提问优先级打分：先抢哪个问题的被引用

💡 核心摘要：前三篇你已经建好实体金字塔、挖出几百个提问意图、学会把答案写成可被抽取的块。但问题来了——几百个问题不可能一次做完，先抢哪个？SEO 关键词系列用机会分模型解决「先做哪个词」，GEO 要解决「先抢哪个问题的被引用」。本文给出一个四维打分模型：商业价值、被引概率、信源竞争、回答成本。算完分，你就知道哪些问题是新站能打、且一旦被引用就值钱的「黄金问题」，哪些该往后放。

一、为什么 GEO 比 SEO 更需要优先级

做 SEO 时，几百个关键词慢慢做，迟早能覆盖。做 GEO 时，资源更紧张，因为每个被引用的问题，背后要做的事更重：补全实体属性、写出可抽取的答案块、加结构化数据、还要持续监测有没有被引用。

如果不排优先级，最常见的两种死法是：

第一种，从最显眼的大问题开始。比如一上来就想抢「最好的锂电池品牌是什么」这种问题的被引用。这类问题被全球大厂的信源占满，新站投入再多也很难挤进 AI 答案。

第二种，从最容易写的问题开始。挑那些自己最熟、最好写的问题先做，结果写完一批，发现它们要么没人问，要么问了也不带采购意图，被引用了也不产生询盘。

⚠️ GEO 优先级的特殊性：SEO 里一个词排不上去，损失的是这个词的流量。GEO 里一个问题抢错了，损失的是「补属性 + 写答案块 + 加 Schema + 持续监测」这一整套投入。GEO 的单位成本更高，所以更不能凭感觉选，必须先打分。

二、被引用机会分的四个维度

SEO 关键词系列的机会分，核心是「搜索量 × 商业价值 ÷ 竞争度」。GEO 要换成更贴合 AI 引用逻辑的四个维度。

和 SEO 的关键区别在「被引概率」和「信源竞争」这两维——它们替代了 SEO 的「搜索量」和「关键词难度」。原因是：AI 搜索里没有稳定的搜索量数据，你要判断的不是「多少人搜」，而是「AI 会不会用生成式答案回答这个问题、会不会引来源」。有些问题 AI 根本不给生成式答案（比如纯导航类），做了也白做。

💡 维度取舍：如果只能记住两维，记住「商业价值」和「信源竞争」。前者保证做了值钱，后者保证做了能成。被引概率和回答成本是辅助校准，帮你在前两维接近时分出先后。

三、逐维度打分标准

给每个维度定 1-5 分的可操作标准，避免凭感觉。

商业价值（离采购多近）

被引概率（AI 会不会给引来源的生成式答案）

信源竞争（你挤不挤得进）

回答成本（要补多少东西）

⚠️ 被引概率必须实测：这一维不能拍脑袋。打分前，真的去 ChatGPT、Perplexity、Google AI Overview 把目标问题搜一遍。看 AI 给不给生成式答案、引不引来源、引的是谁。这步是 GEO 打分和 SEO 打分最大的操作差异——SEO 看工具里的搜索量，GEO 看 AI 真实的回答行为。

四、机会分公式与计算

把四维合成一个分。和 SEO 机会分类似，价值类维度做乘法（任一为零则整体没意义），成本做调节。

被引用机会分 = 商业价值 × 被引概率 × 信源竞争 ÷ (6 - 回答成本)

说明：
- 商业价值、被引概率、信源竞争：1-5，乘积放大高价值机会
- (6 - 回答成本)：成本越高，分母越大，得分越低
  回答成本=5（几乎不用补）→ 分母=1，不打折
  回答成本=1（要大量补）→ 分母=5，大幅打折

拿三个电池问题算一遍：

结果很清楚：第一个问题机会分 40，远高于其他——它采购信号强、AI 已给引用答案、信源有空位、且属性基本现成。第三个问题虽然商业价值和被引概率都高，但信源竞争 1 分（被大厂占满）直接把它压到 5 分，是典型的「看着诱人但打不动」的问题。

💡 乘法的意义：任何一维是 1 分，整体就被严重压低。这正是想要的效果——一个 AI 不引来源的问题（被引概率 1），或一个被大厂占满的问题（信源竞争 1），无论其他维度多高，都不该排在前面。

