企业官网建设流程全解析

2024年下半年开始，我身边做数字营销的人聊天，话题从“你关键词排第几”悄悄变成了“AI答案里有没有你”。这里说的GEO不是地理信息，而是Generative Engine Optimization，生成式引擎优化。以前做SEO，是研究怎么在搜索结果页排名靠前；现在做GEO，是研究怎么让ChatGPT、Perplexity、豆包、文心一言在回答问题时主动说出你的品牌名，甚至把你的官网链接附上。上海这个项目是我完整跟下来的第一个GEO工程化落地项目，从知识库梳理、Schema结构化、内容信源矩阵搭建，到多平台监测，最后真的形成了一个能复盘、能迭代的闭环。

这篇文章不准备讲宏大的AI营销趋势，就讲我们实际怎么做的：知识库怎么建才能被AI引用，Schema到底埋什么字段才有用，内容信源怎么从“乱发”变成“铺体系”，多平台监测的数据该怎么看。适合正在做品牌增长、内容运营、技术营销的人，尤其是老板已经要求“让AI搜索到我们”但团队不知道从哪下手的同学。整个方法论不复杂，但网上讲概念多、讲落地细节少，我把踩过的坑和跑通的路一起整理出来。

1. 为什么GEO工程化需要一个可复盘闭环

1.1 AI搜索改变了流量分发规则

先想想用户发生了什么变化。以前搜“上海企业培训哪家好”，用户看到的是十个蓝色链接，然后自己点进去比较。现在用户直接在AI对话框里问同一句话，AI给出一个300字的综合答案，可能还会列三个推荐品牌。用户大概率不会再点开后面的链接，只对答案本身产生信任。这意味着，如果你的品牌名出现在那段答案里，你就获得了这次“推荐权”；如果没出现，即使你的官网排在搜索引擎第一页，也基本被跳过。

所以GEO的核心不是“排名”，而是“被引用”。AI不会像传统爬虫那样只看外链和关键词密度，它需要理解实体、语义和上下文，判断哪些内容值得引用。这个变化比很多人想象得深刻：流量入口从“搜索框”变成了“对话框”，内容分发逻辑从“检索排序”变成了“意图生成”。说得直白一点，以前是超市里货架上的商品，靠位置和包装吸引人；现在你需要在美食博主的菜谱里成为原料，AI就是那个决定放什么原料的人。

有个概念是SEO到AEO再到GEO再到AAO的四代优化范式。AEO是Answer Engine Optimization，就为了让Alexa、Siri这类助手能直接读出答案；GEO针对的是大模型生成回答；AAO是Agentic Action Optimization，面向会调用工具、执行任务的AI Agent。上海这个项目主要做GEO，但底层逻辑是一样的：把内容变成机器可读、可信任、可引用的知识。

1.2 可复盘闭环的四块拼图

我们常把GEO工程化拆成四个模块：知识库、Schema、内容信源、多平台监测。这四块不是孤立任务，而是一条数据链路。

知识库负责把散落的经验、文档、产品资料整理成AI可检索的“标准答案”；Schema负责给页面添加结构化的机器可读语义，让AI知道谁是品牌、谁是产品、FAQ是什么；内容信源负责把答案分发到AI更愿意信任的平台；多平台监测负责持续观察AI在各大模型里是否引用、怎么引用、引用什么内容。监测的数据反过来修正知识库的颗粒度、Schema的覆盖范围、信源的布局策略，这就形成了一个可复盘的闭环。

我用一张表来展示四块模块的职责和侧重点：

闭环的价值在于，它没有把GEO当成一次性上线工作。AI搜索引擎的模型在不停更新，信源权重也在动态变化。今天有效的策略，三个月后可能失效。如果没有监测和复盘，团队很容易陷入“发了很多内容，但看不到效果”的状态。

2. 知识库：给AI搜索引擎准备“标准答案”

2.1 知识库不只是文档堆积，而是答案资产

很多企业一听知识库，第一反应是把所有Word、PDF、产品手册扔进一个系统。这是误区。AI搜索背后的RAG机制，本质是“检索增强生成”：模型先检索最相关的知识片段，再基于这些片段组织答案。如果知识库里是几十篇PDF，检索出来的可能是过时的版本、自相矛盾的话术、或者一段跟问题毫无关系的内容。那等于给AI喂了一堆噪声。

