在眼科这个高度依赖信任与专业判断的赛道里，AI搜索带来的变化比多数同行预想的更快。2024年下半年，我们服务的一家区域眼科连锁机构发现了一个反常现象：官网自然搜索流量同比下降了19%，但前台电话里出现了越来越多“我在AI里看到你们”“豆包说OK镜要这样验配”之类的开场白。咨询主管把这些线索单独拉了一张表，三个月积累了217条，占总来电的6.8%，而团队此前完全没有为这个渠道做过任何优化，也没有人说得清这些家长到底在AI里看到了什么。

这篇文章完整复盘该机构从2024年11月到2025年5月的GEO实践：如何在180天里把AI答案中的品牌提及率从2.1%做到18.7%，把AI来源的月均预约从210人次做到1860人次，并把单个到店成本从612元压到214元。所有数据来自项目内部看板与三期到店回访记录，机构名称与部分城市信息做了脱敏处理，方法与踩坑细节保持原样，供同类医疗机构参考。

一、项目背景：一家区域眼科连锁的增长天花板

机构画像与业务结构

该机构2016年创立，在华东3个省11个城市运营23家门店，其中视光中心17家、日间手术中心3家、综合门诊3家；全职眼科医师46名，视光师128名，年门诊量约52万人次。业务结构上，青少年近视防控贡献营收的54%，主要包括角膜塑形镜验配、离焦框架镜、低浓度阿托品联合管理、视功能训练四条产品线；干眼诊疗占18%，成人屈光与白内障手术占21%，其余为常规眼健康检查与配镜。

2024年营收4.72亿元，全年初诊量约38.6万人次。线上获客占比58%，但结构并不健康：竞价与信息流占线上的71%，本地生活平台占19%，自然搜索与内容只占10%。单个初诊获客成本从2019年的168元一路涨到2024年的612元，而近视防控患者的首年客单价约9800元，账面上还有空间，但续配率从78%降到69%，转介绍率从14%降到8.6%，说明流量质量在恶化，靠加预算换增长的路已经走到尽头。

为什么盯上了AI搜索

触发点是2024年10月的一场家长座谈会。12位家长里有9位表示，在决定带孩子去哪家机构之前“问过AI”，其中5位把AI的回答截图发在了家长群里，还有人把截图转发给了班主任。运营团队随后做了小样本测试：在4个主流AI助手里输入“孩子近视涨得快怎么办”“8岁能不能戴OK镜”“离焦镜片和OK镜哪个好”等18个问题，统计答案里出现的机构名称。

结果很难看。60次提问中只有2次提到该机构，且都是因为门店所在城市被明确写进了问题里。答案里高频出现的信源是百科词条、三甲医院官网科普、卫健部门与疾控机构发布的文件、母婴社区的长帖，以及少量行业媒体的测评文章。机构运营了8年的官网、320篇公众号文章、17家门店的本地生活页面，几乎没有进入AI的信源池。

更关键的是，AI给出的建议往往非常具体：几岁可以做散瞳、OK镜每天要戴几小时、离焦镜片多久复查一次、第一次去要带什么。这些具体建议直接影响家长的下一步动作，谁的内容被引用，谁就站在了决策链的上游。团队把这件事定义为“入口迁移”，而不是“多一个渠道”，这也决定了后面所有策略的取向：不是买流量，而是争取被引用。

二、问题诊断：家长在AI里问的到底是什么

1200条问答记录的语义拆解

项目第一周没有写任何内容，只做了一件事：采集语料。团队用10个家长账号，在4个AI助手里围绕近视防控、干眼、成人屈光三类需求累计提问400次，回收有效答案1200条（含追问）。同时对30位到店家长做一对一访谈，请他们复述“从发现孩子看不清到走进门店”的完整过程，包括中间查过什么、问过谁、犹豫在哪一步。

