自己动手也能做的 GEO 基础动作
十篇完整指南,每一步都能照着做。前三篇不花钱、不需要我们,你今天就能做完——做完再判断要不要找人帮忙,我们宁愿你先自己试过。
指南目录
前三篇是不花钱就能做完的基础动作,后七篇进入执行细节。
- 如何用 5 分钟自测品牌在 AI 中的能见度5 分钟
- 如何把 TDS 里的参数改造成 AI 可读的结构化数据30 分钟
- 如何配置 robots.txt 放行主流 AI 爬虫10 分钟
- 如何写一份 llms.txt(以及它现在到底有没有用)20 分钟
- 如何建立大牌型号参数对标库耗时约半天
- 如何判断一篇技术内容会不会被 AI 引用10 分钟/篇
- 如何设计让 AI 容易摘录的 FAQ 结构1 小时
- 如何监测品牌的 AI 提及率变化1 小时/月
- 如何选择值得投放的行业技术平台2 小时
- 如何用英文写让海外买家信服的技术长文3 小时/篇
如何用 5 分钟自测品牌在 AI 中的能见度
不用工具、不用花钱,你现在就能知道自己在不在 AI 的推荐名单里。
列出买家真实会问的 5 个问题
用采购视角而不是卖货视角写。例如「What are reliable Chinese suppliers of thermostable feed enzymes?」或「Who supplies bearings equivalent to SKF 6205-2RS?」,而不是「XX公司产品」。买家不知道你的名字,这正是问题所在。
在 4 个模型里逐个提问
ChatGPT、Perplexity、Claude、Gemini 各问一遍。用英文,因为你的目标买家用英文。开新对话,避免历史上下文干扰结果。
记录三件事
AI 点名了哪些公司、你的品牌有没有出现、排在第几位。同时看它引用了哪些来源链接。
追问一句「有中国供应商吗」
这一步最能说明问题。如果 AI 此时才勉强给出几个名字,说明中国供应商整体在该品类语料稀薄——这是机会窗口。
截图存档,作为基线
这是你后续衡量效果的起点。三个月后用完全相同的问题复测,差异就是效果。
如何把 TDS 里的参数改造成 AI 可读的结构化数据
PDF 里的参数 AI 读不准。把它搬到 HTML 并加上 Schema 标记,AI 才敢引用。
挑出真正决定选型的参数
不要全搬,挑买家真正用来筛选的那几项。化工原料通常是比表面积、活性单位、粒径分布、纯度;涂料助剂是消光效率、透明度、手感;精密零件是尺寸公差、表面粗糙度、硬度。判断标准很简单:买家询价时会先问哪几个数,就先做哪几个。
为每个产品建一个 HTML 页面
一个牌号一页。标题用完整牌号,正文用表格列出参数、单位、测试方法。PDF 作为下载附件保留,但不要只有 PDF。
加上 Product 结构化数据
用 JSON-LD 标注 name、sku、manufacturer,参数放进 additionalProperty 数组,每项包含 name / value / unitCode。单位务必用 UN/CEFACT 标准码(如 M2/G、ML/G)。
补上应用场景与对标关系
用 applicationCategory 说明适用场景,用 isSimilarTo 指向参数相近的国际型号——只陈述参数事实,不用「等同」「替代」这类断言。
用官方工具验证
Google Rich Results Test 和 Schema.org Validator 各跑一遍,确保没有语法错误。有错误 AI 会直接忽略整段标记。
如何配置 robots.txt 放行主流 AI 爬虫
很多工厂官网默认屏蔽了 AI 爬虫却毫不知情。这是 GEO 的第一道闸门。
先查你现在的状态
浏览器打开 你的域名/robots.txt。如果看到 Disallow: / 或针对 GPTBot 的屏蔽规则,AI 现在读不到你的任何内容。
确认要放行的爬虫清单
至少包括:GPTBot、OAI-SearchBot、ChatGPT-User(OpenAI);ClaudeBot、Claude-User、Claude-SearchBot(Anthropic);PerplexityBot、Perplexity-User;Google-Extended;Applebot-Extended。
逐条写明 Allow
为每个 User-agent 单独写一段 Allow: /。不要只靠 User-agent: * 兜底——部分爬虫只认自己的具名段落。