我们项目的做法是，先把知识库当成“答案资产”来运营。不是问“我们有什么资料”，而是问“用户会问哪些问题，我们希望AI怎么回答”。这需要拉上销售、客服、产品的人，整理过去半年的真实客户咨询记录，把高频问题归纳成问题集。比如做B2B服务的，常见问题可能是“服务流程是什么”“交付周期多长”“有没有成功案例”“报价怎么算”。每个问题对应一份标准答案，控制在一两百字，逻辑完整、包含品牌和产品关键词。

这个动作花了两周时间，但后来证明是最关键的一步。没有清晰的问题集，后面做Schema、做内容信源都会失去方向。

2.2 从Obsidian到RAG管道：如何构建可被AI引用的知识库

具体怎么搭？我们当时在北京和上海两个团队并行试了两种路线，最后生产环境选了Dify加一个向量数据库，但本地实验和内容梳理用了Obsidian。

第一，先在Obsidian里把答案资产按主题整理成笔记。每条笔记就是一个标准答案，标题直接用用户问题，正文是回答。这么做的好处是强迫团队用提问式思维思考内容，而不是按部门结构堆文件。Obsidian的双链功能还能帮你把相关答案关联起来，相当于人工为AI梳理了一遍实体关系。

第二，将整理好的Markdown文件统一导入MaxKB或者Dify。为什么用这类工具而不是自己从头写RAG？因为项目要快速验证效果，Dify自带文档加载、文本切分、向量化、检索测试的完整流程。我们遇到过一个问题：直接导入几份长文档后问答效果很差，一问就答非所问。排查下来是文本切分粒度不对，一段知识被切成好几块，语义上下文丢了。后来按“问题-答案”的完整段落来切，检索命中率明显提高。

第三，每一条知识入库前都要做“答案化”处理。所谓答案化，就是站在用户提问角度重写，不能把原始PR稿、产品说明书直接扔进去。AI引用你的知识库时，倾向于直接摘录语义完整的句子。如果你库里都是“我们公司成立于2005年，业务覆盖全国”，当用户问“你们公司怎么样”，AI很可能原样照搬。如果你希望它表达出“专注XX领域、有XX特点”，就提前把这句“推荐语”写进答案里。

2.3 避坑：知识库的粒度、去重和更新

知识库的粒度是项目里最大的坑。粒度太粗，比如一个文档包含几十个知识点，AI检索时可能只截取中间一段，丢掉关键限定条件；粒度太细，比如把一段话拆成十几个碎片，AI容易只看到局部，答出片面的结论。我建议的基准是：一个问题对应一个唯一的知识条目，正文200到300字，可以有上下文，但核心信息保持完整。

去重也很重要。AI大模型一旦检索到高度重复的内容，会把多段相似文本混在一起，生成一个前后矛盾的回答。我们原来官网有十几个页面都写了“覆盖全国企业客户”，但具体范围和场景各有不同，结果AI把不同页面的说法拼接在一起，得出了“只服务华东客户”的错误结论。后来用知识库自带的重向量比对功能把重复内容合并，同时官网做了canonical，情况才好转。

更新机制不能忽略。项目上线后，我们每周都会检查一遍知识库里的过期信息，尤其是价格、产品线、联系方式。AI搜索引擎比传统搜索引擎更喜欢抓取新内容，但前提是内容本身能通过它的可信度评估。一个常年不更新的知识库，很快就会被降权。你可以用“定时任务+手动巡检”结合，每个月至少跑一遍问题集，看答案有没有过时。

3. Schema结构化：让机器“读懂”内容而非“猜”内容

3.1 为什么GEO阶段Schema比SEO阶段更关键

传统SEO阶段，Schema的主要作用是让搜索引擎生成富媒体摘要，比如评分星星、FAQ展开、面包屑导航。有了它排名不一定提升，但点击率可能提高。到了GEO阶段，Schema的作用从“锦上添花”变成了“地基支撑”。

因为AI模型的训练和生成过程极度依赖对实体的理解。它需要知道“某品牌是一家什么类型的企业”“某产品属于哪个类目”“某CEO是不是这个人”。如果你只给明文页面，AI可能会从多个来源拼凑出一个模糊的认知，甚至有50%概率把你的品牌归到错误的行业。而JSON-LD结构化数据相当于直接给AI递上一张“身份卡”：我是谁、我做什么、我的联系方式是什么、我和同类实体什么关系。有了这张卡，AI对内容的解读就变成“确认”而不是“猜”。

