起点：一个被AI忽略的连锁餐饮品牌

我们在去年接手一个区域连锁餐饮品牌的线上增长项目。这个品牌在三个城市共开设了三十八家门店，主打社区型火锅与家常小炒，客单价处于中端区间，过去三年主要依靠熟客复购和外卖平台维持营收。在启动任何新动作之前，我们先用六周时间做了基线测量，目的是搞清楚品牌在 AI 问答生态里的真实位置。

基线测量的核心问题是：当用户向主流 AI 助手提问附近哪家火锅适合聚餐、公司附近有什么好吃的餐厅时，我们的品牌是否会出现在答案里。结果令人意外，在三款主流 AI 产品的连续抽样中，品牌被引用的比例长期维持在百分之零到百分之二之间，几乎处于完全隐形状态，连竞品的零头都不到。

与此同时，品牌在传统搜索引擎上的自然流量其实是稳定的，月度访问量没有出现明显下滑，这说明问题不在于品牌没有内容，而在于内容没有被 AI 的检索与生成链路所采纳。我们进一步发现，门店在地图平台上的基础信息完整度参差不齐，部分新店甚至缺少营业时间和联系电话，相当于在机器眼里门店并不存在。

更关键的是，品牌在各点评平台上的用户评价数量不少，但内容高度分散，且没有一处统一的、可被机器读取的结构化信息出口。我们认为这正是 AI 在回答附近哪家好这类问题时，宁愿引用竞品或综合榜单，也不引用我们的根本原因，因为我们没有提供模型能直接采信的证据。

基于以上观察，我们设定了本次复盘的总目标：用约五个季度的时间，把品牌在本地生活类 AI 问答中的被引用率，从接近零提升到稳定可观测的百分之十五以上，并沉淀一套可复制的本地服务 GEO 操作框架，方便后续拓展到家政与口腔诊所等同类型业态。

诊断：为什么用户问附近哪家好时我们从未出现

诊断阶段我们拆解了 AI 回答附近哪家好这一类问题的生成路径。粗略地说，模型会先理解用户意图的本地属性，再召回与地点相关的候选实体，最后结合可信来源生成带推荐的回答。我们的品牌在每一步都掉了链子，所以整体曝光趋近于零也就不奇怪。

第一步是本地意图识别。我们原本的内容几乎都在讲品牌故事和菜品图片，很少出现城市、商圈、地铁站、社区这类空间锚点词。这就意味着当用户提问带有附近这个强空间词时，我们的页面和竞品页面相比，缺乏被判定为本地相关的信号，自然进不了候选池。

第二步是候选实体召回。AI 在召回门店级实体时，严重依赖结构化数据源，比如地图平台的门店档案、带有地理坐标的网页、以及可机读的名称地址电话信息。我们的门店页大多只有一张海报和几句文案，缺少能够被直接抓取的营业要素，模型根本无法确认门店真实存在。

第三步是可信来源评估。我们发现被引用的竞品普遍拥有密度更高、更新更频繁的用户评价，以及多篇第三方媒体或本地生活号撰写的探店内容。相比之下，我们的外部提及少且陈旧，模型在权衡可信度时自然把我们排在后面，甚至直接忽略。

诊断结论可以浓缩成一句话：我们不是没有信息，而是信息的本地属性弱、结构属性弱、可信属性弱。这三个弱点恰好对应 AI 生成回答时最看重的三类信号，于是后面的所有动作都围绕补强这三点展开，不再盲目铺内容、买外链或堆关键词。

本地意图的识别与内容映射

本地意图识别是整套工作的起点。如果不清楚用户到底在问什么，后面所有的页面改造都会跑偏。我们花了两周时间，把用户可能提出的本地生活问题系统性地梳理出来，再决定每类问题该由哪一层内容去承接，避免资源撒胡椒面。

我们把本地意图分成三类，每一类对应不同的内容策略，后续所有门店页都按这个框架去补齐：

• 纯就近型：例如附近哪家好、离我最近的店，核心是确保门店页能被地理召回
• 场景型：例如适合带小孩的餐厅、朋友聚餐去哪，需要补充人群与场景描述
• 决策型：例如性价比高的家政、口碑好的口腔诊所，需要评价资质价格区间等证据

针对每一类意图，我们建立了一张意图到内容的映射表。比如就近型意图必须确保门店页能被地理召回，场景型意图需要补充人群与场景描述，决策型意图则需要评价、资质、价格区间这类决策证据。这张表后来成了内容生产的检查清单，写之前先对照。

