GEO 执行：关键词、内容与分发怎么做
GEO 的关键词不能说「查」出来，只能「推」出来。AI 平台不提供提问量、不提供排名、不提供来源数据，所以做法是：用传统搜索和社媒的行为数据反推需求，再把产品信息翻译成用户意图，最后落成一份可覆盖的关键词矩阵。
内容能不能被引用，也不取决于写得好不好，取决于四件事同时成立：意图覆盖够宽、结构够清晰、多源信息一致、信源被模型认可。四者缺一，另外三个都白做。
这篇讲执行：关键词怎么定、内容怎么写、发到哪里去。不谈理念，给的是能直接照着做的顺序。
为什么 AI 的关键词不能靠工具查？
因为那套工具不存在。
传统搜索有一整套现成设施：关键词规划工具、搜索指数、竞价后台、排名监测。你能看到「这个词每天多少人搜」「这个词的点击成本多少」「我现在排第几」。AI 搜索没有对应的东西——模型不公开提问量，不公开排名，也不告诉你它引用了谁。
所以行业里流传的「AI 关键词工具」，绝大多数是把传统搜索的数据套了个壳。数据本身没错，错在假设：它假设 AI 搜索的需求结构和关键词搜索一样，而这是不成立的。
可行的路只有一条：用能被观测的行为，去推导不能被观测的需求。 传统搜索、社媒的话题与评论、电商的搜索词与差评，这三处仍然是公开可查的，它们反映的是同一个用户在同一件事上的不同表达。把这些表达归并、去重、再翻译成 AI 能理解的意图，就是一份可用的关键词清单。
传统搜索和 AI 搜索，差别到底在哪？
一句话：传统搜索匹配的是词，AI 搜索理解的是意图。
这个差别带来的后果比想象中大。你优化一个词，实际要覆盖的不是一个词，是一组意图——因为模型会自己把词展开。
| 维度 | 传统搜索（关键词匹配） | AI 搜索（意图理解） |
|---|---|---|
| 用户行为 | 输入一个词，看十条结果 | 描述一个需求，看一段回答 |
| 优化对象 | 单个关键词的排名 | 一组意图的覆盖密度 |
| 一个词会展开成 | 近义词、长尾变体 | 3–4 个相关意图，甚至更多 |
| 结果形态 | 链接列表 | 直接答案 + 少量引用来源 |
| 能否看到数据 | 能，有指数和排名 | 不能，只能自己采样 |
举个具体的例子。「轻越野 SUV」这个词，在传统搜索里它是一个词，你做好这一页就行。但在 AI 里，它会被翻译成「周末出游开什么 SUV」「适合短途自驾的 SUV」「偶尔走烂路的 SUV」「二十万出头能越野的 SUV」——这些意图用户不会逐个去搜，但模型会逐个去答。
所以关键词工作的产出物，不是一份词表，是一张「主词根 × 用户意图」的矩阵。词表是线性的，矩阵才有覆盖面积。
「主词根 + 用户意图」怎么组合？
把词拆成两半，各自穷举，再交叉。
主词根是品类本身，一般不超过 5 个——用户描述一个品类时用的那几个名词。另一半是意图，通常来自四个方向：
| 意图类型 | 用户在问什么 | 组合示例 |
|---|---|---|
| 价格带 | 预算范围内有什么选择 | 20 万以内的 + 主词根 |
| 场景 | 我在某种情况下该买什么 | 周末出游用的 + 主词根 |
| 对比 | 这两个差在哪、选哪个 | A 和 B + 哪个更值得买 |
| 决策后缀 | 推荐、怎么选、避坑、值不值 | 主词根 + 怎么选 / 有哪些推荐 |
交叉出来的组合会很多，不需要全做。判断标准是两条：这个意图有没有人在真实地问（能从搜索或社媒里找到证据），以及这个问题最后会不会导向你的产品。
我们做过一个粗略统计：一个主词根在真实语料里能展开的意图，通常在 25–40 个之间，其中值得专门做内容的约占三分之一。剩下的是噪音，或者已经被现有内容覆盖。
品类词和品牌词，为什么考核的东西不一样？
关键词分两类战场，再加一类夹在中间的竞对词。三者的目标不同，混在一起做会两头不讨好——品类词是必争的，品牌词是自身的，竞对词决定最后那一票。
| 战场 | 典型词 | 要抢什么 | 考核指标 |
|---|---|---|---|
