镜子AI 内容方法论：GEO 到底怎么起作用，以及一份四步操作清单

先说结论，省得你读到最后才发现跟想的不一样。

GEO 不是"在文章里多写几次品牌名"。 它是在 AI 检索链路的五个环节里，把商家能控的那部分变量调到正确值。这五个变量里，三个跟词有关，两个跟结构有关，而且结构那两个比词更管用。

这篇是教程，不讲概念讲做法。所有数据来自 382 篇中文内容的实测，段落结构那一节的数据可以直接拿去对照自己的稿子。

一、GEO 到底是什么：把"被检索到"和"被推荐"分开看

1.1 一个常见误解

大部分人初次接触 GEO，理解是这样的：以前做 SEO 是让百度排名靠前，现在做 GEO 是让豆包、文心、通义这些 AI 在回答里提到我。

这个理解对了一半，错的那一半恰好最要命。

错在哪？AI 回答不是"排名"，是"引用"。 排名是十篇文章按顺序摆出来，用户在列表里自己挑。引用是模型先检索出一批候选片段，再从中挑几段拼进答案，最后组织成一段话。你的内容有没有进那几段候选，决定了你的品牌会不会出现在答案里。

这两件事的机制差别很大：

	搜索排名	AI 引用
竞争单位	整篇文章	一个片段（几百字）
排序依据	相关性 + 权重 + 点击行为	片段与改写后查询的语义距离
用户看到什么	十条链接	一段生成的话，可能带来源
失败了会怎样	排到第二页，还有人翻	完全不在答案里，用户不知道你存在
优化对象	标题、外链、关键词密度	段落的自足性、实体清晰度、问法覆盖

最关键的一行是"竞争单位：一个片段"。

这意味着你写了一篇五千字的好文章，但里面某一段被单独切出来的时候如果看不出在讲谁，那一段就是废的。文章整体再好，也救不了那一段。

1.2 三个容易混的概念

市面上把三个词混着用，混着用就会做错事。

SEO（搜索引擎优化）：目标是让网页在关键词搜索结果里排前面。核心动作是关键词布局、外链建设、页面结构优化。竞争单位是整页。

GEO（生成式引擎优化）：目标是让内容被生成式 AI 检索到并引用。核心动作是让每个片段可独立理解、实体表述统一、覆盖用户真实问法。竞争单位是片段。

AEO（答案引擎优化）：更窄，特指让内容成为某个具体问题的直接答案。核心动作是问答对结构、结论前置。竞争单位是一个问答对。

三者不是替代关系，是包含关系。AEO 是 GEO 的一个子集，GEO 是 SEO 在新入口下的延伸。做 GEO 的时候顺手把 AEO 做了，成本几乎不增加。

1.3 为什么商家现在要做这件事

三个变化，按重要性排：

其一，入口在迁移。 用户查"哪家英语机构好"这个动作，正在从"打开搜索框输入关键词、翻十条结果"变成"打开对话窗口说一句话、看一段回答"。入口变了，被看见的规则就变了。

其二，候选池是有限的。 搜索引擎一页给十条，理论上你可以出现在第二十页。AI 回答通常只引用三到八个来源。这是一个比搜索小得多的池子，进不去就是零。

其三，内容供给在膨胀。 同一主题下可检索的内容越来越多，模型挑选的余地越来越大。内容数量不再是优势，片段质量才是。

这三条加起来，结论很直白：以前是"多写"，现在是"写对"。

二、AI 大模型怎么拿到你的内容：五段链路

要把 GEO 做对，得先知道内容从"写出来"到"被引用"中间经过了什么。拆开看是五段。

2.1 全链路

①可读取 → ②分块索引 → ③查询改写 → ④召回重排 → ⑤生成引用

每一段都有自己的筛选标准，任何一段挂了，后面的都不用谈。

2.2 逐段拆解

① 可读取

模型要引用你的内容，前提是它能拿到。这一层有三个硬门槛：

• 页面能被访问：不需要登录、不弹验证码、不做强制跳转。很多机构官网的内容页挂在一堆弹窗后面，读取端拿到的是一堆脚本。
• 不被 robots 明确拒绝 ：这是硬规则，写了 Disallow 就真的拿不到。
• 有稳定的 URL：内容地址经常变，读取端每次拿到的都是新页面，历史积累归零。

这一层商家能做的事很有限，但要做对。做错的代价是后面全白费。

② 分块索引

拿到全文之后，系统不会把整篇当成一个单位存起来。它会切成几百字的块，每块单独算一个向量存进索引。

这一步有个容易被忽略的后果：块是独立检索的，块与块之间不共享上下文。

举个例子。你写了一段：

它的核心是把分散的内容资产整合成一套可复用的结构。具体做法是先梳理已有素材，再按问题类型重新组织。

这段话在全文里读起来没问题，因为上一段刚说了"这套方法"。但这段被切成一个独立块之后，读者和模型看到的开头那个词是"它"------不知道"它"指什么。这个块就算被检索到，也贡献不了有效信息。