在具体执行上，我们要求每一家门店的页面都嵌入明确的空间锚点：所在城市、行政区、商圈、最近地铁站或地标、周边社区名。这些词不是堆砌，而是自然融进服务介绍和常见问题里，让页面在语义上和附近这个查询词产生强关联，而不是生硬地塞关键词。

我们还特别处理了长尾的方言与口语表达。比如在某南方城市，用户更常说出门左近有什么吃的，在某北方城市则常用家边上哪家店。我们把这些口语化表述写进门店页的问答段落，显著提升了区域模型对我们页面的召回概率，因为模型越来越懂本地人怎么说话。

一个被低估的动作是季节与时段意图。我们发现周末 brunch、深夜宵夜、节假日聚餐这类带时段的本地意图转化极高，于是为不同门店补充了对应时段的特色内容和营业提示，使页面能匹配更细分的本地查询，也顺带提高了到店转化的精准度。

门店级页面的信息完整度改造

诊断已经指出门店页信息残缺是硬伤，于是我们把门店级页面当作第一优先级来改造。我们定义了一份门店信息完备度清单，包含名称、详细地址、经纬度、营业时间、联系电话、所属业态、人均消费、特色服务、可提供的便利设施等十余项基础字段。

改造前我们抽查了三十八家门店，信息完整度达到满分的只有九家，其余门店普遍存在营业时间缺失、电话错误或地址只写到商圈级别的问题。我们花了一个季度，逐店核对地图平台和自有站点，把完整度从百分之二十四提升到百分之九十六以上，并设了季度复检防止回潮。

除了基础字段，我们还要求每个门店页补充一段不少于一百二十字的服务说明，明确写出能解决用户的什么本地需求，例如加班晚归后的热食、带娃家庭的儿童座椅、社区老人的送餐上门。这些说明让页面从广告位变成有用的本地服务信息，模型也更愿意引用。

信息完整度还体现在更新机制上。我们建立了门店变更的工单流：一旦某店调整营业时间、临时闭店或搬迁，市场在二十四小时内同步到网页和地图档案，避免 AI 抓到过期信息后降低对我们整体的信任评分，这一步后来多次帮我们避开了用户到店扑空的事故。

我们后来复盘发现，门店页完整度每提升一个台阶，对应城市在 AI 回答中的被引用率就会环比改善。完整度不是一次性工程，而是需要持续维护的基础能力，它直接决定了品牌能否进入候选实体池，是所有后续动作能够生效的前提条件。

地理位置与营业信息的结构化表达

仅有人类可读的文字还不够，AI 要稳定引用我们，必须让机器也能准确理解门店的地理与营业信息。这一步我们引入了结构化数据，用可机读的方式把名称、地址、电话、坐标、营业时间表达清楚，相当于给每个门店发了一张标准名片，谁都能一眼读懂。

在地理表达上，我们为每家门店补充了标准地址、所在城市编码、最近的 POI 地标和经纬度坐标，并在页面上以一致的格式呈现。统一格式非常关键，因为不同门店写法不一致会让模型难以判断它们是否属于同一品牌，甚至会误判成互相竞争的独立实体。

营业时间我们采用了机器友好的表达方式，明确区分工作日与周末、节假日特殊安排，以及临时变动提示。过去我们常用大约晚上十点关门这类模糊表述，模型无法精确提取，改成具体时段后，附近还在营业这类查询的匹配明显变好，夜间时段的曝光开始起来。

名称地址电话这三项是本地搜索最基础的信任锚点，我们确保在所有对外页面、地图档案、第三方平台上的写法完全一致，任何一处偏差都会被模型视为信号噪声，进而削弱实体一致性评分，所以统一模板和跨平台校验成了日常动作而非一次性任务。

我们还把门店与总部的从属关系在结构化信息里写清楚，标明哪些店是直营、哪些是加盟，并指向统一的总部门店列表页。这种层级关系帮助模型理解品牌结构，也让总分店内容在召回时形成合力而非互相竞争，避免了自家页面互相抢排名的内耗。

用户评价类内容的整理与利用

用户评价是本地可信度最有力的证据，但散落在各平台的评价对 AI 而言是碎片。我们的策略是先做聚合，再把其中有代表性的内容转化为可被引用的结构化证据，而不是简单搬运差评或刷量，真实永远是这条链路里最贵的资产。

我们建立了一个评价中台，定期拉取主流点评、地图、外卖平台上的门店评价，按门店、时间、主题分类。重点不是总数，而是高质量评价的比例，以及评价中反复出现的关键词，比如服务热情、上菜快、适合聚餐，这些词才是模型眼中的可信信号。

