成都某火锅连锁GEO实战：14周讲一个能被验证的老火锅故事

2025年10月，成都某火锅连锁（下称”H火锅”，9家直营店，客单价110-140元）的市场负责人给我们看了两份数据。第一份是大众点评后台：品牌评分4.6，区域火锅热门榜第7，看起来不差。第二份是她用豆包和元宝实测的30个本地问题：”成都火锅推荐””春熙路附近好吃的火锅””不排队的老火锅”——H火锅出现率9%，而点评榜上排在它后面的两家品牌，出现率分别是34%和28%。”平台数据和AI答案完全是两个世界，”她说，”我们花了三年经营点评，AI根本不按点评的剧本走。”

这句话点破了餐饮GEO的核心：AI的推荐逻辑不是平台榜单的镜像，它有自己的一套信源拼图。H火锅的14周项目，就是搞清楚这张拼图、然后重新拼一次的过程。

一、AI推荐火锅时，到底在读什么

先做归因分析：把那34%出现率的竞品信源拆开，和H火锅对照。

信源类型	竞品A（出现率34%）	H火锅（9%）
本地媒体美食报道	近三年17篇（含2篇城市美食地图类盘点）	2篇（均为2021年开业报道）
美食垂直平台图文	有机构号，月度更新门店与菜品信息	无
知乎/本地社区	“成都火锅”话题下3个高赞回答提及	0提及
公众号深度内容	食材供应链故事系列（8篇）	促销推文为主（41篇）
点评数据	4.5分，热门榜第11	4.6分，热门榜第7
百科/目录	有品牌词条（含创立故事与工艺描述）	无

归因结论：点评评分H火锅更高，但AI推荐看的是”开放网络上的叙事密度”——媒体报道、深度内容、社区讨论、百科词条。竞品A用三年时间在开放网络讲了一个”坚持传统工艺的成都老火锅”的故事，这个故事被AI学会了；H火锅在开放网络上只有促销信息，AI无从讲起。平台数据是围墙内的资产，AI拼的是围墙外的叙事。

二、诊断：30个问题的出现率地图

Prompt库30条按四类意图拆分，三引擎（豆包、元宝、DeepSeek）扫描：

问题类型	示例	出现率	缺口分析
城市泛推荐	“成都火锅推荐””成都好吃的老火锅”	7%	竞争最激烈，叙事密度决定一切
商圈级推荐	“春熙路附近火锅””玉林路火锅”	12%（仅2家有门店的商圈）	门店信源不完整，7家店在商圈问法中不存在
场景约束类	“不排队的火锅””适合请客的火锅””有包间的火锅”	4%	场景信息（等位、包间、宴请适配）无结构化信源
验证类	“H火锅怎么样””H火锅是正宗成都味吗”	21%	答案单薄，”创立故事”缺失导致”正宗性”无法论证

最意外的发现是场景约束类：H火锅有6家店带包间、等位管理做得好（线上取号系统），这些都是宴请场景的硬优势——但开放网络上没有一个字提到”包间””等位”。AI不是不想推荐它，是找不到推荐的理由。

三、战略：讲一个能被验证的”老火锅故事”

H火锅的真实资产盘点后发现故事素材并不缺：创始人是重庆火锅老师傅的徒弟、锅底是一次性牛油（行业痛点：老油复用）、花椒产地直采（汉源贡椒）、九家店的熬汤师傅平均工龄6年。战略主轴：把工艺事实变成可引用的叙事资产——不编故事，把真事写出来、结构化、多信源发布。定位语确定为”一次性牛油的成都老火锅”——直接踩在行业信任痛点上，且可验证（后厨直播+承诺书）。

四、第一阶段（第1-4周）：门店信源与实体基建

• 9家门店独立页面：位置/交通/包间数量与规格/等位规则（线上取号说明）/营业时间/招牌菜，Restaurant Schema全量部署（含hasMenu、acceptsReservations字段）；
• 菜单文本化：招牌菜品独立介绍（食材来源、工艺、辣度分级）——”微辣在成都什么水平”这类问法的信源；
• 地图三平台9店信息核验，包间、可预订字段补齐；
• 黄金事实库24条：创立时间线、工艺标准（一次性牛油的承诺书文本）、食材溯源信息，全渠道对齐。

