上篇说到，在优化内容之前，我需要回答一个核心问题——用户在购买骨科狗床（Orthopedic Dog Bed）前，会向AI提出哪些问题？因为内容只有精准回应这些问题，才有可能被AI引用。

用户与AI的对话我们看不到，不过有一个事实很清楚：从过去的搜索关键词到如今的自然对话，表达方式改变了，但用户想要解决的问题本质上是一样的。

因此，我决定从搜索数据出发，通过分析骨科狗床用户的搜索意图，找用户会向AI提出的真实问题。

第一步：提取搜索意图

利用 Google Trends 和关键词工具，我获取了 Orthopedic Dog Bed 相关的热门和上升关键词数据——这代表真实、规模化的用户信息需求，与 SEO 的方法论一致。 

 
 
下载Google Trends 的 Top Queries 和 RisingQueries(各50个词)后，我进行了词频统计。两个显著的信号是:

1. "best”词频最高(核心词dog bed除外) ＞ 用户搜索行为背后的驱动力：评估比较心态
2. "large"和"xl"高频出现 ＞ 用户明确的功能需求：尺寸规格选择

第二步：分析搜索意图

SEO的做法，到这一步可能就开始围绕以下关键词铺内容了——

• Primary keyword: orthopedic dog bed
• Secondary keywords: best orthopedic dog bed for arthritis, memory foam vs egg crate dog bed, orthopedic dog bed for large dogs thickness

 
但问题在于，老年德牧犬的主人不会直接在AI里问“orthopedic dog bed for senior dogs”，也不会单靠一个回答就决定购买。我们需要了解老年犬/大型犬主人的购买决策路径。

在AI的协助下，我绘制了一份搜索意图脑图，发现骨科狗床在目标市场已不处于早期教育阶段，而是集中在营销漏斗的决策购买阶段：

• 对产品类型已形成基本认知
• 购买意向明确且高
• 决策权重分布：品牌选择、性能规格、购买渠道
• 高潜力细分市场：大型犬用户、老年犬用户

第三步：用真实数据源验证用户问题

了解了用户的搜索意图，我仍然不清楚真实用户在AI里会怎么问。仅凭搜索意图反推用户问题并不可靠；相较之下，Google搜索结果、社区论坛的真实表达，以及电商平台的Q&A，才是可信度更高的数据源。

于是，我让AI基于以下来源，去收集并还原搜索意图背后的真实用户问题：

• Google搜索结果：目标市场Google自然搜索结果第1-2页的网页。
• 权威行业出版物和学术/同行评审文章：Google Scholar, PubMed, arXiv, SSRN等。
• 社群知识和用户观点：LinkedIn, Reddit, Quora，专业论坛，行业领先品牌和零售商发布的FAQ页面。
• 富媒体内容：YouTube视频、播客、网络研讨会（引用发言人陈述并注明时间戳）。
• 专家评论：知名主题专家的引言（注明姓名、职位、来源URL）。

AI很好地整理了用户问题，标注了来源，完成了分类。我的GEO试验将基于这些真实问题，但如何优先级排序？
 

 
如下图，我用TOFU/MOFU/BOFU的营销漏斗给问题分类。回顾前面的搜索意图分析——由于用户对产品已具备基础认知，且市场不缺教育类内容，这部分不再是我的优化重点。

真正的机会是“帮助用户选对狗床”，从尺寸厚度到品牌选择，都是能直接撬动购买的关键点。
 

 
第四步：确定内容机会
根据搜索意图，我已标记了若干关键用户问题，但还不能直接开始内容制作。就像新闻采编需要独特角度，内容也必须思考:如何让AI容易"看见"并引用我的内容?

以这个问题为例:"Is this bed thick enough fora large or heavy dog?"

大多数竞品只是堆砌厚度、材质参数来证明床够厚。但真正有价值的内容应该是:在现有答案的基础上，提供独特且可验证的信息，而非简单的规格堆砌。
关于这个问题，AI给出的方案是:
 

基于以上洞察，结合产品自身优势，我决定先围绕大型犬主人最关切的厚度问题展开内容优化。
 
说句实话，GEO能否成功还不好说，但无论结果如何，这个研究和思考的过程，给了我一个新的认知:内容和产品应该是统一的。好的内容不仅要回答用户的问题，更要帮助用户做出更好的决策。好的产品不仅要满足用户的需求，更要配合内容去构建用户的信心。

