一次B2B GEO项目复盘：我们如何把提示词、内容与信源做成一套系统

最近，我们围绕一个持续推进中的B2B GEO项目做了一次阶段复盘。这次复盘让我们更加确认：GEO服务不是选一批提示词，再让AI批量生成文章。真正决定项目质量的，是提示词怎样研究、企业知识怎样整理、内容任务怎样定义、证据怎样规划、专业人员怎样参与审核，以及内容应该进入什么信源。

我们最终把这套工作整理成一条完整链路：

真实客户问题 → Prompt Library → 品牌知识底座 → 内容任务与证据 → AI与人工协作生产 → 客户专业审核 → 信源发布 → 监测反馈 → 更新知识和规则

这条链路中还有两个持续运行的反馈闭环：客户的专业审核反馈，需要回到知识底座和内容规则；AI平台的回答与引用表现，则需要回到提示词、内容结构和信源选择。当这两个闭环开始运转，GEO才不再是一组零散文章，而会逐渐形成一套能够持续学习的内容系统。

本文不公布客户名称、具体项目数据和内部信息，只整理事橙在服务过程中逐步形成的方法、遇到的问题和得到的客户反馈。

一、项目定位：GEO不是一个孤立的新渠道

事橙不把GEO视为一项脱离SEO、官网和内容营销的新渠道，我们更愿意把它放在企业整体的搜索和内容资产体系中理解。

当用户向AI提出一个真实业务问题时，我们关心的不只是答案中有没有出现某个品牌，还会继续检查：

• AI为什么会提到这个品牌；
• 品牌出现在哪一类问题中；
• AI引用了哪些资料；
• AI对产品能力和适用场景的解释是否准确；
• 重要结论能不能回到官方资料核验；
• 官网和其他公开内容是否使用一致的表达；
• 不同平台上的内容能否共同支持品牌认知。

品牌提及只能说明企业是否进入了AI回答，不能单独说明AI是否真正理解企业。因此，事橙当前对B2B GEO服务的理解是：

围绕真实客户问题，通过准确的企业知识、有证据的内容和可信信源，帮助AI逐渐形成对品牌更完整、更准确的认识。

二、问题层：先建立Prompt Library，再决定写什么

GEO项目的第一步不是写文章，而是确认客户正在提出什么问题。如果问题选错了，后续内容生产得再快，也只是在扩大错误方向上的投入。

在项目实践中，我们会使用四类信息交叉建立Prompt Library。

1. 传统搜索需求

传统搜索数据可以帮助我们了解，用户已经在主动搜索哪些主题。它适合确认基础需求，但搜索关键词通常比较短，只能呈现一个主题，无法完整表达用户的业务背景、使用条件和决策目标。

2. AI中的实际问法

同一个搜索主题进入AI对话以后，往往会变成一个更完整的问题。用户可能会说明自己的行业、企业规模、现有系统、使用限制和希望解决的问题，再要求AI比较不同方案。

因此，我们还会观察同一个主题在不同AI平台中的实际表达，例如用户怎样描述问题、哪些条件经常同时出现、问题包含哪些上下文，以及用户希望AI帮助完成什么判断。

3. 接近采购判断的问题

搜索量和讨论热度不是唯一的选题标准。价格、部署方式、兼容性、误报、运维门槛、产品限制和替代方案等问题，搜索量可能不高，却更加接近真实的产品评估。如果只选择高流量问题，内容容易停留在基础科普，无法覆盖用户真正犹豫和比较的部分。

4. 客户与业务团队的真实问题

销售、产品、技术支持、客户成功以及不同市场的团队，通常已经积累了大量真实问题。这些问题可能存在于客户会议、销售邮件、产品资料、内部培训、技术工单、FAQ，以及不同国家和地区的问题库中。

它们不一定能够在公开搜索数据中找到，却经常是理解客户决策的重要来源。我们会将这些资料与搜索数据和AI监测结果交叉校验，而不是只依赖一种工具。

从问题清单升级为决策问题库

最终形成的不能只是一张静态提示词清单。我们还要按照客户角色和决策阶段继续整理：谁会提出这个问题、他处于什么阶段、已经知道什么、还缺少什么信息、希望AI帮助完成什么判断，以及需要哪些证据才会相信答案。

