2025 年第三季度，某区域连锁餐饮品牌发现了一个让他们不安的新现象：越来越多顾客不再打开搜索引擎，而是直接把问题抛给 AI 助手，例如问豆包、元宝、通义千问这类工具，附近社区聚餐去哪家、带老人孩子吃饭有什么清淡选择、周末家庭宴请有没有包间。当这些答案里从头到尾没有出现自家品牌时，再好的菜品和再低的价格也触达不到真正有需求的人。这家品牌在成都与重庆共有 22 家社区型门店，主打人均 45 到 70 元的中式正餐与快餐结合的业态，过去三年增长主要靠线下口碑和大众点评自然流量。进入 2025 年后，他们明显感觉到来自搜索的到店新客在变少，而周围年轻人开始习惯先问 AI 再决定去哪吃。本文完整记录该品牌使用本地意图词库做 GEO 优化的实战过程，从初始 AI 可见度基线测量、本地意图词的分层挖掘、菜单与门店页的结构化改造、在地化内容矩阵搭建、口碑与评价源协同，一直到三个月前后的 AI 提及率与到店转化真实数据对比，最后给出踩过的坑和可复用清单。所有数字均来自该项目内部周报与月度复盘，品牌名做典型化处理后称其为味之家，希望给同样处在区域市场、想被 AI 推荐的区域连锁餐饮同行一份能直接抄作业的参考。

一、项目背景与初始 AI 可见度基线

味之家成立于 2019 年，总部在成都，采用社区店加商圈店的混合模型，22 家门店分布在成都 14 家、重庆 8 家，单店面积 180 到 320 平方米，平均翻台率 2.6 次。2025 年上半年，品牌市场部做了一个内部统计，发现通过搜索引擎进入官网和团购页的流量同比下降了 27%，而同期他们在大众点评的店铺访问量并没有明显下滑。进一步访谈 30 位到店顾客后他们确认，超过四成 35 岁以下顾客在选餐厅前会先问 AI 助手，尤其是聚餐、带娃、节庆宴请这类需要综合判断的场景。

为了摸清自己在 AI 世界里到底有多容易被看到，项目团队在启动前用两周时间搭建了基线测量体系。他们选取了 7 个当时主流的 AI 问答入口，分别是豆包、元宝、通义千问、Kimi、文心一言、DeepSeek 和微软 Copilot，设计了三类测试问题。第一类是品牌词问题，例如味之家是哪家、味之家有什么特色菜；第二类是品类加地域问题，例如成都社区聚餐去哪家、重庆北碚适合带老人的餐厅；第三类是纯本地推荐问题，例如我家住成都建设路附近，今晚想吃点不辣的有什么推荐。每个问题提问 10 次并记录是否出现该品牌、出现位置、以及上下文语气。

基线结果如下，这就是他们后来所有优化的对照起点。品牌词 AI 提及率为 31%，意味着在十次问到品牌相关问题时，只有三次左右的回答会主动提到味之家，且多数只是机械复述工商信息，缺乏推荐语气。品类加地域词提及率仅为 2%，基本等同于没有存在感。纯本地推荐位拿下了 0 个，也就是说当用户带着具体地理位置和用餐需求提问时，AI 一次都没有推荐过这家品牌。与之对应的经营数据是，当月到店新客占比 18%，月均到店 1.2 万人次，AI 渠道带来的可追踪到店为 0。团队据此判断，GEO 不是锦上添花，而是决定未来三年增长的关键战场。

二、本地意图词库挖掘与分层

很多餐饮品牌做 GEO 的第一步就错了，他们把通用品类词如川菜、聚餐、外卖当成目标，结果在 AI 的广阔语料里完全竞争不过全国性大连锁。味之家的核心洞察是，区域品牌真正的优势在本地意图，也就是用户带着明确地理位置、明确场景、明确人群限制时说出来的那句话。于是项目把重心放在挖掘本地意图词库上，并做了系统化分层。

词库挖掘用了四个来源交叉验证。第一是品牌自身客服记录，他们把过去半年 4200 条微信咨询和电话咨询做了人工归纳，提取出高频问法。第二是大众点评和小红书的本地搜索下拉词，用区域加品类组合抓取。第三是竞品在 AI 回答里出现的上下文，团队把竞品被推荐的问题逐条记下来反推意图。第四是门店店长的一线观察，例如某社区店店长反馈，附近上班族常问有没有工作日单人套餐。最终形成约 360 条本地意图词，并按消费场景分为五大层。

