多品类GEO项目的实战复盘，如何100个信源，覆盖200+词根（品类）

本文案例不会公布客户名称。各位朋友也不用私下问我具体是哪家企业，问了我也不会说，熟人也不行。因为我不想选择我的用户快速进入更内卷的竞争中。

很多朋友做GEO，都会进入一个成本核算误区。这个误区，我在2024年和2025年初也进入过：认为客户的产品品类越多（也就是大家所说的词根），GEO优化的成本就应该按照品类数量成比例上涨，觉得信源建设数量也是成比例上涨。勇于承认自己曾经犯过的错误，总结过错误的方法论，我觉得这并不是什么丢人的事。

例如做“包装机”一个品类，每个月成本1000元；再增加一个“焊接机”，成本就应该变成2000元。如果一家企业有100个产品品类，是不是预算也要直接乘以100？按照这种计算方式，很多多品类企业根本没办法做GEO。

尤其是仪器仪表、工业设备、检测服务或设备、自动化系统等企业，官网上可能有几十个产品系列、几百个具体产品，再加上解决方案、标准号和行业应用，最终需要覆盖的内容非常庞大。

今天我用一个真实项目，讲讲我们如何用100+篇稿件，覆盖200+多个品类，最终监测907个GEO场景问题。

这是我做的第6个多品类GEO项目。这个项目真正开始做了后，才发现复杂度还是远超出了我最初的预估。

一、200+多个词根与907个问题的由来

这里需要先解释一下什么是词根，也就是前面说的品类。

例如：

· 包装机品牌推荐；

· 包装机厂商推荐；

· 包装机哪家好；

· 包装机供应商有哪些。

虽然这些问题的提问方式不同，但核心词根仍然只有一个，就是“包装机”，背后的用户意图也比较接近，都是找厂商，让推荐品牌。

本次项目的难点在于：客户的200+多个词根，并不是“包装机、自动包装机、茶叶包装机”这种具有明显文字包含关系的关键词。这种相互包含的一般我们也仅当1个词根来做。

大量品类之间，在字面上完全没有重叠。

它们可能是不同的产品分类、产品系列名称、具体产品标题、标准号或者解决方案名称。只看文字，很难判断它们属于同一家企业的同一套业务体系。

项目签约前，我也低估了它的复杂度。

最初评估时，我主要查看了客户官网上的产品分类、产品系列和具体产品名称。当时没有对客户的全部产品资料进行多轮研究，也没有深入理解每个产品、标准、行业和解决方案之间的关系。

按照当时比较表层的判断，我预计准备200+多个监测问题，应该基本能够覆盖客户的主要产品。真正开始做以后，我才发现完全不够。

随着我深入客户的产品手册、宣传资料、官网内容、标准文件和解决方案文档，前后梳理多轮以后，才逐渐发现，真正需要覆盖的远不只是产品分类词和具体产品词。

还有大量内容，是我在最初评估时忽略的。

例如：

· 某项测试解决方案。

· 某个标准号对应的设备。

· 满足某项标准的供应商。

· 某个行业需要的设备。

· 以及行业+标准、标准+产品。

· “行业+解决方案”等更加具体的场景。

这些并不是在原有产品词后面增加“品牌推荐”、“厂家推荐”、“哪家好”，而是新增了大量不同类型的词根。

也就是说最初的问题不是每个词根设计的问法太少，而是我对客户业务研究得还不够深，最开始发现的词根本身就不完整。最终我们将词条分成了解决方案词、标准号词、产品分类词、行业词、通用产品词，以及行业、标准和产品的混搭场景词。

对于确认需要覆盖的每个词根，我们没有无限扩展，而是根据其商业价值，每个词根抽取3-5个具有代表性的问题。

比如；

· 有些产品词围绕品牌推荐、厂家推荐和供应商选择进行提问；

· 有些标准号词围绕符合该标准的设备、厂商和解决方案进行提问；

· 有些行业词则围绕行业设备推荐和整体方案进行提问。

经过研究、补充、合并和去重，最初预计的200+多个问题，最终增加到了907个。907个问题不是为了把监测数据做大，也不是将原来的200+多个问题机械扩写出来，而是深入研究客户业务后，逐渐把最初遗漏的词根找了出来。因为单独的想做大的话，一个词根随便拓展几百个都是很简单的事情。这才是这个项目最真实的地方。