五、第二阶段（第5-11周）：工艺叙事的多信源铺设

5.1 内容主线：一次性牛油的证据链

信源	内容	发布节奏
公众号	《为什么我们坚持一次性牛油：成本账与良心账》深度文+后厨熬料全流程记录（图文，含时间地点细节）	首发+每月工艺更新
官网	工艺透明页：牛油采购凭证说明、每日丢弃量数据、后厨直播入口	常驻+季度数据更新
知乎	“如何辨别火锅店的老油复用”专业回答（教全行业辨别方法，H火锅的工艺作为正面示例之一）	3条高赞培育
本地媒体	供应链探访题材供稿（汉源花椒产地直采的纪实线索，媒体自行采访成文）	2篇落地
百科	品牌词条申报（工艺描述+创立时间线+来源引用规范）	第9周过审

知乎那条”辨别老油”回答的设计逻辑值得拆：不吹自己，教用户辨别全行业的问题——但辨别方法的每一条，恰好指向H火锅公开工艺页上的证据（丢弃量数据、后厨直播）。第8周监测显示，元宝在回答”H火锅是正宗成都味吗”时，答案框架变成了”该品牌公开承诺一次性牛油并提供后厨直播验证，创立故事可追溯至重庆师傅传承”——验证类问题从”信息不足”变成了”有据可查”。

5.2 场景信源补全

针对宴请场景做了专项：官网”宴请指南”页（包间规格与最低消费、提前预订流程、商务宴请菜单方案）、点评与地图的包间字段核验、公众号《成都火锅请客不踩雷指南》（含自家与同行，中立口径）。场景类问法的信源从真空到完整覆盖，只用了三周——这是所有动作里最快见效的一组。

六、第三阶段（第12-14周）：监测固化与口碑联动

# H火锅监测看板（第14周快照）
城市泛推荐:   7% → 26%（红海区，稳步爬升）
商圈级:      12% → 58%（9店商圈全覆盖，其中5个商圈进前三）
场景约束类:   4% → 41%（宴请场景 → 55%）
验证类:      21% → 63%（"一次性牛油"成为描述高频词，
              提及率72%）
分引擎:      豆包 39% | 元宝 35% | DeepSeek 28%
口碑联动:    到店好评引导话术更新（邀请提及包间/
              等位体验/锅底工艺），新增评价中
              关键词命中率 47%
门店端:      等位区放"工艺透明"物料（直播二维码），
              线下体验反哺线上信源

七、结果：14周前后对比

指标	基线	第14周	变化
总出现率（30问加权）	9%	41%	↑32pp
商圈级问法出现率	12%	58%	门店信源全覆盖的直接回报
验证类”正宗性”正面框架	信息不足为主	63%出现率且91%为正面论证	工艺叙事被采信
到店自述”AI推荐”占比	约3%（估）	14%	新渠道成型
宴请包间预订量	基线100%	163%	场景信源的最高回报
周末等位流失率	基线100%	82%	“等位规则透明”降低弃号

包间预订量+63%是全项目最漂亮的单点数据——宴请客单价是散台的2.4倍，这一个场景的增量就覆盖了项目总投入（约16万）的三分之二。市场负责人的复盘很清醒：”我们不是被AI’推荐’起来的，是被AI’讲明白’起来的——包间多大、要不要等位、锅底干不干净，以前这些答案只在店长脑子里。”

