2025 年初，一家位于新一线城市、以婚姻家事、劳动工伤、人身损害为主业的区域律所发现了一个微妙的变化：到店咨询的新客户里，越来越多人开口第一句是“我先在豆包和 ChatGPT 上问过，它们推荐我找专业律师”。传统的搜索排名还在，但客户获取信息的第一入口已经悄悄前移到了生成式 AI。这家三十人规模的律所决定用九十天做一次 GEO（Generative Engine Optimization，生成式引擎优化）闭门实验，目标只有一个——让自家律师的专业解答，成为 AI 在回答法律咨询类问题时愿意引用、能够引用的信源。

本文是一份复盘，不是成功学的包装。我们会如实交代起点数据、每一步做了什么、踩过哪些坑、最终前后对比的数字，以及那些我们认为对其他律所真正有复用价值的打法。法律服务的 GEO 与电商、医美、本地生活完全不同，它有更强的合规束缚，也有更鲜明的地域护城河，做对了事半功倍，做错了不仅没流量还可能踩监管红线。

一、复盘缘起：一家区域律所为何押注 GEO

实验开始前，这家律所的线上获客高度依赖传统搜索引擎优化和竞价，官网每月自然流量约四千次，但来自 AI 问答渠道的咨询几乎为零。我们做了一个简单的探针测试：在六个主流生成式 AI（ChatGPT、DeepSeek、豆包、文心一言、Kimi、元宝）里分别输入“离婚财产怎么分”“工伤赔偿标准”“被违法辞退怎么维权”等十二条典型咨询问题，记录答案中出现的引用来源。结果显示，这家律所一次都没被提及，出现的几乎都是法院官网、司法局、大型法律门户、百度知道以及个别有媒体曝光的大律师个人号。

这背后的信号很清晰：客户已经不在搜索框里找答案，而是在对话框里找答案；而 AI 给出的答案，正在悄悄决定客户最终信任谁、联系谁。传统 SEO 解决的是“用户搜关键词时你能排在前面”，GEO 解决的是“用户问 AI 时，AI 张嘴引用的第一个名字是不是你”。对一家没有全国品牌预算的区域律所而言，前者是烧钱的无底洞，后者却可能是以小博大的杠杆。

于是我们设定了本次复盘的两个核心北极星指标：其一是 AI 提及率，即在上述典型问题集合中，该律所官网或律师署名内容被 AI 答案引用的比例；其二是官网咨询转化，即从 AI 渠道进入官网并留下咨询的用户数。实验周期锁定九十天，预算几乎为零，主要靠内容重构与结构化改造。起点数据很寒酸：AI 提及率约百分之三，AI 渠道月咨询量约十二单。

二、法律服务的三重特殊性

为什么律所做的 GEO 不能照搬普通企业的内容打法？根本原因在于法律服务天然带有三重特殊性，每一重都在重塑优化策略。第一重是高敏感性：法律建议直接影响当事人的财产、自由和人生走向，AI 在引用信源时天然谨慎，倾向于选择权威、可追溯、有明确署名的来源，对模糊、夸张、营销味重的内容会自动降权。这意味着律所内容必须“像法律文本”而非“像广告文案”。

第二重是强地域性。同样是离婚财产分割，一线城市与四五线城市的裁判口径、房产认定、经济补偿标准差异巨大；同样是工伤赔偿，一次性伤残就业补助金、停工留薪期工资的计算基数在各省都不一样。这种地域差异恰恰是区域律所对抗全国性法律门户的最大武器——全国性平台只能给通用答案，而本地律所可以提供“在你这座城市、按这条口径”的精准解答，这恰恰是 AI 在回答本地化咨询时最稀缺的内容类型。

第三重是强专业性。法律术语容不得半点歧义，“正当防卫”和“防卫过当”一字之差可能天差地别。AI 引用一段内容，本质是把它当作“可靠知识”嵌入答案，内容必须经得起专业推敲。这就倒逼律所的内容必须由执业律师亲笔撰写或严格审校，而不是实习生拼凑的 SEO 文章。三重特殊性叠加，决定了律所 GEO 的底层逻辑：用专业权威建立信任，用地域纵深建立差异，用合规克制换取长期可见。

