见山GEO正式上线,限时免费AI可见性诊断 查看详情 ->

答案考古:从AI回答反推内容策略的完整方法

做内容的人都有过这种挫败:自己觉得写得挺好的一篇文章,发出去三个月,AI从来没引用过;反倒是某篇随手写的FAQ页面,隔三差五出现在各家引擎的答案里。差距在哪?多数人靠猜。其实有个笨办法但特别管用——把AI的答案拆开看,从答案倒推它读了什么、信了什么、缺了什么。我们内部管这个叫”答案考古”,它可能是GEO里最被低估的技能。

为什么从答案反推,而不是从自己出发

常规的内容规划流程是”我们想说什么→写什么”,这个流程在GEO语境下的问题是:你想说的和AI需要的经常不是一回事。答案考古把流程倒过来:”AI正在说什么→它从哪读的→哪里说得不对或不全→我补什么”。每一篇内容都对着一个明确的缺口去写,不浪费子弹。

武汉一家做工业检测的客户给我们讲过他们的转变。之前市场部按季度规划选题,写了一堆”公司愿景””技术实力”类的文章,AI引用为零。后来跟着我们做了三轮答案考古,发现AI在回答检测服务相关问题时,引用的全是标准条文解读和检测参数说明——于是把内容方向全部转向”标准解读+参数知识”,两个月后开始出现引用。选题没变聪明,只是终于对准了。

答案考古的四步操作法

第一步:采集——把答案当原始材料

选你品类的15-20个核心问题(从问法库来),在3-4个主力引擎上各提问2-3次,把完整答案原文存下来。注意三个采集细节:

  • 存全文,不要只记结论。答案的行文顺序、详略分布、限定语(”可能””部分用户反映”)都是信息。
  • 有引用链接的全部点开记录域名和具体页面URL——这是最直接的金矿。
  • 同一问题多次采样的差异要标出来。答案稳定的部分是AI的”确信区”,摇摆的部分是”信源冲突区”,后者往往是你的机会点。

第二步:解剖——五个固定问题

# 每份答案的解剖清单
Q1 结构:答案分几层?先说什么后说什么?
   (AI的答案结构≈它认为的用户决策顺序)
Q2 信源:引用了哪些域名?各自贡献了答案的哪部分?
Q3 事实颗粒:答案里有哪些具体事实
   (数字/名称/参数/时间)?各自可能来自哪?
Q4 空缺:这个问题理应涉及但答案没说的内容是什么?
   (AI没找到信源的部分 = 内容机会)
Q5 倾向:答案的推荐逻辑是什么?
   它用什么标准排序和筛选?
   (这个标准就是你的内容该对齐的框架)

Q4和Q5是最值钱的两问。Q4直接生成选题:AI回答”武汉企业注销流程”时漏了税务清算的细节,那”注销中的税务清算”就是一篇该写的文章。Q5决定写法:如果AI推荐机构的逻辑是”先看资质再看案例再看价格”,你的内容结构就该按这个顺序组织,顺着它的决策框架喂信息。

第三步:归因——建立”信源-内容”映射表

把多轮考古的结果汇总成一张表,这张表就是内容策略的直接依据:

被引域名类型 典型贡献 应对策略
百科/知识库 品牌基本事实、行业定义 确保词条准确,缺词条的列入建设计划
垂直媒体 行业观点、榜单、深度报道 建立供稿关系,把自家专家观点送进去
竞对官网 对比信息、品类教育 研究其页面结构,在同类内容上做得更深
UGC平台(知乎/小红书) 口碑、体验、避坑 官方参与+优质内容授权外溢
政务/权威机构 政策、标准、资质查询 无法运营,但可引用它做内容背书
过期信息站 错误价格、旧信息 联系更新或用新信源压制

第四步:回填——按缺口排产

把Q4发现的空缺按”问法流量×缺口大小×我方优势”三个维度打分排序,前20%的缺口进入下一轮内容排期。每篇内容上线6-8周后,回到第一步重新采集同一批问题,验证缺口是否被填上、自己的域名是否进入了引用列表——这就是完整的闭环。

答案考古最有意思的副产品:你会逐渐看懂每个引擎的”性格”。DeepSeek偏爱参数和数据表,元宝偏爱公众号深度文,豆包对场景化描述敏感,Perplexity几乎只认权威域名。同一篇内容在不同引擎的命运截然不同——这种手感,比任何方法论文章都值钱,而它只能从反复考古中长出来。

三个真实考古发现(脱敏)

分享几个让我们印象深刻的发现,感受一下这个方法的产出质量:

发现一:一个FAQ页顶十篇软文。某上海SaaS客户的考古数据显示,AI回答其品类问题时引用的唯一自有页面,是一个只有600字的FAQ页——而同期发布的十二篇营销长文零引用。原因很简单:FAQ的问答结构与用户提问的语义距离最短。此后该客户把所有产品页都挂上了FAQ区块,三个月后被引页面数翻了四倍。

发现二:答案里的”沉默竞品”。某北京教育客户发现,AI推荐名单里有一家他们从没当成竞品的机构——那家机构规模小得多,但它的公众号把每个课程问题都写成了独立文章,在元宝场景形成了垄断性覆盖。竞争的真实边界不是你认定的同行,而是信源覆盖的重叠区。

