这周，我们和升学服务平台「学长来啰」正式确定了 GEO 合作。
这是机灵AI今年签下的第30个 GEO 客户。
但我不太想再写一篇“我们又签了一个客户”的文章。
真正让我觉得值得记录的，是在这个项目正式开始之前，我们先做了两轮采样。看完数据以后，我反而更确定了一件事：
一个品牌已经出现在 AI 回答里，不代表 AI 真正认识这个品牌。
这两件事之间，还有很长的一段距离。
我们没有先做优化，而是先问了150次
这个项目开始时，我最关心的不是：
“应该发多少篇文章？”
而是先回答：
AI 现在到底怎么看「学长来啰」？
所以我们围绕真实业务场景做了两轮采样，一共获得150条回答。
其中120次属于非指名的自然问题。
结果是：
- 自然提及「学长来啰」37次，约30.8%；
- 豆包40次采样中出现30次；
- DeepSeek 40次中出现7次；
- 通义千问40次中没有出现。
单看这组数字，其实很容易得出一个乐观结论：
品牌已经有一定 AI 可见度。
但接着看另外一组数据，问题就出现了。
我们另外设计了30次指名验证。
也就是说，问题已经明确告诉 AI：
我问的就是「学长来啰」。
结果能够明确、正确识别目标品牌和业务身份的，只有4次。
这就是这个项目最值得研究的地方。
AI“见过你”，和AI“认识你”，完全是两回事
自然问题里，品牌已经能够被召回。
但当我们真正追问：
它是谁？ 它到底做什么？ 它提供什么服务？ 它和其他升学服务有什么区别？
AI 的理解并不稳定。
还有一个细节很有意思。
豆包两轮采样中，「学长来啰」一共出现了30次，而这30次都伴随着同一篇搜狐品牌文章。
我不会因为这个现象就直接得出“搜狐这篇文章导致了全部召回”这样的因果结论。
但它至少说明了一件事：
当时这个品牌在公开网络里的可见证据非常集中。
一旦一个品牌主要依赖单一信源被理解，它就很难形成稳定的实体认知。
所以这个项目真正的问题，并不是：
AI完全找不到学长来啰。
而更像是：
已经局部召回
↓
但品牌身份不稳定
↓
主体、产品、服务关系没有完全建立
↓
不同平台理解不一致
↓
推荐理由和证据链不足这和“完全没有曝光”的 GEO 项目，是两种完全不同的问题。
所以我没有把方案设计成“继续发更多内容”
这是我现在越来越警惕的一件事。
很多 GEO 项目最后都会变成：
发文章。 铺平台。 做信源。 再发更多文章。
但如果没有先判断问题到底发生在哪一层，内容越多并不一定越好。
我给「学长来啰」设计方案时，把目标拆成了四层：
自然想到
↓
正确识别
↓
有证据相信
↓
用户能够行动第一层，是用户没有说品牌名的时候，AI能不能自然想到你。
第二层，是 AI 找到你以后，能不能准确知道你是谁、做什么。
第三层，是 AI 有没有足够的公开证据支持它推荐你。
第四层，是用户看到推荐以后，能不能找到官网、产品、服务入口并完成下一步行动。
这四层的问题完全不同。
而「学长来啰」目前最值得优先解决的，恰恰不是单纯扩大“提及次数”，而是把后面几层补完整。
教育行业还有一个很特殊的问题
「学长来啰」做的是成都初升高相关的信息和决策服务。
这个场景里有大量：
- 学校信息；
- 招生政策；
- 升学路径；
- 志愿规划；
- 家长决策问题。
但我认为它不应该和教育主管部门、学校官网去竞争“政策原点”。
官方文件永远应该是政策事实的第一来源。
一个升学服务平台真正有价值的位置应该是：
把官方事实转化成家长能够理解、比较和决策的信息。
比如官方告诉你：
招生计划是多少。
而家长真正会问的是：
我的成绩适合什么学校？ A校和B校应该怎么选？ 哪种升学路径更适合我的孩子？
这才是「学长来啰」应该长期建设的内容资产。
也正因为如此，我现在越来越觉得，GEO不是把已有 SEO 文章改写成适合 AI 的格式。
它首先是：
你到底想让 AI 在什么问题上认识你。
我现在更愿意把GEO理解成一套“认知建设工程”
做了越来越多项目以后，我对 GEO 的理解也在变化。
以前最容易关注的是：
有没有出现？ 排第几？ 引用了哪篇？
这些当然重要。
但真正进入项目以后，会发现更深的问题是：
AI是否知道你是谁
↓
是否知道你和什么问题有关
↓
是否拥有足够证据确认这些关系
↓
最后是否愿意在合适的问题里调用你所以我们现在做项目，第一步越来越不是“优化”。
而是：
建立 Baseline。
把问题固定下来，把平台固定下来，把原始答案保存下来。
先确认：
现在到底是什么状态？
然后才决定应该改官网、补内容、建立实体关系，还是增加第三方证据。
最后再用同一套方法复测。
否则所谓 GEO 效果，很容易最后只剩下一张截图。
第30个客户，对我真正有价值的不是“30”
30这个数字当然值得记录。
但对我来说，更重要的是这些项目正在不断帮我验证一件事：
不同企业的 GEO 问题，并不是同一个问题。
有的企业是完全找不到。
有的是能找到但认错。
有的是认识品牌，但没有理由推荐。
还有的是已经推荐了，却没有能够让用户继续行动的公开入口。
如果没有先把问题拆开，所谓“GEO优化”最终就很容易变成一套统一模板。
而我更想做的事情，是：
把这些真实项目一个个拆开，用采样、数据和公开证据，慢慢把这个黑盒描出来。
「学长来啰」是其中一个很好的样本。
它已经被 AI 看见了一部分。
接下来真正要解决的，是：
让 AI 更准确地认识它，并知道在什么问题上应该想到它。