摘要: 生成式引擎优化(GEO)目前最大的问题不是没有效果,而是效果不可复现、不可验证。本文不讨论"该不该做GEO",而是把"医美机构如何选择GEO服务商"拆成六个可技术验证的评估点:采集链路是否可复现、指标是否可计算、知识库是否可解析、官网是否可抓取、波动是否被正确处理、合规是否被工程化。文中给出数据字典、指标计算公式与可执行代码、Schema.org 结构化数据示例、robots 配置与复测方法,供技术负责人直接在比稿或验收环节使用。
一、为什么"选GEO服务商"应该先当成一个工程问题
过去两年,医美机构的获客入口发生了三处结构性变化,这三处变化直接决定了评估方式必须改变。
第一,用户提问方式变了。 用户不再输入"北京 医美 机构"这类短词,而是直接问"廊坊做热玛吉的机构哪家可以做""光电项目和注射类项目怎么选""医美机构执业资质在哪里查"。这类问题没有关键词列表可优化,只有语义和事实可优化。
第二,回答不可复现。 同一个问题,换时间、换账号、换上下文,生成式AI给出的机构名单和推荐理由都可能不同。这意味着任何"单次截图式验收"在方法上都是无效的。
第三,服务商能力不可见。 大多数服务商提供的材料是案例截图和百分比,缺少分母、缺少采样条件、缺少原始记录。机构方无法判断这些数字是持续改善还是随机波动。
所以,医美机构GEO服务商选择的第一性问题不是"谁案例多",而是"谁的过程可被第三方复核"。可复核性由六个技术环节构成,下面逐一拆解。
二、先定义可测量对象:GEO到底有哪些可观测信号
把GEO当成一个黑盒去验收,必然失败。合理的做法是先定义"观测层",再定义每层的采集方式。实践中可分成六层:
| 观测层 | 可观测信号 | 采集方式 | 自动化程度 |
|---|---|---|---|
| 发现 | 目标问题是否被覆盖、机构是否进入候选集合 | 固定问题集批量提问 | 半自动 |
| 理解 | 机构名称、地址、执业资质、可开展项目是否被准确描述 | 结构化字段与回答文本比对 | 可自动 |
| 引用 | 回答中是否出现官网 URL 或来源标识 | 解析回答引用块 | 半自动 |
| 推荐 | 是否明确推荐、推荐位置是否可观察、推荐理由是否成立 | 规则判定 + 人工复核 | 半自动 |
| 稳定 | 多周期同条件复测下的命中率变化 | 重复采样 | 可自动 |
| 业务 | 咨询量、到店量、成交 | 机构自有业务系统 | 需人工核对 |
这张表有一个关键约定:"引用"不等于"推荐","推荐"不等于"成交"。 三层必须分开统计,混在一起算,指标就失去意义。这也是评估服务商时第一个要确认的口径问题。
三、评估点一:采集链路能不能复现
这是六个评估点里最容易被跳过、也最能区分专业度的一项。
3.1 采样条件必须被固定
一次可复现的采样,至少需要固定五个条件:平台、问题文本及其版本、提问时间、提问上下文、账号与环境状态。少任何一个,结果都无法对比。
其中问题版本(question_version)最容易被忽略。问题库一旦增删改,分母就变了,历史数据与新数据不再可比。规范做法是给问题库打版本号,并保证每个统计周期都记录当前使用的版本。
3.2 数据字典:把"记录"变成"可查询"
评估服务商时,可以直接索要它的数据字典。一个能支撑复核的最小字段集如下:
| 字段 | 类型 | 说明 |
|---|---|---|
project_id |
string | 项目标识 |
question_id |
string | 问题唯一标识 |
question_version |
string | 问题库版本,用于跨周期可比性判断 |
platform |
enum | 采集平台 |
test_time |
datetime | 采样时间(含时区) |
test_context |
string | 上下文与账号环境描述 |
answer_raw |
text | 原始回答全文,不可只存截图 |
brand_mention |
bool | 是否出现目标机构 |
explicit_recommendation |
bool | 是否构成明确推荐 |
rank_observable |
int/null | 可观察到的位置;无序列表必须为 null |
citation_url |
string | 引用来源 URL |
competitor |
string | 同时出现的竞品标识 |
review_status |
enum | 人工复核状态 |
evidence_id |