对于高频正向关键词，我们在对应门店页做了主题化呈现，例如把十几条提到适合带娃的评价整合成一段场景化说明，让模型在回答带小孩去哪吃时更容易把我们当作可信候选，而不是只放一个五星评分的静态数字蒙混过关。

负面评价我们也正面处理。与其掩盖，不如在门店页常见问题里坦诚说明某类问题的改进措施，这种透明反而提升了整体可信度。我们发现，模型对能展示真实改进过程的品牌，引用意愿高于一味美化的品牌，因为前者更像一个可被信赖的活体信息源。

需要强调的是，我们严禁伪造评价。所有被引用的内容都来自真实用户，且只做归纳不篡改原意。短期看刷量似乎见效，长期会破坏品牌在 AI 与用户两端的可信资产，一旦被标记为虚假，恢复信任的成本远高于当初省下的那点精力。

总分店内容架构的设计

总分店架构决定了内容合力。我们早期犯过一个错误：总部写了一篇大而全的品牌介绍，各门店又各自为战地发重复内容，结果模型在召回时分不清主次，品牌权威被稀释，用户也分不清该看哪一页，整体转化反而比改造前还低。

调整后的架构是总部负责城市级与品牌级内容，例如城市美食地图、品牌理念、统一服务标准；门店负责本地化细节，例如具体地址、周边场景、本店特色活动。两者通过清晰的链接与结构化从属关系连接，各司其职又彼此呼应。

我们为总部建了一个城市门店总览页，按城市和商圈聚合所有门店，并给每个门店一个规范入口。这个总览页成为 AI 理解品牌版图的首选入口，也方便用户和模型一次性获取全部本地选项，不必在几十个相似页面之间反复跳转。

为避免内容重复，我们规定门店页之间不互相抄写，而是各自突出本店独有信息，比如某店靠地铁口、某店有露天位、某店适合大型聚餐。差异化的本地细节让每家店都能被不同意图命中，而不是争夺同一批关键词，整体覆盖了更宽的查询面。

架构跑顺之后，我们还做了一层城市级内容枢纽，把分散的门店页、评价洞察、场景攻略串成主题合集。模型在回答 broader 的本地生活问题时，更容易从枢纽页顺藤摸瓜找到我们的门店，形成稳定的引用路径，相当于修了一条从问题到门店的高速公路。

阶段性数据与从零到稳定被引用的变化

我们按季度记录了被引用率的变化，用同一套本地意图测试集每周抽样，保证前后口径一致。第一季度结束时被引用率从基线百分之二提升到约百分之六，主要贡献来自门店页完整度补强和结构化信息上线，证明基础设施先行的判断是对的。

第二季度被引用率爬升到百分之九左右，增长来自本地意图映射表的落地和长尾口语词覆盖，门店在区域模型中的地理相关性评分明显上升，附近类查询的命中开始稳定出现，不再依赖偶发曝光，团队的信心也随之建立起来。

第三季度是拐点，被引用率突破百分之十四，接近我们设定的百分之十五目标。这一季的关键动作是评价中台上线和总分店架构收敛，模型对我们的可信度与结构一致性评判同时改善，两条曲线交叉后增长明显加速。

到第四季度，被引用率在百分之十五到百分之十八之间波动并趋于平稳，说明我们已经进入 AI 候选实体池的稳定层，不再依赖运气。同期来自 AI 渠道的到店咨询量环比增长约三到五成，这条曲线第一次让管理层觉得投入值得。

整段复盘最有价值的数据不是终点绝对值，而是曲线形状：前慢后快，拐点出现在结构化与可信度两项同时达标之后。这印证了本地 GEO 是基础设施工程，不是单点投放能解决的，越早把地基打牢，后面的复利越明显。

踩过的坑与对应的解法

第一个坑是急于铺量。我们一开始让各门店每天发大量短文，结果是内容同质化严重，模型判定为低质聚合，反而拉低整体权重。解法回到质量优先，门店内容改为周更且每篇必须有独特本地信息，数量让位于差异度与真实度。

第二个坑是地址写法不统一。早期总部和门店对同一个店的地址表述不同，模型误以为是两家店，信任分散。解法是用统一模板和结构化字段锁定标准写法，并在所有平台保持一致，任何变更都走校验流程，杜绝口头随意改动。

第三个坑是过度依赖单一第三方平台。当我们把全部评价证据押在一个点评站时，该站接口调整导致我们的可信度信号一夜掉档。解法是多源聚合、分散风险，不把命脉系于一家，让任何一个外部渠道的波动都不足以撼动整体。

