GEO 品牌全景诊断

你在和什么打交道

团队把官网、产品文档和投放素材都搬进了生成式搜索时代，但 AI 答案里要么找不到品牌，要么把事实说错：价格、创始人、服务范围、案例归属，每一项都可能被大模型以极其自信的语气复述出去。问题通常不在内容数量，而在信息没有被结构化地理解和引用。

这个技能把 GEO（Generative Engine Optimization）拆成一次可审计的全景诊断，目标是让模型能理解品牌、找到可信证据、回答真实问题并愿意标注引用来源。

它怎么工作

诊断采用五层模型，每层对应一类典型故障：

• 可发现性：关键页面能否被访问、索引和稳定解析，区分技术阻塞与内容缺口
• 实体清晰度：品牌、人、产品、服务、地区、案例之间的关系是否明确
• 答案覆盖：用户真实问题是否有直接、完整、可独立引用的答案
• 证据强度：主张是否有第一方事实、第三方来源、日期和适用范围
• 一致性：官网、百科、媒体、社媒和结构化数据之间是否互相冲突

工作流程从确认品牌边界开始，收集官方名称、别名和不应混淆的同名实体；随后建立事实基线，为每条事实记录 来源 URL、发布日期、抓取时间 和证据等级；再按认知、考虑、决策、售后四个阶段构建问题集，覆盖是什么、适合谁、怎么选、多少钱、效果、风险等高频问法。

审计环节同时检查页面级要素（标题、FAQ、表格、作者、更新记录、内部链接和结构化信息）和 AI 答案抽样结果：在可访问的生成式搜索中，用固定问题和固定时间抽样，记录品牌是否出现、事实是否准确、引用了谁、竞品占了多少篇幅。无法实时验证时，会明确标记为未验证，而不是用搜索排名冒充 AI 引用。

机会地图按 业务价值 × 问题需求 × 证据准备度 × 实施成本 排序，路线图拆成 30/60/90 天：先修事实冲突和核心实体页，再补对比、案例和数据页，最后进入持续监测与长尾问题扩展。

边界与注意点

技能不会编造 AI 平台测试结果或流量数据。AI 答案抽样依赖指定平台在抓取窗口内的实际返回，搜索排名、点击量和引用率是不同指标，不应混为一谈。如果你的品牌事实本身就分散在互相矛盾的信源里，诊断给出的会是冲突清单，而不是自动修正后的正确版本。