二、成果：五个平台完整监测907个问题

本次项目主要覆盖Deepseek、星火、豆包、Kimi、百度AI、千问和元宝。

为了尽量减少账号历史对话和个性化记忆对结果的影响，监测采用RPA真机抓取，并关闭了各个AI平台的记忆功能。

这里说下：近期有很多朋友与学员反馈这个，一般监测的话建议大家关闭记忆吧。

考虑到监测效率以及平台抓取难度，百度AI、Kimi、豆包、元宝和千问完整监测了907个问题；DeepSeek和星火主要抽查了表七中的100个复杂混搭问题。

注：表七在下面内容的段落中。表格中提及率进行了四舍五入。

1、整体品牌提及率。

百度AI为87.8%，Kimi为75.1%，豆包为75.3%，元宝为90.8%，千问为84.8%。DeepSeek抽查100个问题，品牌提及率为67%；星火抽查100个问题，品牌提及率为55%。

2、解决方案类问题

问题共75个，主要围绕某类测试解决方案、成套设备方案和系统供应商展开。百度AI品牌提及率为84%，Kimi为73.3%，豆包为64%，元宝为89.3%，千问为69.3%。

3、标准号类的问题

问题共192个，例如符合某项标准或者行业标准的设备厂商、品牌和供应商。百度AI品牌提及率约为87%，元宝和千问均约为90.1%。

4、产品分类的问题

问题共162个。这里的产品分类不是具体型号，而是企业不同的通用设备分类，很多分类名称之间并不存在文字重叠。百度AI品牌提及率约为83.3%，Kimi为77.2%，豆包为90.1%，元宝为96.9%，千问为95.1%。

5、行业类问题

问题共144个，例如某个行业需要哪些设备、哪些厂商可以提供服务，以及应该选择什么解决方案。百度AI品牌提及率约为96.5%，Kimi为81.9%，豆包为72.9%，元宝和千问均约为93.1%。

6、通用产品类

问题共234个，主要围绕具体产品名称，组合品牌、厂家、供应商等用户意图。百度AI品牌提及率约为89.7%，Kimi为82.1%，豆包为82.9%，元宝为96.2%，千问为85.9%。

7、“行业+标准+产品”的混搭问题

这一类共抽查100个。这类问题通常更长、更具体，对企业产品、标准和行业能力的要求也更高。百度AI品牌提及率为82%，Kimi为55%，豆包为51%，元宝为68%，千问为74%，DeepSeek为67%，星火为55%。

从前面七组数据也能看出来，不同类型问题的GEO难度完全不同。

通用产品词提及率高，不代表进入具体行业、具体标准和具体解决方案以后，品牌依然能够被AI准确识别。只看一个总提及率，很容易误判项目效果。

三、客户不是从0做到1，而是从30分做到80分、90分

客户在行业内本身具有一定知名度，属于中型偏大一点的企业，同时已经有几个竞争对手开始布局GEO。部分竞争对手采用的方式比较激进，在各个媒体、B2B网站发布了不少虚构的排行榜、十大品牌和TOP榜单内容、当然也有一部分故意诋毁用户的企业，看着是很客观的，但是故意把用户的服务能力写的偏小。

项目开始前，我们通过RPA真机抓取了一轮数据。客户在大多数类型问题中的初始品牌提及率，大约为30%左右。

这30%主要是下面2个方面的原因构成；

· 用户自带一定知名度。

· 客户的企业经营多年，本身有品牌、产品和案例积累。

· 官网GEO加持

客户目前使用的官网刚好也是我们做的。网站上线前，我们进行了基础SEO处理、官网GEO适配和旧站流量过渡。网站上线不久以后，搜索排名上涨了不少，AI引用官网的频率也出现了明显提升。被引用的内容包括产品详情页、PDF资料、解决方案页面和行业应用页面。