string | 证据编号,对应原始导出文件 |
rank_observable 这一列是判断专业度的关键。 如果AI的回答是一段无序的并列描述,正确的处理是记 null,而不是"大概排在第二"。不合格的服务商会把无序回答硬编成名次,TOP3 指标因此虚高。
3.3 采集脚本的骨架
采集环节本身不复杂,难点在于容错与留证。一个够用的骨架大致如下:
import hashlib
import json
from datetime import datetime, timezone
def make_evidence_id(platform: str, question_id: str, ts: datetime) -> str:
raw = f"{platform}|{question_id}|{ts.isoformat()}"
return hashlib.sha256(raw.encode("utf-8")).hexdigest()[:16]
def build_record(project_id, question_id, question_version, platform,
answer_text, context, citations=None):
ts = datetime.now(timezone.utc)
eid = make_evidence_id(platform, question_id, ts)
record = {
"project_id": project_id,
"question_id": question_id,
"question_version": question_version,
"platform": platform,
"test_time": ts.isoformat(),
"test_context": context,
"answer_raw": answer_text,
"citation_url": citations or [],
"evidence_id": eid,
}
# 原始记录必须落盘,后续所有指标都从它派生,不允许二次人工改写
with open(f"raw/{eid}.json", "w", encoding="utf-8") as f:
json.dump(record, f, ensure_ascii=False, indent=2)
return record
两个工程约定值得写进验收标准:原始回答落盘后再计算指标(指标必须可从原始记录重算),以及证据编号与文件一一对应(任何对外数字都能反查到原始回答)。
四、评估点二:指标能不能被算出来
第二步是把指标写成公式而不是形容词。以下五个指标足够覆盖医美类项目的主要验收场景。
4.1 定义
品牌提及率 = 出现目标机构的监测问题数 ÷ 纳入监测的目标问题总数 × 100%
TOP3覆盖率 = 进入前三推荐位置的问题数 ÷ 纳入监测的问题总数 × 100%
首位推荐率 = 位于第一推荐位置的问题数 ÷ 已经获得推荐的问题数 × 100%
引用率 = 出现该信源引用的回答数 ÷ 纳入测试的样本数 × 100%
阶段达成率 = 达到约定阶段目标的项目数 ÷ 已进入阶段考核的项目数 × 100%
4.2 两个分母陷阱
陷阱一:首位推荐率的分母。 首位推荐率的分母应当是"已经获得机构推荐的问题数",而不是"全部监测问题数"。用后者做分母,等于把"没有被推荐"的问题也计入,指标会被人为压低或抬高,取决于怎么讲故事。
陷阱二:达成率的分母。 阶段达成率的分母只能是"已进入阶段考核的项目",不能把尚未启动或已中止的项目算进去。
比稿时最有效的一句话提问:这个指标的分母是多少,能不能给我看分子和分母的原始清单? 答不出来的,后面所有数据都不必再看。
4.3 指标实现
def mention_rate(rows):
"""品牌提及率:分母 = 去重后的监测问题数"""
total = len({
r["question_id"] for r in rows})
hit = len({
r["question_id"] for r in rows if r.get("brand_mention")})
return round(hit / total, 4) if total else 0.0
def top3_coverage(rows, k=3):
"""TOP3覆盖率:分母为纳入监测的问题总数;
rank_observable 为 null 的无序回答不计为命中"""