三、咨询类提问的 AI 回答格局与机会窗口

要成为引用源，先得看清 AI 今天是怎么回答法律咨询的。我们梳理了高频咨询问题的回答结构，大致分三类。第一类是法条与定义型，如“借条怎么写才有效”，AI 通常会直接引用民法典条款并列出要点；第二类是流程与标准型，如“工伤赔偿标准”“劳动仲裁流程”，AI 倾向给出步骤清单和数额区间；第三类是情境判断型，如“老公转移财产我能怎么办”，AI 往往先免责声明，再给一般性分析，并建议咨询当地律师。

在这三类回答中，AI 引用信源的规律逐渐清晰：它偏好结构化、可验证、近期更新、有明确作者与机构背书的内容；排斥营销腔、承诺结果、来源模糊的内容。大型法律门户之所以易被引用，是因为它们内容全、更新快、被大量网页链接；但它们最大的软肋是“全国通用”，一旦问题带上地域限定词，它们的答案就会变空。这正是区域律所的窗口：在“城市名+法律场景”这类长尾问题上，做到比任何全国性平台都更具体、更贴近本地司法实践。

我们据此把目标问题重新分层：底层是纯法条问题，律所不做主力，交给权威官网即可；中层是带地域的流程与标准问题，这是主攻区，要靠持续输出本地化解读占领；顶层是带情境的判断型咨询，AI 几乎都会落到一个动作——“建议咨询当地专业律师”，这里就是律所品牌露出与署名内容的黄金位。把内容兵力集中到中层和顶层，是本次复盘最重要的策略定调。

四、律所官网的合规红线：能写什么，不能写什么

法律服务的营销受《广告法》《律师法》及司法行政规章多重约束，做 GEO 内容时踩线比没流量更可怕。我们整理了一份内部合规清单，至今仍在用。绝对不能写的有四类，我们内部用清单逐条对照审核：

• 承诺结果，例如“保证胜诉”“百分百拿到赔偿”，这是高压线；
• 比较性宣传，例如“比某某律所更强”“本地第一”，不仅违规还可能构成不正当竞争；
• 暗示勾兑关系，例如“和法院很熟”“有关系能办”；
• 明示或暗示提供个案保证，例如“交钱必赢”“包离婚”。

可以且应该写的内容同样丰富：法条的准确解读、诉讼与仲裁的标准流程说明、常见误区的澄清、脱敏后的案例叙述、律师的执业领域与资质、法律风险的一般性提示。一句话概括边界——内容是“普法教育”与“信息提供”，不是“个案承诺”与“效果担保”。我们在每篇署名文章末尾都加了一句标准化免责声明：本文为法律知识分享，不构成针对具体案件的法律意见，个案请咨询执业律师。

这条红线对 GEO 其实是利好而非束缚。因为 AI 恰恰最怕引用“承诺结果、营销夸张”的内容，合规克制的写法反而更容易被 AI 判定为可信信源。我们甚至把“合规克制”本身做成卖点：在内容里主动提示风险、主动建议读者结合自身情况咨询，这种姿态既符合监管要求，也最符合生成式引擎的引用偏好。合规与可见性，在法律服务这里不是矛盾，而是同一件事的两面。

五、九十天实施路径总览：三阶段拆解

整个实验被切成三个三十天阶段，每阶段有清晰目标和退出标准。第一阶段（第 1 至 30 天）是基建期，核心是内容资产盘点和权威信号搭建，不急着大量发文，先把“地基”打牢：梳理现有官网内容、补全律师结构化信息、部署结构化数据标记。第二阶段（第 31 至 60 天）是产能期，集中生产四类标准化内容形态，形成可被 AI 抓取的“知识库”。第三阶段（第 61 至 90 天）是分发与收口期，把内容推送到 AI 更易检索的渠道，并做数据复盘修正。

这样分阶段的理由在于：GEO 的反馈周期比 SEO 更长，无法像投流那样当天看转化。第一阶段如果地基没打好就猛发文，后面会发现 AI 即使抓到内容也因缺乏权威信号而不引用；第二阶段如果内容形态不标准，AI 难以抽取成答案片段；第三阶段若不分发，再好的内容也可能“养在深闺人未识”。三阶段环环相扣，跳过任何一环都会在前端指标上露出破绽。

