一条 GEO 意图从发现到被引用有五个环节且顺序不能换：收集真实提问、登记进意图注册表、指定主答块并写标准答案、落到页面、实测引用状态并回写。跳过登记会导致同一问题在多个页面各写一遍，LLM 拿到矛盾证据后不引用任何一份；不做实测回写则这张表三个月后就是死表，因为 GEO 没有 GSC 这样的官方数据源。

从问题到答案块：一条 GEO 意图的生命周期

从供应商资料到网站产品页那篇讲过一条链：供应商资料 → 抽成事实 → 核对 → 登记关键词 → 生成页面 → 校验发布，五步顺序不能换。

这篇是同一套规矩在 GEO 侧的对应物。链条不同，但“为什么顺序不能换”的逻辑是同一套——每一步都在为下一步消除一类不可逆的错误。

真实提问 → ① 收集 → ② 登记入表 → ③ 指定主答块 + 写标准答案
                                        ↓
                            ④ 落到页面 → ⑤ 实测回写

① 收集：来源要诚实排序

大部分讲 GEO 的内容会从“去 AI 里搜相关问题”开始。这个排序是错的。

第一条最常被跳过，理由通常是“那些记录太乱了”。后面的真实需求挖掘会完整展开来源和清洗方法；这里先给结论：如果只做一件事，应该把过去两年的询盘往来倒出来做聚类，而不是先去爬论坛。

这一步的产出是一个 raw list，不需要整理、不需要分类、不需要改写成标准问句。整理是下一步的事，在这一步做整理只会拖慢收集。

一条门槛：同一个纠结点至少在 3 个独立来源出现过，才值得进入下一步。单条提问可能是个例，频次是唯一可靠的普遍性信号。

② 登记：这一步最容易被跳过，跳过的代价最大

拿到一批问题之后，最自然的冲动是：挑几个好的，直接去写 FAQ。

别。先登记。

跳过登记会发生什么

同一个问题会在三个页面各被写一遍。不是因为有人偷懒，而是因为三个人（或三次会话）分别处理了三个页面，每次都觉得“这个问题该答一下”。

结果就是第 74 篇里那个例子：

/products/cp-100/           标准配置最高 120°C
/applications/chemical/     最高工作温度 120°C (248°F)
/blog/high-temp-pumps/      可以做到 125°C 左右

LLM 一次检索拿到三个 chunk，三个数字不完全一致。它的处理方式是：随便挑一个、含糊地说“说法不一”、或者挑了那个错的。

这就是 GEO 版的 Cannibalization。 但它和 SEO 侧的表现完全不同——SEO 侧的抢词表现为排名分散，你能在 GSC 里看到；GEO 侧的自相矛盾不表现为任何可见指标，它表现为“你就是不被引用”，而你不知道为什么。

登记时做三件事

1. 去重：这个问题是不是已经在表里？注意查 variants，同一个意图会有多种问法
2. 判断是否已有主答块：如果有，这次要做的是给某个页面加复述块，不是新建主答
3. 分类：按第 75 篇的六类打一个 intent_class，单值

登记不等于要写。 表里可以有一批 status: draft 的问题，登记了但还没排期。这比“想到了但没记”强得多——没记的问题半年后会被重新发现一遍，然后被重新写一遍。

后面的第 69 篇会在产品上新流程里应用同一条规矩：先登记，再生成页面。 差别在于：SEO 侧对账的是会不会抢词，GEO 侧对账的是会不会矛盾。

③ 指定主答块并写标准答案

主答块归属：看提问者的处境，不看页面主题

两个页面都想主答同一个问题时，用一个判据：

谁的上下文更接近提问者当时的处境？

不是“谁的主题更相关”，也不是“谁的信息更全”。

举例：问“60% 硫酸 80°C 该用什么材质”的人，正在做选型。这条意图的主答块应该在应用选型页（/applications/chemical-transfer-pump/），而不是 SKU 页——尽管 SKU 页的参数更全、材质表更完整。

理由：被检索到之后，LLM 要给的是一个选型建议。应用页的上下文是“化工输送场景下怎么选”，天然贴合；SKU 页的上下文是“CP-100 这个型号的规格”，它能提供数据，但提供不了判断。

如果两边都合理，判定顺序是：应用页 > 资源页 > SKU 页 > Pillar 页。越靠近具体工况的，越优先。

冲突不能静默处理

两个页面都声称主答同一条意图，脚本发现之后，要么标记冲突等人裁决，要么拆成两条不同的意图。不能随便留一个。

后面的第 69 篇会在供应商参数冲突场景里应用同一条规矩——静默取值是把一个“你知道自己不知道”的问题，变成“你以为自己知道”的问题。

写标准答案：数字来自事实层，散文来自模型

AI 的边界划在哪的规矩在这里原样生效：

✅ 交给模型：把问题改写成自包含的问句标题、组织句子结构、
             调整语气、生成 variants
❌ 绝不交给模型：任何一个数字、认证编号、温度上限、材质牌号

具体做法是模板占位符——模型只准填占位符，值从事实层取：

模板：The {model} operates from {temp_min} to {temp_max}
      ({temp_min_f} to {temp_max_f}) in its standard configuration.
填值：products.cp-100.temp_min / temp_max（由脚本注入）

一条 GEO 特有的补充规矩

第 74 篇讲过 confidence：对外说话的确定性不能超过手上事实的确定性。

在这一步它变成一个具体动作：confidence 是 verbal 或 estimated 的，⑤ 资格合规型问题一律不答，把 status 留在 draft，去查证。