补上 sitemap 声明
文件末尾加 Sitemap: https://你的域名/sitemap.xml,让爬虫知道从哪里开始。
上线后复查
重新访问 你的域名/robots.txt 确认生效。同时检查服务器或 CDN 层有没有额外的 UA 拦截规则——这一层经常是真正的元凶。
如何写一份 llms.txt(以及它现在到底有没有用)
先说结论:写,但别指望它单独见效。理由和写法都在下面。
先搞清楚它的真实处境
llms.txt 是社区约定,不是 W3C 或 IETF 标准。截至 2026 年,OpenAI、Google、Anthropic 等主流厂商都没有公开承诺在生产系统中读取它,实测中 AI 爬虫也极少去抓这个文件——绝大多数仍然直接爬 HTML。任何跟你说「写了 llms.txt 就能被 AI 推荐」的说法,都不成立。
那为什么还要写
两个真实理由。一是 IDE 类 AI 代理(Cursor、Claude Code、GitHub Copilot 等)会常规抓取 /llms.txt 与 /llms-full.txt,这类工具的使用者里有你的技术型客户。二是写这份文件会强迫你把「我们是谁、卖什么、参数多少、凭什么可信」梳理成一段无歧义的事实描述——这段描述本身可以复用到官网、外部平台、产品页,那才是真正起作用的地方。成本极低,别把它当主力就行。
文件放在根目录,用 Markdown 写
路径固定为 https://你的域名/llms.txt。开头一级标题写公司名,紧接一段 > 引用格式的一句话定位——这一句要能独立成立,因为它最可能被整段摘走。
「关键事实」一节写死口径
品牌名与英文名、服务/产品范围、目标市场、核心技术参数区间、认证与标准、联系方式。每条一行,用连字符起头。数字务必标单位与测试方法。这一节的口径必须与官网、外部平台完全一致——不一致时 AI 会因为无法交叉验证而干脆都不用。
「页面」一节做成带说明的链接表
格式是 - [页面名](完整URL): 这一页讲什么。不要只丢链接,那一句说明才是给模型看的。只列真正有信息量的页面,「联系我们」这类不用列。
需要的话再补一份 llms-full.txt
llms.txt 是索引,llms-full.txt 是完整事实档案——把定义、方法、参数、立场展开写全。我们自己站上就是这么做的,可以直接对照 ileadengine.com/llms.txt 与 /llms-full.txt。
最后做一件更重要的事
把 llms.txt 里那段定位与关键事实,同步到官网首页正文、About 页、以及你投放的外部平台简介里。HTML 正文里的表述才是爬虫真正会读的。llms.txt 是保险,不是主力。
如何建立大牌型号参数对标库
海外买家在 AI 里最常问的一类问题是「X 型号的替代方案是什么」。没有对标库,你永远不在这个答案里。
锁定要对标的型号,不超过 10 个
选你主推产品实际在抢单的那几个国际型号。判断依据是销售端的真实反馈:客户拿哪个牌号的规格书来比价,就对标哪个。贪多会稀释内容质量,10 个以内做透远好过 50 个做浅。
只用公开可查的规格书作为依据
对方官网的 TDS、公开产品目录、行业数据库词条。绝对不要用私下流传的内部文件或客户提供的竞品报告——来源不可公开引用,整个对标关系就站不住,还可能引发纠纷。
逐参数建表,三列并置
一列写参数名与测试方法,一列写对方公开值,一列写你的实测值。差异项不要藏——如实标出「我方 XX,对方 YY」。AI 对承认差异的内容反而更信任,因为这符合真实技术文档的特征。
给每个对标关系写一句结论
格式类似:「在 [具体应用场景] 下,[你的牌号] 的 [关键参数] 与 [对方型号] 处于同一区间,可作为替代方案进行评估。」这一句要能脱离上下文独立成立,因为 AI 摘录时通常只取一句。
措辞守住合规底线
只用「参数对标」「可作为替代方案评估」「处于同一区间」。禁用「等同」「完全一致」「官方替代品」「原厂同款」。他方商标仅作描述性使用,不放在你的产品名或标题主位。这条不是谨慎过度——不实对比在欧美是可诉的。
用 Schema 把关系标出来
在产品页 JSON-LD 中用 isSimilarTo 指向对标型号,参数写进 additionalProperty。让机器能确定性地读到这层关系,而不是靠猜正文语义。
