

GEO 方案里通常包含哪些部分？

Accepted Answer

一般分四块：一、AI 可见度现状检测（提及率、排名、竞品覆盖）；二、内容体系（行业关键词体系、疑问词库、结构化文章选题与排期）；三、信源与渠道（官网、自媒体矩阵、可被行业引用的内容）；四、监测与复测口径（按月复测、数据可导出对账）。这四块会一起讲，避免只谈内容不谈验收——谈验收标准这一步，很多服务商是跳过不谈的。

Question 13

为什么要到现场过一遍方案？

Accepted Answer

因为内容写得准不准，取决于对企业真实业务的理解。能切多厚、做哪几个车系、各门店差异在哪——这些在电话里说不清。我们把问题清单带到现场核对，就是为了让后面写出来的东西经得起 AI 追问，也经得起客户自己看。写错一个参数，AI 就会在无数个提问里把错误反复引用出去。

Question 14

关键词体系和疑问词库有什么不一样？

Accepted Answer

关键词体系解决「该覆盖哪些词」：按行业核心词、场景词、地域词分层，先确定内容要占住哪些位置。疑问词库解决「客户会怎么问」：把使用者真实的提问原句整理出来，再按 AI 的回答习惯组织内容。前者是地图，后者是入口——缺一个都做不成。只铺关键词会出现一种典型情况：内容写了一大堆，但客户不会那样问，AI 也就不好引用。

Question 15

「资料准备清单」是干什么用的？

Accepted Answer

用来把企业脑子里的经验固定成 AI 能读的素材：产品与工艺的准确表述、可公开的资质、可量化的服务能力、差异化优势。这份清单填得越具体，后面写出来的内容就越不像通稿——通稿 AI 见过太多，不会当成信源引用。反过来说，如果一个服务商上手就写文章、不问你要资料，写出来的多半是通稿。

Question 16

为什么第一批发的是文档而不是文章？

Accepted Answer

因为顺序不能反。先有关键词体系和疑问词库，才知道该写什么、为谁写；先有资料清单，才知道哪些事实可以写、哪些不能编。跳过这两步直接产文章，是行业里最常见的做法，也是最容易做出一批「没人问、AI 也不引」的内容的做法。

Question 17

怎么证明一条询盘是 AI 带来的？

Accepted Answer

靠客户自己记录。这条消息里客户按天整理「平台 + 有效来电条数 + 地区」，谁在哪里打来的很清楚，和我们后台的推荐数据能对上时间。我们一直坚持：线索归属不靠服务商估算，靠客户方一线记录——因为只有接电话的人知道对方第一句话说了什么。

Question 18

这类线索有什么特征？

Accepted Answer

跨地域、带具体需求。这位客户是做钢格板的，拿到的来电来自四个不同地区，明显不是本地自然流量；另一位做水切割的客户，拿到的第一条微信直接问的就是具体规格能不能切。有明确需求描述的问询，跟进价值远比泛泛的「了解一下」高——这也是 AI 渠道和泛流量渠道最实质的差别。

Question 19

为什么要把「几百块的小单」也放出来？

Accepted Answer

因为这是最真实的转化结构。做加工、做工程的客户，日常成交本来就是几百到几千一单、靠量和复购累积，不是一单几十万。这张图里四条单子加起来 8,260 元，同日咨询 6–7 个——这个量级和频率，才是一个真实生意该有的样子。凡是只晒大单、不晒频率的，反而值得警惕。

Question 20

这些数字能代表普遍效果吗？

Accepted Answer

不能，也不应该这么理解。这是单个客户在某一时间段的真实记录，受行业、客单价、季节、销售承接能力影响很大。我们把它放出来，是为了展示「效果是怎么被记录和验证的」，而不是承诺任何人都能拿到同样结果。合同里我们也不承诺推荐位次，只承诺按约定口径交付与考核、数据不作假——这是我们对 GEO 效果边界的公开态度。

Question 21

「今天咨询 6-7 个了」这种数据怎么核？

Accepted Answer

两头对：一头是客户方的来电/微信记录，一头是我们后台的推荐检测数据，两边按日期对齐。任何一边对不上，就要查原因——是推荐掉了，还是销售承接有问题。这也是我们建议客户一定自己记账的原因：只有双方都有记录，才有得对。

Question 22

GEO 和美团、58 这类平台投放有什么不同？

Accepted Answer

平台投放是竞价买位置，预算停了位置就没了；GEO 是把品牌做成 AI 回答里的素材，产出的是留在信源里的资产。这位客户在同时使用两类渠道的情况下，自己给出了对比结论。两者并不冲突，但长期看，能被 AI 反复引用的内容不会因为你停投就消失——这是结构上的差别，不是效果好坏的差别。

Question 23

客户主动转介绍，说明什么？

Accepted Answer

说明效果被客户自己验证过了。客户在给出渠道对比结论之后，紧接着说要把服务推荐给另一个也在找这类服务的朋友。从商业结果看，转介绍比任何评价都硬——客户不会拿自己的信誉替一个没用的服务做背书。这也是我们判断一个项目做得好不好时，最看重的信号之一。