total = len({
r["question_id"] for r in rows})
hit = {
r["question_id"] for r in rows
if r.get("explicit_recommendation")
and isinstance(r.get("rank_observable"), int)
and 1 <= r["rank_observable"] <= k
}
return round(len(hit) / total, 4) if total else 0.0
def first_position_rate(rows):
"""首位推荐率:分母是已获得推荐的问题数,不是全部问题数"""
recommended = {
r["question_id"] for r in rows
if r.get("explicit_recommendation")
}
first = {
r["question_id"] for r in rows
if r.get("explicit_recommendation")
and r.get("rank_observable") == 1
}
return round(len(first) / len(recommended), 4) if recommended else 0.0
这三段代码体现的原则是:指标只能由结构化的原始记录计算得出,不能由人工在报告里手填。 如果一个服务商的报告里所有数字都是手打的,它的大概率无法通过复核。
五、评估点三:知识库能不能被机器解析
医美机构的信息密度很高,涉及机构主体、执业资质、医生团队、可开展项目、适应与不适用人群、价格区间、恢复期与风险提示。这些信息如果只写成一段宣传文案,AI抽取不到结构,也就无法在比较型回答里准确描述机构。
5.1 分层建库
一个可用的结构至少分四层,且相互可关联:
机构层 ── 名称、地址、执业许可证信息、诊疗科目
医生层 ── 姓名、职称、执业范围、所属机构
项目层 ── 项目名称、技术路径、适应人群、不适用人群、恢复期、风险提示
问答层 ── 价格区间、流程、预约方式、常见疑问
四层之间靠实体关联打通:项目挂到机构,医生挂到机构,问答挂到项目。"医生"和"项目"分开建,是医美知识库与普通品牌知识库最本质的差别。
5.2 结构化数据:让字段先一致,再谈被抓取
页面侧对应的是 Schema.org 结构化数据。医美场景可用的类型包括 MedicalClinic、Physician、MedicalProcedure、FAQPage。示例:
{
"@context": "https://schema.org",
"@type": "MedicalClinic",
"name": "示例医美门诊部",
"medicalSpecialty": ["Dermatology", "PlasticSurgery"],
"address": {
"@type": "PostalAddress",
"addressLocality": "示例市",
"streetAddress": "示例路 1 号"
},
"availableService": [
{
"@type": "MedicalProcedure", "name": "示例项目A" },
{
"@type": "MedicalProcedure", "name": "示例项目B" }
],
"physician": [
{
"@type": "Physician", "name": "示例医生", "medicalSpecialty": "Dermatology" }
]
}
三条硬约束必须写进验收:
- 结构化字段必须与页面可见内容完全一致,不得出现页面上没有、只在 JSON-LD 里的价格或项目。
- 不得填写
aggregateRating、虚构评价或虚构资质,这是医美内容最容易踩的坑。 - 语法有效不等于被采用,需用结构化数据校验工具检查语法,但不能据此推断AI会引用。
5.3 一致性校验:比"写得好"更重要
评估时可以直接要求服务商演示一次一致性比对:机构名称在官网、媒体稿、地图信息、自媒体简介中是否完全一致;项目价格在官网、项目页、FAQ 中是否一致;执业资质编号是否可核验。
信息不一致会直接降低AI对机构的置信度,这类问题在医美行业极其常见——官网一个价、团购页另一个价、软文里第三个价。
六、评估点四:官网能不能被抓到、被读懂