同一个产品问题，业务负责人、技术负责人和采购人员关注的重点并不相同；同一个角色，在认知阶段和采购阶段需要的信息深度也不一样。

关于这部分，可以继续阅读《B2B GEO的起点：动态Prompt Library》。

三、知识层：先建立统一事实源，避免AI替企业猜答案

确定问题以后，我们仍然不会立即让AI生成文章。企业级内容生产还需要一个重要前提：品牌知识底座。

企业资料很多，不代表AI可以直接使用

技术型B2B企业通常已经拥有大量资料，包括官网、产品手册、解决方案、白皮书、销售材料、培训文件、FAQ和历史文章。这些资料可能来自不同时间、不同产品版本和不同团队。

同一个产品名称、数据、能力边界或适用场景，在多个文件中可能存在不同表达。对人来说，这些差异有时可以根据上下文理解；对AI来说，它们可能就是相互冲突的事实。

品牌知识底座需要解决什么

我们会先整理项目需要的资料，并明确：

• 哪些资料当前有效；
• 哪些属于历史版本；
• 哪些事实已经确认；
• 哪些判断只适用于特定产品或场景；
• 哪些信息可以公开；
• 哪些内容仍需客户确认；
• 出现冲突时，以哪一份资料为准。

如果资料冲突会影响文章结论，我们的处理原则是暂停生产，先确认事实。这比文章发布以后再修改更加稳妥，也能避免错误表达被其他平台继续转载和引用。

知识底座不只服务GEO文章

经过治理的企业知识，未来还可以继续服务官网、SEO内容、社交媒体、销售资料、FAQ、内部培训和AI Agent。它逐渐成为企业不同内容场景共同调用的事实源头。

关于知识怎样进入内容生产，可以参考《如何从知识库淬炼B2B内容？》。

四、内容层：先管理内容决策，再让AI参与生成

有了问题和知识资料以后，下一步仍然不是直接生成全文。我们认为，企业级AI内容最需要管理的是三个决策：

1. 这篇内容要解决什么问题；
2. 企业准备给出什么判断；
3. 这个判断由什么事实和证据支持。

只有这三个决策完成以后，AI才适合进入正式生产。

第一步：形成内容任务单

每一篇内容开始以前，我们会先明确目标读者是谁、他处于什么决策阶段、想完成什么任务、现有内容已经回答了什么、还存在哪些认知缺口、本文需要给出什么结论，以及企业已有的哪些资料可以支持这个结论。

这张任务单相当于内容生产的边界。它可以避免文章写到一半后不断增加无关主题，也能防止AI把公开网络中的通用说法误写成企业自己的能力和立场。

第二步：把主问题拆成决策问题组

用户在AI对话框里可能只输入一个问题，但真实决策通常由一组问题组成。例如，用户询问如何选择某类企业技术方案，背后可能还包含不同方案有什么区别、是否影响现有系统性能、部署和维护是否复杂、存在哪些风险、适合什么类型的企业、哪些情况下不适合，以及选择供应商时应该核验什么。

如果只回答表面上的一个问题，文章看起来可能完整，却没有真正覆盖用户的判断过程。因此，我们会把主问题继续拆分为前置条件、影响因素、比较维度、风险问题、适用边界和后续行动，然后再检查企业现有资料是否足以支持这些回答。

第三步：把文章设计成可独立理解的内容单元

AI读取网页时，可能只抽取文章中的一个段落、一个章节或几句话。因此，我们会检查每个重要内容单元能否独立回答一个问题，抽离上下文以后是否仍然准确，对象和适用条件是否清楚，有没有可能被断章取义，以及关键结论是否带有必要证据。

这不意味着文章必须写成僵硬的问答集合。对人来说，内容仍然需要有叙述、层次和阅读节奏；对机器来说，关键段落需要包含相对完整的问题、条件、判断和证据。我们的目标不是把文章写得更长，而是降低读者和AI理解内容的成本。

第四步：为重要判断规划证据

我们不会等文章写完以后，再临时寻找几个参考链接。在内容架构阶段，团队会同步检查文章准备得出哪些结论、每个结论需要什么资料支持、应优先使用企业官方资料还是第三方权威资料、使用的是哪一个文件和版本、证据支持文章中的哪一段判断，以及证据有哪些适用条件和限制。

这种证据前置机制，对于技术、安全、工业和企业软件等专业度较高的行业尤其重要。AI负责提高资料处理和内容生成效率；业务判断、风险判断、证据选择和最终审核仍然由人负责。

五、审核层：客户反馈不是一次修改，而是第一个学习闭环

客户专业人员的审核，不应只是内容生产流程末端的一次验收。它是整套内容系统持续学习的重要来源。

项目早期，内容为什么不够好

在项目早期，我们产出的部分内容不能充分满足客户专业人员的要求。问题不一定是语言不通顺，而是我们对产品、应用场景和技术边界的理解还不够深入。

对于客户的专业审核人员来说，这会造成较高的修改成本，例如某些说法不够准确、某些场景描述过于表面、某些产品边界没有说清、某些用词不符合内部专业表达，或者某些判断缺少必要依据。如果每次批注只用于修改当前这一篇稿件，下一篇内容仍然可能重复同样的问题。