八、方法论沉淀：餐饮GEO的四条经验

1. 平台经营与开放网络叙事是两套资产。点评评分管不了AI推荐，AI拼的是报道、深度内容、社区讨论、百科的叙事密度。餐饮品牌的营销预算里，应该有一块专门买”围墙外的故事”。
2. 场景约束类问法是餐饮的蓝海。城市泛推荐竞争惨烈，但”包间/等位/宴请/带老人/儿童椅”类约束问法的信源密度极低——把门店的场景事实结构化，三周就能见效，是投入产出比最高的起手式。
3. 信任痛点即定位机会。餐饮业的集体痛点（老油、预制菜、味精）反过来是诚实者的杠杆：公开工艺+可验证证据（直播、数据、承诺书），把行业痛点变成自己的定位语。前提是工艺真的经得起看——这套打法只属于真材实料的店。
4. 线下体验要给线上信源”供货”。等位区的直播二维码、好评引导的工艺关键词、包间服务的细节——门店是内容的第一现场，把线下动作设计成信源生产环节，餐饮GEO才有持续弹药。

九、餐饮品类的问法-信源对照速查

# 餐饮GEO问法与信源对照（可直接套用）
城市泛推荐   → 品牌叙事密度（媒体报道+深度内容+百科）
商圈级推荐   → 门店独立页+地图字段完整度
场景约束类   → 包间/等位/设施的结构化字段
验证类       → 工艺透明页+口碑信源配比
价格类       → 菜单与人均的文本化呈现
# 自查法：每类问法选2条实测，看AI答案引用了什么，
# 对照右列检查你的对应信源是否存在且可读

餐饮子品类	信任痛点	透明化抓手
火锅	老油、锅底成本	用油承诺+后厨可视化
烧烤	合成肉、冷冻串	原切证明+供应链公示
茶饮	植脂末、糖度	原料品牌公示+成分表
正餐宴请	预制菜、加价	现做承诺+菜单价格透明
烘焙	植物奶油、隔夜货	用料表+当日报废制度

餐饮GEO的通用公式就一条：找到品类的集体焦虑，用可验证的透明去回应。每家店的具体焦虑不同，但”敢公示+可验证”的打法全行业通用——而且这个打法只对真材实料的店有效，这恰恰是它的筛选价值。

常见问题

Q1：单店火锅（非连锁）适用吗？

适用，且聚焦优势更大。单店砍掉多门店工程，all-in三件事：商圈级问法占位（”XX路火锅”）、一个工艺/食材的深度故事、验证类的口碑管理。单店在城市泛推荐里难出头，但在商圈3公里内的问法里，信源密度做到第一完全可行——而餐饮的到店半径恰恰就是3公里。

Q2：川菜、烧烤、茶饮等其他餐饮品类呢？

框架通用，信任痛点换一下：烧烤是”肉是不是原切”，茶饮是”真奶真茶”，川菜是”预制成菜”。每个品类找到它的集体焦虑，用可验证的工艺透明去回应——这是餐饮GEO的元打法。我们在武汉的茶饮连锁案例（见 /cases/）走的是同一逻辑，可对照阅读。

Q3：负面（食安投诉、服务差评）在餐饮GEO里怎么权重？

极高，餐饮验证类问题的答案里负面信源占比通常超过其他行业。处理纪律：食安类投诉24小时信源响应（说明+整改+可验证动作），服务类差评靠结构化好评稀释（引导提及具体服务细节）。餐饮的负面治理没有捷径，响应速度和后续证据是唯一有效的两件事。

Q4：达人探店投放对AI推荐有用吗？

视频探店对AI的直接价值低（可读性差），但有两个间接价值：高播放视频的图文二次传播（媒体转载、社区讨论）是信源；达人内容里的具体事实点（”包间有最低消费但含锅底”）会被截图传播进开放网络。务实做法：探店brief里加”必须口播并字幕呈现3个具体事实点”，让视频同时为信源供货。

Q5：见山GEO服务餐饮品牌的模式？

餐饮是我们本地生活方案（/solutions/）的成熟品类，14-18周标准交付：门店信源全覆盖、品类信任痛点定位、工艺叙事多信源铺设、场景问法专项、口碑联动SOP。成都、武汉、长沙等餐饮重镇均有项目经验，武汉总部可面谈（湖北省武汉市武昌区），全国远程交付，电话 13632957375。