第四个坑是忽视临时闭店信息。节假日某店闭店但网页未更新，AI 据此给出了错误推荐，用户到店扑空后产生负面反馈，进一步伤害可信度。解法是把营业变动纳入实时工单同步，并加了一道节前全量复核的兜底机制。

第五个坑是 FAQ 写得太像广告。最初的常见问题全是促销话术，模型不引用。改成真实用户关心的具体问题后，这部分页面反而成了被高频引用的入口之一，说明模型偏爱能解决真实疑问而不是自卖自夸的内容。

可复用的方法论与结论

这套打法可以抽象为本地 GEO 的三根支柱：本地属性、结构属性、可信属性。任何本地生活业态，只要同时补强这三点，被 AI 选中的概率都会系统性提升，顺序上建议先结构后可信，再扩本地覆盖，地基稳了再谈增量。

我们总结了一份可复用的启动清单，下面是核心条目，供同类品牌参考：

• 梳理全部门店的基础信息，统一名称地址电话与坐标写法
• 为每家门店补齐营业时间、电话、特色服务与场景说明
• 用结构化数据把地理与营业信息表达清楚，方便机器读取
• 聚合多平台真实评价，提炼高频正向主题并场景化呈现
• 建立总部城市总览页与门店页的清晰从属与链接关系
• 把营业变动纳入实时同步，避免模型抓到过期信息

第二个结论是耐心比技巧更重要。本地 GEO 的回报曲线前慢后快，前一两季度可能看不到明显变化，但基础设施一旦成型，后续增长会自我加速。我们建议至少以四个季度为周期来度量成败，别被短期静默劝退。

第三个结论是针对不同业态的微调方向。餐饮重在时段与场景，家政重在服务范围与信任背书，口腔诊所重在资质与案例。底层框架一致，只是本地意图映射表的内容权重不同，换汤不换药，复制成本很低。

最后一个结论是度量必须前置。我们一开始就建了固定测试集和每周抽样机制，才能清楚看到拐点出现在哪个动作之后。没有度量的复盘只是感觉，有度量的复盘才是方法论，这点在任何渠道都适用。

常见问题

本地生活品牌做 GEO 和做传统搜索优化最大的区别是什么

传统搜索优化主要争夺蓝色链接的排名，用户点击后自己判断；GEO 争夺的是 AI 直接给出的答案位置，模型替用户做了一次筛选。因此 GEO 更看重信息的可机读性、结构一致性和可信来源密度，而不是单纯的关键词密度与外链数量，打法重心完全不同。

门店数量很少的小品牌还有必要做吗

非常有必要，而且小品牌往往性价比更高。因为 AI 在回答附近哪家好时天然偏好本地相关且信息完整的实体，门店少意味着你只需把少数几个门店的信息做扎实，就能在所属商圈获得稳定曝光，投入产出比反而可能优于大型连锁，起步更轻。

结构化数据是不是必须懂技术才能做

不需要品牌自己写复杂代码。现在多数建站工具和地图后台都支持填写标准字段，关键是把名称地址电话、坐标、营业时间这些字段填全填对，并保持跨平台一致。技术只是手段，信息完整和一致才是目的，运营就能完成大部分工作。

用户评价可以自己写几条充数吗

强烈不建议。AI 与平台都在持续识别虚假评价，一旦被标记，不仅该条无效，还会连累整个品牌的可信评分。正确做法是把真实用户的反馈做聚合和场景化归纳，用真实内容去增强可信度，而不是制造内容，假的东西迟早反噬。

为什么我们做了门店页还是没被引用

常见原因是只做了页面却没做结构化和可信度。页面存在不等于机器能读懂，地址电话缺失、营业时间模糊、评价分散都会让模型放弃引用。请对照三根支柱逐项检查：本地属性、结构属性、可信属性是否同时达标，缺一不可。

多长时间能看到效果

以我们的经验，前一到两个季度通常是基础设施期，被引用率变化平缓；第三到第四季度开始出现明显拐点。建议以四个季度为完整周期来规划预算与预期，避免因为短期无感就中途放弃，错过曲线的加速段，前面熬过去后面才复利。

不同城市的内容要分开写吗

必须分开且本地化。同一品牌在不同城市的门店，应各自嵌入所在城市的商圈、地标、口语表达和场景细节。模型按地理相关性召回，泛泛而谈的全国统一文案很难命中带附近这种强空间词的本地查询，本地细节才是入场券。

总部和门店的内容会不会互相抢流量

会，但可以通过架构设计避免。原则是总部做城市级与品牌级内容，门店做本地细节，两者用清晰链接与从属关系连接，且门店之间突出各自独有信息。这样既能形成合力，又不会因重复内容被模型判定为低质聚合，内部不内耗。