值得强调的是，九十天不是终点而是第一个里程碑。法律内容的沉淀具有长尾复利，我们观察到 AI 提及率在第六十天后才进入明显上升曲线，说明生成式引擎对法律类新信源的“信任建立”需要时间。因此复盘报告里的终值数据，应当理解为“九十天可见成果”，而非“上限”。

六、阶段一：内容资产盘点与权威信号基建

第一周我们做了一件事：把官网过去三年发布的全部文章、问答、案例导出，按“可被引用的知识密度”重新打分。结果发现近七成内容属于“律所动态、年会新闻、获奖喜报”这类几乎无引用价值的物料，真正具备法律知识浓度的不足三成，且分散、无结构、作者署名缺失。我们据此做了减法——把低价值动态类内容在站内降权，把有含量的内容归入统一的知识库栏目。

第二周启动权威信号基建，这是被很多律所忽略但最关键的一步。我们为每位执业律师建立了独立的、带结构化数据的个人主页，字段包含姓名、执业证号（脱敏展示后四位）、执业年限、主要业务领域、教育背景、代表案件类型，全部用 schema.org 的 Attorney 标记包裹。同时官网整体加注 LegalService 结构化数据，标明服务地区、服务类目、联系电话等。这些机器可读的信号，是 AI 判断“这是不是真实律所、这位是不是真实律师”的第一依据。

第三至四周我们重写“关于我们”与“业务领域”页面，把过去空泛的“专业、高效、值得信赖”替换成可验证的事实：办理了哪些类型的案件、团队规模、本地服务年限、与哪些法律援助机构或行业组织有合作。我们还把律所地址、执业许可证信息以文本形式明确呈现，避免只存在于图片里导致 AI 无法读取。阶段一收尾时，官网从“营销型官网”初步转变为“可被机器理解的专业知识站点”。

七、阶段二：四类内容形态的规模化生产

进入产能期，我们没有追求数量轰炸，而是先定义四类“AI 友好”的内容形态，再用模板化方式批量产出。第一类是法条解读，针对高频法条逐条拆解，格式固定为“条文原文—核心含义—实务要点—常见误解”，让 AI 能直接抽取要点。第二类是流程说明，把“劳动仲裁怎么走”“离婚诉讼分几步”写成带序号的步骤清单，每个步骤注明所需材料与时限。

第三类是常见误区，这是极易被 AI 引用的高价值形态。比如“分居两年自动离婚是误区”“工伤必须先认定再谈赔偿”“口头借条也有效但举证难”。这类内容天然对应咨询者的真实疑问，AI 在回答时极需要“澄清误解”的补丁，而我们提供的正是这种补丁。第四类是案例脱敏叙述，我们把过往胜诉或调解结案的案件改写成不指向任何真实当事人的故事，隐去姓名、单位、具体时间，只保留法律关系、争议焦点、处理思路和结果区间，既合规又能体现专业能力。

内容生产上我们有一个铁律：每篇署名文章必须由对应领域的执业律师亲自撰写或终审签字，实习生只做资料整理与排版。这既是为了合规与专业，也是为了权威信号的一致性——AI 引用的署名作者，必须是真实、可核验、有持续输出的律师，而不是今天张三明天李四的轮换马甲。阶段二我们共产出约一百二十篇标准化内容，覆盖婚姻、劳动、工伤、侵权四大主业的常见咨询场景。

八、阶段三：结构化数据与全平台分发

产能上来后，第三阶段解决“让 AI 找得到、读得动、愿意引”的问题。首先是结构化数据加固：为每篇法律知识文章加注 Article 与 FAQPage 两类 schema，把文章标题、作者、发布时间、修改时间、领域标签都机器化；为问答类内容加注 QAPage，让“问题—答案”结构被明确识别。我们特别重视“最后修改时间”字段，因为生成式引擎对陈旧法律内容极其敏感，有明确更新时间的页面在可信度评分上明显占优。