拆解后发现，提问可以归为三层。第一层是症状判断型：“孩子说黑板看不清是不是近视了”“学校筛查4.6要不要马上配镜”“一只眼清楚一只眼模糊怎么回事”。这类问题占比最高，约47%，特征是焦虑、急着要一个明确的下一步。第二层是方案比选型：“OK镜和离焦镜哪个控制效果好”“低浓度阿托品有副作用吗”“8岁和12岁选择一样吗”，占34%。第三层是就诊决策型：“挂什么科”“要不要提前散瞳”“第一次去要带什么”“复查多久一次”“大概多少钱”，占19%。

三层问题的商业价值完全不同。症状判断型流量大但离成交远；方案比选型是真正的主战场，因为家长此时已经在权衡，AI给出的框架会直接变成他到店后的谈判语言；就诊决策型流量小但转化率最高，实测从提问到预约的转化可达9%以上，远高于前两层的1.2%和3.4%。这个发现让团队放弃了“先做流量最大的”这种惯性思路。

现有内容资产的五个断点

把机构已有的463个内容页面（官网、公众号、问答社区、门店页）逐条过了一遍，问题集中在五处。

一是促销体太重。官网首屏是“暑期钜惠”“验配立减800”，正文大量使用“领先”“权威”“首选”这类无法验证的形容词，AI在抽取事实时几乎无法使用。二是缺少可被直接引用的定义句。一篇3000字的OK镜科普，没有一句完整的“角膜塑形镜是一种……适用于……不适用于……”的规范表述，AI只能去引百科。

三是医生资质信息碎片化。46位医师的执业信息分散在官网、招聘页、门店海报三个地方，职称、执业年限、擅长方向、出诊时间四处不一致，AI无法建立“这位医生是这个领域的专家”的判断。四是门店信息在11个平台上有37处不一致，包括地址写法、电话区号、营业时间、可开展项目，导致AI在回答“某市哪里可以验配OK镜”时，宁可引用平台聚合页也不敢引用官网。

五是缺少第三方信号。医疗决策高度依赖他证，但机构几乎所有内容都是自说自话，没有医师在学术会议上的发言记录，没有公开的科普讲座，没有可核验的脱敏案例数据，也没有与学校、社区的合作记录。AI在评估可信度时，这类外部锚点的权重比机构自述高得多，这一条后来成了项目最难但最关键的工作。

三、方法论落地：从关键词表到场景库

把关键词表换成问句簇

传统SEO团队交上来的第一版方案是一张2800个关键词的表，“近视防控”“OK镜多少钱”“儿童散光矫正”这样排列，按搜索量排序。这套东西在GEO里基本失效，因为用户对AI说话是完整句子，且带着年龄、度数、既往史、地理位置等约束条件。团队把关键词表整体废弃，改建场景库。

场景库的结构是四层：人群（学龄前、小学低年级、小学高年级、初中、高中、成人）、问题（症状、方案、价格、流程、风险、复查）、约束（年龄、度数区间、散光、是否初次、是否有过敏史、城市）、意图（了解、比选、决定、售后）。四层交叉后收敛出6大类42个子场景、187个问句簇、约1400条真实问法，全部来自家长原话，保留了口语、错别字和方言表达。

举例：子场景“小学三年级、半年涨了75度、家长抗拒手术类方案”，对应的问句簇包括“三年级半年涨75度算快吗”“不想戴OK镜还有什么办法”“离焦镜片一年要换几副”“户外每天两小时真的有用吗”“低浓度阿托品要滴到几岁”。这五问构成一个完整的内容单元，而不是五个孤立的关键词，写作者知道它们服务于同一位家长的同一次决策。

内容分层：五层漏斗对应五个写作任务

场景库确定后，内容被分成五层，每层对应不同的写作目标和不同的可引用单元。

定义层解决“是什么”，要求每篇必须有一句可被完整摘取的规范定义，长度控制在60到90字，主谓宾齐全，不含营销词。解释层解决“为什么”，用机制说明建立专业感，比如离焦镜片的光学原理、OK镜对角膜上皮的作用方式、阿托品对睫状肌与巩膜的影响路径。比选层解决“选哪个”，必须给出适用条件而不是排名，明确写出“什么情况下A更合适、什么情况下B更合适、什么情况下都不合适”。

