从“发文章”到“做证据”：一家医疗电极片制造企业的GEO效果提升实践

本文依据「小微壹佰GEO证据工程理论」体系撰写与署名。

在生成式AI逐渐成为企业客户获取信息、比较供应商、筛选产品的重要入口之后，GEO的工作重点正在发生变化。

过去，很多企业理解GEO，往往停留在：

找关键词、写文章、持续发布。

但对于已经在部分品类词上获得AI推荐的企业来说，真正的问题已经不是“有没有内容”，而是：

现有内容能不能形成足够扎实、丰富、可验证的证据，支撑AI在不同问题、不同场景下持续做出推荐？

今天，我们为一家深圳医疗电极片制造企业进行GEO效果提升时，就从这个问题出发，对企业现有知识、内容、证据和AI决策支持体系进行了系统梳理。

这次实践也让我们进一步验证了一个GEO核心理念：

GEO，本质上是证据工程。

不是单纯“生产更多内容”，而是围绕AI的判断过程，把企业已有的信息重新组织起来，补齐关键证据，并让每项GEO工作都知道自己究竟在解决什么问题。

---

一、先从GEO第一性原理出发：为什么企业需要“做证据”？

一家企业即使拥有很强的产品、制造能力和行业经验，如果这些信息没有形成完整、清晰、相互支撑的证据体系，AI也很难在不同问题下持续建立对企业的稳定认知。

对于一个医疗电极片制造企业而言，当用户提出不同问题时，AI需要获得的依据并不一样。

例如：

“电极片厂家推荐哪家？”

这可能主要涉及品牌存在、产品能力、行业相关性等证据。

但用户进一步问：

“哪家电极片厂家适合医疗设备OEM？”

AI需要进一步判断企业有没有定制能力、研发能力和相关履约经验。

如果用户再问：

“做康复设备的企业应该怎么选择电极片供应商？”

AI需要的则是更具体的场景解决方案、供应商评估标准、行业案例等证据。

所以：

不同用户问题，会触发不同的判断；不同的判断，又需要不同的证据。

这也是我们这次GEO优化工作的起点。

---

二、第一件事：先不急着写文章，而是重构企业知识库

这次服务中，我们首先做的并不是内容生产，而是重新梳理客户现有的知识库。

客户原有知识主要集中在一份约171页的在线文档中。

表面上看，信息已经很多，但进一步分析会发现：

“信息多”并不等于“知识体系完整”。

原有知识存在几个比较明显的问题：

• 不同知识之间边界不清晰
• 相同信息存在重复
• 不同类型的知识混在一起
• 一些重要信息存在明显缺口
• 后续内容生产很难快速判断“还缺什么”