GEO试验这个过程本身的价值，已经超过了我最初的期待。
 
我又花了一些时间，把前面提到的思路固化成个工作流：输入待优化的用户话题、品牌/产品链接和目标市场，就能输出一份用户问题清单、AI引用内容分析报告，以及可执行的内容策略框架。

因为这个流程同时纳入了用户查询意图、品牌差异化定位，以及AI倾向引用的权威来源与关键实体，基于策略框架自动生成的四篇文章我挺满意，虽然还需要自行配上图，但已经明显比单丢一个标题或关键词让AI生成的空洞内容强太多。
 
我先把文章发布在官网的Blog和相关产品页。有人泼冷水，说AI不会引用品牌站的博客，所以这样做没用。但我不这么看一-如果品牌站都无法持续提供准确、可验证且有价值的内容，那就更不可能在AI的答案里占到位置。

事实上，我从GA4和Semrush的报告里，也能看到官网博客页面正在被引用。
 

 
说来也巧，文章发布没多久，独立站又收获了一笔来自 ChatGPT 的订单，而且还是来自新市场——新加坡。于是我顺手去问了下 AI，结果发现我们的产品已经进入了它提及的四个产品之列！
 
我当然清楚，这一单更可能是偶然事件，不能简单归功于我刚做不久的“GEO”。但把来自 ChatGPT 和 Gemini 的订单放在一起回看，我发现这些产品有几个共性：

• 产品页信息足够“可读”：图文丰富、结构清晰，关键信息容易被提取。
• 官网博客还有研究型、解决方案型内容，能把“为什么买、怎么买、怎么选”讲清楚。
• 除了独立站，也在多个线上渠道销售。
• 社媒持续更新，有稳定的品牌内容输出与 UGC 互动沉淀。
• 有大量的真实用户反馈，增强可信度。

更有意思的是：在这些产品里，只有一个拿到过第三方媒体（Dogster）的引荐。这至少说明一件事——Owned Media（品牌自有渠道与内容）并没有我们以为的那么弱。

接下来，我会用这套工作流持续产出有价值的内容，逐步充实官网、各渠道的产品页，以及社媒的内容矩阵。

就目前的实践而言，我对GEO的看法是：它并不“玄乎”，更没有“捷径”，它应该是一项长期主义工程——围绕目标市场的真实需求与品牌自身的竞争优势，持续输出可验证、可复用的高价值内容，才能在建立用户信任的同时，不断累积AI对品牌和产品的正向判断。

 


从零开始的GEO实验:暂告一段落之总结篇去年接触了20多个“用GEO新瓶装SEO旧酒”的团队后，我从今年年初开始，用自己的一套GEO逻辑来做内容策略与内容生成。短短两个多月时间，已经有了一些阶段性成果:

搭建出一套同时适用于社媒与广告内容策略的GEO框架;基于这套GEO策略框架生成的官网博客文章，很快被ChatGPTAl Overview 引用

 
 
博客文章页和相关产品页的自然搜索曝光量，一个月内增长了10倍(图2)独立站开始获得来自ChatGPT的订单，来源正是用GEO逻辑生成的内容页，比如troubleshooting页面。(图1)
 

 
但这些成果本身，其实不重要。不是因为AI能为独立站带来的流量还很有限，也不是因为AI可见度还难以被衡量。而是因为这一连串实验最终验证的，不过是一个在GEO出现之前就存在的真理|

会被发现、被引用、最终被用户选择的，始终还是那些能真正匹配用户意图的内容，和真正解决用户需求的产品。

所以。你需要做的GEO，不是挑选哪家GEO服务机构，更不是给大模型“投毒”，而是回到本质的、长期有效的事情上:

1. 理解用户意图--先弄清楚用户到底需要什么、担心什么、比较什么;
2. 围绕用户意图制定综合内容策略，让产品页、平台店铺页、品牌内容、社媒内容各自承担清晰的角色;
3. 用AI和人都能读懂的结构来组织内容，把卖点、适用场景、差异点、限制条件和常见问题讲清楚;
4. 把这些内容分发到用户触点的媒体上，让品牌在用户搜索、发现、比较和决策的关键节点都能被看见、被考虑、被选择

 
GEO不是什么神秘莫测的新技巧，而是一种新的内容组织运营方式。GEO值得做，但拼的不是如何操控大模型，也不是“发稿”数量。品牌最值得投入的，是尽早把产品信息、多渠道内容和用户意图之间的关系建立起来。