上海项目里有个很真实的案例：合作方是一家做智能仓储设备的企业，官网写得非常专业，图文丰富。但我们问豆包和Kimi“国内有哪些做智能仓储设备的企业”，AI给出的名单里没有它，反而出现两个外省同行。后来排查发现，它官网的页面连最基本的Organization和Product Schema都没有，AI只能靠全站文字量来猜，信息量不够，自然输给那些结构化做得好的竞对。补上Schema之后，第三周开始出现在一些AI推荐列表里了。

3.2 落地Schema的格式选择：JSON-LD是绝对主力

Schema可以用JSON-LD、Microdata、RDFa三种方式实现。我们项目里全部采用JSON-LD，原因很简单：它是Google官方推荐的主流格式，对AI爬虫和大多数知识图谱解析工具最友好。Microdata虽然对老系统兼容性好，但需要在HTML标签里嵌套属性，改造成本高，而且容易污染页面结构。RDFa更是早就不太有人维护了。

JSON-LD可以放在页面head区域的script标签里，也可以放body底部，不过建议head里统一管理。需要注意，一个页面可以加多段JSON-LD，比如一篇文章页既能是Article，也能包含BreadcrumbList，还能内嵌FAQPage。AI引擎会把这些片段合并理解，而不是当成冲突。

这里给出我们常用的一个模板框架，以企业官网首页为例：

{ "@context": "https://schema.org", "@graph": [ { "@type": "Organization", "@id": "https://www.example.com/#organization", "name": "示例科技有限公司", "url": "https://www.example.com", "logo": "https://www.example.com/logo.png", "description": "专注于工业智能检测设备研发与制造", "foundingDate": "2015-06-18", "areaServed": "全国", "contactPoint": { "@type": "ContactPoint", "telephone": "+86-21-8888-6666", "contactType": "customer service", "areaServed": "CN" }, "sameAs": [ "https://www.zhihu.com/org/example-company", "https://baike.baidu.com/item/example-company" ] }, { "@type": "Product", "name": "智能检测机械臂 X1", "url": "https://www.example.com/products/x1", "description": "支持高精度图像识别和实时质量检测的工业级机械臂", "brand": { "@type": "Brand", "name": "示例科技" } } ] }

注意代码里的@graph数组，这是为了在一个script里放多个实体。sameAs字段特别有用，它告诉AI：这个组织和知乎主页、百度百科词条是同一个人/机构。这样一来，AI在判断信源时，会把你官网、百科、知乎的信息关联起来，增强整体可信度。

3.3 从“格式校验”到“实体关联”：一个可复用的提升方法

刚开始做Schema时，我们犯过一个低级错误：代码写好了，用Google的Rich Results Test校验也通过了，但AI就是不认。后来发现是因为只做了“格式正确”，没做“实体关联”。所谓实体关联，就是让AI能跨越多个页面、多个信源去理解“同一件事”。

具体做法是给每个核心实体一个稳定的@id，例如官网首页的URL锚点#organization，全站所有相关内容里凡是要提这个公司，都引用同一个@id。产品页面则引用#product-x1，文章页面里如果推荐了该产品，也通过mentions或about指向它。这样AI在抓取不同页面时，会渐渐建立起“实体图谱”，而不是把每个页面当成孤立的文本。

另外，FAQPage Schema对GEO的拉动效果比我们预期更大。在问答类内容页面加上标准FAQ标记，AI在回答用户问题时会更容易把页面内容作为参考。但注意，FAQ页不能为了堆Schema而强行虚构问题，搜索引擎和AI都对“虚假结构化”有惩罚机制。我们自己在项目里就删掉过两页凑数式FAQ，因为提交检查后发现那些问题根本不是用户会问的。

4. 内容信源：从“发文章”到“铺信源矩阵”

4.1 信源矩阵怎么搭

知识库和Schema做完，只是有了“原料”和“说明书”，接下来要把它们发布到AI信得过的地方。我们发现，AI搜索对信源的偏好有明显分层。排在最前面的通常不是纯企业官网，而是维基百科、百度百科、知乎、以及行业垂直媒体。其次是大型新闻门户、企业官网、微信公众号。最后才是论坛、自媒体小号、评论区。

所以内容信源的搭建不能只围绕官网，而是要建立一个“信源矩阵”。我们常建议四类信源组合：官方阵地、百科类、问答类、垂直媒体与新闻稿。官方阵地包括官网、公众号、视频号；百科类是基础信任背书；问答类是长尾问题入口；垂直媒体适合讲专业深度，能帮你打穿行业词。