五、四象限：把问题分成四类处理

算出分之后，别只看排名，用「商业价值 × 信源竞争」画个四象限，能更快决定动作。

信源竞争高(易挤进) ↑
                  │
   优先攻坚         │   黄金问题
  (值钱但要补)      │  (值钱又好抢)
  ←───────────────┼───────────────→ 商业价值高
   暂时忽略         │   机会教育
  (不值钱难抢)      │ (好抢但不太值钱)
                  │
信源竞争低(难挤进) ↓

黄金问题（右上）：商业价值高、信源竞争弱（容易挤进）。无条件优先，这是新站的突破口。电池案例里那些「冷门规格 + 定制/认证」的具体问题往往落在这里。

优先攻坚（左上）：值钱但信源强、不好挤。值得做，但要先在黄金问题上建立权威后再来啃，或者用更深、更具体的角度差异化。

机会教育（右下）：容易抢但商业价值偏低。可以批量做、低成本做，用来积累实体覆盖广度和权威信号，但别投入重资源。

暂时忽略（左下）：又不值钱又难抢。直接放弃，不要浪费 GEO 资源。

💡 新站策略：资源有限时，把 80% 精力压在「黄金问题」象限，用 20% 做「机会教育」积累广度。「优先攻坚」象限留到你在某个主题已经被 AI 引用过几次、有了权威信号之后再啃。

六、把优先级写进实体矩阵

延续第一篇的实体矩阵和 SEO 的优先级字段，给每个目标问题补上打分字段，让优先级变成矩阵里可排序的列。

做法和 SEO 优先级系列一致：先全部填分，按 Opportunity 降序排，再用 Quadrant 校准，最后切成 P0/P1/P2 三批。P0 是这个季度要拿下被引用的黄金问题，通常控制在 10-15 个，别贪多。

⚠️ 别把打分当一次性工作：被引概率和信源竞争会变。AI 模型更新、对手补内容、新来源出现，都会改变某个问题的得分。建议每季度重测一次 P0 问题的「被引概率」和「信源竞争」，把已经拿下引用的问题移出，把新出现的黄金问题补进来。这点第七篇的监测闭环会详细展开。

七、三个打分常见错误

错误一，跳过实测直接给被引概率打分。 这是最致命的错误。你以为 AI 会给某问题生成式答案，实际它只返回链接列表，那这个问题的 GEO 投入就打了水漂。被引概率这一维，必须真去 AI 里搜过才能填。

错误二，只看商业价值，忽略信源竞争。 高价值问题往往也是大厂死守的问题。只盯着「这个问题值钱」就冲进去，很容易撞上占满的信源墙。新站的机会几乎都在「值钱 + 信源有空位」的交叉区，单看任何一维都会选错。

错误三，用 SEO 搜索量直接套 GEO 优先级。 有人把关键词工具里的搜索量拿来当 GEO 优先级依据。但高搜索量的词，常常是 AI 不给生成式答案的导航/交易类（比如直接搜品牌名），或是信源被占满的大词。GEO 的优先级逻辑和 SEO 不完全重叠，必须用被引概率和信源竞争重新校准。

这三个错误的共同根源，是把 GEO 优先级简单等同于 SEO 优先级。它们方法论相通（都是机会分 + 象限），但输入信号不同——SEO 看搜索量和关键词难度，GEO 看 AI 真实的回答行为和信源格局。

📌 核心收获

• ✓ GEO 单位投入比 SEO 重，更不能凭感觉选问题，必须先打分。
• ✓ 四维打分：商业价值、被引概率、信源竞争、回答成本，替代了 SEO 的搜索量和关键词难度。
• ✓ 机会分 = 商业价值 × 被引概率 × 信源竞争 ÷(6 − 回答成本)，乘法让任一短板压低整体。
• ✓ 用「商业价值 × 信源竞争」画四象限，黄金问题（值钱又好抢）无条件优先。
• ✓ 被引概率必须去 AI 里实测，这是 GEO 打分和 SEO 打分最大的操作差异。

🚀 立刻行动

1. 把第二篇挖出的问题清单导入矩阵，加上 Commercial、Citability、Source Gap、Answer Cost 四列。
2. 给每个问题的「被引概率」打分前，先去 ChatGPT、Perplexity、AI Overview 实搜一遍，记录 AI 给不给引用答案。
3. 用公式算出每个问题的机会分，按降序排列。
4. 用「商业价值 × 信源竞争」画四象限，圈出落在「黄金问题」象限的目标。
5. 切出 10-15 个 P0 黄金问题作为本季度攻坚清单，其余按 P1/P2 排队，每季度重测一次。

来源：系列原创整理 | 本文为「GEO 意图与实体体系」系列第 4 篇，对称自关键词优先级打分