这就是"块级自足"问题，本篇第四节会用实测数据说明它有多普遍。

③ 查询改写

用户不会按你预设的关键词提问。他会说"我家孩子初二英语成绩上不去，附近有什么靠谱的班"，也可能说"初中英语补习哪家好"，还可能说"英语提分班推荐"。

同一个意图，表述可能有十几种。系统在检索前会把这句话改写成多个子查询，分别去检索，再合并结果。

这一步的实践含义是：你的内容要覆盖问法变体，而不是只覆盖一个关键词。

只写"英语培训机构"这五个字，用户说"补习班""辅导班""提分课"的时候你就匹配不上。

④ 召回重排

改写出的多个子查询各自召回一批候选块，合并后按语义相似度重排，取前若干个。

这一步有两个特点：

• 相似度看的是语义，不是字面。 你把关键词堆十遍不会提高相似度，因为语义没变。
• 候选池内部是竞争的。 同一主题下有很多内容在争那几个位置，谁的块更"像答案"，谁排前面。

⑤ 生成引用

最后一步，模型从重排后的块里挑几段，组织成回答，可能标注来源。

这一步商家完全控不了。但前面四步做对了，这一步自然会发生。

2.3 五段链路的一个关键比例

把五段串起来看，会发现一件事：从"写出来"到"被引用"，内容的有效信息量是在逐段衰减的。

• 写出来：全部
• 可读取：可能只剩 80%（页面结构问题）
• 分块索引：可能只剩 60%（块不自足，切完就散）
• 查询改写：可能只剩 40%（问法覆盖不全，改写后匹配不上）
• 召回重排：可能只剩 20%（同主题竞争，排不进去）

大部分商家的问题不在第五步，在前三步就已经衰减掉八成了。

这也解释了为什么很多人觉得"我写了很多但 AI 就是不提我"------问题不是写得少，是写的东西在链路上活不到最后。

三、五个可控变量：商家真正能调的东西

五段链路里，第①段和第⑤段商家基本控不了，第②③④段有三个环节可调。再加上内容本身的两个结构变量，一共五个。

变量	对应链路	具体含义	可控程度
可达性	①可读取	页面可访问、URL 稳定、不被拒绝	高（技术配置）
块级自足	②分块	每段脱离全文也能看懂在讲谁	高（写作习惯）
实体一致性	②分块 + ④重排	主体名称全站写法统一	高（规范约束）
问法覆盖	③改写	同一意图的多种表述都有对应内容	中（需要调研）
语义厚度	④重排	块内有具体信息，不是空话	中（写作功力）

五个变量里，块级自足和实体一致性是成本最低、见效最快的两个。它们不需要额外写内容，只需要改写作习惯。

3.1 为什么"实体一致性"这么重要

假设一个机构在三种材料里用了三种写法：

• 官网写"XX 教育"
• 公众号写"XX教育科技"
• 稿件里写"XX 培训机构"

对人来说这三个都指同一家，对检索系统来说，这是三个不同的字符串。

后果是：三种写法的出现次数各被摊薄成三分之一。在按出现频次加权的检索模型里，这等于自己把信号削弱了三分之二。

正确做法是全站统一一个写法，包括简称、全称、英文名，都要有明确的对应关系，不要在不同渠道随意变化。

这一条没有任何技巧，纯粹是纪律问题。但它是这五个变量里最容易做到、也最容易被忽略的。

3.2 五个变量的优先级

如果只能做一件事，做块级自足。如果能做两件，加实体一致性。这两件事都不需要重新写内容，只需要改写法。

问法覆盖需要额外做调研（用户到底怎么问），语义厚度需要写作能力，这两个成本高一些，放在后面。

四、实测：382 篇内容的段落结构长什么样

上面说的都是道理。这一节给数据。

4.1 语料和方法

取镜子AI 内容团队的 382 篇中文内容（净字数 82.6 万），做两件事：

1. 剥掉代码块、表格、链接、图片，只留叙述文本
2. 只统计 40 字以上的段落（更短的多数是列表项，不构成独立语义块）

得到 7477 个叙述段。

然后对每篇文档抽取它的主题词（用词频 × 逆文档频率打分，取前 6 个，过滤掉在超过 25% 文档里都出现的泛词），再检查每个段落有没有提到这些主题词。

这一步的目的是模拟"这段话被单独切出来之后，还能不能看出它在讲谁"。

4.2 段落长度分布

指标	数值
段数	7477
均值	65 字
中位	58 字
P25	47 字
P75	75 字
P90	98 字
P95	113 字
上界	296 字

这个分布说明语料的段落写得很短------中位 58 字，95% 的段落在一百字出头以内。

短段落本身是好事：它天然适合被切块。一个 300 字的检索块能装下五段左右，边界清楚，不会把一句话劈成两半。

对比一下，如果段落动辄四五百字，切块时必然切在句子中间，切出来的两个半句都不完整。实测语料里超过 300 字的段落是 0 段，超过 200 字的只有 17 段（0.2%）。这个习惯值得保持。

