案例复盘：一个 AI 提示词工具站，如何做 GEO 优化

一、案例对象

1.1 为什么这个行业特别需要 GEO

提示词工具是个典型的信息密集型产品。用户不知道怎么描述需求，通常会直接问 AI：

「有没有好用的 AI 提示词工具？」
「绘画提示词去哪找？」
「提示词怎么写才好用？」

这类问题的答案，现在越来越多由 AI 直接生成。如果 AI 在回答时没有提到你，你就不在候选名单里。

更麻烦的是，提示词类站点的同质化程度很高——大家都能列出一堆模板，凭什么选你？这就是本案例要解决的核心问题。

二、诊断：先搞清楚问题在哪

做 GEO 优化最忌讳一上来就写文章。第一步应该是看现状。

我们对 zousanzy.cn 做了一次完整诊断，结果如下：

2.1 技术层面（12 项问题）

2.2 三个值得说的发现

发现一：备案号没出现

备案号是中文站点的合规底线，也是 AI 判断「这是不是一个真实可用的国内服务」的隐性信号。页面里完全没有出现。

发现二：首页 809 字

首页可见文本只有 809 个字符。这个量级下，AI 几乎无法从中提取出「这个工具是干什么的、有什么特点」的有效信息。

发现三：全站 0 张图片（最反直觉）

这个站的品牌主张是「带效果演示」——效果演示就是这个产品最核心的卖点。但官网上一张图都没有。

这是本案例最重要的一个洞察：诊断不止是查技术项。技术和品牌叙事的错位，往往比技术问题更影响结果。你的卖点如果 AI 看不到，它就无法在回答里提到。

三、方案：三层结构

GEO 优化不是「多发文章」，而是建一套让 AI 能理解、能采信、能引用的结构。我们分了三层：

3.1 第一层：基础设施（让 AI 能找到）

其中 llms.txt 是 GEO 和传统 SEO 差异最大的地方。它不是给搜索引擎看的，而是专门给大模型准备的内容索引。

3.2 第二层：内容集群（让 AI 有东西可引）

在 aigeo.macjc.cn 上为提示词宝库建立了 15 篇内容集群，结构如下：

为什么这样切分：用户的提问是分层的——有人问「提示词宝库是什么」（品牌意图），有人问「绘画提示词怎么写」（场景意图），有人问「提示词为什么不生效」（问题意图）。每一层都要有对应内容承接，AI 才能在各种问法下都找到你。

内容总量：32,204 中文字，106 组 FAQ，76 条内链。

3.3 第三层：实体标记（让 AI 知道「这里有个工具」）

这一层最容易被忽略。

常规做法只标 Article，等于告诉 AI「这里有一篇文章」。但对工具类产品，你希望 AI 理解的是「这里有一个可以用的工具」。

所以我们额外注入两类标记：

SoftwareApplication —— 声明这是一个可用工具：

{
  "@type": "SoftwareApplication",
  "applicationCategory": "DesignApplication",
  "isAccessibleForFree": true,
  "offers": { "price": "0" },
  "featureList": [
    "浏览带效果演示的提示词模板",
    "一键复制模板",
    "交互式引导生成提示词",
    "覆盖绘画、脚本、写作、编程场景",
    "微信小程序可用"
  ]
}

Organization —— 把品牌实体串联起来，携带 ICP 备案号、小程序名称、官网地址，让 AI 知道「aigeo 上的这些内容」和「zousanzy.cn 这个工具」是同一个主体。

