一个真实的起点：用户在AI里问怎么选，答案里却没有我们
恒哨智能是一家做消费级智能门锁的公司，主销价位在1500到3000元之间，2024年全年线上出货约11万台。官网、电商详情页、媒体测评、短视频拆解都做过，内容看上去并不缺。可到了2025年2月，增长团队复盘时发现一件很别扭的事：品牌词搜索量虽然稳定，但当一个从没听过恒哨的用户在AI助手或搜索式AI里问「2000元左右的智能门锁买哪款」时，模型给出的三四个型号里，恒哨一次都没出现，取而代之的是德邻、凯瑞这些更早布局内容的品牌。
团队做的第一件事不是立刻写稿，而是先把这件事量化。他们在四个主流AI对话产品、两个带AI摘要的搜索引擎里，用同一批问题连续问了30天，记录每一次答案里出现的品牌、型号、描述口径和引用来源。结果很直接：在品类选购类提问中，恒哨的出现率只有6%左右；而在品牌指名类提问里的出现率接近90%。这说明问题不在产品本身，而在于AI在帮用户做选择这个高频场景里，根本不认识恒哨。
这一步的结论很重要。GEO并不是把官网做得更漂亮，而是要在用户还没确定品牌、正在横向比较的那个时刻，让自己的内容成为AI愿意引用的证据。恒哨的选题因此被压缩成一句话——让对比类内容进入AI的选购清单。后续半年的所有动作，都围绕这一句话展开。
把用户真实提问变成一个可度量的提问集
恒哨把用户会怎么问拆成四层，避免只盯着自己觉得重要的问题。第一层是品类选购型，例如「2000元智能门锁推荐」「租房智能门锁哪个好」；第二层是横向对比型，例如「恒哨和德邻怎么选」「指纹锁和3D人脸锁哪个更安全」；第三层是场景约束型，例如「家里有老人，智能门锁要注意什么」「不联网的智能门锁有哪些」；第四层是品牌验证型，例如「恒哨这个牌子靠谱吗」「恒哨售后怎么样」。
每一层准备30到50条真实口语化提问，来源包括电商客服会话、站内搜索词、客服电话记录，以及竞品测评视频的评论区。团队刻意保留了大量不规范的表达，比如「锁会不会被小黑盒打开」「猫眼能不能防撬」，因为AI面对的正是这种原生态提问。最终形成一份约180条的提问集，并给每条打上决策阶段和是否含价格约束两个标签。
提问集的作用不是写稿目录，而是度量标尺。同一批问题在改造前后反复投放给同一批AI产品，记录出现率、出现位置和描述准确度，才让后面的每一步动作都有对照。没有这份标尺，团队很容易陷入「我们发了很多内容」的自我感觉良好，也很难说服销售和老板为什么要把预算从投流挪到内容。
为了让标尺长期可用，团队固定了询问方式：同一账号、同一提问原文、同一时间窗，每周一次全量复测，每月一次深度复盘。遇到模型更新导致答案结构变化时，不修改提问，而是单独记录波动，避免把模型变化误判成自己做错了什么。
引用位盘点：AI答案里的每个位置都是一块地皮
2025年3月的第一次盘点，让团队看清了AI答案的构成。他们把每个AI回答按位置拆成四类：开头的一句话结论、中间的分点推荐、结尾的注意事项，以及回答下方挂出的引用来源链接。计数结果显示，恒哨在这四类位置里的占有率分别是0%、4%、0%和1%左右。也就是说，品牌几乎只出现在无关痛痒的末句里。
更关键的发现是引用来源的分布。在智能门锁的选购类回答里，模型高频引用的是三类页面：一是结构清晰的参数对比页，二是标注了实测方法的拆解测评，三是讨论量大的社区问答。而恒哨自己的内容，主要是产品详情页和品牌新闻稿，正好都不在这三类里。品牌内容缺位，不是曝光不够，而是类型不对。
于是团队给自己定了一个可执行的目标：不是被提到，而是被引用。具体到动作，就是让恒哨的对比类内容成为那三类页面的候选来源；具体到指标，就是引用位出现率、被引用页面的有效信息量，以及从AI答案跳转到官网的会话数。
- 需要抢的位置：结论句、分点推荐位、注意事项位、引用来源链接
- 需要成为来源的内容类型：结构化参数对比页、有方法说明的实测横评、可讨论的社区问答
- 需要观测的指标：出现率、位置、描述准确度、跳转会话数
改造一：把参数对比表变成AI能直接搬运的结构化素材