内容落地:一个型号一篇,不要合并
每个对标关系写成独立页面,标题直接用买家的提问句式,例如「Alternatives to [型号]: Technical Comparison」。合并成一篇大而全的对比文章,反而哪个查询都命中不了。
如何判断一篇技术内容会不会被 AI 引用
发之前用这七条自检。全过再发,比发十篇碰运气有效得多。
有没有可独立摘录的结论句
AI 摘录的单位是句子不是段落。每个小节至少要有一句脱离上下文也能成立、且包含具体主体与数值的结论句。「本产品性能优异」不算,「拉伸强度 45 MPa(ISO 527-2),适用于汽车内饰注塑件」才算。
数字有没有单位和测试方法
裸数字 AI 不敢引用,因为无法判断口径。每个数值后面跟单位,关键参数跟测试标准号。这一条的通过率通常最低。
信息在别处能不能对上
AI 倾向引用能被多个独立来源交叉验证的内容。同一参数在你官网、外部平台、产品目录里必须完全一致。三处三个数,等于零处可用。
有没有回答一个真实存在的问题
标题如果不是买家会打出来的句子,这篇内容大概率不会被任何查询触发。用「How to choose...」「What is the difference between...」「Alternatives to...」这类真实句式,而不是「XX产品介绍」。
结构是不是机器友好
标题层级正确、参数用 HTML 表格而非图片、有 FAQPage 或 HowTo 标记、每段只讲一件事。嵌在图片里的参数表等于不存在。
有没有明确的主体归属
全文要能让机器确定「这是谁说的、说的是谁的产品」。品牌名与牌号完整出现,不要通篇用「我们」「本品」代指。
和你已发的内容重不重
标题结构、段落骨架、开头句式与站内已有内容雷同,会被判为批量生成的低质内容。宁可这周只发两篇,不发十篇同质的。
如何设计让 AI 容易摘录的 FAQ 结构
FAQ 是投入产出比最高的 GEO 内容形态——问题即查询,答案即摘录单位。但绝大多数企业的 FAQ 写法是错的。
问题必须是买家的原话,不是你的话术
错误示范:「我们的产品有哪些优势?」——没有任何买家会这么问。正确示范:「这个牌号能不能用在水性体系里?」「最小起订量多少?」「有没有 REACH 注册?」问题从哪来:销售邮件里客户实际问过的句子,直接抄。
第一句就把答案给完
AI 摘录时通常只取答案的第一句。所以第一句必须是完整结论,不要铺垫。「可以,本牌号已完成 REACH 注册,注册号 XXXX。」——然后再展开细节。「这个问题需要分情况讨论……」这种开头等于放弃了被摘录的机会。
一问一答,不要一个问题塞五个子问题
合并问题会让摘录出来的答案无法对应原问题。宁可拆成五条。
答案里带具体数值和条件
「温度范围较宽」→「工作温度 -20 °C 至 180 °C,连续使用建议不超过 150 °C」。没有数字的答案,AI 引用它没有任何价值增量,自然也就不引用。
加载 FAQPage 结构化数据
用 JSON-LD 标注每组 Question / acceptedAnswer。注意标记里的文字必须与页面可见文字完全一致——不一致会被判定为作弊,整页标记失效。
中英文各写一套,不要机翻
你的买家用英文提问,机翻的生硬译文会显著降低被引用概率。英文版的问题句式尤其要用买家的真实表达,不是中文的直译。
上线后回头改
三个月后看哪些问题真的带来了 AI 引用,把没有效果的换掉。FAQ 是活文档,不是一次性交付物。
如何监测品牌的 AI 提及率变化
没有基线就没有效果。这套方法不用买工具,一个表格就能跑起来。
固定一组问题,不再改动
12–20 个问题,覆盖四类:品类通用型(谁能供应 X)、参数筛选型(耐温 150 °C 以上的 X 有哪些)、替代方案型(Y 型号的替代品)、地域型(中国有哪些 X 供应商)。这组问题一旦定下就不要改——改了就失去可比性。
每次测试都开新对话
历史上下文会严重污染结果。同一模型同一问题,开新对话问,且不要登录状态下的个性化记忆生效。条件不一致的两次测试,数字没有意义。
记录四个字段
品牌是否被点名(是/否)、出现位次(第几个被提到)、AI 引用了哪些来源链接、回答里对你的描述是否准确。第三项最容易被忽略,但它直接告诉你下一步该往哪里投内容。
每次都截图存档
AI 的回答不可复现,没有截图就等于没有证据。截图带时间戳,按「日期-模型-问题编号」命名归档。
