GEO METHODOLOGY
可验证的工作方法
而不是不可验证的承诺
各 AI 平台都没有公开检索与排序的具体规则。在这种前提下，唯一可靠的方式是把工作组织成可记录、可回溯、可验证的实验过程。
01
假设 Hypothesis
02
实验 Experiment
03
观察 Observation
04
迭代 Iteration
每一轮工作都从明确的假设开始，并标注这是假设而非事实；执行动作时记录时间与内容；观察阶段完整保存回答原文；最后把结论与假设对照，保留有效动作，修正无效假设。坚持记录一段时间后，企业会获得一份别人无法复制的资料：自己的品牌在不同 AI 环境中被如何描述。
SIX PHASES
六个实施阶段
01
实体基线
建立企业实体中心：名称、别名、业务范围、联系方式与可验证事实。未经确认的信息标记为待验证，不写入对外内容。
- 名称与别名统一
- 服务分类定义
- 可验证事实清单
- 官方链接归集
02
意图与问题库
从品牌、服务、本地、比较、选择、知识、解决方案等意图类型出发，整理真实提问，并映射到唯一的答案页面。
- 意图分类
- 问题采集
- 页面映射
- 覆盖状态跟踪
03
内容资产建设
采用答案优先结构：先直接回答，再解释原因、方法、适用场景与注意事项，并建立真实的内部链接关系。
- 答案优先写作
- 标题层级规范
- 内部链接网络
- 更新时间维护
04
技术基础设施
服务端输出核心内容，规范 canonical 与唯一标题描述，生成 sitemap、robots、RSS 与 llms.txt，按需提供合规的 JSON-LD。
- SSR / SSG 内容可读
- canonical 一致性
- 结构化数据
- llms.txt 索引说明
05
外部信源治理
盘点公开互联网上关于企业的信息，记录 URL、类型、状态与证据，逐条修正不一致，补齐缺失。
- 信源盘点
- 一致性核对
- 状态分级
- 证据留存
06
观察与迭代
用固定问题集在各 AI 平台周期性提问，记录回答原文与判定结果，把观察结论反馈到内容与策略。
- 固定问题集
- 回答证据留存
- 指标聚合
- 策略修正
WHAT WE DO NOT CLAIM
我们不做的三件事
不声称掌握任何 AI 平台的内部算法、数据源或排序规则。
不承诺排名位置、收录比例或 AI 推荐结果。
不使用无法追溯来源的效果数字；没有观察数据时如实标注“暂无观察数据”。