下面是一个信源矩阵规划表，可直接套用：

这个矩阵不是一次铺完的，要分阶段。我们当时第一步只做“官网+百度百科+知乎”，把基础三件套跑通，等AI开始引用官网词条了，再扩充垂直媒体。

4.2 内容生产如何跟知识库联动

很多团队把内容生产和知识库建设分成两条线：知识库放在系统里，内容团队在外面写稿，发完就完，两者完全脱节。这是我们最想纠正的一点。正确做法是：知识库里的每一条标准答案，都应该有一个对应的“对外版本”。

比如知识库里有一条“设备平均交付周期是30天”，对外可以在官网FAQ页面写“大部分订单在30天左右交付，具体取决于现场条件”，在知乎回答里写“非标定制设备交付周期一般要从确认图纸算起，平均30天但旺季会延长”。同一个知识点，在不同信源按不同的语气、场景展开，核心事实保持高度一致。这样做的好处是，当AI从多个信源检索到同一事实时，会认为这个品牌是稳定可靠的；如果各个信源说法矛盾，AI就会降低整个品牌的置信度。

我们当时做了一张内容资产表：知识条目编号、标准答案、官网URL、知乎链接、百科词条、公众号文章、监测记录。每周补充，每两周复盘一次。这个表看起来简单，但它保证了“说法的唯一性”。

4.3 信源质量评估

AI虽然没有传统的外链概念，但它依然会综合信源的权威性、时效性、一致性和引用频次。我们自己总结了三个评估维度：

权威性看平台本身的信誉度。一篇发表在行业媒体上的文章，比个人博客上的夸奖更可信；一条百度百科词条，比一句朋友圈截图更可信。所以铺信源时不要贪多，优先经营高权重平台。时效性看内容是否及时更新，旧的新闻稿如果没有更新，AI抓取后反而会体现出“品牌方不太活跃”。一致性看不同信源对同一实体的描述是否统一，尤其品牌名、产品名、服务范围这些核心信息，绝不能出现外号、简称混用。AI搜索一旦判定实体模糊，会直接放弃引用你，转而去引用更清晰的竞对。

我们每周做信源质量巡检：找出所有覆盖品牌名的内容，逐条检查名称是否统一、数据是否一致、链接是否有效。听起来枯燥，但这是避免“AI越聊越糊涂”的最后一道防线。

5. 多平台监测：把AI引用情况变成数据

5.1 监测哪些平台

GEO的监测对象不像SEO只看百度、Google就够，现在用户问AI的地方太多了。我们的监测列表一直保持更新，目前覆盖这些主流平台：

建议至少要覆盖“国内主流+国际主流”两个类别。我们项目里发现，同一个知识库配置，在ChatGPT和豆包上的表现可能完全相反：ChatGPT更看重Schema实体关联，豆包则更看重百科和新闻源，而Kimi又特别偏好知乎和微信公众号内容。如果不做多平台监测，你很难知道自己的优化到底在哪些场景有效。

5.2 怎么监测：问题集、提示词模板、引用记录

监测的第一步是确定问题集。问题集不能只放品牌词，比如“XX公司怎么样”，必须加入行业词和场景词，比如“智能检测设备品牌有哪些”“上海做仓储机器人的企业”。因为用户在AI搜索里很少直接用品牌名问，更多是从需求出发。只有覆盖了需求侧问题，才能看到品牌在真实竞争中被选择的情况。

第二步是规范提问方式。直接问“你认识XX品牌吗”，AI可能会说“抱歉，我不了解”。实际应该用“推荐”“有哪些”这类问题，让AI在答案中主动列举，或者用“XX和YY有什么区别”，逼AI对比，这样才能看出品牌的被推荐力。

第三步是记录AI的回答。我们试过手工记录，费时费力，后来改成半自动：把问题集导入表，每条问题设为一行多列，每次测完填写“是否出现品牌”“是否出现官网链接”“AI描述的关键词”“是否出现负面表述”。如果会用数据接口，可以直接调用平台API批量提问，再自动解析结果。