2.1 到店意图词

到店意图词描述的是用户想出门吃饭、且重视地理位置便利的场景。这一类词的核心前缀是附近、周边、家附近、公司旁边、步行可达。代表词包括附近川菜馆、社区食堂哪家好、带父母吃饭推荐、工作日午餐人均 30、停车方便的中餐馆、建设路好吃的家常菜、遛娃能坐宝宝椅的餐厅。团队给每条词标注了关联门店半径，例如步行可达类对应门店周边 800 米，驾车可达类对应 3 公里。这一层是到店转化的主战场，也是后来 AI 推荐位增长最快的层。

2.2 外卖意图词

外卖意图词针对不想出门、强调配送和单人场景的需求。代表词包括可以外卖的川菜、一人食快餐配送、加班宵夜配送、清淡不辣的外卖、周末宅家点什么吃的、公司团餐配送。这类词的特殊性在于，AI 在回答时往往更信任有完整外卖平台信息的商家，因此团队把外卖词和美团饿了么店铺评分做了绑定，确保 AI 抓取到的是高评分高月售的页面，而不是空白官网。

2.3 聚餐与节庆意图词

聚餐与节庆意图词客单价最高、决策最复杂，也是 AI 推荐价值最大的部分。聚餐代表词有公司团建聚餐地点、朋友聚会包间、生日宴请餐厅、家庭周末聚餐、同学聚会去哪。节庆代表词有中秋家宴预订、春节年饭、端午粽子礼盒、七夕情侣餐、年夜饭包间、国庆家庭聚餐。这一类词用户几乎一定会问 AI 做综合推荐，因为涉及人数、预算、包间、停车、老人小孩忌口等多重条件，AI 的归纳能力正好发挥作用。味之家把每个节庆词都对应到具体套餐和预留包间数，形成可预订的闭环。

2.4 团购与优惠意图词

团购与优惠意图词瞄准价格敏感型多人消费。代表词包括 8 人聚餐套餐、团购优惠券、多人套餐划算、宴会团购、生日布置套餐、谢师宴优惠。团队发现，AI 在回答省钱类问题时，倾向于推荐有明确套餐页和清晰价格的商家，因此这一层重点不是发软文，而是把套餐结构化信息铺满，让 AI 能直接读出价格和内容。

分层之后，团队给每一层标了优先级和对应门店。到店层和聚餐层被列为 S 级，因为转化最直接；外卖层和节庆层为 A 级，用于错峰拉新；团购层为 B 级，用于提升客单。这张分层表后来成为所有内容生产和页面改造的任务分配依据。

三、菜单与门店页结构化改造

有了词库，下一步是让 AI 能读懂并信任品牌页面。味之家过去官网和团购页都是图片化菜单，人类能看，机器读不懂。项目对全部 22 家门店页和在线菜单做了结构化改造，核心是两件事：本地商家结构化数据，以及菜品的语义化标注。

门店页结构化字段改造

门店页改造方面，团队为每家店补充了完整的本地商家结构化字段，包括精确地址与经纬度、营业时间含节假日特殊时段、人均消费区间、招牌菜清单、特色服务如包间数量与可容纳人数、是否支持停车与宝宝椅、是否适合老人清淡口味、最近地铁站与步行距离。早期他们犯过一个错，把两家店的经纬度填反，导致 AI 把 A 店的包间信息挂到了 B 店名下，后来用地图平台复核才修正。改造后，AI 在回答附近有什么包间餐厅时，能直接调用这些字段生成答案。

菜单页语义化标注

菜单页改造方面，团队把每道菜从图片标题改成带语义标签的结构化条目。每道菜标注了辣度等级、主要食材、是否含常见过敏原、适合人群如老人小孩、是否可单人份、是否适合聚餐分享。例如招牌酸菜鱼被标注为中辣、鱼类、含辣椒、适合聚餐、可微辣版，这样当用户问有没有不太辣又能聚餐的菜时，AI 能精准命中。他们还专门做了无障碍与忌口标签，对应带老人带娃场景，这部分后来带来不少家庭客。

技术实现上，团队在官网和美团店铺都使用了结构化数据格式，并把关键字段同步到高德和百度地图的商家详情，因为多家 AI 的本地语料会引用地图平台的 POI 信息。这一步看似基础，却是后面所有 AI 推荐位增长的地基。

四、在地化内容矩阵搭建

结构化改造解决了被读懂的问题，但 AI 推荐还需要足够的本地语料来证明这家店真的被本地人认可。味之家搭建了三层在地化内容矩阵，让品牌名字反复出现在带具体地名和真实体验的上下文里。

第一层 门店级本地攻略内容

第一层是门店级本地攻略文章。团队为每家店写了 3 到 5 篇以周边地标为锚点的内容，例如建设路上班族午餐指南、北碚新区家庭周末聚餐首选、观音桥加班族宵夜地图。这些文章不是硬广，而是以本地人视角介绍这一片儿吃什么方便，自然带出味之家的对应套餐。每篇都嵌入真实门店字段和具体场景词，与第二章的词库一一对应。