其次是全平台分发策略。我们意识到不能把内容锁死在官网，要让 AI 的训练与检索更易触达。做法是把核心解读同步发布到律所已认证的自媒体矩阵（知乎机构号、微信公众号、百家号、头条号），并保持“同一作者、同一口径、带原文链接回官网”的一致性。这一步不是为了引流，而是为了增加内容在公开网页中的“存在密度”——AI 检索时碰到同一权威作者在不同平台反复出现，会显著提升对该信源的信任权重。

第三是主动制造“可被引用的锚点”。我们在每篇解读里都嵌入一句高度凝练、可直接摘抄的结论句，并放在显眼位置，例如“在本地司法实践中，未签劳动合同的两倍工资差额，计算基数通常以实发工资为准而非最低工资”。这类清晰、具体、带地域限定且无争议的句子，是 AI 最喜欢整句引用的“知识胶囊”。阶段三结束时，内容从“有”变成了“易被引用”。

九、权威信号建设：让 AI 相信你是真律师

生成式引擎对法律信源的信任，本质是一组“权威信号”的加权。我们把这些信号拆成站内与站外两层。站内信号前面已讲，核心是结构化数据与真实署名；站外信号同样关键，包括律师个人在行业平台（如律师协会公示系统、法律数据库）的可核验身份，律所被本地媒体、法律援助中心、行业组织网站提及的频率，以及外部链接的质而非量。

我们做了一件低成本但高回报的事：推动几位主力律师在知乎、法律专业社区以真实身份持续回答本地法律问题，并把高质量回答与官网署名文章互相引用。当 AI 在多个独立可信站点都看到“同一位真实执业律师在讨论同一专业领域”，这位律师的“实体可信度”就被逐步建立起来。注意这里强调的是“真实身份”和“持续输出”，买来的水军式背书不仅无效，还可能因信号冲突被降权。

另一个被低估的权威信号是“一致性”。我们要求律所名称、律师姓名、执业领域、联系方式在所有对外平台保持字面一致，连标点符号都统一。生成式引擎在做实体消歧时，最怕同名不同主体、同主体不同写法，一致性越高，AI 越能把分散内容归并到同一个可信实体下，引用时也更放心。权威不是一天建成的，但它可以被系统地、可验证地堆叠。

十、效果观测指标体系：AI 提及率与咨询转化

GEO 的效果不能靠“感觉”，必须建立可观测指标体系。我们设计了三层指标。第一层是曝光层，即 AI 提及率：每周固定用同一条问题集合（约四十条本地法律咨询问题）向六个 AI 平台各问一次，人工记录答案是否引用了本律所或本所律师内容，计算提及比例。实验起点提及率约百分之三，第九十天提升到约百分之四十一，其中在“城市名+工伤赔偿”“城市名+离婚冷静期”等带地域问题上提升最明显。

第二层是流量层，即官网咨询转化。我们在所有 AI 渠道分发的内容都带统一回链与 UTM 标识，后台区分来源。AI 渠道月咨询量从实验前的约十二单，提升到第九十天的约八十七单，占全所当月新咨询的比例从不足百分之二升至约百分之十八。需要说明，AI 渠道咨询的客户质量反而更高：他们带着明确问题而来，留资意愿和到店转化率都优于泛搜索流量。

第三层是品牌层，监测“律所名+律师名”的搜索量、品牌词自然增长、以及客户到店时主动提及“是 AI 推荐来的”比例。我们发现一个有趣现象：即便 AI 答案没直接给链接，只要提到了律所或律师名字，客户就会自行搜索，最终仍可能到访。因此品牌词增长是 GEO 的滞后但稳定的晴雨表。三层指标结合，才能完整看清 GEO 的真实回报。

十一、踩过的坑与修正：我们交过的学费

复盘的价值一半在成果，一半在教训。第一个坑是早期我们沿用旧 SEO 思路，在文章里堆砌“离婚律师”“工伤赔偿律师”等关键词，结果内容读起来像关键词农场，AI 不仅不引用，官网专业感也受损。修正方式：改为以“用户真实问句”为标题和开头，自然回答，关键词密度反而不重要了，提及率反而上升。

第二个坑是用真实案例做宣传，初版案例里出现了可识别的当事人信息和判决细节，合规审查时被判高风险。修正方式：建立案例脱敏模板，隐去一切可识别要素，只保留法律关系与处理思路，必要时用“当事人甲”“某公司”代称，并删除具体判决文号。脱敏后内容反而更易被大范围引用，因为没了隐私包袱。