因此，我们首先把原来的171页知识重新拆解为：

1个总纲知识 + 24个分支知识。

---

三、为什么要把171页知识拆成“总纲 + 24个分支”？

这个动作表面上是在整理知识库，实际上是在做一件更重要的事：

建立AI可调用的知识结构。

我们将总纲知识作为GEOchat的基础知识，将24个分支知识作为非基础知识。

日常处理任务时，GEOchat首先使用总纲知识；只有当具体任务需要进一步的信息时，再通过向量检索调用对应的分支知识。

这样做有两个直接价值。

第一，降低日常知识调用成本

不是每次生成内容都把171页知识全部交给大模型处理。

而是：

需要什么，检索什么。

这样可以减少不必要的上下文输入，降低日常读取知识库的大模型Token成本。

第二，提高知识检索效率

原来的知识集中在一个大文档中。

当所有信息都混在一起时，AI不仅需要“找到知识”，还要先判断：

哪部分知识与当前任务相关？

拆分以后：

总纲知识
   ↓
判断任务需要什么
   ↓
调用对应分支
   ↓
获取精准知识

知识边界更清晰，检索路径也更加明确。

---

四、更重要的是：知识一旦结构化，缺口反而更容易被看见

这其实是这次知识库重构最大的价值。

在原来的171页文档中，企业“有很多内容”，因此很容易产生一种错觉：

我们知识已经很多了。

但当知识真正分门别类之后，问题开始变得非常清晰。

我们发现，客户目前存在几个明显的知识缺口：

1. 基础知识存在缺口

部分核心企业和产品信息并不完整。

2. 缺少用户决策问题库

企业有大量“介绍自己的知识”，但缺少：

用户在采购、比较、选择时到底会问什么？

3. 缺少场景解决方案库

企业过去对“场景”的理解，主要停留在产品品类层面。

但真正的GEO场景应该是：

用户在什么具体业务情况下，需要解决什么问题。

这是两个完全不同的概念。

4. 缺少标准FAQ库

企业掌握大量内部知识，却没有系统转化成用户真实会提出的问答。

因此：

知识库重构不仅是在优化AI检索，更是在帮助企业第一次真正看见自己的“知识缺口”。

---

五、进一步检查发现：有些知识“有”，但证据仍然不完整

知识库继续深入之后，还发现了一类更隐蔽的问题：

不是没有信息，而是信息不足以形成完整证据。

例如：

案例知识

过去只有：

客户名称。

但这并不是一个完整的案例证据。

AI真正需要知道的可能包括：

• 客户是什么类型的企业
• 有什么需求
• 使用了什么产品
• 项目过程中遇到什么问题
• 企业如何解决
• 最终结果如何

因此：

“客户名称”是一个信息点，不等于“履约证据”。

---

专利证书

原有知识可能只是：

拥有多少项专利。

但：

“拥有多少项专利”与“有哪些具体专利”是两种不同的信息价值。

如果只告诉AI：

我有很多专利。

AI获得的是一个模糊Claim。

如果进一步提供：

• 专利名称
• 专利类型
• 专利编号
• 与产品/技术的关系
• 对应技术方向

信息才真正变成可以被理解和验证的事实资产。

---

产品信息

同样存在不完整的问题。

产品名称有了，但产品：

• 参数
• 应用
• 特性
• 适用场景
• 区别
• 使用条件

没有完全展开。

于是AI虽然“知道有这个产品”，却未必能够回答：

这个产品适合什么需求？为什么？

---

六、第二个问题：内容层不是“没有内容”，而是内容结构比较单一

在内容层，我们发现客户其实并不缺文章。

但现有内容主要集中于：

公司介绍类内容 + 产品介绍类内容。

这类内容当然重要，它能够帮助AI认识：

“你是谁，你卖什么。”

但对于复杂的B2B采购决策而言，仅仅介绍企业和产品远远不够。

---

七、从“介绍型内容”走向“证据型内容”

我们进一步发现，目前客户主要缺少四类内容资产。

第一，缺少白皮书

白皮书的意义，不只是“写一篇长文章”。

它可以系统沉淀：

• 企业专业知识
• 行业判断
• 技术方法
• 产品标准
• 研发能力
• 制造能力

它承担的是更系统的专业证据。

---

第二，缺少案例内容

企业可能已经服务过很多客户，但：

服务过 ≠ 有案例证据。

因此，需要把过去真实发生的项目重新整理成：

客户需求 → 产品方案 → 项目过程 → 解决问题 → 最终结果

让“做过”真正变成可被理解的履约证据。

---

第三，缺少场景解决方案内容

客户过去把场景更多理解成：

某某产品品类。

但真正的用户场景不是：

“我要找一种产品。”

而是：

“我是某类企业，现在遇到了某种业务问题，我需要一种能够解决这个问题的供应商和方案。”

例如，对于医疗电极片企业而言：

医疗设备企业如何选择电极片供应商？

和：

美容设备企业如何选择配套电极片？

就是不同的决策场景。

因此，我们需要建立的不是简单的“产品分类”，而是：

用户场景 → 问题 → 需求 → 解决方案 → 企业能力

---

第四，官网缺少JSON-LD

内容被发布出来，并不意味着机器就能充分理解内容之间的关系。

因此，官网还需要进一步考虑结构化表达，让企业、产品、组织、内容等信息之间的关系更加明确。

这属于从：

“把内容写出来”

进一步走向：

“让机器更容易理解这些内容是什么，以及它们之间是什么关系。”