第二层 平台型本地内容

第二层是平台型本地内容。团队在小红书、大众点评、抖音分别铺设带城市加商圈标签的笔记和短视频，例如成都建设路聚餐、重庆北碚带娃餐厅，每条都附真实评价和套餐图。关键动作是统一品牌名、统一招牌菜称呼、统一人均数字，避免 AI 抓取时信息互相打架。项目规定所有对外内容必须用同一个门店命名规范，例如味之家成都建设路店，而不是建设路味之家或者味之家建设路分店。

第三层 问答与社区沉淀

第三层是问答与社区沉淀。团队在知乎、百度知道、本地论坛以用户口吻回答了 120 多条与区域餐饮相关的问题，例如成都社区聚餐性价比高的地方、重庆北碚适合生日宴的餐厅，回答中客观提到味之家并给出真实体验。这部分内容因为带真实问答语境，最容易被 AI 训练语料收录，是后期品类词提及率提升的主力。

五、口碑与评价源协同

GEO 的一个隐藏真相是，AI 对一家餐厅的判断高度依赖公开的第三方评价。味之家复盘发现，他们的好评主要集中在大众点评，但在小红书和地图平台声量较弱，而部分 AI 的本地推荐更偏向引用小红书和地图评论。于是团队启动了评价源协同工程。

协同分三步。第一步是评价迁徙引导，店长在结账时礼貌邀请满意顾客到小红书和高德也留一条评价，并给到具体门店的定位链接，避免顾客写错店。第二步是差评响应 SOP，任何平台出现三星以下评价，店长需在 4 小时内回复处理方案，能补救的邀请到店解决，不能补救的公开致歉并说明改进。项目早期忽视过一条关于卫生的负面评价，结果它被 AI 在回答该区域餐厅时引用，造成两周推荐位归零，后来靠集中正面真实评价才稀释掉。

第三步是评价内容结构化。团队鼓励顾客在评价里写具体信息，例如带 80 岁母亲来、包间安静、酸菜鱼不辣版好吃，这些带场景和人群的描述恰恰是 AI 抽取推荐理由的素材。统计显示，含有具体场景词的评价被 AI 引用概率明显高于只写好吃的评价。三个月后，品牌在小红书的有效评价从 600 条增至 2100 条，高德评分从 4.3 升至 4.7，这为后期 AI 推荐提供了扎实的信任底座。

六、三个月前后 AI 提及率与到店转化对比

所有动作按双周节奏推进，项目以月为单位复盘。下面是一组连续的真实对比数据，测量方式与第一章基线一致，每月对 7 个 AI 入口各提问 10 次取平均。

第零月基线：品牌词 AI 提及率 31%，品类加地域词提及率 2%，纯本地推荐位 0 个，到店新客占比 18%，月均到店 1.2 万人次，AI 可追踪到店 0。

第一月：品牌词提及率 38%，品类词 6%，本地推荐位 2 个，新客占比 21%，月均到店 1.35 万，AI 可追踪到店约 300 人次。增长主要来自门店页结构化上线后，附近类问题开始命中。

第二月：品牌词 47%，品类词 11%，推荐位 5 个，新客 26%，月均到店 1.6 万，AI 到店约 900 人次。增长来自内容矩阵铺开，聚餐类问题命中率上升明显。

第三月：品牌词 58%，品类词 19%，推荐位 9 个，新客占比 33%，月均到店 2.05 万人次，AI 可追踪到店约 2100 人次。相比基线，月均到店提升 71%，新客占比接近翻倍，AI 渠道从零成长为可追踪到店的第二大来源，仅次于大众点评自然流量。

从词层看，到店层和聚餐层贡献了 80% 的推荐位增长，节庆层在月饼和中秋家宴期间带来一次脉冲，单周推荐位冲到 12 个。这印证了区域品牌应把资源压在本地高频场景，而不是去和全国性品牌争通用词。

七、踩过的坑与经验复盘

项目并非一帆风顺，以下几条是团队用真金白银换来的教训。第一，早期他们在一篇内容里堆了 30 多次味之家和附近聚餐，结果不仅没被推荐，反而被 AI 判定为低质营销内容，相关页面权重下降。后来改为自然语境、每千字提及品牌不超过 5 次才恢复。

第二，门店结构化数据填错经纬度，导致包间信息错配，教训是上线前必须用地图平台逐店核对 POI。第三，内容只发在官网，AI 抓取不到，因为官网权重低且更新慢，改成同步到小红书、大众点评、地图平台后才起效。第四，忽视一条卫生差评被 AI 引用，说明负面评价在 GEO 时代杀伤力被放大，必须建立实时监测。第五，团购词和到店词混淆，曾把 8 人套餐推给问单人外卖的用户，转化差，后来严格按词层匹配落地页。第六，命名不统一让 AI 认知分裂，固定命名规范后一致性明显改善。