决策层解决“怎么办”，把就诊流程拆成可执行步骤：挂号科室、是否需散瞳、散瞳后多久恢复、首诊要带什么资料、检查项目清单、大致耗时。兜底层解决“出问题了”，覆盖戴镜不适、镜片破损、复查异常、费用争议等，这一层流量最小但对信任的贡献最大，实测兜底层的页面平均停留时长是其他层的2.3倍，客服转述里也最常出现“你们网上写得很清楚”。

四、内容生产：把医生经验变成可引用的答案块

三段式写作模板

为了让128位视光师和46位医师的临床经验能稳定产出，团队设计了一个极简模板，每个页面必须包含三段：结论段、依据段、边界段。

结论段放在页面开头300字内，用陈述句直接回答标题问题。例如：“8岁儿童在近视度数低于600度、散光低于150度、角膜曲率正常且无眼部活动性炎症的情况下，可以验配角膜塑形镜；是否适合仍需通过角膜地形图、眼轴长度、泪液分泌等7项检查确认。”这句话里有年龄、度数、散光、曲率四个约束和三个排除条件，AI可以直接引用，也不容易因为断章取义产生误导。

依据段给出机制与数据，要求至少包含一个可核验的数字来源（指南、专家共识、公开发表的研究结论），并注明适用人群与证据等级。边界段明确写出不适用情形与风险提示，这一段在医疗内容里不是免责声明，而是可信度信号。项目中期做过一次对照：同样主题，含边界段的页面被AI引用的概率比不含的高出约2.7倍。

权威信号的三层加固

内容写对只是第一步，AI还要判断“谁说的”。团队做了三层加固。

第一层是作者层。每个页面挂真实作者，包含姓名、职称、执业证号后四位、执业年限、擅长方向、出诊门店，并与执业信息查询结果保持一致。这一层做完后，AI答案里开始出现“某机构视光师某某指出”这类归属表述。

第二层是机构层。统一了23家门店的名称、地址、电话、营业时间、可开展项目，在官网、地图、本地生活平台、行业目录四处做成完全一致的版本，并给每家门店建独立页面，页面里包含门店实景、设备清单、医师排班、交通指引、周边学校分布。这一层解决的是本地可服务性判断，直接对应“我所在城市哪里能做”的提问。

第三层是外部层。推动医师参与市级眼健康科普讲座，与6所小学建立视力筛查合作，在3个学术会议上做病例分享，并把可公开的记录（新闻稿、会议日程、合作名单、讲座视频的文字稿）做成可访问的页面。这一层见效最慢，但对“这家机构是否值得信任”这类整体性判断影响最大。

五、多平台分发与实体一致性治理

内容生产出来后，分发不是简单复制。不同AI助手背后的检索源差异很大：有的偏好百科与新闻，有的偏好问答社区与长文，有的对结构化页面更敏感。团队按“一稿多版”处理：同一主题写成官网深度版（2500到4000字）、问答社区版（800到1200字，第一人称回答）、短视频脚本版（60秒口播，只讲结论段）、门店页摘要版（300字，含本地信息）。

多版不是洗稿。四个版本共享同一套事实与同一组数字，但叙述视角、篇幅、术语密度不同。团队设了一条硬规矩：任何版本里的数字、结论、适用条件必须完全一致，出现冲突以官网深度版为准并回溯修改所有版本。这条规矩后来救了一次危机——某本地生活平台的门店页把“复查周期4到6周”写成了“3个月”，被家长截图质疑，团队用两小时完成全平台核查与更正，并在FAQ里补了一条关于复查周期的说明。

实体一致性是这部分最容易被忽略的工作。团队建了一张事实表，包含23家门店乘14个字段，每月核对一次。核对方式是抽10家门店，用地图、点评、官网、AI问答四个入口分别查证，出现不一致就追到源头。三个月后，跨平台不一致从37处降到2处，AI在回答本地类问题时的引用对象从平台聚合页转向了机构官网的门店页。

