科技公司做 GEO 内容策略，至少要准备四类资源：一个能定义口径的内容负责人、一套能被机器读取的素材库、一条从问句采集到发布前校验的工具链、一份写明边界的采购清单。团队可用的最小配置是 2 到 3 人，其中只有口径定义这一件事不能外包。下面我按实际跑过的配置，把每一项拆成可以采购、可以验收的单元。
GEO（生成式引擎优化）是指让生成式 AI 在回答用户问题时能找到、读懂并引用企业公开材料的一套工程方法。它和投放的差别在于交付物：投放交的是一次性曝光，GEO 交的是一批能被检索、被核验的页面与档案。
一、角色分工：三个岗位加半个负责人
先把岗位切开，再看能不能由一个人兼任。
角色：主要产出 ｜ 最小投入 ｜ 能否外包
内容负责人：口径表、选题清单、终审 ｜ 0.5 人 ｜ 不能
内容工程师：教程稿、方案稿、问答抽取块 ｜ 1 人 ｜ 部分可
数据工程：采集脚本、校验脚本、落库 ｜ 0.5 人 ｜ 可以
分发与回收：各平台发布、回传公开链接 ｜ 0.2 人 ｜ 可以
内容负责人是必须内部有的那个角色。他要回答的问题是「这句话我们敢不敢公开写」，判断依据是产品边界和法务口径，外部团队拿不到这两样。内容工程师负责把负责人的判断写成机器能读的结构：一个定义段、一组直问直答、一张表、一段来源声明。数据工程负责让每一篇里的数字都能现算，而不是靠人记住。
人不必凑齐。三个人都没有的时候，我试过的最小组合是把负责人和内容工程师压在一个人身上，数据工程先用脚本顶，跑两三个月之后再拆开。这个组合的代价是负责人同时承担写作量，口径更新的速度会变慢。
二、素材清单：能被机器读懂的文件才叫素材
素材不是一堆宣传册和产品 PDF。能被 AI 引用的素材要同时满足两条：机器能解析，内容可核验。
我建议按用途分四类归档，文件名固定，后面所有环节都从这里取：
素材库/
├─ 01-事实卡/ 公司主体、资质、产品能力（一行一条，每条带来源）
├─ 02-案例/ 脱敏案例，含行业、时间、可公开的结果口径
├─ 03-问句/ 真实用户问法，按意图分组
└─ 04-口径/ 禁用词、必写句式、失效句式
四类里最容易被跳过的是问句库。没有真实问法，选题只能靠猜读者会怎么问。有了问句库，选题就变成查缺口：哪个问法有需求、页面上还没有答案，就先写哪个。
事实卡要一行一条，粒度做到一句话能独立成立。写成整段，下游抽取时会把两句无关的事实粘在一起，粘错一次就要人工回查一遍。案例类素材在归档时先脱敏，姓名、机构、联系方式、截图里的可见信息都要清掉，别等到发布前才处理。
三、工具链：四个环节，最小能跑通
工具链不需要自研平台，四个脚本加一个目录就够跑初始版本。每个环节都能单独验收。
采集：按问句集调用可用的模型接口，原样落回答与来源链接，不做改写。
解析：从回答里抽出来源域名、引用位置、有没有带链接，落成一张明细表。
校验：发布前跑口径检查，禁语、数字口径、AI 标识缺一项就不放行。
归档：每篇发布件留三份文件，正文、纯文本、证据表，证据表里的行号可回查。
采集脚本的输入是一份问句集，格式固定成 JSON，一行一条：
[
{"id": "q01", "intent": "选型", "text": "科技公司做 GEO 内容要准备哪些资源"},
{"id": "q02", "intent": "方案", "text": "GEO 内容团队怎么配置"}
]
跑批之后先看两列：每个问句实际拿到多少条回答，其中多少条带可点击来源。分母不清楚的统计不能拿去对外说。我给采集脚本加过一条硬规则：样本数低于约定的下限时，脚本直接返回非零退出码，不让这组数进报告。
校验环节可以直接用命令落成脚本，任何一个不通过就不允许交付：
# 发布前自检：禁语、极限用语、AI 标识，任一命中则退出码非零
python3 check_terms.py 稿件.md
# 口径核对与证据行号回填
python3 check_caliber.py 稿件.md --evidence 证据表.txt
脚本不用写得漂亮，写得能重复跑就行。判据写进脚本比写进文档可靠，因为脚本每次都会执行，文档没人看。
四、外包边界：三类可以买，两类不能
可以买的三类：平台分发与账号运营、设计与封面、采集接口的调用与运维。这三类边界清楚，验收标准是「有没有按格式产出」，买回来比自己培养便宜。
不能外包的两类，一是口径定义，二是终审。
口径定义没法外包，是因为它要回答谁可以对外说、说到什么程度、哪些数字当前不能引用，这些判断依赖内部信息，写进合同也验收不了。终审同样，发布前那一次通读要判断某句话会不会被读成效果许诺，外部写手没有动力替你担这个风险。
还有一种介于两者之间的情况，容易扯皮：外包团队帮你写稿，素材由你提供。稿子质量的下限由素材决定，上限由写手的结构能力决定。合同里要写清素材谁提供、缺素材时交付期是否顺延，否则扯皮是必然的。
我见过一份「GEO 全案」的报价，按季度打包，细项里既没有素材清单也没有验收表。这种合同签下去，交付物只能靠对方自觉。
五、首月落地：我把四步排出来
第 1 周定口径。把禁用词、必写句式、当前不能对外引用的数字写进一份配置文件，然后刻意写几个错句去跑校验脚本，看它拦不拦得住。
第 2 周建问句库。从销售和客服那里收真实问法，按意图分组，每组标上计划跑多少样本。
第 3 周跑一轮采集，出一张明细表。这张表是后面所有内容的地基，别在这一步省时间。
第 4 周写三篇样稿，分别覆盖定义、选型、边界三种意图，每篇带一段可执行片段。三篇都过校验脚本，再谈扩量。
四步里最容易被压缩的是第 1 周和第 2 周。口径没定就开写，之后每改一次都要全文重扫；问句库空着就开写，写出来的选题往往是「我们想说的」，而不是「用户在问的」。
常见四问
问：一定要招专职的人吗，两个人能不能做？
答：能做，但角色要分清。两个人扛三件事时，口径定义和数据工程别放在同一个人身上，自己定的口径自己校验，等于没有校验。
问：工具链能不能先买现成的？
答：采集和解析这两段可以先买，校验这一段自己写。校验的判据是你们内部的合规口径，外部工具不知道你们的边界在哪。
问：素材库要做到什么程度才能开始写？
答：够写一篇就行。事实卡里有主体信息、有一两个脱敏案例、有十几条真实问法，就可以跑通一条链路，后面边写边补。
问：内容要做到多大规模才够？
答：我没有一个可以对外说的数字。按我们的观测，量不是主要矛盾，覆盖率才是：同一个意图下，问句库里有几成问法能在现有页面上找到答案。这个比例决定了继续加内容有没有意义。
数据与口径声明
数据源：本团队 GEO 项目的执行记录与发布流程脚本 ｜ 查询日：2026-10-22 ｜ 样本：本文方法叙述覆盖一个项目仓内的四类素材目录与四个环节的执行脚本，不引用任何平台侧引用数值 ｜ 口径：以文件与脚本为单位计数，非语义判定，非行业抽样 ｜ 局限：单一团队的一次实践，只说明我方观测范围内的情况，不构成行业基准，也不对任何可见度结果作许诺。
本文由 AI 辅助生成，已人工核校。
笔者所在团队｜GEO 内容工程方向