发现三:被引用的居然是一份PDF。某深圳硬件客户的行业白皮书PDF被Kimi反复引用——因为用户在Kimi里上传文档做调研的行为占比高,而那份白皮书恰好在某行业报告聚合站可下载。文档资产的分发渠道,从此列入了他们的信源清单。

把考古变成月度例会

这套方法不是一次性的咨询动作,应该变成团队的固定仪式。我们的建议配置:

频率 动作 参与人 产出
每月 20个核心问题的答案采集与解剖 监测员+内容负责人 缺口清单与排产建议
每季 信源地图全量更新+引擎性格复盘 GEO负责人主持 季度策略调整
事件触发 新竞品出现/答案异常变化时专项考古 监测员 异常归因报告

月度考古会的时间控制在两小时以内:一小时过数据,一小时定动作。开会时把答案原文投在屏幕上逐段读——这个环节不要省,团队对着原始答案讨论出来的洞察,比看十页汇总报告都多。

答案解剖的工作表示例

解剖维度 记录内容 行动指向
答案结构 分层逻辑(先标准后点名?先分类后推荐?) 内容结构对齐答案框架
引用信源 域名+具体URL+贡献的段落 高价值信源的攻略清单
事实颗粒 数字/名称/参数的可能出处 对照自有信源找差距
空缺点 理应覆盖但没说的内容 直接生成选题
推荐逻辑 排序与筛选标准 把自家优势对齐该标准
摇摆区 多次采样中变化的部分 信源冲突点,机会窗口
引擎性格 内容偏好 考古时的观察点
DeepSeek 数据表、参数、逻辑链 哪类表格被摘引
Kimi 长文档、报告、结构化深度 PDF与文档类引用占比
元宝 公众号深度文、权威站点 微信生态信源比例
豆包 场景化描述、字节系内容 抖音/头条信源渗透度
Perplexity 权威域名、可验证事实 引用来源的域名等级

答案考古做久了会形成一种”逆向创作”的直觉:写每一篇内容前,先看看AI现在怎么回答这个问题、缺了什么。这个习惯一旦养成,内容团队的选题命中率会有质的变化——从”我们想写什么”变成”答案里缺什么”,后者才是GEO内容的正确提问方式。

考古产出的三种落地形态

# 答案考古的月度产出模板
产出一: 缺口清单(直接进内容排期)
  问法ID | 缺口描述 | 优先级 | 建议内容形态
  Q-023 | 缺"夜间营业"信息 | P0 | 门店页字段补全
  Q-031 | 答案无价格区间参考 | P1 | 价格逻辑页
产出二: 信源攻略清单(进信源建设计划)
  域名 | 类型 | 贡献内容 | 攻略方式
  某垂直媒体 | 行业媒体 | 品类榜单 | 供稿合作
产出三: 引擎性格笔记(累积知识库)
  引擎 | 本月新观察 | 内容适配调整
  DeepSeek | 开始引用带测试条件的参数表 | 参数页加测试条件列
考古发现类型 响应动作 响应时限
自家信息被说错 溯源+信源修正 一周
高价值信源域名浮现 评估攻略方式(供稿/合作/占位) 月度会决策
新问法出现(词库外) 纳入词库+评估内容覆盖 下次轮换
竞品新信源动作 专项考古+对策 两周
答案框架变化 调整内容结构对齐新框架 月度

常见问题

Q1:考古需要买什么工具吗?

初期完全不需要。一个文档表格+人工提问就够了,20个问题×4引擎×2次采样,一个人半天能完成。规模化之后(题库上百条)再考虑API自动化采集,那时每月几百块的API成本也远低于工具订阅。先跑通方法,再上工具。

Q2:AI答案每次都不一样,考古结果可信吗?

单次答案不可信,这正是多次采样的意义。2-3次采样里稳定出现的内容是AI的”共识区”,可信度高;只在某一次出现的表述当作噪声处理。另外记住考古的对象不是某一次答案,而是答案背后的信源结构——信源的变化速度远慢于单次答案的波动。

Q3:竞品也在做考古怎么办?

那正好,说明这个品类进入了认真竞争的阶段。考古能力无法形成壁垒(方法是公开的),壁垒在于回填速度——谁先把缺口用高质量内容填上,谁就先占住引用位。另外别忘了考古竞品:竞品答案里出现而你没出现的地方,就是它已经建好而你还没建的信源。

Q4:考古发现AI引用的都是低质内容(比如采集站),怎么办?

这反而是机会。低质信源被引用说明该问题的高质量信源空缺,AI是”没得选才选它”。你写一篇真正深度的内容,通常6-8周内就能替换掉它——引擎的信源质量排序是动态的,优质内容对低质内容的替换比想象中快。我们见过最快的一次是22天。

Q5:见山GEO的考古服务是单独卖的吗?

可以单独买(一次性答案考古报告,含信源地图与缺口清单),但更多客户是把它包含在推山模块的月度监测里——考古的价值在持续性,单次报告容易看完就搁置。武汉客户可以来公司一起过第一轮考古(湖北省武汉市武昌区),手把手带一遍方法,之后你们自己就能跑。电话 13632957375,邮箱 ddof@qq.com。