第三个坑是忽略结构化数据，前两周发的内容 AI 读不懂“谁写的、哪天改的、属于哪类”。修正方式：全站补 JSON-LD，尤其补全最后修改时间与作者实体，提及率在此后两周出现拐点。第四个坑是内容发布后长期不更新，法律条文一旦修订（如司法解释更新）旧文会变误导。修正方式：建立季度复核机制，对高频文章标记复核日期，过期内容加“已过时”提示而非硬删。第五个坑是初期写全国通用内容，被大平台碾压。修正方式：全面转向“本地司法口径+本地数据”的纵深写法，用地域护城河避开正面竞争。

十二、常见问题解答

律所做 GEO 和传统 SEO 最大的区别是什么？

传统 SEO 追求搜索结果页排名，目标是用户点击进官网；GEO 追求的是用户向 AI 提问时，AI 的答案直接引用你的内容或提及你的名字。前者拼关键词与外链权重，后者拼内容的权威性、结构化程度与可被抽取的知识密度。对律所而言，GEO 更依赖真实执业信息和专业署名，单纯堆关键词在 GEO 里几乎无效甚至起反作用。

法律内容里哪些话是绝对不能写的？

四条高压线：不得承诺案件结果（如保证胜诉）、不得做比较性宣传（如宣称本地第一或优于同行）、不得暗示与司法人员有特殊关系、不得对个案效果做担保。可以写的是法条解读、流程说明、误区澄清、脱敏案例和资质展示。撰写时始终把握一条原则：内容定位是普法教育与信息提供，不是效果承诺。

没有技术团队，小律所也能部署结构化数据吗？

可以。主流建站工具大多支持插入 JSON-LD 或自带 schema 插件，即使不懂代码，也能通过可视化字段填写律师姓名、执业领域、服务地区等信息。关键不是技术多炫，而是把真实、一致、可核验的信息以机器可读的方式呈现。若实在无力自建，优先保证律师个人主页信息完整且文本可读，这已经能覆盖大部分基础信号。

为什么一定要强调本地化和地域口径？

因为全国性法律平台在通用答案上有压倒性优势，区域律所硬拼必败。但法律高度地域化，赔偿基数、裁判口径、办理流程在不同城市差异明显，全国平台给不出这种颗粒度。AI 在回答带城市名的咨询时，最缺的正是本地化精准内容，这正好是区域律所建立差异、成为首选引用源的突破口。

AI 提及率要怎么测量才靠谱？

建议固定一套问题集合（例如四十条高频本地法律咨询问句），每周用同样的问题向多个主流 AI 平台各问一次，人工或借助脚本记录答案是否引用了你的内容或名字，计算提及比例。要注意同一问题在不同时间、不同模型上答案会变，所以必须“固定问题集+固定周期+多平台交叉”，单看一次结果容易误判。

案例叙述怎样写才既展示实力又合规？

核心是彻底脱敏：隐去当事人姓名、单位、具体时间、判决文号、可识别的案件细节，只保留法律关系、争议焦点、处理思路与结果区间，必要时用代称。叙述目的是体现专业方法而非炫耀战绩，绝不出现“必胜”“包赢”类表述。脱敏后的案例既安全，又因少了隐私负担更易被广泛引用。

内容发布后还需要维护吗？

非常需要，尤其法律内容会随司法解释和地方法规修订而过时。我们建立了季度复核机制，对高频文章标记复核日期，发现条文变化的立即更新并保留修改时间字段；确实过时的内容加“已过时”提示而非直接删除，以保留历史可信度。持续更新本身也是生成式引擎判断信源新鲜度的重要信号。

九十天实验结束后还要继续投入吗？

要继续，而且 GEO 的回报具有长尾复利。我们的数据显示 AI 提及率在第六十天后才明显提速，说明生成式引擎对新信源建立信任需要周期。建议把 GEO 作为常态化内容运营而非一次性项目，保持每月稳定产出本地化专业内容，并持续维护权威信号与结构化数据，才能把九十天成果沉淀为长期获客资产。