我们怎样处理客户批注

我们开始把客户审核反馈重新整理为可复用知识，包括产品和解决方案的标准表达、容易混淆的概念边界、不同场景应当使用的专业语言、不应作出的判断、需要补充的事实和证据，以及内容生产与审核规则。

这些内容会重新写回知识底座和生产流程，供下一轮内容调用。于是，审核形成了第一个反馈闭环：

客户审核 → 提炼专业知识和规则 → 更新知识底座 → 改进下一轮内容

客户认可来自持续改进

经过持续磨合后，客户专业审阅人员在阶段复盘中明确反馈，内容质量相较早期已有明显提升，已经能够支持正常的市场表达和AI引用需求。

我们认为，这类反馈比单纯增加文章数量更有价值。它说明项目团队开始真正理解客户，而不是每次都从头猜测客户的产品和业务。

这里需要说明：这是客户在内部项目会议中的定性反馈，不代表公开评分、通用效果或对所有GEO项目的承诺。

六、信源层：内容发布以后，项目才进入第二个学习闭环

内容通过审核以后，还要决定发布在哪里。我们不会假设同一篇内容发布在任何平台都能获得相同结果。

内容没有被引用，可能有三类原因

项目执行中，我们遇到过内容已经发布，但特定AI平台长期没有引用的情况。最直接的反应通常是继续增加文章数量，但经过拆解以后，一篇内容没有进入AI引用，可能存在三类原因：

1. 平台没有抓取这个站点或页面；
2. 平台抓取了，但没有理解它与目标问题的关系；
3. 平台理解了，但没有认为它足够可信。

三种问题需要完全不同的处理方式。如果没有抓取，需要检查信源和页面可发现性；如果抓取后没有理解，需要重新检查标题、结构、内容单元和问题匹配；如果已经理解但没有引用，则要检查证据、权威性和信源质量。

从已有引用中反向研究平台

我们开始从AI现有的引用结果反向研究：平台正在引用哪些站点、引用了哪些文章、关键答案位于文章什么位置、内容属于科普、比较、测评还是FAQ、使用了什么数据和证据，以及为什么它适合成为当前问题的信源。

在这个基础上，再决定内容适合进入官网、官方社交账号，还是由合适的第三方平台承载。信源选择不是一张固定媒体名单，而是根据问题、内容属性和AI引用表现持续调整。

监测结果怎样回到生产流程

发布后的监测不是只记录“引用”或“未引用”。它还要帮助团队判断提示词是否选对、内容是否回答了目标问题、文章结构是否便于抽取、证据是否充分、信源是否匹配、品牌表达是否准确，以及是否需要补充新的内容。

于是，监测形成了第二个反馈闭环：

信源发布 → AI回答与引用监测 → 诊断原因 → 调整提示词、内容或信源 → 再次验证

七、内容网络：单篇文章不是GEO项目的最终单位

在项目监测中，我们还观察到过一个值得继续验证的现象：当一篇新内容进入AI引用以后，部分早期发布但长期没有获得引用的相关内容，也可能在之后陆续进入引用结果。

目前，我们只能把它视为一种伴随现象，不能直接宣布两者存在确定因果关系。但它给我们的启发是，AI对一家企业或一个业务主题的理解，可能不是由一篇文章孤立形成的。

模型会持续接触来自官网、百科、官方账号、专业媒体和其他公开页面的信息，再逐步形成对品牌事实、产品能力和业务场景的理解。因此，GEO不能只追求一篇文章是否被引用。更长期的工作，是围绕重要客户问题，逐渐形成由多个主题、多个信源和多种证据组成的内容网络。

八、共同基础：GEO和SEO没有彻底分开

这次复盘再次强化了我们对SEO和GEO关系的判断。两者的入口、呈现形式和抓取机制并不完全相同，但共享很多底层资产：

• 准确的品牌事实；
• 一致的产品与解决方案表达；
• 清晰的品牌、产品和业务场景关系；
• 能够被访问和抓取的官网内容；
• 具有可信度的外部信源；
• 持续更新的知识和内容体系。

