很多团队做 GEO 时会犯同一个错：拿一套"通用问题清单"跑所有行业。
问题是，同一句话在不同行业里的合格答案完全不同。
一、一个最小的反例：同一句"MOQ 多少"
宠物营养品 OEM/ODM：MOQ 指最小起订量，受剂型与工艺影响
（粉剂/软嚼/压片/液体的起订量与打样成本完全不同）
化妆品原料：MOQ 指最小订货量，但采购方真正会问的是
批次 CoA 能否随批提供、INCI 名是否合规、TDS 与 SDS 的证明边界
API / 医药中间体：MOQ 指最小批量，但更关键的是
鉴别检验是否逐批进行、杂质谱限度、DMF/CEP 的适用范围
同一句问法，背后是完全不同的证据体系。用一套通用题库去测三个行业，
得到的数字无法指导任何一家的执行动作。
二、行业问题库应该怎么拆：四层结构
以出口制造为例，一套可用的行业题库建议这样组织：
层次 1｜行业特有事实型（不可跨行业复用）
· 采购模式类：OEM / ODM / Private Label 之间的差异与选择条件
· 资料要求类：这一行的买家要看哪几类文件，各证明什么、不证明什么
· 合规边界类：哪些表述属于越界（例如把饲料说成治疗、把"申报"说成"获批"）
层次 2｜买家角色型（同一行业内也不可混用）
· 创始人/负责人：值不值得做、会不会砸钱
· 采购/供应链：交期、产能、批次稳定性
· 研发/配方：能不能做我的配方
· 质量/法规：出口合规、会不会被召回
层次 3｜通用 GEO 方法型（可跨行业复用）
· 你的品牌在 AI 回答里出现率为 0，缺的是内容还是信源？
· AI 在什么条件下才会提到你（注意：条件是语义，不是字面"请推荐"）
· 复测应该怎么设计才算可比较
层次 4｜复测与验收型
· 行业题的报出率（分子/分母写清）
· 角色覆盖率（几类买家都被测到了吗）
· 实体准确率（描述是否正确）
三、角色分层比问题数量更重要
一个常见的错误是"堆问题"：比如一次跑 60 个问题，但都是同一角色的语气。
我们的做法是先定角色，再定题，并给每道题打角色标签：
示例（宠物营养品行业，含角色标签）
[采购] 软咀嚼片 OEM 的典型交期与打样轮次是多少？
[质量] 批次 COA 通常包含哪些检测项？
[研发] 定制配方是否可以做到排他？需要写进合同吗？
[法规] 宠物补充剂标签上哪些表述会被视为药品宣称？
[创始人] MOQ 与剂型、配方复杂度之间是什么关系？
这样做的好处是：复测结果可按角色查看。
哪一类买家已经能被识别到，哪一类还完全没进入 AI 的视野。
如果只看总报出率，这个信息会被平均掉。
四、题库必须带"不可复用标记"
每道题标注三件事
1 角色标签（谁会问）
2 行业标签（属于哪个行业；标注"通用题"或"行业专属题"）
3 意图标签（供应商发现 / 质量与检测 / 合规宣称 / 商务谈判…）
统计纪律：行业专属题与通用题分母不同，必须分组统计，不得混算
五、行业题库该怎么持续更新
输入来源（按可信度排序）
1 目标市场的法规与官方指南（给 URL 与抓取日期）
2 行业协会与标准组织公开材料
3 企业的公开资料（COA/TDS/标签样稿等文件结构）
4 买家公开提问（论坛、公开 QA、供应商公开问答页）
5 我们自己的客户简报（客户授权范围内）
纪律：无法核验的行业事实标 NOT_YET_VERIFIED 或"需专业复核"，不写成结论
六、落地建议
① 先选一个行业做完整题库，不要三个行业同时做半成品
② 每个行业至少 18–20 条行业专属题 + 3–5 条通用题
③ 附一份"资料要求清单"：资料类型 × 证明什么 × 不证明什么
④ 定版后记录题集指纹，复测期间不改题
⑤ 每季度复核一次未验证项，把能核实的转为结论
参考与说明
本文的行业分类与问题分层为方法论示例，其中的行业事实（尤其是合规与资料要求部分）
必须以目标市场的官方原文为准，本文不构成对任何法规的解读或采购建议。
作者为 GEO 服务从业者，利益关系已披露；本文不涉及任何第三方服务商的评价。