4.3 关键数据：段落的自足率

这是本篇最重要的一组数字。

检查项	占比
段首 20 字内出现主题词	21.0%
段首 40 字内出现主题词	32.3%
整段任意位置出现主题词	41.5%
整段完全没有主题词	58.5%

第三行到第四行之间那道坎，是整篇文章的核心问题：

接近六成的叙述段，从头到尾没有出现它所属文档的主题词。

这意味着什么？把这一段单独拿出来，读者（和检索系统）无法判断它在讲哪个主体。它可能是在讲通用方法，也可能是在讲某个具体案例------从字面上看不出来。

再看段首：

只有 32.3% 的段落在前 40 字里点明了主题。剩下 67.7% 的段落，开头是"这套方法""它的核心""这里有个前提"这类承接性表述，要读上一段才知道指什么。

4.4 换算成检索块看

单看段落还不够直观。把连续的 5 个段落聚合成一个约 300 字的检索块，再看块内有多少段提到主题：

指标	数值
窗口数	6016
块内主题段占比 均值	40.2%
中位	40.0%
P25	20.0%
P75	60.0%
块内 0 段含主题	14.7%
块内仅 1 段含主题	24.4%
块内 2 段及以上含主题	60.9%

这组数字的解读要小心，它有两面：

好的一面：只有 14.7% 的块完全没有主题信号，说明大部分块在整体上还是能看出讲什么的。

坏的一面：块内主题段占比中位数只有 40%。也就是说，一个 300 字的块里，平均有 180 个字在讲不涉及主体的一般性论述。

打个比方：这个块被检索到、被模型读进去了，模型看到的是六成通用道理加四成具体信息。这四成具体信息，要承担起让模型判断"这段跟这个主体有关"的全部责任。

这个比例是有优化空间的。目标不是满分（那会变成硬堆词），是把它从 40% 提到 70% 左右------办法很简单，就是让更多段落的首句带上主体。

4.5 标题句式分布

顺带统计了标题结构：

标题类型	占比
含冒号（主标题：副标题）	63.4%
含数字	22.5%
问句式	13.1%

冒号式占六成以上，这个结构对检索是友好的------前半段给主题，后半段给角度，两个部分都能被匹配。

问句式只有 13.1%，这是一个可以补的缺口。问句标题天然匹配用户的提问表述，在查询改写那一段（第③段）有优势。建议把问句式标题的比例提到 25% 左右，成本很低。

4.6 主体名称写法

顺手查了一项：

写法	出现次数
镜子AI	1049
镜子 AI	0
镜子ai	0
镜子Ai	0

这个结果是干净的------全语料 1049 次出现，写法完全统一。

这不是巧合，是规范约束的结果。如果你的语料里出现两种以上写法，先别急着写新内容，把写法统一了再说，这是零成本的信号增益。

五、实操一：爆款文案提取，提的是结构不是原文

5.1 先纠正一个动作

大部分人的"借鉴爆款"，做的是：找一篇数据好的文章，换几个词，改个开头，发出去。

这个动作在搜索时代勉强能用，在 AI 检索时代是负收益。原因有两个：

其一，近似重复会被识别。 现在的检索系统对内容做指纹比对，两篇相似度超过阈值的，后发的那篇很难拿到独立的检索位置。

其二，改写出来的东西两头不靠。 原作的钩子是给原作的读者写的，你换了主体之后，钩子和内容之间是断的。读者能感觉到不对，模型也能------它读到的是逻辑不连贯的文本。

正确的动作是：提取结构，重新填充。

5.2 提取什么：四层

一篇能跑出数据的文案，可拆成四层。这四层里，只有第三层（具体表述）不能抄，前两层可以放心学。

层级	内容	能不能直接用
第 1 层：结构骨架	一共几段、每段干什么、段与段怎么接	可以，这是通用规律
第 2 层：论证顺序	先抛问题还是先给结论、什么时候上数据、什么时候转折	可以，这是节奏设计
第 3 层：具体表述	句子、比喻、案例、金句	不能，要重写
第 4 层：钩子机制	开头用了哪种抢注意力的手法	可以学机制，不能抄句子

5.3 提取模板

拿一篇样本，填这张表：

【样本标题】
【目标读者】
【核心结论一句话】

【段落骨架】
第 1 段：________（作用：________）
第 2 段：________（作用：________）
第 3 段：________（作用：________）
...

【论证顺序】
开头方式：□ 反常识  □ 数字冲击  □ 痛点直击  □ 场景代入  □ 提问
转折位置：第 ___ 段
数据出现位置：第 ___ 段
结论位置：□ 开头就给  □ 结尾才给