按月固定日期复测
比如每月 1 号跑一轮,全部 4 个模型 × 全部问题。一个月一次足够,太频繁看到的都是噪声。
算三个数
提及率 = 被点名次数 ÷ 总提问次数;平均位次 = 被点名时的位次平均值;来源命中率 = AI 引用了你自有资产的次数 ÷ 被点名次数。第三个数说明你的内容有没有真的在起作用。
把竞对一起测
只看自己的数字没有参照系。同一组问题下记录 2–3 个主要竞对的表现,你的提及率涨了 10% 而竞对涨了 30%,那实际是在退步。
如何选择值得投放的行业技术平台
外部语料是提及率能否稳住的关键。但平台选错,钱和时间全部白花。
先查这个平台放不放 AI 爬虫
打开 平台域名/robots.txt,看有没有屏蔽 GPTBot、ClaudeBot、PerplexityBot。被屏蔽的平台无论权重多高,你发的内容 AI 都读不到——这一条直接一票否决,却几乎没人查。
用实测代替猜测
拿你所在品类的典型问题去问 ChatGPT 和 Perplexity,看它们实际引用了哪些站点。AI 已经在引用的平台,才是值得投放的平台。这比看任何权重榜单都准。
注意不同模型的来源偏好差异很大
2026 年的大规模引用分析显示,ChatGPT 与 Perplexity 的被引用域名重合度只有约 11%——两个平台的来源偏好几乎是两套体系。所以不要指望一个平台通吃,至少要覆盖两三类不同性质的来源。
别低估社区型平台
同一批数据显示,社区类平台(Reddit、Quora 等)占据了约 52.5% 的引用份额,高于品牌自有域名的 47.5%。这意味着专业社区里一条真实的技术讨论,可能比你官网一篇精修长文更容易被引用。前提是真实参与,不是发广告。
看内容是否长期可访问
要求:内容有独立永久 URL、不需要登录即可查看、不会在几个月后被平台归档下线。登录墙后面的内容,对 GEO 的价值接近于零。
确认平台允许你做的事
逐条读平台的内容规范:能不能带品牌名、能不能放外链、能不能做产品对比。违规发布轻则删帖,重则封号,前期投入全部归零。
分级投放,不要平均用力
选 2–3 个已被 AI 实际引用的高价值平台做深度技术内容,另选 3–5 个覆盖面广的平台做基础信息一致性铺设。前者建立可信度,后者建立交叉验证。
如何用英文写让海外买家信服的技术长文
中国工厂写的英文技术文章,问题通常不在语法,在结构和分寸。
标题写成买家会打出来的句子
不要写「Company X's High Quality Products」。写「How to Select Sealing Materials for High-Temperature Hydraulic Systems」或「Alternatives to [型号]: A Parameter-Level Comparison」。标题决定了这篇内容会不会被任何查询触发。
开头 100 字内给出核心结论
英文技术读者的阅读习惯是先看结论再决定要不要读细节,AI 的摘录习惯也一样。把「所以呢」放在最前面,不要按中文习惯层层铺垫到最后才点题。
用数据说话,删掉所有形容词
「excellent performance」「superior quality」「world-leading」这类词在英文技术语境里等于没说,甚至会降低可信度。全部替换成具体数值加测试方法。这一步通常能删掉三分之一的篇幅,而且文章会更有力。
承认局限,这会提高可信度
「在 pH < 4 的体系中不推荐使用」这样的表述,比通篇都是优点更让技术买家信服,也更符合真实技术文档的特征。只说好话的文章,读起来就是广告。
结构上用小标题切分,每段只讲一件事
英文长文的可读性高度依赖小标题。用 H2/H3 把文章切成 5–8 个模块,每个模块开头一句话说清这一节讲什么。这同时也让 AI 更容易定位和摘录。
参数一律用表格,标注单位与标准
表格用 HTML 而非图片。单位用国际通行写法(m²/g 而不是 m2/g),测试方法标 ISO / ASTM / GB 的具体编号。
找母语者做技术审读,而不是语言润色
重点不是语法对不对,是术语用得对不对、语气分寸合不合行业惯例。最好的审读人是行业里的英语母语技术人员,其次是长期做该品类外贸的资深销售。
发布前跑一遍引用自检
用上面《如何判断一篇技术内容会不会被 AI 引用》那七条过一遍。不过关就别发。