六、效果数据：90天与180天的两轮复盘

可见度：从被忽略到稳定出现

指标体系分三层：可见度（是否被提及、是否被引用、出现位置）、影响力（表述倾向、是否包含关键事实）、转化（会话、预约、到店）。考核只看第三层，但日常优化必须盯前两层，否则会陷入“数字好看但没生意”的陷阱。

90天节点：在固定题库（187个问句簇中各取1条，共187条）上测试，品牌提及率从2.1%升到11.4%，信源引用率从0.8%升到6.2%，进入答案前三句的比例从0升到4.3%。180天节点：提及率18.7%，引用率11.3%，前三句占比9.6%；在“本地哪家机构能做”类问句上提及率达到34.2%，是全部类别里最高的。

分层看差异明显。就诊决策型问句的提及率最高（180天时41.5%），因为竞争内容少、答案需要具体流程信息；方案比选型次之（22.8%）；症状判断型最低（9.4%），因为这类问题AI更倾向引用权威医学信源，商业机构天然处于劣势。这个分布反过来验证了内容分层策略的正确性——把资源压在决策层和比选层，比在症状层硬拼更划算。

转化：从AI会话到走进门店

转化链路是这样打通的。AI答案里出现机构名后，家长的动作通常是二次搜索（搜机构名加城市）、直接点官网、或在本地平台找门店。团队在三个接点上做了改造：官网首屏增加“AI常见问题”入口，把高频30条做成可展开的答案页；门店页增加“首次到店流程”模块，明确写出检查项目、耗时、是否需散瞳、停车与公交信息；客服话术里增加一句“您是在哪里看到我们的”，用于归因。

数据上，AI来源的月均会话从2024年11月的210次增长到2025年5月的1860次，占线上总会话的14.8%。AI来源的预约转化率4.1%，高于信息流的2.3%和自然搜索的3.2%。单个到店成本从612元降到214元，其中内容生产成本摊销约96元，人力成本约78元，工具与监测约40元。

更值得注意的是质量指标。AI来源患者的首诊检查完成率86.4%（全渠道平均74.1%），说明他们到店前已建立基本认知，沟通成本低；角膜塑形镜验配转化率38.7%（全渠道29.2%）；90天内转介绍率11.2%（全渠道6.8%）。客服主管的观察很直接：“这些家长进门时已经知道要做什么检查、大概多少钱、多久复查，我们不用花二十分钟做基础科普，可以直接谈方案。”

七、转化链路设计：把答案变成可执行的下一步

有一类失败很典型：内容被引用得很好，但用户看完就走了。原因是答案只给了知识，没给动作。团队后来给每一层内容都配了“下一步”，且下一步必须低门槛、可立即执行。

症状判断层的下一步是“自测清单”而不是“立即预约”。清单包含5个问题（单眼还是双眼、看远还是看近、持续多久、是否伴随眼痛头痛、学校筛查结果），家长勾完会得到一个分流建议：观察两周、尽快到院、或立即急诊。这个设计把转化从“说服”变成“筛选”，预约率反而提高了，因为来的都是真正需要来的人。

比选层的下一步是“适用性对照”，用文字描述两组条件（更适合A的情形、更适合B的情形），并明确写出“如果都不符合，还有第三条路：单纯框架镜加户外活动加定期复查监测”。这种诚实的写法短期看会流失一部分高客单转化，但180天数据显示，这类页面的到店转化率是普通促销页的1.9倍，退单率低了6个百分点。

决策层的下一步最直接：一段“首次到店须知”，包含科室、楼层、检查项目、预计耗时、是否需要家属陪同、散瞳后的注意事项、停车位置。团队把它做成可直接复制到聊天窗口的短文本，方便家长转给家人。这段文本被AI引用的频率出乎意料地高，因为它同时满足了具体、可执行、本地化三个条件，而这正是绝大多数医疗机构内容缺失的部分。