Question 24

「现在红利期」怎么理解？

Accepted Answer

指当前多数行业在 AI 回答里的占位还不饱和，先做的人成本低、见效快。红利会随竞争收窄，这是趋势判断不是效果承诺。我们一般会建议客户：如果需要长期占位，越早把基础事实补齐越好；如果期望「做了立刻爆单」，那多半不是 GEO 能单独解决的事。

Question 25

连锁品牌和单店做 GEO，打法有什么不同？

Accepted Answer

单店拼一个位置，连锁品牌要拼「同一品牌下多家门店各自被提及」。难点在于：AI 回答「本地哪里可以做某项服务」时，会把不同门店当成不同实体对待。如果各店信息不统一、差异没写清，就会出现「品牌被提到、但某几家店没被提到」的情况。所以连锁项目的第一步是逐店核实，把每家的独特信息固定下来——这一步省不掉。

Question 26

为什么清单里要问「检测是否收费」「退换和调试几次免费」？

Accepted Answer

因为这些恰好是用户最高频的提问。截图里写得很直白——「这是最高频提问，也直接影响到店意愿」。把高频问题先问清、先在内容里答掉，AI 在回答同类问题时才有明确依据，客户到店前也不会因为信息模糊而流失。这类信息看起来琐碎，但在 AI 回答里往往就是决定「选你还是选隔壁」的那一条。

Question 27

为什么还要问「验配师从业年限」？

Accepted Answer

因为这是经验信号。AI 在判断一家门店是否可靠时，会找可核验的经验证据：开了多少年、师傅做了多久、服务过多少案例。这些是企业本来就有、但从来没写出来的资产。把它们写出来，比堆形容词有用得多。

Question 28

什么样的询盘才算高质量询盘？

Accepted Answer

带着具体规格来的。这张图里对方第一句就问 8mm 铝板能不能切，说明他已经在做加工选型，属于临门一脚的客户，不需要再教育。GEO 要抢的就是这类提问场景——用户在 AI 里问「某规格某材料能不能加工、找哪家」，谁的参数被 AI 读到，谁就接到这通电话。

Question 29

参数类信息为什么特别重要？

Accepted Answer

因为加工制造类的决策全是参数驱动的：能切多厚、公差多少、最大幅面多大。这类信息只要写清楚、能被抓取，就会在无数个具体提问里被反复引用。这也是我们建议制造企业把参数做成独立页面、而不是塞进一段「公司简介」里的原因——塞在段落里，AI 抓不出结构，等于白写。

Question 30

把能力边界写出来（比如「12mm 以下」）不怕丢单吗？

Accepted Answer

恰恰相反。写清边界会过滤掉不匹配的询盘，留下的都是能做的。AI 在回答时也需要边界信息才能做筛选——一个「什么都能做」的表述，AI 无法据此判断该不该推荐你，因为无从比较。这也是我们一直强调的：可核验的具体信息，比模糊的强表述更容易被引用。

Question 31

监测为什么要覆盖多个模型？

Accepted Answer

因为用户不会只用一个。同一批问题在豆包、DeepSeek、元宝、通义千问、文心一言、KIMI 上的回答并不一致，只测一两个模型得出的结论会失真。多个平台同时检测、逐条留存报告，才能看出品牌到底在哪些平台站住了、哪些还是空白——这也是我们给客户报告里必须分平台列出的原因。

Question 32

「编号 + 检测时间 + 已完成」有什么用？

Accepted Answer

用来对账。每条检测都生成独立编号、记录检测时间和状态，报告可随时回看。客户如果想核，我们能把任意一次检测的原记录调出来，对照当时的 AI 回答截图——而不是给一份没有出处的汇总表。这是我们一直坚持的：报告可以当场抽查复现，这是我们和客户对账的唯一依据。

Question 33

按月复测的意义是什么？

Accepted Answer

AI 的答案是动态的：模型版本更新、竞品内容增量、行业话题变化都会改变结果。一次检测只能说明当天的情况，按月复测才能看到趋势——是稳步上升，还是被竞品挤下去。截图里每次检测都带完整编号与时间戳，历史记录可回看，趋势才有可比性。

客户实录：不讲故事，只看凭证

一、先回答一个问题：AI 到底认不认识你

13 个查询词、39 次检测，只被推荐 1 次——可见率 2.56% 是怎么算出来的

发稿量不等于收录量：442,414 条问题，只有 129,924 条进了 AI 的素材池

客户主动报进度：还有 2 单在谈，一家做 6 套

二、客户在 AI 里怎么问：决策型提问才是真入口

"你帮我选一个"——AI 已经在替客户拍板了

方案不是发一份 PDF，是坐在客户会议室里过一遍

三、做之前 vs 做之后：可查证的对照证据

第一批交付的不是文章，是关键词体系和疑问词库

一天 4 条有效来电，客户自己整理了地区和条数

客户自报成交明细：600、2500、1260、3900

"豆包效果比美团、58 好太多"——这句是客户自己说的

四、我们怎么做：把服务过程也摊开

连锁品牌做 GEO，卡点从来不是关键词，是「每家店的差异」

一条带规格的询盘：8mm 铝板能不能切

我们用什么在监测：多模型检测，每条记录都能回看

把这几个问题讲透：效果验证专题问答

想先看你自己品牌在 AI 里什么样？