HOW-TO 操作指南

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。

耗时约 5 分钟

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。

耗时约 30 分钟

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。

耗时约 10 分钟

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。

耗时约 20 分钟

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。

↑ 回到指南目录

耗时约半天

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。

↑ 回到指南目录

耗时约 10 分钟/篇

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。

↑ 回到指南目录

耗时约 1 小时

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。

↑ 回到指南目录

耗时约 1 小时/月

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。

↑ 回到指南目录

耗时约 2 小时

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。

↑ 回到指南目录

耗时约 3 小时/篇

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。

↑ 回到指南目录

自己做完基础三步,再看看差距还有多大

放行爬虫、参数上 HTML、写 llms.txt——这三步做完,「AI 查无此人」通常就解决了。剩下的型号对标与外部语料投放,是我们擅长的部分。