提问意图挖掘：AI 时代的'拓词'

💡 核心摘要：SEO 拓词收集的是关键词——用户会敲哪些词。GEO 拓词收集的是提问意图——用户会问 AI 哪些问题。这一篇把拓词聚类布词的方法升级：五条管道（PAA、AI 真实追问、询盘邮件、销售/技术 FAQ、竞品被引内容）系统收集问题，再按「实体 + 意图类型」聚类，最后落成一张提问清单，挂到上一篇的实体矩阵上。问题挖得越全、越接近真实口语，你的内容越容易在 AI 答案里被整段引用。

一、为什么“拓词”要升级成“拓问题”

SEO 关键词系列第二篇讲拓词三步：拓词、聚类、布词。拓词阶段像倒沙子，先把 12V 100Ah LiFePO4 battery、100Ah lithium battery price、best 12V battery for solar 这类词尽量收齐。

这套动作在 GEO 里依然要做，但不够了。因为 AI 搜索的入口，大量不是关键词，而是完整的自然语言问题：

SEO 用户敲：     12V 100Ah LiFePO4 lifespan
AI 用户问：      12V 100Ah 磷酸铁锂电池能用多少年，
                每天充放一次的话循环寿命够撑几年？

后者携带的信息量远大于前者：它包含了使用频率（每天一次）、关心的指标（按年算的寿命）、隐含的场景（可能是房车或离网储能）。AI 要回答这个问题，需要的不是一个布了 lifespan 的页面，而是一个能把「循环次数 → 按使用频率折算成年数」讲清楚的来源。

所以 GEO 的「拓词」要扩展成「拓问题」：在收集关键词的同时，收集用户会用什么样的完整问句去问 AI。这些问句就是你内容要直接回答的目标。

⚠️ 关键区别：关键词是「主题信号」，告诉你用户关心什么领域；问题是「答案契约」，告诉你用户期待一个什么样的具体回答。GEO 内容被引用的前提，是你的页面里真的有一段话，精准匹配了某个问题的答案。

二、提问意图的五条挖掘管道

和拓词一样，先广撒网收集，不急着判断好坏。GEO 时代有五条高质量的提问来源。

管道一：People Also Ask（PAA）和相关搜索。 Google 搜索结果里的「其他人还问」本质就是问题库。搜你的核心实体词，把展开的 PAA 问题全抄下来。这是最接近真实搜索的问题源，且很多 AI Overview 直接复用 PAA 结构。

管道二：AI 工具里的真实追问。 这是 GEO 独有的新管道。在 ChatGPT、Perplexity、豆包里，用买家口吻问你的核心问题，然后观察 AI 推荐的「追问建议」(follow-up questions)。这些追问揭示了 AI 认为一个完整决策链上还需要问什么。

你问：    推荐几款适合房车的 12V 锂电池
AI 追问： - 这些电池能在零下温度使用吗？
         - 房车原有的铅酸充电器能直接用吗？
         - 100Ah 够带空调吗？
→ 每一条追问，都是一个你该覆盖的提问意图

管道三：询盘邮件和 WhatsApp 记录。 B 端买家发来的真实问题，往往比任何工具挖出来的都精准。「Can your 48V battery communicate with Victron inverter via CAN?」这种问题，搜索工具里几乎查不到，但它是真金白银的采购疑虑。

管道四：销售和技术支持 FAQ。 销售反复回答的问题、技术支持工单里高频出现的故障和疑问，都是高意图问题。这些问题的特点是：问的人已经接近成交或已经是客户，问题极其具体。

管道五：竞品被引内容反推。 在 AI 里问行业核心问题，看 AI 引用了哪些竞品页面、回答了哪些问题。竞品被引用的问题，就是你也该覆盖的问题。这条管道在第七篇（缺口分析思路）会展开，这里先作为收集来源之一。

💡 管道优先级：B 端外贸场景里，管道三和管道四（询盘+销售FAQ）的问题转化价值最高，因为它们直接来自真实采购对话；管道一和管道二（PAA+AI追问）覆盖面最广，适合补全你没想到的长尾问题。两类结合，既准又全。

三、把口语问题记录成“可被匹配”的形式

收集时有个容易忽略的细节：要尽量保留问题的原始口语形态，而不是急着把它“翻译”成关键词。

因为 AI 匹配的是语义，用户怎么问，你的内容里最好就有接近的问法。看这个对比：

同时，一个意图往往有多种问法，都要记下来，因为不同用户、不同语种、不同 AI 平台的提问习惯不同：

同一意图的多种问法：
- 48V 机架电池能并联吗？
- 几台 48V 电池可以并起来用？
- Can I connect multiple 48V rack batteries in parallel?
- 48V 电池组扩容最大到多少 kWh？

记录这些变体不是为了堆关键词，而是帮你在写答案时，覆盖到用户真实的表达方式，让 AI 更容易把你的内容和各种问法对上。

⚠️ 不要过早清洗：拓问题阶段，宁可记得啰嗦，也不要把生动的口语问题压缩成干巴巴的关键词。口语里藏着场景、顾虑和决策阶段的信号，这些恰恰是写出精准答案的依据。清洗和合并放到聚类阶段做。