传统搜索帮助用户找到企业，生成式问答帮助用户理解和比较企业。两者都依赖清楚、准确并且可以核验的公开信息。

因此，我们不会把GEO做成一项只负责监测提及率和发布外部文章的工作。知识库、官网、SEO内容、官方账号和外部信源需要逐步连接起来，共同帮助搜索引擎和AI理解企业。

九、客户认可的不是概念，而是工作细节

在这次阶段复盘中，客户对项目的整体框架、做事方式和执行细节表达了明确认可。这种认可不是因为我们提出了更多新概念，而是因为客户能够看到：

• 提示词有来源和选择依据；
• 内容生产前完成了角色、阶段和问题拆解；
• 重要判断能够找到资料和证据；
• 出现资料冲突时，团队会暂停并确认；
• AI生成以后仍有人工和专业人员审核；
• 客户批注能够进入下一轮规则；
• 内容发布后仍会继续监测和调整；
• 团队会主动说明观察限制，不把伴随现象包装成确定规律。

我们认为，GEO服务的专业性最终就体现在这些细节中。客户很难只凭一个概念判断供应商是否可靠，但可以通过工作过程判断团队是否真正理解自己的产品、是否尊重事实和专业边界、是否能够吸收反馈、是否能把每次交付沉淀为下一次工作的基础，以及是否可以随着项目推进逐渐降低客户的审核负担。

十、这次项目复盘，我们最终提炼出五个判断

1. GEO不是批量生产文章

文章只是最终载体。真正的工作发生在问题研究、知识治理、内容决策和证据规划中。

2. 企业知识库不是可有可无的附件

没有统一事实源，AI就可能根据碎片信息替企业猜答案。

3. 客户审核不是项目末端的验收动作

审核意见应该进入知识库、生产规则和后续内容，让服务团队逐步形成对客户更准确的理解。

4. 内容数量不能解决所有引用问题

抓取、理解、相关性、信任和信源都会影响AI是否采用一篇内容。

5. GEO不能脱离SEO和官网

品牌事实、实体关系、权威信源和官网内容，仍然是传统搜索与AI共同依赖的基础资产。

十一、事橙能够承诺什么，又不能承诺什么

事橙能够承诺的是，围绕客户问题建立一套可追溯的工作流程：

• 研究和治理提示词；
• 整理项目需要的企业知识；
• 明确内容对象、边界和证据；
• 通过AI与人工协作生产内容；
• 接受客户专业人员审核；
• 根据反馈持续更新知识和规则；
• 观察不同平台的回答与信源；
• 记录项目过程中出现的问题和调整。

我们不能承诺某个AI平台一定推荐某个品牌，也不能承诺一次内容发布后一定获得稳定引用。AI答案、平台抓取和信源使用都具有动态性，监测结果只能反映特定问题、平台和时间范围内的状态。

我们能做的是把每一步依据、判断和变化尽量记录清楚，让项目能够持续复盘和改进，而不是依赖一次偶然的引用结果。

结论：好的GEO服务，是逐步建立对客户的理解

经过这次项目复盘，我们更加确认：GEO服务最重要的资产，不只是已经发布的内容，也包括项目团队对客户逐步形成的理解。

提示词让我们理解市场问题，知识底座让我们理解企业事实，内容任务让我们理解不同角色的判断，专业审核帮助我们校准产品边界，监测结果则帮助我们继续修正内容与信源。这些环节连接起来以后，GEO才会从一次内容项目，逐渐成为一套能够持续学习的品牌知识与内容系统。

事橙希望通过SEO、GEO、官网和内容营销，帮助B2B企业在搜索、内容与AI场景中持续被目标客户看见、理解并信任。

如果你正在评估企业的AI搜索表现，或希望了解事橙如何开展GEO项目，可以进一步查看事橙营销的GEO服务。

相关常见问题

• GEO内容已经发布，为什么没有被AI引用？应该怎样排查？
• 客户专业审核怎样进入GEO内容生产闭环？
• GEO能保证品牌被AI推荐吗？
• 为什么知识库是GEO的底层工程？

来源与编辑说明

• 作者：赵岩
• 内容依据：2026年9月17日，事橙团队一次B2B GEO项目阶段复盘会议。
• 公开处理：正文已移除客户名称、项目数据、预算、人员姓名、竞品结果及其他未授权信息。
• 客户反馈：正文只保留会议中可以确认的定性反馈，不使用内部评分或将其扩大为通用效果承诺。
• 内容性质：本文是对项目方法、服务细节和客户协作过程的匿名化整理，不构成公开客户案例。
• AI辅助范围：协助整理录音转写、文章结构、语义查重和语言校对。
• 内容责任：最终专业判断、作者署名和公开版本由赵岩确认。