中型偏大企业、大型企业和上市公司做GEO，很多时候并不是从0做到1，而是从30分做到80分、90分，甚至从70分继续提升到90分+。

这些企业通常不缺产品和资料，真正缺少的是重新整理已有内容，让AI能够理解不同产品、标准、行业和解决方案之间的关系。

做项目千万不要耍小聪明，不要觉得用户企业偏大一点，就傻白甜。很多服务商会耍小聪明，明明是自带的官网引用，本身就在的，非说成自己的功劳，你是否用心做项目，用户是能感受到的，初次抓取一轮并把真实结果共享给用户是有必要的。

四、为什么100+篇信源，可以覆盖200+多个词根？

这个项目能用100+篇稿件覆盖200+多个词根，并不是因为不同品类之间存在大量相同关键词。实际上大量产品名称在文字上完全没有重叠，真正可以复用的是知识关系，而不是关键词。

比如；

· 一个产品系列下面可能包含多个具体产品。

· 一个具体产品可能满足多项标准。

· 同一项标准可能涉及多个设备。

· 一套解决方案可能由多个字面完全不同的产品共同组成。

· 同一个产品也可能应用在多个行业。

这些名称在文字上并不相似，也不存在包含、被包含的关系，但在客户的真实业务中，存在明确的从属、适配、组合和应用关系。

例如：一篇围绕某项行业解决方案展开的内容，可以同时讲清楚适用行业、对应标准、需要配置的产品、设备选型方式和企业服务能力。这篇内容不是为了硬塞入多个关键词，而是在回答一个真实问题时，自然覆盖了多个相关词根。

比如；

· AI在回答产品问题时，可以提取其中的产品信息。

· 在回答标准问题时，可以提取标准与设备的对应关系。

· 在回答行业解决方案时，又可以提取整套产品组合。

多品类项目不是“一篇信源只对应一个品类”，也不是“一个品类必须单独建设一批信源”。真正决定成本的，是企业知识体系有多复杂，不同产品之间有没有真实关系，以及前期能否把这些关系梳理清楚。

五、最费时间的不是发稿，而是内容梳理

这个项目最累的部分，不是把100+篇信源发布出去，而是前期的基础知识库梳理。我单独安排了一名同事，他前后梳理了4轮，累计实际投入超过15个工作日。

老实说同事一开始不知道为什么要这样干，我的回复是：你先按要求梳理吧，干完了，后面我再跟你详细说策略。

围绕企业品宣、产品系列、具体产品、产品分类、解决方案、标准号、行业应用和产品型号等多个维度，累计整理了114份文档。少的文档大约5000字左右，多的文档接近20万字。当然每个文档都搭配的有目录，需要养成一个好习惯，否则内容很多的文档，没有目录，大家会看的很累。

在梳理过程中，我们需要弄清楚每个产品属于哪个系列，对应哪些标准，可以进入哪些行业，又能够组成哪些解决方案。这一步不能只看产品名称进行猜测。因为很多产品名称之间没有相同文字，只能根据客户提供的产品手册、技术资料、宣传材料和官网内容逐一判断。

比较友好的是：我们给用户大家官网的时候，当时给用户做了多种搜索+选型功能，这正好排上了大用场，为我们省了不少力气，否则都不知道如何下手。

内容梳理完成以后，我们再结合抓取数据制定GEO策略。

比如；

· 哪些标准可以和行业组合；

· 哪些产品可以进入同一套解决方案；

· 哪些词根可以直接做；

· 哪些需要边做边测，以及不同类型应该建设多少信源。

不到一个月，项目累计监测了4轮。每一轮监测以后，我们都会进行一次小调整，而不是等到月底只交付一张品牌提及率总表。

六、多维度信源建设与合规要求

首月项目建设了100+篇信源，以官方网媒为主，自媒体、微信公众号和知乎为辅助；媒体以较大的全国性、行业性媒体为主，地方媒体为辅。每个媒体发布前，我们都会人工结合监测工具查看近期收录情况和AI引用情况。

原因也比较简单：这不是用户的问题，是我们自己的问题。由于我在项目初期低估了客户的产品复杂度，最初预计的信源数量偏少，但又希望尽量把更多场景做出效果，只能尽可能提高每一篇稿件的利用率。