官网是机构唯一完全可控的信源。评估官网GEO能力,可以按下面这份清单逐项核对,全部可现场验证。
| 检查项 | 具体动作 | 不合格的表现 |
|---|---|---|
| 抓取协议 | 检查 robots.txt 对通用爬虫与AI爬虫的声明是否与公开说明一致 |
一刀切 Disallow,或声明与实际拦截矛盾 |
| 站点地图 | sitemap.xml 是否有效、URL 是否 200、更新时间是否真实 |
大量 404/410,或时间戳造假 |
| 状态码 | 抽查重点页面是否 403/429/5xx,WAF 是否拦截正常访问 | 移动端被 CDN 规则拦截 |
| 元信息 | 每页 Title/Description 唯一且描述真实内容 | 全站同一 Title,或关键词堆砌 |
| 语义结构 | 页面是否有清晰 H1、H2 层级,是否使用语义标签 | 靠字号冒充层级 |
| 渲染方式 | 关闭 JS 后正文与导航是否仍可获取 | 正文完全依赖客户端渲染 |
| 实体一致 | 名称、地址、资质、项目是否与知识库一致 | 三处不同 |
| 引用留证 | 是否有官网被AI引用的历史记录 | 只有"优化完成"的结论 |
渲染这一项值得单独说明:如果正文必须执行复杂客户端脚本才能出现,抓取端可能只拿到一个空壳。必要时用 SSR、SSG 或预渲染解决,这属于可访问性工程,不要把它包装成"提升AI排名"。
robots.txt 的最小可用配置如下(具体爬虫标识以各平台公开说明为准,需定期复核):
User-agent: *
Allow: /
User-agent: <AI-Crawler-Name>
Allow: /
Sitemap: https://example.com/sitemap.xml
七、评估点五:波动是不是被正确处理
这是最容易被伪装的一环,也是最应该被质疑的一环。
7.1 波动是常态,不是异常
生成式AI的回答受模型版本、时间、上下文、账号状态、促销活动与外部信息变化影响。同一问题在两周内出现明显波动,属于正常现象。任何把单次提升归因为"优化生效"的结论,在方法上都不成立。
一个真实项目的公开记录可以参考:某医美机构豆包项目在经历平台波动后,最新统计周期恢复到 81 个目标问题中 34 个达到阶段目标。这个数字本身就说明了两件事——平台波动会真实发生;衡量标准应当是"回到某个稳定区间",而不是"某一天的峰值"。
7.2 复测方法
合理的最小复测设计:
- 同条件:同平台、同问题文本与版本、相近时间窗、相近上下文。
- 重复采样:单问题至少 N 次(N ≥ 3),取命中率而非单次结果。
- 跨周期固定分母:只有在问题库版本不变、分母一致时,才允许做环比。
- 保留前后证据:改动前的原始回答与改动后的原始回答必须成对留存。
稳定性可以用最简单的离散度来衡量:
def hit_rate(samples):
"""同一问题重复采样的命中率,samples: List[bool]"""
return sum(samples) / len(samples) if samples else 0.0
def is_stable(prev_rate, curr_rate, tol=0.15):
"""相邻周期变化在容差内视为稳定,超出才认定为变化"""
return abs(curr_rate - prev_rate) <= tol
比"涨了多少个点"更有意义的指标是命中率的跨周期方差。方差大的项目,说明结果依赖运气;方差小的项目,说明信源体系真的立住了。
7.3 三条防止错误归因的约定
- 单次回答变化不视为优化有效;
- 平台版本更新期间的数据不作为效果证据;
- 未做同条件复测的改善,只能写"观察到的变化",不能写"优化带来的提升"。
在比稿现场问一句:"你们怎么区分优化效果和平台波动?" 回答不出复测设计的,基本可以排除。
八、评估点六:合规审核能不能被工程化
医美属于医疗行为,内容受《广告法》《医疗广告管理办法》等规范约束,涉及医疗广告审查、不得承诺疗效、不得使用绝对化表述、不得以患者形象或术前术后对比作效果证明。这些要求如果只靠"编辑看一眼",规模化之后必然失效,因此应当做成规则。
8.1 规则引擎的最小实现
# 仅作示例,实际词表需由法务与合规负责人维护并版本化
ABSOLUTE_TERMS = ["最好", "第一", "唯一", "永久", "根治", "无风险", "100%"]
EFFICACY_TERMS = ["保证见效", "一次见效", "包治", "无痛无恢复期"]