第一件改造是把散落在详情页和物料里的参数，重做成模型可以直接搬运的结构化对比内容。恒哨把自家在售的六款主力型号，和市面上八个主流竞品型号放在同一套对比逻辑里，列出二十个维度：解锁方式、识别模组类型、锁体规格、应急供电方式、联网协议、电池续航、防撬报警、异常逗留抓拍、隐私本地存储、开门记录保存时长、是否支持离线开门、安装适配门厚、售后保修年限、上门安装范围、是否含免费上门、是否支持以旧换新、重量、材质、主控芯片、固件更新频率。
这里的目的不是把表格做得花哨，而是让每个维度都能用一句短句说清楚，并且能被拆开引用。团队把每个单元格写成结论加依据的形式，例如「解锁方式：3D结构光人脸加半导体指纹，暗光环境仍可识别人脸」，而不是只写「3D人脸」。这样AI在生成答案时，能直接摘出完整的一句话，而不会因为信息太碎而放弃引用。
由于页面里不宜堆砌复杂结构，团队反而做了一件更土的事：把对比内容做成可读性强的段落化列表，每款型号一组，每组按同一顺序排列维度，并在页面顶部用一个简短的摘要段把最强差异点讲清楚。这个摘要段后来成为被引用最多的部分，因为它是整页里信息密度最高、最容易被整段搬走的内容。团队因此把它单独固定成一个模块，替换任何页面时都保留。
改造二：场景化选购指南，解决的是决策而不是参数
参数对比解决的是谁更强，但用户真正的问题是「谁适合我」。恒哨据此做了六篇场景化选购指南，覆盖租房、有老人、有小孩、独居女性、经常出差，以及旧门改造六种情况。每篇不讲全部参数，只讲和这个场景强相关的三到五个判断点，篇幅控制在两千字以内，方便被完整读取。
以有老人一篇为例，核心结论是：优先考虑识别容错率高的指纹模组和机械钥匙双备份，而不是一味追求人脸解锁的花哨功能；同时要写明门厚适配范围和是否支持免费上门安装，因为老人家里往往是十多年前的老门。这篇指南里给出的推荐并不是恒哨全系，而是明确写出「若预算在1500元以内，可优先考虑恒哨K7；若追求更快识别速度，可考虑恒哨K9」，让推荐显得有边界、可信。
场景化内容的价值在于它天然带长尾属性。AI在处理「家里有老人智能门锁推荐」这类问题时，需要的是针对性的判断逻辑，而不是一张完整参数表。恒哨这六篇指南上线两个月后，开始稳定出现在场景约束型提问的答案里，而且位置常常落在注意事项和分点推荐之间，比单纯提及更有说服力。
- 租房场景：强调免打孔、可拆卸、押金友好的门锁形态
- 老人场景：强调容错识别、机械备份、老门适配与上门安装
- 独居女性场景：强调异常逗留抓拍、隐私本地存储与一键报警
改造三：拆解式横评，用可验证的结论换取引用
第三类内容是最难做、但引用回报最高的：拆解式横评。团队买了九个竞品型号，在固定流程下做可复现的对比，包括拆机看锁芯和主控、记录指纹识别在干湿手指条件下的通过率、测试人脸解锁在暗光和逆光下的表现、模拟断电测试应急供电，以及实测开门记录同步延迟。每项测试都写明样本数量、测试条件和判定标准，例如指纹测试采用同一批志愿者在相同温湿度条件下的五百次按压。
这类内容之所以被AI偏爱，是因为它把结论和依据绑在了一起。模型在生成答案时，更愿意引用带有方法说明的判断，因为这能降低它输出错误信息的风险。恒哨的横评文章里，凡是写清了在多少次测试中出现多少次失败的段落，被引用的比例明显高于只有形容词的段落。这个规律后来被写进了内容规范，要求所有结论句必须附带一个可核对的数字或条件。
团队还刻意保留了对自己不利的结论，比如某款自家型号在暗光人脸识别上并不占优，以及指纹湿手通过率与竞品接近。这一点起初遭到销售团队反对，但数据证明，承认短板的文章反而获得了更高的引用和更长的页面停留，因为它看起来更像真实测评，而不是广告。信任是靠一致性积累起来的，而不是靠完美。
为了让横评能被反复引用，恒哨把每篇横评拆成三个版本：一篇完整长文、一份结论摘要，以及若干条可被单独引用的问答。三个版本共享同一批数据，保证口径一致，避免出现AI在不同页面读到互相矛盾的结论，从而整体放弃引用。