写一个没有证书支撑的“Yes, it’s ATEX certified”，最好的结果是没人引用，最坏的结果是被引用之后客户按它做了合规申报。

④ 落到页面

格式规范全部沿用FAQ 模块设计和模块化 FAQ 设计两篇，这里不重复。只补两条 GEO 注册表特有的：

第一，落地时必须同时写入 anchor。 没有 anchor 的答案块永远无法被审计——脚本不知道去哪里找它。这一步偷懒，第 ⑤ 步和第 78 篇的所有检查都会失效。

<h3 id="max-operating-temperature">What is the maximum operating
temperature of the CP-100 centrifugal pump?</h3>

第二，复述块要带回链。上一篇讲过原因：chunk 被单独提取后，块里的链接决定 LLM 能不能拿到更完整的上下文。

⑤ 实测回写：这张表唯一的“排名数据”

SEO 有 GSC——排名、曝光、点击，官方数据，每天更新。

GEO 什么都没有。

没有官方工具告诉你“你的内容这个月被引用了多少次”。GA4 里能看到一点 referral 流量（来自 perplexity.ai、chat.openai.com 之类），但那只是被引用之后有人点了链接，远远不是全貌——大量 AI 引用是不产生点击的。

所以 citation_status 字段就是你唯一的排名数据。不回写，这张表三个月后就是一张死表。

实测的规模必须自我克制

这是最容易做崩的一步。看到“要实测”，很容易定成“每月把表里所有问题跑一遍”。第三个月就没人跑了。

推荐规模：20–40 条，季度一次。

挑选判据（三条同时满足）：

1. priority ≥ 4
2. self_answerable: true
3. 有 fact_refs 或 evidence（即答案有依据，值得被引）

② 条件选型型的问题应该在这个集合里占大头——它们离成交最近，值得花时间测。

变量必须固定

不固定变量，测了也没法比较：

• 固定问题集：这个季度测的 30 条，下个季度还是这 30 条。想加新的，加在集合外单独记
• 固定引擎：选 2–3 个（如 Perplexity + ChatGPT 搜索 + Google AI Overview），每次都测这几个
• 固定记录字段：是否引用 / 引用了哪个 URL / 信息准不准
• 固定提问方式：用表里的 question 原文，不要临场改写

三种结果，三种处置

第三种为什么最急，GEO 覆盖审计那篇已经说过：错误信息在替你损害品牌，而且它比“没被引用”更难被发现——因为从外部看，你确实“被 AI 引用了”，看起来是好事。

更新和新增是两件事

一条意图上线之后，会经历两类变化，处理方式不同。

事实变了（供应商换版、参数修订、证书更新）：

反查 fact_refs，找出所有引用了这个字段的意图，主答块和所有复述块一起改。如果你按上一篇做了渲染式复述，这是一次修改；如果还在手写，这是 N 次修改，且必然漏。

答案的表达要优化（实测发现没被引用，想改写措辞）：

只改 canonical_answer 和主答块，页面上已经润色过的展开段落不该被覆盖。

这两件事的边界必须事先划清，否则会陷入“每次改一个数字都要重写一整页”。后面的第 69 篇会把同一条边界应用到产品上新流程：哪一块归机器管，哪一块归人管。

落到日常：怎么把这条链跑起来

理想形态不是每一步都手动做，而是把 ①②③ 串起来跑，在 ③ 之后停一次。

一次典型的批量处理：

输入：一份 raw list（30 条从询盘记录里倒出来的问题）

AI 执行：
  ① 聚类去重 → 12 个反复出现的问题
  ② 与现有注册表比对 → 8 条新意图 / 3 条已有主答（建议加复述）/ 1 条重复
  ③ 按六类分类 + 建议主答块归属 + 标出 self_answerable
  
  ⏸ 停在这里，输出待确认清单

你确认：
  - 主答块归属对不对（这是唯一必须人来定的）
  - self_answerable 的判断对不对
  - 哪几条这个季度要做，哪几条留 draft

AI 继续：
  ③后半 写 canonical_answer（占位符版，数字留空）
  ④    生成页面块并注入 anchor

你执行：
  数字从事实层填入，发布

为什么闸门放在 ③ 之后，而不是最后：AI 的边界划在哪讲过这条原则——人机闸门要放在信息最容易被验证的那一步。主答块归属这件事，看着一张 12 行的清单，你几分钟就能判完；等生成了十几个页面块，你面对满屏内容无从下手，审核就退化成走过场。

提示词要点（完整版在工具箱篇）：

• 强制输出「聚类 + 原始表述 + 频次 + 六分类 + 建议主答块 + 冲突标记」
• 显式禁止它回答技术问题——它的任务是归类和归属，不是判断某个技术说法对不对
• 显式要求「找不到对应事实层字段就标 fact_refs: MISSING，不要编」

小结

五步的顺序，各自在防一类不可逆的错误：

两个加粗的是最常被跳过、代价最大的。② 跳过之后你不会看到任何报错，只会慢慢发现自己在 AI 里没有存在感；⑤ 跳过之后表还在，但已经没人知道它准不准了。

下一篇讲怎么把这些检查自动化：GEO 审计从“结构合规”升级到“覆盖 + 一致 + 引用”三层。

→ GEO 审计升级：从「结构合规」到「有没有被引用」