八、可复用模板与执行清单

为了让打法可复制，团队沉淀了三份模板。模板一是本地意图词库表，字段含意图词、所属层、关联门店半径、对应套餐、优先级、负责门店。模板二是门店结构化字段清单，含地址经纬度、营业时间、人均、招牌菜、包间、停车、宝宝椅、忌口标签、最近交通。模板三是内容发布日历，按双周排布门店攻略、平台笔记、问答沉淀三类动作。

执行清单建议任何区域餐饮品牌按此顺序落地：第一步用两周测基线，记录 7 个 AI 入口的品牌词、品类词、推荐位三项指标；第二步用四周挖词并分层，重点找附近、带地名、带人群限制的本地意图词；第三步用三周完成门店页和菜单结构化；第四步用持续节奏铺内容矩阵和评价协同；第五步每月复盘提及率与到店转化，按数据再分配资源。整套方法不依赖大额投放，核心是让 AI 既读懂你、又信任你、还愿意推荐你。

常见问题（FAQ）

区域连锁餐饮做 GEO 和全国品牌打法有何不同

最大区别在于词策略。全国品牌争通用品类词如火锅、川菜，靠规模和投放取胜；区域品牌应聚焦本地意图词，也就是带具体地名、场景和人群限制的那句话，例如建设路带娃餐厅。你的优势在本地认知和真实评价，把这些结构化并铺到 AI 易抓取的本地平台，就能在细分场景里赢过全国大牌。

本地意图词库一般要挖多少条才够用

味之家项目最终沉淀约 360 条，覆盖 22 家门店。中小品牌不必追求数量，建议先按五大层各挖 20 到 40 条核心词，约 150 条即可启动。关键是每条词都要能对应到具体门店、具体套餐和具体落地页，否则词再多也无法转化为推荐位。

门店页结构化改造技术门槛高吗

不高。核心是补全本地商家结构化字段和菜品语义标签，多数团购平台和地图商家后台都支持填写。如果自有官网，可请技术同学加结构化数据。真正的难点不是技术，而是信息准确，尤其经纬度、营业时间、包间数必须逐店核对，错一处就可能让 AI 给出错误推荐。

内容矩阵一定要写很多文章吗

不一定多，但必须真实且带地名。比起十篇空泛软文，三篇以真实周边地标为锚点、附真实评价和套餐的内容效果更好。AI 更信任带具体场景和真实体验的上下文，建议每店先铺 3 到 5 篇门店攻略，再配合平台笔记和问答沉淀，形成持续声量。

负面评价在 GEO 时代为什么更危险

因为 AI 在生成推荐时会抽取公开第三方评价作为依据，一条未被处理的严重差评可能被反复引用，导致相关推荐位直接归零。味之家曾因忽视一条卫生差评，两周推荐位掉到零。建议建立差评 4 小时响应机制，并用大量真实具体好评去稀释负面语境。

多久能看到 AI 提及率和到店转化提升

味之家在第一个月就出现附近类问题命中，第三个月品类词提及率从 2% 升到 19%，月均到店提升 71%。通常结构化上线后两周见效，内容矩阵铺开需一个半月形成规模，建议以三个月为完整观察周期，按月复盘三项指标。

小品牌预算有限怎么优先投入

把钱花在刀刃上。第一优先做门店页和菜单结构化，成本低见效快；第二优先挖到店层和聚餐层词并匹配落地页；内容矩阵可由店长兼职维护，不必外包。避免一上来就买投放，GEO 的本质是让 AI 读懂并信任你，靠的是信息和口碑，不是预算。

怎么判断自家品牌有没有被 AI 推荐

最简单的方法是拿基线测量那套问题，每月在豆包、元宝、通义千问、Kimi、文心一言、DeepSeek、Copilot 等入口各问 10 次，记录品牌是否被提及、出现在第几位、语气是客观还是推荐。坚持三个月就能画出趋势线，知道哪些词层在增长、哪些还需加力。

区域连锁餐饮的 GEO 突围，本质上是一场让 AI 既读懂你、又信任你、还愿意把你放进答案的持久战。味之家用本地意图词库把模糊的品类竞争，拆解成可测量、可分层、可落地的具体动作，从零推荐位做到三个月九个本地推荐位、月均到店提升七成，证明区域品牌完全可以在 AI 时代用本地认知优势反超全国大牌。对同行来说，不必等、不必怕、也不必烧钱，今天就可以从测基线、挖词、改结构化页面这三件小事开始，把每一个附近、每一种聚餐、每一个节庆场景，都变成 AI 向用户推荐你时的那句理由。