制造业做 AI 搜索可见性，最常见的失败方式是：先列一批产品关键词，再围绕关键词批量产内容。
问题在于，真实买家在 AI 里问的从来不是产品名，而是一个采购决策问题。
一、关键词描述"词"，采购问题描述"决策任务"
关键词表： 工业泵 / 不锈钢泵 / 化工泵
采购问题：
介质含颗粒时应该选哪种泵？
同一型号能不能同时满足 10 m³/h 和 40 m³/h 的工况？
报价前需要提供哪些参数？
出厂前有哪些验收项？
到现场后由谁负责调试？
前一类适合做基础检索覆盖；后一类才能被 AI 用来组织答案。
二、按采购阶段分层（六层）
我们给制造类企业建问题库时用这套分层：
层次 1｜需求识别：我到底需要哪一类设备/材料
层次 2｜方案选型：哪种方案适合我的工况
层次 3｜参数确认：参数能否满足产线与验收条件
层次 4｜集成与接口：能否接入现有上下游
层次 5｜验收与文件：如何证明能做到，交付哪些文件
层次 6｜维护与交付：后续怎么运行、备件与响应
每一层的问题对应不同页面类型，所以这个分层同时是内容路由表：
需求识别 → 选型指南页
方案选型 → 工艺/应用页
参数确认 → 产品页（带参数表）
集成接口 → 技术页（接口与工况说明）
验收文件 → 质量与验收页
维护交付 → 服务与备件页
三、结构化：把问题存成可分析对象
{
"question_id": "PQ-SEL-028",
"stage": "selection",
"role": "procurement",
"text": "Which pump can handle slurry with 5% solids at 20 m3/h?",
"variables": ["medium", "solid_content", "flow_rate"],
"required_answer_fields": ["pump_type", "material", "clearance", "wear_parts"],
"priority": 17,
"source": "customer_inquiry",
"primary_page": "/products/slurry-pump/",
"evidence": ["CASE-021", "FAT-014"]
}
有了 primary_page 与 evidence 两个字段，问题库就能当覆盖率检查表用：
def audit(q):
checks = {
"has_page": bool(q["primary_page"]),
"has_answer": q.get("answer_ready", False),
"has_evidence": bool(q["evidence"]),
}
passed = sum(checks.values())
return {
"id": q["question_id"], "coverage": round(passed / len(checks) * 100, 1),
"missing": [k for k, v in checks.items() if not v]}
遇到"这个问题没法回答"时，先别急着写新文章——先检查现有产品页是否已经能回答，能回答就修页面。
四、制造业特别需要"错误前提题"
制造业参数容易被绝对化。举例：
企业页面写：最高机械速度 60 件/分钟
买家自然会问：那一个班次能出多少件？
常见错误回答：60 × 60 × 8 = 28,800 件
实际班次产量受换型、换料、清洁、检测、上下游节拍影响，不能直接乘。
所以我们专门设计"错误前提题"放进测试集：
"60 bags/min 是否等于每 8 小时 28,800 件成品？"
→ 期望答案：说明机械速度与班次有效产量的区别与影响因素
这类题的价值不是内容，而是测试网站有没有把能力边界写清楚。AI 会不会过度解释参数，靠这类题才能观测到。
五、多市场：共享问题 ID，分开维护表达
不同目标市场的问题表达不同，但问题意图相同。我们的做法是：
{
"question_id": "PQ-SPEED-006",
"intent": "capacity_evaluation",
"zh": "实际产能应该怎么计算？",
"en": "How should actual output be calculated?",
"required_concepts": ["mechanical_speed", "effective_output", "downtime", "changeover"]
}
共享 ID 的好处：英文站更新了"实际产量 ≠ 最高速度"的表述，其他语言站点能同步发现需要更新。
六、落地建议（制造类企业可直接照做）
① 先收集真实问题：历史询盘、销售补问、技术评审、售后记录（不要先用 AI 生成）
② 按六层阶段分类，每层挑出 5–8 条高价值问题
③ 给每条问题标 角色 / 阶段 / 变量 / 应有页面 / 可用证据
④ 跑一次覆盖率：多少问题有页面、有答案、有证据
⑤ 优先补"有页面但无证据"和"无页面但常被问"的两类
⑥ 定一版固定测试集（30–60 条），复测时同题集、同口径
小结
制造业的 GEO 不是"多写产品文章"，而是：把买家正在做的判断，变成企业站内能被引用的答案。
一个可执行判据：如果一个问题你无法指出"应该由哪个页面回答、用什么文件证明"，那它还不适合进问题库。
说明：本文为方法说明，其中行业示例均为示意（ILLUSTRATIVE EXAMPLE），不涉及任何具体企业的产品参数与合规结论；
具体要求以目标市场官方原文为准。作者为 GEO 服务从业者（问擎GEO / Look4GEO），利益关系已披露。