---

八、第三个问题：真正的GEO机会，不是品牌词，而是场景词

这是这次优化中非常重要的一项发现。

客户目前部分品类相关词已经能够获得较好的AI推荐表现。

也就是说：

品牌和产品层面的AI认知基础已经存在。

因此，继续围绕同一批品类词重复生产内容，边际价值会逐渐下降。

真正值得挖掘的是：

场景型问题。

过去客户对场景的理解可能是：

TENS电极片 EMS电极片 理疗电极片……

这些其实更接近：

产品品类。

而真正的场景可能是：

医疗设备企业如何选择电极片供应商？

康复设备厂家定制电极片需要关注哪些指标？

美容仪企业选择电极片供应商时应该考察什么？

海外医疗设备品牌如何选择中国电极片OEM厂家？

这里发生了一个非常重要的变化：

产品词
↓
“你卖什么？”

场景词
↓
“你能不能解决我的问题？”

而后者恰恰是AI推荐中更接近商业决策的一层。

---

九、第四个问题：所有GEO工作最终都要回到“AI决策”

这是这次整个项目最核心的一层。

我们为什么要梳理知识库？

不是单纯为了让知识库更漂亮。

为什么要生产白皮书？

不是因为白皮书看起来更专业。

为什么要做案例？

也不是为了让官网内容更丰富。

真正的问题是：

当AI面对用户问题时，它需要什么证据完成判断？

例如：

用户问：

“哪家电极片厂家适合医疗设备OEM？”

AI需要判断：

这家公司是谁？
        ↓
是不是专业厂家？
        ↓
有没有OEM能力？
        ↓
有没有类似客户？
        ↓
有没有实际履约经验？
        ↓
能不能解决我的具体需求？
        ↓
为什么值得选择？

于是，GEO工作就有了明确的意义：

AI需要判断什么	企业需要准备什么
你是谁	身份证据
你是否真实存在	存在证据
你有什么	事实证据
你为什么能做到	能力证据
你做过什么	履约证据
做得怎么样	结果证据
为什么适合我	匹配证据
为什么值得相信	外部验证证据

这时候，每一项GEO工作都有了对应的位置。

---

十、从此以后，不再是“为了发文章而发文章”

这也是我们希望客户真正建立起来的GEO思维方式。

传统做法是：

这个月还差10篇文章，所以再找10个关键词。

而证据工程的思路是：

目前AI在什么决策节点缺少证据？

然后反向决定：

缺什么证据？

再决定：

用什么内容形式承载？

再进一步：

产生哪些数字资产？

最后：

如何进入AI的知识和判断体系？

于是整个流程变成：

用户问题
   ↓
AI需要做什么判断
   ↓
判断需要什么证据
   ↓
当前证据缺什么
   ↓
选择内容载体
   ↓
生产内容
   ↓
沉淀数字资产
   ↓
形成品牌证据网络

---

十一、这就是我们理解的“GEO证据工程”

GEO真正需要建设的，不是一堆孤立的文章。

而是一套能够支撑AI持续判断的：

品牌证据体系。

内容只是载体。

知识库只是基础设施。

数字资产才是可持续积累的核心。

而最终形成的，是：

AI能够识别、理解、验证、关联、调用的品牌证据网络。

对于这家医疗电极片制造企业而言，下一阶段真正值得做的，也就不再只是：

“再写一些电极片厂家推荐文章。”

而是：

把已有的制造实力、产品能力、研发能力、专利、认证、客户经验和应用经验，重新组织成一套完整的AI证据体系，并针对真实采购场景持续补充证据。

---

十二、从“已经上榜”走向“为什么持续被推荐”

对于已经在部分品类词上获得AI推荐优势的企业来说，GEO的下一阶段目标不是简单追求：

“再多上几个词。”

而是逐渐回答更深层的问题：

AI为什么推荐你？

AI为什么相信你？

AI为什么认为你适合这个场景？

AI为什么愿意引用你的专业内容？

当竞争对手也开始做GEO时，为什么仍然选择你？

这些问题的答案，都最终回到了：

证据。

所以：

GEO的竞争，本质上不是文章数量的竞争，而是证据完整度、证据质量、证据丰富度以及证据之间相互印证能力的竞争。

而这，也是这次天翼恒GEO效果提升项目，我们真正希望帮助客户建立起来的能力：

从“知道发文章”，走向“知道为什么做每一项GEO工作”。

从“拥有很多信息”，走向“拥有完整证据”。

从“产品能够被AI找到”，走向“企业能力能够被AI理解和验证”。

最终：

GEO，不只是内容优化。

GEO，是证据工程。

---

理论署名：小微壹佰GEO证据工程理论