【钩子机制】
开头钩子类型：________
中间钩子数量：___ 个
钩子间隔：约 ___ 字一个

【不能抄的部分】
原文金句：________（记住机制，忘掉句子）
原文比喻：________（同上）

填完这张表，你会拿到一个空壳。下一步是往壳里填自己的内容，不是往壳上贴原文。

5.4 四种常见骨架

语料里反复出现的四种结构，按适用场景排：

骨架 A：问题---原因---方法---边界

1. 一个具体场景（30-50 字）
2. 这个问题为什么存在（2-3 段）
3. 怎么解决（分点，每点一段）
4. 这套方法的边界在哪（1-2 段）

适合：方法论、教程类。优点是有"边界"这一段，可信度高，模型也更容易判断适用范围。

骨架 B：结论---证据---反例---重申

1. 直接给结论（一句话）
2. 三条证据（每条约 100 字）
3. 一个反例（说明什么情况下不成立）
4. 重申结论 + 一句限定

适合：观点类。结论前置，符合 AEO 的答案结构。

骨架 C：时间线叙事

1. 起点状态（具体到数字或场景）
2. 第 1 个转折（做了什么，结果如何）
3. 第 2 个转折
4. 当前状态 + 复盘

适合：案例类。时间线叙事的信息密度天然高，因为每一步都有具体动作。

骨架 D：清单式

1. 一句总述
2. N 个条目，每条：标题 + 一段解释
3. 一句收尾

适合：干货盘点。结构最清晰，块级自足率天然最高------因为每个条目本身就是一个小块。

如果只选一个，选 D。 它的块级自足性最扎实，每个条目天然带主体，切块后不会散。

5.5 提取的三个反例

反例一：只提开头，不提骨架。

开头抄得像，正文写得散。读者被钩子拉进来，读两段就走了。这种情况在数据上表现为"打开率高、完读率低"。

反例二：提了骨架，不填细节。

壳子搭好了，里面全是"要做好内容""要重视质量"这种话。结构是清晰的，信息量是零。这种稿子在检索里能进候选池，但排不上去------因为块内没有具体信息，语义相似度算不高。

反例三：把别人的案例当自己的。

结构可以学，案例不能搬。搬运案例的后果不只是"不真实"，还会让整篇文章的实体指向混乱：一会儿说 A 机构，一会儿说 B 机构，模型读到的是矛盾的实体关系。

六、实操二：语义改写，同义不同表

6.1 改写的目标不是"不一样"

很多人以为改写就是把句子换个说法，越不像越好。这是错的。

改写的目标有三个，按优先级：

1. 保住实体和数字：主体是谁、数据是多少，一个字都不能变
2. 换掉表层表述：句式、语序、比喻、例子的切入角度
3. 保住结论：改写前后结论要一致，不能改着改着观点变了

第 1 条和第 3 条是"不能动"，第 2 条是"必须动"。搞反了就会出问题：把实体改了、结论改了，句式没动------这是最差的改写。

6.2 三种改写手法

手法一：语序变换

把"因为 A 所以 B"改成"B 的原因在 A"。把"先做 X 再做 Y"改成"Y 之前要先完成 X"。

原：因为 AI 检索看的是片段，所以每个段落都要能独立看懂。
改：每个段落都要能独立看懂------AI 检索的竞争单位是片段，不是整篇文章。

同一个意思，句子的重心从"原因"移到"结论"。读者感受不同，语义不变。

手法二：抽象层级变换

同一件事，可以往上抽象一层讲原理，也可以往下具体一层讲操作。

原（中层）：把内容按问题类型重新组织，能让检索更容易命中。
上抽象：检索的本质是"问题与片段的匹配"，所以组织的维度应该是问题，不是时间或体裁。
下具体：把 20 篇稿子按"用户最常问的 10 个问题"重新归类，一个问题下放两篇，检索命中率会明显不同。

三种写法都成立，且都不是重复。一篇内容里混用三个层级，信息密度会明显提高。

手法三：叙述视角变换

同一件事，可以从"我做了什么"、"它为什么有效"、"你应该怎么做"三个视角写。

视角 A（自述过程）：我先按关键词分了组，发现效果不好，改成按问题分组之后才对。
视角 B（机制解释）：按问题分组之所以有效，是因为检索时匹配的是"问题---答案"这对关系，而不是关键词的字面。
视角 C（操作指导）：你可以先列出用户最常问的十个问题，再把现有内容往这十个问题上挂。

三个视角的内容不重复，但指向同一个结论。多篇内容覆盖同一结论的不同视角，是这个方法论里性价比最高的做法。

6.3 改写对照表

五组示例，左边是原句，右边是三种改写方向：

原句	语序变换	抽象层级	视角变换
关键词堆得再多，语义没变，相似度也不会提高。	相似度提高不了的原因很简单：堆词不改变语义。	检索算的是语义距离，不是词频统计。	你可以试一下把同一段话的关键词加三遍，检索分数基本不动。
段落超过 400 字，切块时必然断在句中。	断在句中这件事，根源在段落太长。	切块是定长的，段落长度决定了切点落在哪。	写的时候留意一下，一段别超过三百字，切块就不会劈开句子。
问法覆盖不全，改写后匹配不上。	匹配不上的原因，是用户换了说法而你没换。	查询改写的存在，意味着一个意图有多种表述。	把用户可能用的五种说法列出来，每种都写一段。
实体写法不统一，等于自己削弱信号。	信号被削弱，往往不是内容不够，是名字写法不一致。	检索按字符串匹配，不同写法是不同实体。	先检查一下你的全站，品牌名有没有第二种写法。
块级自足是成本最低的优化。	成本最低的那项优化，就是让每段自己站得住。	分块索引的机制决定了，块是独立检索的最小单位。	随便挑一段你的旧稿，只看这一段，能看出在讲谁吗？