| 品类词 | 主词根 + 意图，如「20 万纯电轿车推荐」 | 被算作选项之一，并尽量靠前 | 提及率、TOP10–TOP3 占位 |
| 品牌词 | 品牌 + 落地价 / 参数 / 口碑 | 被正确描述，卖点被识别 | 信息准确率、核心卖点覆盖率 |
| 竞对词 | 「A 和 B 哪个好」 | 在对比场景里不被写输 | 对比场景中的提及与描述倾向 |
品类词是抢新客的，做的是「让不知道你的人把你算进来」。这类词竞争最激烈，也最值得投入——因为用户在问这类问题时，还没锁定品牌。
品牌词是守老客的，做的是「让已经知道你的人不出错」。这类词的提及率天然接近 100%，没有优化空间；真正要盯的是准确率：价格对不对、主力型号全不全、你希望被记住的那个卖点，AI 说没说。
竞对词最容易被忽略，但价值很高。用户问「A 和 B 哪个好」时，是在做最后决策。这个场景里 AI 通常会列一张对比表，你能不能被列进去、被描述成什么样，直接决定输赢。
为什么「写得好」不等于「被引用」？
因为模型挑内容有它自己的标准，而且这些标准是叠加的，不是任选其一。
| 维度 | 模型偏好什么 | 什么样的内容会被筛掉 |
|---|---|---|
| 中立性 | 有立场但给依据，优缺点都说 | 通篇夸自己，没有一句限定条件 |
| 结构 | 小标题、列表、表格、明确的结论句 | 大段连续叙述，观点埋在段落中间 |
| 时效 | 近期更新、有明确时间标注 | 无日期的老内容，参数已过时 |
| 信源 | 发布在模型认可的媒体上 | 来源不明、明显是批量生产的站点 |
这四条里最容易做错的是第一条。品牌方天然想写优点，但模型对「只有优点」的内容有很强的过滤倾向——它更愿意引用一个说了「这个方案在什么情况下不合适」的来源，因为那更像可信的判断。
第二容易做错的是结构。很多人以为结构化是排版问题，其实是逻辑问题：一段话里能不能抽出一个完整的事实。模型引用的是句子，不是段落。如果你的结论藏在第三句中间，被抽走的概率就低很多。
八种内容类型，哪种最容易被引用？
我们把 AI 常引用的内容归成八类。不同类型的引用概率差别很大，而且和搜索量没有必然关系。
| 内容类型 | 形态 | 被引用强度 |
|---|---|---|
| 产品解读 | 讲清一个产品解决什么问题、适合谁 | 最高：回答「这是什么」类问题时几乎必用 |
| 产品评测 | 实测数据、对比、优缺点 | 高：回答「好不好」「值不值」时的主力 |
| 排行榜 | 分「重榜单」与「轻榜单」两类 | 高：回答「有哪些推荐」时的骨架 |
| 品牌宣发 | 官方发布、品牌故事 | 中：只用于核实事实，很少被直接引用观点 |
| 产品体验 | 用户视角的使用记录 | 中：补充细节，可信度取决于真实感 |
| 商业洞察 | 行业趋势、市场判断 | 中低：用于背景，不用于决策 |
| 消费者投诉 | 问题反馈、售后记录 | 特殊：会被用来回答「有什么坑」，负面但有引用价值 |
| 百科 | 词条式的基础定义 | 低但稳定：模型已有内置认知，只在冷门词上起作用 |
排行榜这一类值得单独说。它分两种，作用完全不同：
- 重榜单定位的是「谁在这个品类里」，靠销量、市占、用户规模说话。它回答的是「有哪些选择」。
- 轻榜单定位的是「具体参数谁更强」，靠续航、尺寸、配置这些可比的数字。它回答的是「这几个差在哪」。
很多品牌只做重榜单（因为好写、好看），结果用户问「A 和 B 的续航差多少」时，AI 只能引别人的轻榜单。这两类内容要配套做，缺一个就有一类问题答不上。
如果资源有限，优先顺序是：产品解读 → 产品评测 → 排行榜 → 品牌宣发 → 产品体验。前面三类是决策必需，后面两类是补充。
标题和正文，分别该怎么处理？
两件事目标不同：标题负责被「找到」，正文负责被「引用」。
标题：覆盖多元意图，而不是堆词。
一个好标题应该同时命中一个主词根和一到两个意图，读起来还是句人话。反例是「20万SUV_20万SUV推荐_20万SUV哪款好」——这种写法在 AI 时代基本无效，因为模型不看关键词密度，看语义是否匹配问题。