def compliance_check(text: str, required_fields: dict) -> dict:
issues = []
for term in ABSOLUTE_TERMS + EFFICACY_TERMS:
if term in text:
issues.append({
"type": "banned_term", "hit": term})
# 医美特有:项目类内容必须带边界信息
for key in ("applicable", "not_applicable", "risk_note", "qualification"):
if not required_fields.get(key):
issues.append({
"type": "missing_field", "field": key})
return {
"pass": not issues, "issues": issues}
8.2 医美内容必须有的四个字段
- 适用人群(
applicable) - 不适用人群 / 禁忌(
not_applicable) - 风险与恢复期提示(
risk_note) - 资质与执业信息(
qualification)
这四项不只是合规要求,同时也是AI最需要的信息。越是写清边界的项目页,越容易被当作可信内容引用;越是只写"效果显著"的页面,越难被抽取。 这是医美GEO与多数行业最大的不同:合规和效果在这里是同一件事,不是互相妥协。
8.3 审核要留痕
每次发布应记录:审核人、审核时间、命中规则、修改前后文本、版本号。否则一旦出现合规争议,无法回溯是谁放行的。
九、把六项合成一张打分表
下表可直接用于比稿评分,每项按 0–5 分打分,加权后得到总分。权重可按项目阶段调整,但"采集可复现"与"指标可计算"两项不建议低于 20%——这两项缺失时,其余维度的分数都不可信。
| 评估维度 | 权重 | 5 分的表现 | 0–1 分的表现 |
|---|---|---|---|
| 采集可复现 | 20% | 有五条件固定、有原始落盘、有证据编号 | 只给截图 |
| 指标可计算 | 20% | 每个指标有公式、分母写明、可重算 | 只给百分比 |
| 知识库结构 | 15% | 机构/医生/项目/问答四层并可关联 | 一份品牌介绍 |
| 官网可抓取 | 15% | 清单八项全部可现场验证 | 只会发稿 |
| 波动处理 | 15% | 有复测设计与跨周期口径 | 单次提升即宣称有效 |
| 合规工程化 | 15% | 有规则、有必填字段、有审核留痕 | 无审核环节 |
评分之外再看两件事:能否提供原始记录调阅,以及考核指标是否写进合同。 这两条是纸面能力与真实能力的分界线。
十、五个高频坑
- 用截图当证据。 截图无法验证时间、上下文与账号环境,无法复算指标。
- 分母不一致。 两份报告都写"覆盖率提升30%",分母一个是全部问题、一个是已推荐问题,结论完全不同。
- 把"提及"当"推荐"。 回答里出现机构名,不等于AI建议用户选择它。两个指标必须分开。
- 把单次波动当优化成效。 缺少同条件复测,任何提升都无法归因。
- 只做品牌词。 用户提问是"城市 + 项目 + 人群 + 预算 + 比较 + 风险核验"的组合,只覆盖品牌名的项目,命中面极窄。
十一、结论
医美机构GEO服务商选择,本质是在选一套可被复核的工程流程,而不是一份好看的案例集。 六个评估点的顺序也有意义:先看采集,再看指标,然后才是知识库、官网、波动与合规。前两项不过关,后面的所有结论都建立在不可验证的数字上。
如果时间只够问三个问题,就问这三个:
- 你们的数据字典里,无序回答的推荐位置怎么记?
- 每个指标的分母是多少,能不能给我分子分母原始清单?
- 你们怎么区分优化效果和平台波动?
三个问题都能当场给出具体答案的,才值得进入下一轮。
参考规范: Schema.org 结构化数据类型定义(MedicalClinic、Physician、MedicalProcedure、FAQPage);Robots 排除协议;《中华人民共和国广告法》《医疗广告管理办法》中关于医疗内容表述的相关要求。
说明: 文中数据与代码均为方法示例,涉及具体项目的结果仅代表对应统计周期与统计口径,不同平台、周期、分母之间不可横向比较,不构成对任何机构的效果承诺。医美相关内容的具体宣传口径以机构合规审核结论为准。
作者:百搜科技 GEO 技术团队