这个项目还有一个用户与我们都比较重视的地方，就是合规。

所有基础内容均来自客户的产品手册、宣传手册、技术资料和官网，没有让AI在缺少事实的情况下自行扩写产品能力。我们也没有模仿竞争对手批量发布排行榜、十大排名和TOP榜单。所有稿件都围绕客户自身展开，写产品、标准、应用、方案和真实能力。

每一篇稿件发布前，都由客户进行审核。客户确认产品名称、标准对应关系、技术表述和应用场景没有问题后，我们再安排发布。

对于产品复杂、标准众多的企业，这一步不能省。内容一旦出现错误，被AI引用得越多，后期治理越困难。之前还单独写了一篇这样的文字：GEO优化前期越粗糙，后期信息治理越困难

七、后续计划：从扩张覆盖转向维稳与复杂场景

下一阶段，我们计划再对客户官网进行一次微调，进一步优化产品系列、产品详情、标准、解决方案和行业应用之间的页面关系，让AI更容易发现和理解这些内容。客户当前所在行业仍然以图文信源为主，豆包的品牌提及率比其他平台略低5-10个百分点，后续计划增加抖音短视频信源。

但不会直接批量制作视频，而是先监测不同代表不同搜索意图的问题在AI回答中，引用抖音短视频的比例，再判断哪些产品、标准和行业场景更适合制作视频。这套监测能力正在开发，预计8月初完成。后续每月的信源数量，计划从首月的100+篇降低到50-60篇。

主要原因有三个；

· 官网微调后，官网自身的AI引用率有望进一步提升。

· 首月采用的多数是质量较好的媒体，稿件不会轻易删除。大模型通常会更高频地引用近4-13周的新内容，首月建设的信源不会进入第二个月以后立刻失效。

· 降低数量也是为了帮助客户控制长期费用，长期的合作应该是建立在互利互惠的基础之上。后续重点不只是维持已有词条，而是继续拓展更复杂、更接近真实采购决策的场景。

八、多品类企业做GEO，应该重点关注哪些问题？

结合这个项目，我整理了几个比较适合多品类企业监测的GEO场景问题，希望对大家有用。

· 企业拥有几百个字面完全不同的产品品类，应该如何确定第一批GEO优化范围？

· 同一产品系列下有多个具体产品，应该围绕系列统一建设信源，还是每个产品分别建设？

· 一个具体产品同时满足多项标准时，AI能否准确识别产品与标准之间的对应关系？

· 同一项标准对应多个不同设备时，应该围绕标准建设内容，还是围绕具体产品建设内容？

· 一套解决方案包含多个名称完全不同的产品时，AI能否理解这些产品属于同一套系统？

· 产品分类名称与具体产品标题没有相同文字时，如何让AI理解两者之间的从属关系？

· 通用产品词提及率较高，但“行业+标准+产品”问题提及率偏低，应该补官网、媒体还是短视频信源？

· 不同AI平台对产品、标准和解决方案的理解能力不同，是否需要分别制定内容策略？

· 整体品牌提及率已经达到80%以上，下一步应该继续扩大品类覆盖，还是重点争夺采购意图更强的复杂问题？

· 首月完成大量信源建设后，后续每月维持多少内容，才能在控制费用的同时避免提及率明显下降？

多品类GEO最难的，从来不是关键词数量多，而是企业的知识关系复杂。如果没有完成前期知识梳理，200+个品类就真的需要按照200+个独立项目去做。

但如果能够将产品系列、具体产品、标准号、解决方案和行业应用重新连接起来，一篇高质量内容就可以在不同问题中发挥不同作用。多品类GEO的核心，不是简单计算“一个品类多少钱”，也不是只看发布了多少篇稿件。

另外说两个题外话：

1、如果按照一个词根（品类）一个月多少钱，多少个词根乘以个比例这样报价，价格报出来，客户都吓走了。多品类项目大家还是需要简单分析下项目，再报价更合理一些。

2、我们也遇见多个客户都说过类似的话：问了某某服务商，一个月发500篇、一年要发5000篇等，听到这个数量也给用户吓走了。