有效的做法是把意图写进标题的句式里。比如「20 万级 SUV 怎么选：三类需求对应三种车」，主词根在，意图（怎么选）在，而且它本身就像一个人会问的问题。
正文：结构化，但别写成清单。
结构化指的是：每一节只回答一个问题，结论放在这一节的开头，证据跟在后面。不是把整篇拆成 20 个 bullet——那样信息密度反而低，因为缺少推理过程。
关于关键词比例，我们内部的做法是控制在 3%–7%。低于 3%，模型可能判断不了主题；高于 7%，读起来就开始像堆词，中立性和可信度都会掉。这个区间来自我们自己的监测样本，不是行业标准，不同品类会有差异。
还有一个细节值得说：机器出结构，人出语言。 我们让系统按关键词产出内容大纲和需要覆盖的事实点，再由垂直行业编辑写成稿。纯机器生成的稿子有很明显的特征——句子工整但没有具体经验，模型和读者都能识别出来。人写的那部分，往往是「这个方案在什么情况下不灵」这种带失败经验的话，而这恰恰是最容易被引用的部分。
发到哪里去？比例和信源逻辑
内容做完只是一半，发在哪里决定了它会不会被模型看到。我们目前用的分发结构大致是：
| 媒体类型 | 占比 | 作用 |
|---|---|---|
| 行业垂直媒体 | 约 60% | 模型判断「专业性」的主要依据，也是竞对词对比内容的主战场 |
| 门户与新闻媒体 | 约 30% | 提供权威性与时效信号，适合品牌宣发和行业判断 |
| 平台自有矩阵 | 约 10% | 沉淀一手体验与用户语言，补充长尾意图 |
为什么垂直媒体占大头？因为模型在回答专业问题时，倾向引用它认为「懂这件事」的来源。垂直媒体的单篇权重可能不如门户，但在特定品类里的相关性更强。门户的价值在于权威背书和时效，适合放「已经成立的事实」，不适合放深度判断。
自有矩阵比例最低，但不能没有。用户语言只在一手内容里出现——某句话怎么说的、哪个细节被反复提到——这些是模型回答「实际用起来怎么样」时的素材来源。
这里有个变化要提前说：不同模型的信源政策不一样，而且会变。 有的模型对信源做分级（比如按权威度分 L1 到 L4，不同级别影响引用权重），有的模型直接调用实时搜索接口，优先返回高时效结果。这意味着分发策略不是定一次就完事，得持续看「当前这个问题，模型最近在引谁」。
我们自己的做法是每个月复盘一次引用来源分布，看垂直媒体、门户、自有矩阵各占多少，和上个月比有没有偏移。偏移往往意味着模型侧有调整，或者某个媒体被降权了。这份数据比任何一次性的策略文档都有用。
我们怎么看这件事？
行业里谈 GEO 内容，普遍在算「发了多少篇」。我们觉得这个指标和结果的关系很弱。
我们的判断是：GEO 的竞争不在产量，在意图覆盖的密度。一个主词根展开三十个意图，每个意图下有一篇能被引用的内容，比同一个词写三十篇要有效得多——因为模型是按问题找答案的，不是按关键词找文章。产量可以外包，覆盖密度只能靠对用户的理解。
— 怡亚科技 · 内容与新媒体团队这个判断改变了我们排期的方式。常规做法是先定内容数量，再分配关键词；我们是反的——先把意图矩阵铺出来，看哪些格子是空的，再决定这个月填哪几个。有些月份只产出 6 篇，但每一篇都填了一个之前完全空白的意图；有些月份产出 20 篇，其实是在同一批意图上重复。
前者短期看不出差别，三到六个月后，被问到的问题范围会明显变宽。这也是为什么我们不太愿意承诺「每月多少篇」——那个数字和你能不能出现在答案里，关系比想象中小。
常见问题
AI 搜索真的没有关键词工具吗？
一个主词根要铺多少个意图才够？
为什么不能只做品牌词？
排行榜内容是不是必须做？
关键词密度 3%–7% 是行业标准吗？
同一篇内容要发到多个媒体吗？
为什么垂直媒体要占 60%？
发出去多久能看到被引用？
关键词和内容定下来之后，还有一环是站点本身能不能被读到——这一环出问题，前面做得再好也传不出去。相关内容可以看 内容与新媒体运营；如果连「你是谁、你解决什么问题」都还没说清，那要先回到 品牌策略与品牌设计。