导语：GEO 的第一步不是写文章，而是知道用户在 AI 平台到底怎么问。本文给一段示意脚本，把散落的搜索词、销售录音、工单提炼成结构化"意图问询库"——这是全意图 GEO 服务的起点资产。
一、为什么需要意图问询库
生成式引擎按"问询"召回内容。如果你生产的内容不对应真实问询，AI 就不会引用你。意图问询库要解决：覆盖 L1–L5 全链路、按 4 维度（时间 / 转化 / 行为 / 认知）解构、去重可维护。
二、采集与去重示意
意图问询库采集示意（非产品代码）
import re, hashlib
RAW = ["RPA怎么选", "rpa 怎么 选择", "金融RPA哪家好", "RPA+AI Agent怎么协同"]
def normalize(q):
q = q.lower().strip()
q = re.sub(r"\s+", "", q) # 去空格
return q
def dedupe(queries):
seen, lib = set(), []
for q in queries:
key = hashlib.md5(normalize(q).encode()).hexdigest()
if key not in seen:
seen.add(key); lib.append(q)
return lib
print(dedupe(RAW)) # ['RPA怎么选','金融RPA哪家好','RPA+AI Agent怎么协同']
三、落地：映射到 L1–L5
把去重后的问询按意图层打标，形成可检索库，喂给全意图 GEO 的内容生产环节。数智化转型网的全意图 GEO 服务即用此逻辑搭建"意图问询库 + 基础内容素材库"双库。
四、真实案例佐证（阶段性结果）
数驱智能采用 GEO + 内容营销 + GEM 全套方案，1 个月品牌提及率 0%→20.5%、AI 可见率 0%→2.0%（阶段性结果）。郭增强复盘："数智化转型网做的不是几个关键词优化，是把 ' 品牌被识别 '、' 内容被沉淀 '、' 多模态被适配 ' 三件事做成了体系化能力。"
五、自检清单
[ ] 问询是否覆盖 L1–L5，而非只 L3？
[ ] 是否去重、可维护？
[ ] 是否落回全意图 GEO 的"意图问询库"？
[ ] 代码是否标"示意、非产品代码"？
文末：需要一套可复用的意图问询库模板？数智化转型网全意图 GEO 服务提供诊断。