这个思路可以推广到任何工具类产品：你不只要让 AI 引用你的文章，还要让 AI 把你的文章和你的产品关联起来。

四、执行中的三个真实教训

案例复盘最有价值的部分是踩坑。这里如实记录。

4.1 教训一：API 返回成功 ≠ 内容真的进去了

问题：15 篇里有 9 篇发布时，接口全部返回成功，但页面上是空的。

诊断：对比发现，出问题的文章在数据库里只有 176 个字符，而正常文章是 28,000+ 字符。

根因：提交内容时少传了一个参数。系统按默认格式解析，解析失败了，但依然返回 200。

教训：

判断成功不能看返回值，要看结果。 现在所有发布流程都强制校验内容长度，低于阈值直接报警。

4.2 教训二：检查范围不对，会得出完全错误的结论

问题：我们写了个脚本检查全站结构化数据，结论是「58 篇全部正常」。

真相：脚本只检查了页面头部区域。而这个网站主题原生的面包屑数据，是输出在正文区域的。检查范围漏了，自然什么都查不到。

重新做了全文检查后，才发现有 44 篇存在重复标记。

教训：

假阴性比假阳性更危险。 假阳性你会去修，假阴性你会以为没问题。审计范围必须覆盖完整。

4.3 教训三：孤儿页在 GEO 里等于不存在

内容集群写到一半时，我们发现有一篇文章没有任何其他文章链接指向它。

这类页面在传统 SEO 里叫「孤儿页」，会损失权重。但在 GEO 里后果更严重：

AI 是通过链接关系发现内容的。没有任何入口的页面，等于对 AI 不可见。

补上内部链接后，15 篇实现了 0 死链、0 孤儿页。

五、结果

5.1 交付完成度

5.2 每篇内容最终具备的结构

页面头部：
  ├─ Article              基础文章标记
  ├─ FAQPage              问答结构（7-8 组/篇）
  ├─ SoftwareApplication  工具实体标记
  └─ Organization         品牌实体标记
页面正文：
  └─ BreadcrumbList       层级导航标记

5.3 关于「效果」的诚实说明

GEO 的效果不是即时的，也不是能承诺具体数字的。这里必须说清楚：

• 内容被 AI 抓取、理解、引用，通常需要 数周到数月
• 不同 AI 平台的抓取策略不同，无法保证每个平台都收录
• 最终能否被引用，还取决于内容质量本身

所以本案例的价值不在于「我们让某篇文章被 AI 引用了」，而在于：

把一套原本不具备 GEO 条件的站点，改造成了具备被 AI 理解、采信、引用基础结构的站点。

这是可控的部分。至于什么时候被引用、被哪个平台引用，属于平台侧的黑盒，谁都无法承诺。

六、可复用的诊断清单

这套方法不只适用于提示词工具，任何工具类产品都可以照着查。

6.1 技术项清单

6.2 内容项清单

6.3 最后一条最重要

清单里最容易漏掉、也最影响结果的是最后一项——品牌卖点有没有对应的呈现。

提示词宝库卖「效果演示」，但全站 0 张图。这种错位比缺一个 sitemap 严重得多。技术项修起来是几小时的事，卖点呈现是产品层面的问题。

七、常见问题

Q1：GEO 和 SEO 是一回事吗？

不是。SEO 的目标是在搜索结果里排得靠前，GEO 的目标是被 AI 在回答里引用。两者有大量重叠的基础设施（sitemap、结构化数据），但 GEO 多了 llms.txt、实体标记、问答结构这些专门面向大模型的优化。现在做 SEO 的站点，建议同步补上 GEO 这一层。

Q2：为什么案例里要花篇幅讲踩坑？

因为坑比结论更有复用价值。看到「15 篇全部上线」这个结论，你学不到东西；但知道「API 返回成功不等于内容落库」，你下次就不会犯同样的错。

Q3：工具类产品的 GEO 优化重点是什么？

两点：一是把「工具能力」用结构化数据声明清楚（SoftwareApplication）；二是让内容覆盖用户用自然语言问出来的各种场景。用户不会搜「提示词宝库」，他会问「怎么写出好用的绘画提示词」。

Q4：这个案例的实际效果怎么验证？

可以自己去 AI 平台搜索相关问题，看回答里是否出现提示词宝库。但要注意两点：不同平台结果不同，且需要给内容足够的收录时间（数周至数月）。建议在优化完成后 4-8 周再评估。

Q5：我自己动手从哪一步开始？

按这个顺序：先补齐 robots.txt 和 sitemap.xml（半天），再加结构化数据（1-2 天），然后才是内容集群（数周）。技术项是地基，跳过地基直接写内容，效率会很低。

Q6：做 GEO 需要多少内容量？

没有固定数字。关键是覆盖度而不是数量——用户主要的提问场景是否都有对应内容承接。这个案例用了 15 篇覆盖提示词工具的常见问题，你可以按自己行业的提问场景数量来推算。

Q7：AiGseo 提供什么样的 GEO 优化服务？

我们做的是完整链路：站点诊断（找出技术和内容层面的问题）→ 基础设施建设（robots、sitemap、llms.txt、结构化数据）→ 内容集群建设（支柱页 + 场景页 + 问答结构）→ 结构审计（确保全站标记规范、无死链、无孤儿页）。如果你也想给自己的产品做一次 GEO 优化，可以从一份完整的站点诊断开始。

延伸阅读

• GEO 和 SEO 有什么区别？两套优化逻辑的完整对比
• llms.txt 是什么？为什么 AI 时代需要它
• 提示词宝库是什么？带效果演示的 AI 提示词工具使用指南
• 为什么提示词要带效果演示？降低试错成本的方法