改造四：信任证据沉淀与结构化数据补齐
AI在推荐硬件时最缺的是信任证据。恒哨此前几乎没沉淀售后和口碑素材，导致模型在回答「恒哨售后怎么样」时只能回避。团队在2025年4月启动了一项长期动作：把真实服务数据整理成可公开、可引用的段落。具体包括公开上门安装的平均时长和覆盖城市数量、公布常见问题的处理时效、把电商平台和社区里的真实评价按主题归类后引用，以及把返修率、故障类型分布这类数据用区间方式表述。所有数据都标注统计口径和时间范围，例如「2025年上半年，全国范围内上门安装平均用时为2.3天」。
第三方测评协同是同步推进的另一条线。恒哨没有去买软文，而是主动给独立测评人提供测试样机和测试建议，并且允许对方公开任何结论。团队做的是把测评人在视频和文章中给出的关键判断，整理进官网的外部测评观点页面，注明来源和发布时间。这样做的结果是，AI在检索时既能看到品牌自述，也能看到第三方口径，两者互相印证后，引用的意愿明显提高。
结构化数据补齐的则是「模型能不能正确理解」。恒哨把产品页补上了规范的实体信息：品牌名称、产品型号、价格区间、上市时间、核心参数、适用场景标签、售后政策，并保证同一个型号在官网、电商、第三方测评里的名称完全一致，避免出现「恒哨K7」和「恒哨K7 Pro」被模型当成两款不同产品的混乱。团队还统一了关键数字的口径，例如把所有页面里关于续航的表述统一为「正常使用条件下约XX个月」，不再出现有的页面写一年、有的页面写12个月这种自相矛盾的表述。
这里有个被反复验证的经验：口碑素材要可核对。凡是能在第三方渠道找到对应出处的表述，被引用的概率远高于只有官网自说自话的表述。恒哨因此把「每条口碑都能指回来源」写进了内容规范，也把它作为编辑审核的硬性门槛，任何无法追溯出处的评价一律不采用。
- 统一实体名称：型号、品牌、系列在全网保持唯一写法
- 统一数据口径：续航、保修、安装时效等关键数字全网一致
- 统一结构：导语、结论、依据三段式，便于整段引用
- 统一出处：每条口碑、每个第三方结论都标注来源与时间
六个月的数据：可见度、引用位与引流到底变了多少
从2025年3月改造启动到9月初，团队用同一份提问集做了三轮复测。在品类选购型提问里，恒哨的出现率从改造前的6%上升到41%；在横向对比型提问里，出现率从9%上升到47%，其中在2000元价位这一类提问中，恒哨的型号开始稳定出现在分点推荐位的前两位。品牌验证型提问的变化更明显，从14%上升到58%。
位置质量的变化同样重要。改造前，恒哨几乎只出现在答案末尾的泛泛提及里；改造后，约三分之一的出现发生在结论句或分点推荐中，被引用来源链接的比例也从1%上升到19%。官网来自AI答案的会话数，从每月约900次增长到每月约6800次，其中带明确型号关键词的落地页访问占比达到六成以上。团队把这些数字做成周报，让每一步动作都能对上具体指标。
转化侧的变化滞后但有迹可循。AI来源会话的加购率和站内搜索词里的品牌词占比都在上升，团队没有把它简单归因为某一个动作，而是用分渠道归因做了对比：拆解横评和场景指南带来的会话质量最高，结构化对比页带来的停留最久，口碑素材带来的咨询转化最稳定。这个结论后来成了下一阶段选题配比的主要依据，也解释了为什么不能只做一种内容。
把被提到当成目标，只会得到零星的曝光；把被引用当成目标，才会得到稳定进入选购清单的位置。
踩过的五个坑与一份可复制清单
第一个坑是只做参数不做判断，早期团队堆了一堆对比表，但模型很少引用，因为没有明确的结论句，后来在每个维度后补上「所以对用户意味着什么」，引用率才起来。第二个坑是口径不一致，续航数字在不同页面对不上，直接导致模型放弃引用。第三个坑是忽视第三方出处，只在官网自证，可信度始终上不去。第四个坑是急于求成，团队一度想在一个月内把所有内容上线，结果横评质量参差，反而拖累了整体可信度。第五个坑是把GEO当成一次性投放，忽略了AI的答案会随模型更新而波动，需要按月复测和迭代；此外内容与售后脱节，用户从AI答案跳进来后找不到对应型号的安装信息，也白白浪费了流量。