八、踩过的五个坑

第一个坑是一稿多投。项目初期为了赶进度，把官网长文原样发到5个平台，两周后发现这些页面互相竞争，AI引用时出现版本混乱，同一个问题能得到三个不同数字。后来改成“一稿多版”，给每个版本加不同的本地化信息与作者署名，问题才解决。

第二个坑是过度使用“最好”“第一”“权威”。医疗内容里这类词既违反广告规范，也会让AI判断为营销文本而降权。团队把463个页面里的绝对化用语全部清理，替换成条件化表述，比如把“最好的近视防控方案”改成“在度数增长快、家长能接受夜间戴镜的情况下，角膜塑形镜是常用方案之一”。

第三个坑是合规。早期有两篇内容在讲低浓度阿托品时写成了“可以有效延缓近视”，被医学顾问判定为超出说明书范围的疗效表述。团队随后建立三道审核：视光师事实核对、医师医学审核、法务合规审核，并沉淀了一份禁用表述清单，包含37条高风险说法。

第四个坑是只做内容不做页面。有段时间内容质量上来了，但页面加载要4.8秒、移动端排版错乱、关键信息藏在图片里，AI抓取效果很差。技术侧做了一轮改造：首屏加载压到1.6秒，把图片里的文字全部改为文本，给每个页面加了清晰的小标题层级。改造后同一批内容的引用率提升了约40%。

第五个坑是只看提及率不看准确性。有一个月提及率涨了6个点，团队很高兴，抽查后发现其中三分之一是错误信息——把营业时间写错、把两家门店混淆、把医师职称写高了一级。这些错误比不被提及更伤信任。之后团队把准确性抽查列为月度固定动作，每次抽50条答案逐条核对，错误率从31%降到4%以下。

九、成本结构与投入产出

180天总投入68.4万元。其中内容生产31.2万（3名全职内容人员加外部医学编辑按篇计费，共产出96篇深度内容、改造143个旧页面），医学审核与顾问费12.6万，技术与页面改造9.8万，监测工具与数据采集6.4万，线下活动与外部背书8.4万。

产出侧，180天AI来源累计到店4820人次，按首年客单价折算贡献营收约4720万元（含后续续配与手术转化），投入产出比约1比69。这个数字看起来夸张，但需要说明两点：一是分母只算了GEO专项投入，未分摊品牌、门店、医师等固定成本；二是AI来源患者中有相当比例本来就会到店，GEO的作用是提前拦截而非凭空创造，真实增量按50%折算更稳妥，即1比34左右。

单客经济性上，AI来源患者的首年贡献毛利约3900元，获客成本214元，回收周期不到一个月。这也是项目能在第4个月就拿到第二年预算、并把团队从3人扩到5人的原因。

十、复盘启示：可复用的六条清单

第一条，先建场景库再谈内容。关键词表是搜索时代的产物，AI时代的基本单位是一个带约束条件的完整问题。没有场景库，内容就会写成泛泛的科普，谁都能写，也就谁都不会被引用。

第二条，把结论写在前面，把边界写清楚。AI摘取的是句子，不是文章。一句结构完整、条件明确、不含营销词的定义句，价值高于三千字的铺陈。而边界条件不是负担，它是最强的可信度信号。

第三条，实体一致性是隐形基础设施。名称、地址、电话、项目、时间在十个平台上有十个版本，AI就不敢用你。这项工作琐碎、见效慢，但它是所有本地类问答的地基，越早做越省事。

第四条，医生是内容资产而不是审核关卡。让医师参与写作（哪怕是口述转写），内容才有细节，比如孩子哭闹时怎么配合、镜片偏位怎么判断、复查时家长最常误解什么。这些细节是AI最缺、也最难编的东西。

第五条，合规是前提不是约束。医疗GEO最大的风险不是排名低，而是说错话。三道审核和禁用清单看起来拖慢速度，实际上避免了更大的返工与舆情成本。

第六条，监测要盯准确性而不只是曝光。提及率是虚荣指标，准确提及率、正确引用率、到店转化率才是真指标。建议每月固定抽查50条答案逐条核对，把错误率当成和转化率同等重要的指标来管。

