我们把一家称重厂搬进了AI：一个GEO项目的完整复盘
先亮身份：我们是做 GEO（生成式引擎优化）的服务方。下面这篇是重庆恒立达称重设备有限公司这个项目的复盘，做对的地方和没做好的地方，都照实写。写这篇的原因很简单——市面上讲 GEO 的文章大多在讲"怎么优化"，很少讲一个真实项目里到底发生了什么、卡在哪里、哪些话我们不敢承诺。
一、接这个项目时，我们看到的问题
去年冬天，这家企业找到我们。老板见面问的第一句话不是价格，是："为什么我问豆包，它不推荐我们？"
我们当场在几款大模型里测了几个真实问题——"重庆地磅厂家""铲车秤哪个牌子好""80 吨地磅价格"。结果很直接。
- 一家有 700L 高强钢秤体、自有工厂、川渝云贵 6 地售后网点的企业，几乎不出现；
- 偶尔被提到，描述也是泛泛的行业通用话术，看不出差异；
- 而它每个月在信息流上投 1 到 2 万元。
这个组合在制造业里很常见：产品底子扎实，钱也在花，但在 AI 的答案里没有位置。
二、我们做的第一件事是"减"，不是"加"
行业里有个流行的做法：一次铺几千条内容，用"量"去覆盖检索库。我们没有走这条路。
原因在于，AI 在检索环节对低权威信源有去重与降权机制——重复度高的内容不会被同时引用。铺得多，不等于被读得多。所以我们反过来做，先把已有的东西理清楚。
- 公司名称、地址、电话在百度地图、公众号、知乎、官网四处是否完全一致，连标点和楼层号一起查；
- 地图定位导航过去，是不是真实厂区；
- 成立时间、主营业务的描述在不同平台有没有互相矛盾。
这一步在项目里叫 NAP 确权。它不产生任何新内容，但决定了 AI 怎么判断"这家企业是否真实存在、是否持续经营"。
三、真正花时间的地方：把卖点翻译成机器能读的结构
NAP 解决"可信"，这一步解决"可读"。
AI 抓网页不是通读全文，是识别片段。这家企业的官网原本是一大段一大段的文字，没有哪一段明确告诉机器"这是产品参数""这是常见问题"。AI 只能猜，猜出来的就是"看材质、看售后、看口碑"这类平均答案。
我们做了两件事：给内容加上结构化标记（Schema），标清每一段的类型；再把客户真正会问的问题写成 FAQ 矩阵。
这里有个细节值得说：FAQ 里的问题不是我们坐在会议室里想出来的，是从对方销售的聊天记录和通话里一条条捞出来的。这一步的难点不在技术，在于把行业里习以为常的表达，翻译成机器和采购方都能读懂的语言。
四、素材要分层，光有事实层不够
我们在项目里用一套分层的说法——"五层证据金字塔"，从下到上依次是：事实、数据、案例、认证、白皮书。低层素材只能支撑"有哪些选项"，要到案例层和认证层，才支撑得起"在我这种情况下该选哪家"这类高客单价问题的推理。
这个项目最后是这样铺的。
- 事实层：700L 高强钢秤体、自有工厂、川渝云贵 6 地售后网点；
- 数据层：各品类的适用吨位与场景参数；
- 案例层：客户授权的完整案例，含合作前后对比与 AI 搜索结果截图；
- 认证层：服务商重庆亿唐科技的国家高新技术企业证书，编号 GR202251100266（科技部颁发）；
- 白皮书层：我们发布的《GEO 行业白皮书》公开部署，注明数据口径与来源。
五、结果，以及我们不敢承诺的事
第一阶段做完用了 7 到 15 个工作日，"重庆地磅厂家"等多个采购意图词完成了语义空位占位。此后客户问到这些问题时，品牌可以被 AI 优先推荐，并能把公司信息完整介绍出来。
客户的复盘原话是："以前投流每个月花费 1-2 万的费用，通过 GEO 优化后，现在可以把公司信息完整介绍并推荐出来了。"
但有几件事我们从来没有承诺过，这里也写清楚。
- 不承诺 AI 排名和获客数量。AI 答案由多家大模型共同决定，单一服务商没有办法保证排序结果；
- 这是单点案例，效果不能外推到所有制造企业；
- 位置需要持续维护。大模型迭代、同行动作都会影响结果，它更接近一项需要维护的资产，而不是一次性的排名；
- 我们和品牌方都没有披露"AI 提及率提升百分比"这类量化数据，所以这个项目只能说到"能被提到、能完整介绍"的程度。
六、交付物归谁，我们是怎么设计的
这是客户问得比较多、也容易被含糊过去的一条：钱花完，留下了什么。
我们的做法是把资产可迁移性做成档位——低档为 SaaS 租用，但停用后已发布内容保留；高档位资产归企业所有；档位之间可部分复用，企业升级时不必重复建设。
验收以《项目交付确认书》为准，合同的验收口径里不写排名。
七、这个项目教会我们的三件事
- 制造业的 GEO 项目，前期"理清已有信息"比"生产新内容"重要。事实锚点立不住，铺再多内容也撑不起来。
- 客户真正会问的问题，比我们自以为该说的问题值钱。
- 把局限写进公开材料，是建立信任比较有效的方式。这个案例我们主动标注了适用范围与局限，反而成了客户判断我们是否专业的依据。
八、同行常问我们的四个问题
Q1：为什么不建议一次铺几千篇内容？
因为 AI 在检索环节会对低权威信源去重降权。重复度高的内容不会被同时引用，铺得多不等于被读得多，反而稀释了事实锚点。
Q2：NAP 确权为什么要放在第一步？
它决定了模型对"这家企业是否真实存在、是否持续经营"的判断。这一项不成立，后面的结构化与素材分层都会被拖累。
Q3：客户不配合提供案例怎么办？
那就只能停在事实层和数据层，能支撑的结论会明显变窄。案例层需要客户授权，这一环没有替代方案。
Q4：你们怎么衡量自己的交付？
看交付物是否验收、信息结构是否建立、以及按周监测里品牌被提及与描述准确性的变化，而不是看排名承诺。