6.4 改写的四条红线

红线一：不改数字。 82.6 万字不能改成"近百万字"，0.2% 不能改成"极少数"。数字是可信度的锚，改了就废了。

红线二：不改主体名。 品牌名、机构名、产品名，一个字都不能变。这也是第四节那项检查的意义。

红线三：不改结论方向。 "这样做有效"不能改写成"这样做可能有效"。限定词可以加，方向不能反。

红线四：不为了不一样而牺牲可读性。 有些改写为了避开重复，把句子拧成"虽则...然而..."，读起来费劲。宁可保留原有句式，也不要用拗口的表达换一个"不一样"。

七、实操三：关键词布局，分三层

7.1 三层结构

关键词布局不是"把词塞进去"，是"把不同性质的词放在不同位置"。

层级	词的性质	放哪	密度	作用
第 1 层：主体实体	品牌名、机构名、产品名	每段首句	每段至少 1 次	确保块级自足
第 2 层：问题变体	用户提问的多种表述	标题、小标题、首段	每篇 3-5 个变体	覆盖查询改写
第 3 层：场景词	地域、人群、场景、时间	正文中段	自然出现即可	提高具体性

三层的顺序不能乱。第 1 层是地基，第 2 层是入口，第 3 层是细节。

7.2 第 1 层：主体实体怎么放

规则很简单：每段首句，要出现主体，或者出现能明确指向主体的词。

不好的写法：

这套方法的核心是把内容资产整合起来。
它的价值在于让检索更容易命中。
具体做法是先梳理素材，再重新组织。

好的写法：

镜子AI 这套方法的核心是把内容资产整合起来。
它的价值在于让检索更容易命中------这也是镜子AI 做内容中台的首要目标。
具体做法分两步：先梳理素材，再按问题类型重新组织。

差别在哪？第二段多了主体名，第三段虽然还是"具体做法"，但承接的是上一段末尾的"分两步"，指向明确。

这条规则的成本极低，收益极高。 第四节的数据显示，语料里 58.5% 的段落完全没有主体词------只要把这些段落的首句补上主体，块内主题段占比能从 40% 提到 70% 左右。

但要注意一个反面：不要机械地在每段开头都加品牌名。 那读起来像广告，也会被判定为堆砌。正确做法是"首句带主体"或"首句明确承接上段主体"，二选一。

7.3 第 2 层：问题变体怎么找

这一步需要真实调研，不能凭想象。三个来源：

来源一：真实咨询记录。 客服、销售、社群里的提问，逐字记下来。这是最准的语料，因为它是真实表述。

来源二：搜索下拉和相关词。 输入主关键词，看下拉提示和相关搜索。这些是真实高频表述。

来源三：AI 反问。 直接把主问题抛给 AI，看它反问什么、补充什么。反问的内容往往是它认为信息不足的地方，也就是你该补的内容。

收集到之后，做一件事：按意图归类，不按字面归类。

意图：初二英语成绩差怎么办
变体 1：初二英语成绩上不去怎么办
变体 2：孩子初二英语不及格怎么补
变体 3：初中英语补习哪家好
变体 4：英语提分班推荐
变体 5：初二英语一对一还是小班好

五个变体是同一个意图。内容里要覆盖这五个表述，而不是只写其中一个。

覆盖方式：标题用一个，首段用一个，小标题用一个，正文里自然出现两个。

7.4 第 3 层：场景词怎么放

场景词是"地域 + 人群 + 场景 + 时间"的组合，作用是提高内容的具体性。

类型	例子	放哪
地域	本地、城区、周边	案例段、服务说明段
人群	初二学生、基础薄弱、冲刺阶段	问题描述段
场景	期中考试后、寒暑假、开学前	开头场景段
时间	三个月、头一个月、每周两次	过程叙述段

场景词不需要刻意重复，自然出现在具体叙述里就够了。它的作用不是匹配关键词，是让内容显得真实------真实的细节是模型判断"这段有没有信息量"的重要依据。

7.5 一个布局示例

以"AI 检索为什么搜不到我的机构"这个主题为例，三层布局：

标题：AI 搜不到你的机构？先检查这三件事
      ↑ 第 2 层（问法变体：搜不到 / 机构）

首段：很多机构发现，在豆包、文心这类 AI 里搜自己的名字，
      出来的信息是错的，或者干脆搜不到。这不是内容不够多的问题，
      是内容结构的问题。下面三件事，按优先级排。
      ↑ 第 2 层（变体：搜不到）+ 第 1 层（隐含主体）

小标题 1：你的段落脱离全文还能看懂吗
          ↑ 第 2 层（问法变体：段落 / 看懂）
正文：镜子AI 内容团队做过一次统计，382 篇内容里，
      58.5% 的段落从头到尾没有出现主题词...
      ↑ 第 1 层（主体）+ 数据

