GEO 问题库怎么建：从关键词转向用户决策任务

GEO 问题库不是传统关键词表换个名字。它记录的是谁在什么场景下，要让 AI 帮他完成什么判断或任务，同时规定每道题要观察品牌提及、事实准确、引用来源还是负面认知。

对刚起步的项目，先做 20–30 条高质量问题；正式诊断再根据业务复杂度扩展。数量不是目标，覆盖真实决策路径才是目标。

先用四类意图搭骨架

意图	用户在做什么	内容任务	优先级
信息型	理解概念和方案	清楚解释、术语、入门 FAQ	基础覆盖
场景型	把问题放进具体环境	人群、地点、预算、限制条件	中高
决策比较型	在候选方案中做选择	标准、证据、差异与风险	最高
任务型	要求 AI 帮忙完成动作	清单、模板、步骤、工具	按业务补充

决策问题最接近真实商业价值，但不能只写“哪家最好”。好的决策题应包含用户角色、使用场景、约束和评价标准，例如：“预算有限的小团队，如何选择能同时支持知识库与权限管理的工具？”

九类 GEO 测试问题

1. 行业认知：这个赛道有哪些主流解决方案？
2. 产品理解：某类产品适合谁，有什么限制？
3. 具体场景：在某地区、某预算或某人群下怎么选？
4. 痛点解决：遇到某问题有哪些处理路径？
5. 决策推荐：条件明确时，哪些方案值得进入候选？
6. 品牌识别：AI 是否认识品牌、能否说对基本事实？
7. 竞品比较：比较标准是否对称，事实是否准确？
8. 信源偏好：回答引用官网、媒体、社区还是聚合站？
9. 负面认知：是否存在过期、混淆或无证据的负面标签？

这九类问题不是每类必须凑相同数量。高客单 B2B 更应重视决策、案例和风险问题；本地生活还要加入地点、营业范围和服务半径；消费品则更关注场景、比较和使用限制。

每道题都要带四个字段

用户角色：谁在问？
决策阶段：认知、比较还是购买前？
问题原文：用户真实会怎样说？
观察指标：提及、准确、来源、语气还是风险？

没有观察指标的问题，往往只是选题，不是诊断工具。

如何识别伪变体

“北京 GEO 公司哪家好”“北京做 GEO 的公司推荐”“北京 GEO 服务商有哪些”可能只是同一意图的轻微改写。如果答案需要的证据、比较标准和行动都相同，就不必把它们算成三种独立需求。

可以保留少量同义问法测试模型稳定性，但必须标注为同一问题簇。这样复测时不会因为伪变体过多，制造虚假的样本量。

从问题库反推内容地图

问题信号	应建设的内容
AI 不认识品牌	实体档案、About、官方资料页
产品事实错误	产品页、参数、版本和限制说明
比较标准混乱	公开评价框架、对称比较文章
缺少可信案例	有证据、可脱敏的案例复盘
负面信息过期	带来源和时间的纠错说明
引用来源单一	补充专业第三方与用户信源

问题库最终应连接到品牌事实资产和内容工程，而不是停留在表格里。

常见问题

GEO 问题库需要多少条？

学习阶段 20–30 条足以发现主要问题；正式项目可按行业、产品和决策复杂度扩展。比数量更重要的是意图覆盖、问题去重和复测时保持口径一致。

可以直接让 AI 生成问题库吗？

可以生成候选，但必须用搜索数据、客服记录、销售问题、评论和真实访谈校正。模型容易给出语法完整但没有真实需求的问题。

品牌词是否应该占大多数？

不应该。品牌词主要测试“AI 是否认识你”；真正决定增量机会的是非品牌的场景、痛点、比较和任务问题。

下一步

问题库完成后，不要立即发布内容。下一章用相同问题建立多平台 GEO 基线，先确认品牌当前被怎样理解。