四、按“实体 + 意图类型”给问题聚类

收集完一堆问题后，要聚类。SEO 拓词按「搜索意图 + 产品属性」聚类，GEO 拓问题在此基础上多加一个维度：意图类型——这个问题处在决策链的哪个阶段，期待什么形态的答案。

先按核心实体归堆：所有关于「48V 机架电池」的问题归一组，所有关于「12V 100Ah 电池」的问题归另一组。这一步把问题挂回上一篇的实体卡。

再在每组内，按意图类型细分：

这张分类表的价值在于：意图类型直接决定答案怎么写。规格参数型问题要给具体数字，定义认知型要给一句话定义，决策对比型要给对比表。第五篇会专门讲每种意图类型对应的答案块结构，这里先把问题归好类。

💡 聚类即选题：聚类完你会发现，某个实体下「合规风险型」问题特别多——这说明买家在这个产品上最担心认证和运输。这一组高频意图，就该优先写成专门的 FAQ 或技术文章。聚类不只是整理，它直接告诉你内容该往哪使劲。

五、把提问清单挂到实体矩阵上

上一篇建了实体矩阵，这一篇的产出——提问清单，要直接挂上去，不另起一张表。给每个核心实体补三个和问题相关的字段：

挂上去之后，你的实体矩阵就同时回答了三件事：这是什么实体（Core Entity）、它有哪些属性（Key Attributes）、用户会怎么问它（Target Questions）。这三者凑齐，才是一个可以指导写作的完整 GEO 工作单元。

实体矩阵的演进：
第1篇 → Core Entity / Entity Level / Key Attributes / Related Entities
第2篇 → + Target Questions / Intent Types / Question Source
第5篇 → + Answerable Block（每个问题是否已写出可抽取答案）

💡 数量控制：不必给每个实体都挖几十个问题。每个核心产品先锁定 8-15 个高价值问题（来自询盘和高频 PAA 的优先），把这些答清楚，远胜过收集 100 个问题一个都没认真答。

六、用提问意图反向校验实体属性

挖问题还有一个反向用途：检验上一篇的实体属性补全得够不够。

做法很简单——把某个实体的 Target Questions 拿出来，逐个问：我的页面现在能不能回答这个问题？如果某个高频问题，你的产品页里根本没有对应的属性数据，那就说明 L2 属性层有缺口。

问题：48V 机架电池在 -10°C 能正常充电吗？
检查：产品页有没有"低温充电特性"这条属性？
结果：没有 → L2 属性层缺口，需补「低温充放电参数」

这形成一个咬合：提问意图（L3）暴露属性（L2）的缺口，补全属性又让你能回答更多问题。两层互相驱动，比单独做任何一层都更完整。

⚠️ 常见缺口：外贸电池站最常见的属性缺口是「条件型参数」——循环寿命不写测试温度和倍率、容量不写放电截止电压、并联数量不写 BMS 通信限制。这些条件恰恰是 B 端工程师最爱问的，缺了它们，AI 即使想引用你也没有可引用的具体事实。

七、提问意图挖掘的三个误区

误区一，把问题当关键词堆。 挖来一堆问题后，有人直接把问句塞进页面当小标题，密密麻麻列几十个，每个底下就一两句敷衍。这和关键词堆砌一样会被判低质。问题要精选，答案要扎实，宁可少而精。

误区二，只挖工具能查到的问题。 PAA 和 AI 追问覆盖的是大众问题，但 B 端最值钱的问题往往藏在询盘和技术支持里——那些具体到某个型号、某个兼容性、某个认证细节的问题，工具里根本没有。忽略管道三、四，你会漏掉转化价值最高的提问。

误区三，挖完不归类直接写。 不按意图类型聚类就动笔，容易写出形态错配的答案——给一个「该选哪个」的决策问题，回了一堆参数却没给建议；给一个「是什么」的认知问题，上来就是对比表。先归类，明确每个问题期待什么形态的答案，再写。

这三个误区的根源，都是把「拓问题」当成「换个形式拓词」。它不是。拓词是为了覆盖搜索面，拓问题是为了精准命中 AI 要回答的那个具体疑问——目标从「被搜到」变成了「被引用回答」。

📌 核心收获

• ✓ SEO 拓词收集关键词，GEO 拓词收集自然语言问题；问题比关键词携带更多场景和决策信号。
• ✓ 五条挖掘管道：PAA、AI 真实追问、询盘邮件、销售/技术 FAQ、竞品被引内容。
• ✓ 收集时保留原始口语问句和多种问法，不要过早压成关键词。
• ✓ 按「实体 + 意图类型」聚类，意图类型（定义/规格/兼容/合规/对比）直接决定答案怎么写。
• ✓ 提问清单挂到实体矩阵上，并用问题反向校验 L2 属性层有没有缺口。

🚀 立刻行动

1. 选 3-5 个核心产品实体，分别用五条管道各挖一轮问题，先求全不求精。
2. 收集时保留口语原句，同一意图的多种问法都记下来，含英文和目标市场语言。
3. 按「实体 + 意图类型」把问题聚类，标出每个实体下哪类意图问题最密集。
4. 给实体矩阵补 Target Questions、Intent Types、Question Source 三个字段。
5. 拿每个实体的 Target Questions 逐条校验产品页，找出 L2 属性层的缺口并登记待补。

来源：系列原创整理 | 本文为「GEO 意图与实体体系」系列第 2 篇，与拓词聚类布词对称设计