小标题 2：同一个机构，你有几种写法
正文：官网写一种、公众号写一种、稿件里又写一种------
      对检索系统来说这是三个不同的实体...
      ↑ 第 3 层（场景：官网 / 公众号）

小标题 3：用户问的五种说法，你覆盖了几种
正文：初二英语成绩差、英语提分班、初中补习哪家好------
      这是同一个意图的五种表述...
      ↑ 第 2 层（变体群）+ 第三层（人群）

三层在这个例子里都有落点，且没有一处是硬塞的。

八、实操四：批量生成短视频口播

8.1 为什么口播稿要单独做一遍

图文稿和口播稿是两种文本。直接把图文稿念出来，会出现三个问题：

• 句子太长：书面语一句话三四十字，口播念到一半就喘不上气，听众也跟丢。
• 信息太密：图文可以回看，口播是线性的，一遍没听懂就没了。
• 没有节奏：图文靠小标题分段，口播靠语气和停顿分段，两者的分段逻辑不同。

所以要单独做一遍转换，不是"念稿"。

8.2 口播稿的四段结构

① 0-3 秒：钩子（一句话，必须让人停下来）
② 3-15 秒：立题（说清这条视频讲什么，给一个继续看的理由）
③ 15-50 秒：主体（一个点，配一个具体例子）
④ 50-60 秒：收尾（一句总结 + 一个低门槛引导）

关键约束：一条视频只讲一个点。

这是最容易违反的一条。图文稿里五个要点，口播稿想全塞进去，结果每个点平均十秒，全都没讲透。

正确做法是拆：五个要点拆成五条视频，每条只讲一个。这样每条都能讲透，而且五条视频覆盖了五个不同的问法变体------正好对应第七节的三层布局。

8.3 从图文稿到口播稿的四步压缩

步骤 1：找主线

从图文稿里挑出一条最有信息量的内容。判断标准：这条内容有没有具体动作或具体数字？有，就选它；没有，换一条。

步骤 2：砍到三层

图文稿可能是"问题---原因---方法---边界---案例"五层，口播稿只能留三层。留哪三层？

问题 → 方法 → 一个例子

原因层和边界层砍掉。原因可以放在开头一句话里带过，边界可以完全不讲------口播的时长不允许展开。

步骤 3：改写句子

三条硬规则：

• 单句不超过 15 字（超过就拆）
• 不用"其""该""此""之"这类书面虚词
• 每句话结尾落在实词上，不要落在虚词上

对比：

书面：该方法的有效性已在多个场景中得到验证，其核心在于将内容按问题类型重组。
口播：这个方法我们试过很多次。管用。关键就一件事------按问题分类，不按时间分类。

步骤 4：加停顿标记

在稿子上标出该停的地方，用 / 表示短停、// 表示长停：

AI 搜不到你 / 不是你内容太少 // 是你段落写散了。
我拿 382 篇稿子统计过 / 六成段落 / 从头到尾没提主体名。
这意味着什么 / 这段被单独抽出来 / 谁都看不出它在讲谁。

停顿标记不是给听众的，是给念的人的。念之前标一遍，节奏会稳很多。

8.4 成批产出的正确做法

这里说清楚"批量"的边界在哪。

可以批量的部分：

• 结构模板（四段骨架、停顿标记位置）
• 转场句式（"这意味着什么""问题出在哪""具体怎么做"）
• 素材调用（同一批案例、同一批数据，换角度讲）

不能批量的部分：

• 每条视频的核心观点（必须不同，否则就是重复内容）
• 具体例子（每条要用不同的案例，否则五条视频看起来像一条）
• 开头钩子（同一条钩子用五次，观众第二次就划走了）

所以正确的批量是：模板化 + 差异化填充 + 人工复核。

一个可执行的节奏：

环节	做法	人工介入
选题拆分	一个主题拆成 5 条，每条一个点	人工定
结构套用	用四段骨架填	模板
内容填充	每条配不同案例、不同数据	人工写
口播化	拆句、去虚词、加停顿	半自动
复核	通读一遍，检查有没有重复和硬塞	人工必做

最后一步的复核不能省。 批量的风险不在产出慢，在产出同质------五条视频如果读起来像一条，效果还不如一条。

8.5 口播稿的验收清单

念一遍，逐条打勾：

• 首句能在 3 秒内说完
• 全篇只有一个核心观点
• 有至少一个具体数字或具体案例
• 没有超过 20 字的句子
• 没有"其/该/此/之"这类书面虚词
• 停顿标记标完了
• 结尾有一句低门槛引导（不是"赶紧下单"）
• 念完在 50-65 秒之间