常见问题

眼科机构做GEO多久能看到效果

通常4到8周能看到AI答案中开始出现品牌名，但这只是被提及。真正稳定的引用一般需要3到4个月，因为信源更新有滞后，且需要多平台内容形成交叉印证。这家机构的经验是90天提及率到11%左右，180天到18%以上。只做官网不做外部信号，见效会更慢。

医疗行业做GEO有哪些不能碰的红线

三条最要紧：不能承诺疗效（治愈近视、彻底摘镜这类表述绝对不能用）、不能使用绝对化用语（最好、第一、唯一）、不能伪造或夸大资质（职称、执业范围、学术头衔必须与备案一致）。此外，涉及处方药的内容要严格限定在说明书与共识范围内，并注明需医师评估后使用。建议建立禁用表述清单并做发布前双人核对。

中小门诊没有内容团队怎么做

从一个场景、十个问题开始。选最擅长的一个细分方向，把家长最常问的十个问题列出来，每个问题写一篇800到1200字的回答，严格按结论段、依据段、边界段三段式，作者挂真实医师。十篇高质量内容的效果，往往好过一百篇泛科普。等这个方向跑通了，再复制到第二个场景。

GEO和SEO、竞价推广是什么关系

三者不是替代关系。竞价解决立刻要人，SEO解决有人搜的时候能找到你，GEO解决人还没搜、在问AI的时候你就已经在答案里。预算分配上，这家机构在项目后期把竞价预算压了22%，把释放的部分投向内容与监测，总获客量没有下降。对多数机构来说，比较稳妥的比例是竞价五成、GEO与内容三成、品牌与其他两成。

怎么监测AI里有没有提到自己的机构

手工方法可行且够用：固定一份30到50条的问题清单，覆盖症状、比选、决策三层，每周在3到4个主流AI助手里各问一遍，记录是否提及、提及位置、表述是否准确、引用了什么来源。用表格记录，四周就能看出趋势。注意两点：同一问题不同账号问结果可能不同，建议固定账号与提问措辞；AI答案会变化，单次结果没有意义，要看四周移动平均。

角膜塑形镜这类高客单项目适合做GEO吗

非常适合，但打法不同于普通消费品。OK镜的决策链条长，从认知、比选、验配到复查、续配，家长在每一环都有大量具体疑问，而这些疑问的答案高度依赖本地机构的资质、设备与医师经验。这意味着本地可服务性内容比泛科普更有价值。这家机构的数据是，决策层内容带来的OK镜验配转化率38.7%，是所有内容类型里最高的。

连锁机构总部和门店的内容如何分工

建议总部定标准、门店供素材、总部统发。总部负责场景库、写作模板、合规审核、事实表维护与效果监测；门店负责提供本地素材，包括周边学校、交通、常见问题、医师排班、真实场景的文字描述；发布统一由总部执行，避免各店自行其是导致实体信息不一致。如果门店有运营能力，可以授权发布本地化短内容，但必须走同一套审核流程与同一张事实表。

预算有限时应该先做哪个平台

先做用户问得最多的那个，而不是你觉得最重要的那个。判断方法很简单：问30位到店家长平时用哪个AI问健康问题，看分布。同时看目标人群结构——如果以小学生家长为主，微信生态内的AI入口权重更高；如果以年轻白领的屈光手术咨询为主，独立AI应用的比例会更高。选定一个平台做深，比四个平台各做一点更有效。

复盘这件事，最值得记住的不是那些增长数字，而是一个判断：AI没有改变医疗决策的本质，它只是把决策往前挪了一段。过去家长是走进门店才开始问问题，现在是躺在沙发上问完AI才决定要不要出门。机构能做的，是在那段还没出门的时间里，成为那个被引用、被信任、被记住的答案。这需要的不是更多的广告预算，而是更诚实、更具体、更可核验的专业表达。对眼科这样高信任门槛的行业来说，这或许是一次难得的机会——把多年积累的临床经验，重新翻译成机器和人都能读懂的语言。