给一个我们内部用的提示词模板：

你是一名市场调研助手。请对以下问题进行逐一回答，并严格记录答案中是否提到“示例科技”。如果提到，请摘录该句原文；如果包含链接，一并记录。问题集附后。

这种提示词的目的不是让AI推荐我们，而是让记录整理标准化，方便后续打标签和统计。

5.3 从监测数据反推优化

监测数据积累两周后，就要开始看了。最常见的数据发现是：AI回答里提到了品牌名，但引用的信源不是官网，而是第三方新闻稿。这时候你需要去查官网的核心页面有没有被知识库收录、Schema是不是没有覆盖到行业关键词。如果AI回答里品牌名完全没出现，优先检查信源矩阵的覆盖度和知识库的检索命中率。

我们做过一次典型的反向优化：监测发现“上海智能仓储设备公司”这个关键词下，AI引用了两个知乎高赞回答，但里面都没有我们，因为它们讲的是竞品。顺着这个问题，我们在知乎找到相关话题，用标准答案的思路写了三个深度回答，并在回答里自然嵌入产品名和官网链接。两周后，同样的关键词，AI开始把一个回答作为推荐内容。这说明监测不能只看“有没有自己”，还要看“竞对凭什么被引用”，然后针对性补位。

6. 复盘闭环：从数据到下一次迭代

6.1 周度与月度复盘流程

闭环的核心是复盘和迭代。我们跑下来最合理的节奏是“周度巡检+月度复盘”。周度巡检通常控制在两个小时：把核心问题集跑一遍，记录出现/未出现、来源域名、推荐语气；检查Schema是否有校验报错；检查官网和知识库有没有内容更新。发现问题即时处理，比如Schema报错，马上找开发改代码。

月度复盘会重一些，要做数据汇总和策略调整。我们习惯把四周的监测数据做成一张趋势表，看哪些问题下品牌可见度在提升，哪些问题始终是盲区；同时横向对比重点竞品，看它们在AI里的被引用频次和表述角度，找出内容选题方向和信源布局的机会。

复盘会的输出不是概念性总结，而是接下来一个月的行动清单。行动清单要具体到：哪些问题需要新写知识条目，哪些页面需要补FAQ Schema，哪些信源平台需要重点运营，哪个产品词需要新增百科词条。没有这个清单，复盘就会沦为形式主义。

6.2 指标定义：可见度、引用率、推荐值、转化

GEO的数据指标外行人看起来会很虚，我们内部定义了四个核心指标，所有复盘都围绕它们展开：

这四个指标按时间趋势看才有意义。第一个月可见度可能只有20%，通过Schema和信源优化后涨到50%，就说明方向是对的。引用率更关键，它代表AI不仅提到了你，而且愿意给你背书。推荐值我们人工打分，虽然带点主观，但每周对比还是能看出内容调性的变化。

6.3 一个真实的闭环案例（脱敏）

最后分享一个项目里的真实场景。我们服务过一家做企业培训的公司，第一阶段几乎看不到GEO效果。问题出在三个地方：知识库只收录了销售话术，没有按用户问题整理；官网页面缺少FAQ和Product Schema；知乎和百科几乎没有内容。

然后我们从第一周开始：把过去客服聊天记录整理出40个高频问题，形成知识条目，按“问题+标准答案”的格式存进Dify知识库；技术团队给官网的课程页和服务页补上Course、EducationalOrganization、FAQPage的JSON-LD；内容团队同步去知乎回答“企业内训课程怎么选”“管理能力提升课程哪家好”等问题，并在回复里嵌入官网链接。

到第四周，重新监测那40个问题，品牌词相关的16个问题里，已经有9个可以稳定看到品牌名；行业词类问题从没有一次提及，变成了偶尔提及。比较典型的是“上海企业内训机构推荐”这个问题，AI回答里开始出现我们，并且链接指向了知乎的回答而不是官网。虽然转化效果还不好，但至少从“不被看见”变成了“可以看见”。第二个月我们把知乎回答同步成官网的案例页，又把官网案例页的Schema补全，AI给出的链接开始转向官网。这就是一个“知识库入库 → 信源铺量 → Schema补位 → 监测验证 → 再次优化”的完整闭环。

这件事给我的最大感受是：GEO不是发几篇文章就能见效的项目，而是一个需要持续运营的系统工程。AI引擎更新速度摆在那，热点问题在变，竞对内容在增加，你的优化节奏跟不上，马上就会从AI视野里消失。好在只要把知识库、Schema、内容信源、多平台监测这四块搭好，并且坚持用监测数据反推动作，就能建立一条相对稳定的增长曲线。最后分享一个小技巧：每次复盘的时候，把AI回答截图存下来，包括那些答错的、离谱的，三个月后再看，你会对GEO的进化速度有更直观的体会。