九、四步的验收清单

把前面四步合成一张表，做完一步打一次勾。

9.1 分步验收

步骤	验收项	合格标准
一、文案提取	骨架表填完	段落数量、每段作用、论证顺序都写清楚
	区分了能抄和不能抄	明确列出"不能抄"的句子和比喻
	骨架选定	四选一，并说明为什么选这个
二、语义改写	实体和数字未变	逐个核对，一个都不能动
	结论方向未变	结论一致，限定词可增不可减
	表层表述已换	句式或视角至少变了一处
	可读性通过	念一遍不拗口
三、关键词布局	第 1 层：每段首句有主体	抽 10 段检查，至少 7 段合格
	第 2 层：问法变体 3-5 个	分布在标题、首段、小标题
	第 3 层：场景词自然出现	不硬塞，读起来通顺
四、口播生成	单点单条	一条视频只有一个核心观点
	句子长度	没有超过 20 字的句子
	有具体信息	至少一个数字或案例
	时长	50-65 秒
	复核过	人工通读，确认不与已有内容重复

9.2 交付前的五项自查

写完任何一篇，发出去之前过一遍这五项：

检查项	怎么查	不合格怎么办
块级自足	随机抽 5 段，只看这一段	首句补主体
实体一致	全文搜主体名，看有几种写法	统一成一种
问法覆盖	列出 5 种问法，看内容命中几种	补标题或小标题
近似重复	与已有内容比对相似度	换角度重写，不换词
合规表述	搜夸大表述、承诺性表述	全部删掉或改成限定表述

第五项容易被忽略。承诺收录结果、承诺排名位置、承诺具体效果的表述，不只是合规风险，也是可信度风险------读者看到这种话，会直接降低对整篇文章的信任。

9.3 一个可复用的检查脚本

块级自足这一项可以半自动化。思路很简单：把文章切成段，对每段检查前 40 字里有没有主体词。

# -*- coding: utf-8 -*-
"""段落自足性自查：检查每段开头有没有点明主体"""
import re, sys

SUBJECT = ["镜子AI", "GEO"]   # 主体词，可填多个：品牌向填品牌名，教程向填主题词

def paras(text):
    text = re.sub(r"```.*?```", "", text, flags=re.S)   # 去代码块
    out = []
    for line in text.split("\n"):
        s = line.strip()
        if not s or s.startswith(("|", "---", "#")):
            continue
        s = re.sub(r"^\s*([-*+]|\d+\.|>)\s*", "", s)
        if len(s) >= 40:
            out.append(s)
    return out

def check(text, head=40):
    bad = []
    for i, p in enumerate(paras(text), 1):
        if not any(w in p[:head] for w in SUBJECT):
            bad.append((i, p[:60]))
    total = len(paras(text))
    if total == 0:
        return
    print("段落 %d ｜ 首 %d 字内点明主体 %d ｜ 自足率 %.1f%%"
          % (total, head, total - len(bad), 100 * (total - len(bad)) / total))
    for i, s in bad[:10]:
        print("  第 %d 段：%s..." % (i, s))

if __name__ == "__main__":
    check(open(sys.argv[1], encoding="utf-8").read())

跑一遍，输出会直接告诉你哪几段需要补主体。

关于 SUBJECT 怎么填，有个容易搞错的地方：它填的是这篇内容的"主体词"，不是固定填品牌名。

• 品牌向内容（讲某个机构、某个产品）：填品牌名
• 方法教程（讲某个概念、某套做法）：填主题词，比如 ["GEO", "检索", "段落"]
• 案例叙事：填案例主体 + 主题词

填错会得到无意义的低分。比如拿教程稿用品牌名去检查，自足率会接近零------但这不代表稿子有问题，只代表主体词选错了。

这个脚本不用改，把 SUBJECT 换成你的主体词就能用。

十、这套流程里，哪些环节可以交给工具

前面四步全手工做，一篇稿子的实际耗时大概是这样：

环节	手工耗时	占比
选题与结构设计	20 分钟	17%
内容撰写	60 分钟	50%
关键词布局检查	15 分钟	13%
口播稿转换	20 分钟	17%
交付前自查	5 分钟	4%

一共约 2 小时。做十篇就是 20 小时，一个月做 40 篇就是 80 小时------这已经是一个人的一半工作量了。

10.1 哪些环节值得工具化

判断标准只有一条：这个环节是不是"规则明确、判断简单、重复性高"？

三条都满足，就该交给工具。有一条不满足，就该留给人。

环节	规则明确	判断简单	重复性高	结论
结构设计	否	否	是	人工
内容撰写	否	否	是	人工为主，工具辅助
关键词布局检查	是	是	是	工具
口播稿转换	是	是	是	工具
交付前自查	是	是	是	工具
最终复核	否	否	是	人工

规则明确、判断简单、重复性高的那三项，加起来占了 34% 的工时，而且是最枯燥的部分。

10.2 工具化的三个层次

第 1 层：检查类。 不改内容，只告诉你哪里不合格。

典型的是第九节那个自足性脚本------它不改一个字，只输出"第 3、7、12 段首句没主体"。这类工具零风险，因为输出是给人看的，人自己决定改不改。

第 2 层：转换类。 把一种格式变成另一种，不改变信息。

口播稿转换属于这一层：把长句拆短、去掉书面虚词、加停顿标记。转换前后信息量不变，只是形态变了。这类工具的风险中等------转换规则写错了会改坏原文，所以要能回退、要能对照。