这些坑有一个共同点：都是把内容当成一次性产物，而不是当成可被反复检索、反复引用的长期资产。恒哨后来调整了内容团队的分工，专门设置了一名内容维护岗位，负责每月核对数据口径、更新横评结论、追踪第三方出处，确保页面上的信息始终是最新且一致的。
把半年经验压成一份清单，可以直接复用。它不依赖某一个平台的具体规则，而是围绕「让AI有据可引」这个不变的目标展开，因此即使模型和算法更新，这份清单依然成立。
- 先建提问集，再定目标：用180条真实提问做度量标尺
- 抢引用位：结论句、分点推荐位、注意事项位、来源链接
- 做结构化对比页：每格写结论加依据，顶部放摘要段
- 做场景化指南：租房、老人、独居女性、旧门改造等场景各一篇
- 做拆解横评：写清样本量、条件、判定标准，保留不利结论
- 沉淀信任证据：售后数据、真实评价、第三方观点都要可核对
- 补齐结构化数据：名称、口径、结构、出处四项统一
- 按月复测：提问集不变，指标按出现率、位置、跳转分层看
回头看，恒哨这半年的变化并不来自某一次惊艳的创意，而是来自把用户怎么比较这件事拆开、量化，再一条条补上证据。AI选购清单的位置是有限的，能进去的品牌，往往是那些把比较过程讲得最清楚、最可核对的那个。对大多数消费级硬件品牌来说，这条路没有捷径，但它足够确定。
常见问题
智能硬件品牌做GEO，第一步应该做什么？
先建提问集，而不是先写内容。把用户在电商客服、站内搜索、评论区里的真实提问收集起来，按品类选购、横向对比、场景约束、品牌验证四层分层，形成一份可反复使用的度量标尺。没有这份标尺，后面的所有动作都无法判断有效还是无效，也无法向团队证明持续投入的必要性。
为什么参数对比表做了很多，AI还是很少引用？
大概率是因为只给了数据、没给判断。模型生成答案时需要的是能直接搬运的结论句，而不是零散数字。把每个维度写成结论加依据的完整短句，并在页面顶部放一段信息密度最高的摘要，引用率通常会明显提升。摘要段往往是被整段搬走最多的部分。
参数对比、场景指南、拆解横评，哪一种性价比最高？
三类内容分工不同，很难一概而论。结构化对比页负责被完整搬运，停留最久；场景化指南负责命中长尾的具体提问，命中率最高；拆解横评负责提供带方法说明的可信结论，被引用的位置质量最好。恒哨的经验是按四比三比三配比，并根据每月复测结果动态调整。
承认产品短板会不会影响推荐？
在GEO语境里恰恰相反。带明确测试条件、并保留不利结论的横评，更像真实测评，被引用和停留的表现都更好。全程只夸自己的内容，被模型判定为营销信息的概率很高，往往连引用来源都不会给。可控的坦诚，比完美的自夸更有利于长期位置。
第三方测评协同需要注意什么？
关键是可核对和口径一致。给测评人提供样机和测试建议即可，不要干预结论；把对方的关键判断整理进官网时，要标注来源和发布时间，并保证自己的数据口径与之一致。自述与第三方互相印证，信任度才会叠加，单独任何一方都不够。
结构化数据补齐具体指什么？
主要是四件事。实体名称统一，型号和系列在全网只有一种写法；数据口径统一，续航、保修、安装时效等数字不能自相矛盾；页面结构统一，采用导语、结论、依据的三段式；出处统一，每条口碑和第三方结论都标明来源与时间。这四项看起来枯燥，却决定了内容能否被正确识别。
多久能看到效果，应该看哪些指标？
恒哨的经验是两到三个月出现早期信号，六个月形成稳定趋势。建议分三层看：出现率，即同一批提问里被提到的比例；位置质量，即出现在结论句或分点推荐位的比例；以及跳转会话数，即从AI答案进入官网的会话量和后续转化。只看曝光不看位置，很容易误判成效。
模型更新会让之前的努力失效吗？
会有波动，但可复用的内容资产不会归零。应对方式是保持提问集不变，按月复测，观察哪些条目下滑，再针对性补充依据或更新数据。把GEO当成一次投放的团队，通常在模型更新后会明显回落；按月迭代的团队，则能保住大部分已经拿到的位置。