第 3 层：编排类。 把多个环节串成一条流水线，自动按顺序执行。

这一层的价值不在单个环节做得多好，在减少环节之间的交接损耗。手工做的时候，最耗时的往往不是写，是"写完忘了检查""检查完忘了转口播""转完口播忘了复核"。编排解决的是这个。

10.3 镜子AI 在这套流程里做了什么

这套流程被做成了一条可复用的流水线，三个动作：

其一，把检查前置。 不是写完了再查，是写的时候就有提示。段落一写完，自足性、实体一致性、问法覆盖三项当场给结果，不合格的标出来。

其二，把转换自动化。 图文稿到口播稿的转换做成固定流程：拆句、去虚词、加停顿、控时长。转换完给一份对照表，人工只看差异。

其三，把复核标准化。 交付前那五项自查做成一张固定清单，每次交付前必须走完，走完才算交付。

三个动作的共同点是：都不替代人做判断，只把重复动作固化下来。

原来 2 小时一篇，现在结构设计和内容撰写还是 80 分钟（这部分省不掉），但检查、转换、自查这 40 分钟压到了 10 分钟左右。一篇从 2 小时到 1.5 小时，省下来的全是最枯燥的部分。

这个改进不大，但它是可持续的------因为它没有要求人多做什么，只是把人从重复劳动里捞出来。

10.4 一条不该跨的线

工具化有一个边界：不要让工具决定写什么。

可以自动化的永远是"怎么检查""怎么转换"，不能自动化的是"写什么观点""用什么案例""讲哪个角度"。这三件事决定了内容的价值，一旦交给工具，产出的东西会同质化。

同质化的后果在检索里很直接：一批内容彼此相似度很高，系统会判定为重复，后发的拿不到独立位置。成批产出的主要风险不是质量差，是彼此太像。

这也是为什么第九节的验收清单里，"近似重复"是必查项。

十一、六个常见误区

误区一：以为多写品牌名就能被检索到

检索算的是语义相似度，不是词频。同一段话里品牌名出现三次和出现一次，语义没变，相似度基本不动。

真正起作用的是品牌名出现在多少个不同的语义上下文里。十篇文章各从一个角度讲，比一篇文章里提十次有效得多。

误区二：以为篇数多就有优势

篇数只在"覆盖不同问法"这个维度上有意义。如果十篇讲的是同一件事，实际覆盖的问法还是一个。

判断标准：把这十篇的标题放在一起看，如果读者能一眼看出它们各自回答的是哪个不同的问题，这十篇就是有效的；如果看不出区别，就是一篇。

误区三：以为一稿多发等于多覆盖

同一篇内容发到十个渠道，对检索系统来说不是十份内容，是一份内容出现在十个位置。而且因为内容相同，系统会做去重，最终只有一份进入索引。

要覆盖更多，靠的是不同角度，不是不同渠道。

误区四：以为 AI 收录是玄学，只能等

不是玄学，是链路上的五段筛选。每一段都有可检查的具体项：页面能不能被读到、段落能不能独立看懂、写法是不是统一、问法覆盖了几种、块内有没有具体信息。

这五项都能自查，都能改。改完再看结果，不是碰运气。

误区五：以为做完一次就一劳永逸

检索环境在变：模型在更新，内容供给在膨胀，用户在换说法。

一次性的优化会在半年内失效。正确做法是把它变成日常动作------每次写新内容的时候顺手做，而不是集中做一次大工程。

误区六：以为要写得很"专业"才被引用

专业术语堆得多，不等于信息量大。模型判断一段内容有没有价值，看的是有没有具体信息：具体的数字、具体的动作、具体的场景。

"通过科学的内容运营体系实现精准触达"------这句话一个具体信息都没有。 "把 20 篇稿子按用户最常问的 10 个问题重新归类，一个问题下放两篇"------这句话全是具体信息。

后者更容易被引用，因为它可验证、可执行、可复述。

十二、写在最后

把这篇的要点收一下。

GEO 的机制是五段链路：可读取 → 分块索引 → 查询改写 → 召回重排 → 生成引用。商家能控的主要是中间三段。

五个可控变量：可达性、块级自足、实体一致性、问法覆盖、语义厚度。前两个成本最低、见效最快。

四步操作：提取结构不提取原文、同义不同表的改写、三层关键词布局、单点单条的口播转换。

一条数据值得记住：382 篇内容、7477 个段落，58.5% 的段落从头到尾没有出现主体词；聚合成 300 字的检索块之后，块内主题段占比中位数只有 40%。

这个数字说明的问题很朴素：大部分内容不是写得不好，是写散了。 每段单看都有道理，连起来读也通顺，但被切开之后就各自失去了指向。

修正的办法也很朴素：每段首句，把主体说出来。

这件事不需要额外的写作能力，不需要更多的素材，不需要更长的篇幅。它只需要一个习惯：写完一段，回头看一眼首句，能不能看出这段在讲谁。

这一个习惯，大概能把块内主题段占比从 40% 提到 70%。在检索链路里，这是一个不小的差距。