数说故事人工智能科技股份有限公司

使用豆包、千问等生成式AI搜索一个的问题时，你可能已经注意到一个很有意思的现象：用户明明只输入了一句话，AI的搜索过程里却常常会显示“搜索了5个关键词”“参考了22篇资料”，甚至还会继续追加新的搜索和资料来源。

如图，在千问中询问“锋坦 Frontier Pro 和福特游骑侠 Ranger 怎么选？”，在思考过程和参考资料中，展示了5个所谓的“关键词”：“锋坦Frontier Pro和福特游骑侠Ranger对比”、“锋坦Frontier Pro参数配置价格”、“福特游骑侠Ranger参数配置价格”、“2025年锋坦Frontier Pro评测”、“2025年福特游骑侠Ranger评测”。

这里有一个非常值得品牌方GEO团队关注的问题：用户明明没有输入这些内容，它们究竟是怎么出现的？

“搜索5个关键词”，并不等于传统SEO里的5个关键词

首先需要澄清一个很容易被混淆的概念。一些生成式AI产品在界面上会使用“搜索X个关键词”这样的表达，但从它实际展示出来的内容来看，这里的“关键词”并不是传统SEO语境下的Keyword。

传统SEO里的关键词通常比较短，例如“婴儿奶粉”“国产奶粉”“新生儿奶粉”“奶粉推荐”。它们更像是用户可能输入搜索框中的核心词语，也是过去品牌进行搜索排名优化时最熟悉的研究对象。

但生成式AI展示出来的思考过程往往更完整。

例如，当用户问：“新生儿奶粉怎么选？”

AI后续真正发起的搜索可能是：

• “新生儿奶粉选择标准”
  

• “0—6个月婴儿奶粉配方”
  

• “婴儿配方奶粉营养成分”
  

• “国产婴儿奶粉品牌”
  

• “飞鹤1段奶粉配方特点”

这些内容已经不只是简单的几个关键词，而更接近一条完整的搜索查询（Search Query），“搜索5个关键词”更准确的含义应该是：AI围绕用户问题/提示词（User Prompt)和用户意图（Intent），生成并执行了若干条搜索查询（Search Query）。

这里还需要进一步区分“关键词”“信息需求”和“搜索查询”三个概念。

“新生儿奶粉”“1段奶粉”“奶粉配方”可以看作关键词；

“新生儿选择奶粉时应该重点关注哪些方面”属于AI为了回答原问题需要解决的信息需求；

而“新生儿 奶粉 选择标准”，则可能是为了获取相关资料而进一步转换出来的搜索查询。

换句话说，生成式AI的搜索过程更接近：用户提出问题（User Prompt) → AI理解用户真正想解决什么（Intent） → 判断还需要补充哪些信息（Sub-question） → 生成一个或多个搜索查询（Search Query） → 阅读和筛选资料 → 综合形成最终答案。

这也是为什么，用户只输入一个Prompt，后台却可能出现多条“搜索关键词”。

AI为什么回答一个问题，却要搜索很多东西？

如果消费者问：“新生儿奶粉怎么选？”

从传统SEO思路来看，很容易把这个问题转化成“新生儿奶粉推荐”“新生儿奶粉怎么选”“婴儿奶粉推荐”等几个相关关键词，再围绕这些词布局文章。

但生成式AI面对的任务其实并不是找到一篇“最像这个问题”的文章，而是要真正组织出一个足够完整、能够帮助用户做判断的答案。

“怎么选”本身就是一个消费决策问题。要回答好这个问题，AI可能首先要弄清楚，新生儿对应哪个奶粉阶段；随后还要判断选择奶粉时应该关注哪些配方信息，奶源是否重要，DHA、OPO等常见成分分别意味着什么，不同品牌和不同产品系列之间有哪些差异，以及某些结论是否存在足够可靠的资料依据。

也就是说，用户只提出了一个问题，但这个问题背后实际上隐藏着很多不同的子问题（Sub-question）和信息需求。AI需要把这些分散的信息拼接起来，才能最终告诉用户：如果更看重某一类营养或产品特点，可以重点比较哪些维度；如果宝宝存在特殊需求，又应该进一步参考哪些专业建议。

所以，生成式AI真正执行的不是“一个问题对应一次搜索”，而更像是围绕一个核心问题展开一轮小型研究。

一个用户问题，是怎样一步步变成多个搜索查询的？

AI首先要做的，并不是立刻搜索，而是理解用户到底在完成什么任务。

从表面上看，用户问的是“怎么选”；从任务本质来看，这是一个婴幼儿奶粉的消费决策问题，其中已经包含了明确的人群——新生儿，明确的品类——婴幼儿奶粉，以及明确的目标——找到适合自己的选择方法。

当用户意图（Intent）被理解之后，AI还需要进一步判断：为了真正回答这个问题，还需要知道什么？

于是，“适龄”“配方”“奶源”“品牌”“产品”“价格”“适用场景”等不同的信息维度就会被逐步展开，并形成多个子问题（Sub-question）。

比如，“适龄”对应的问题可能是“新生儿应该选择几段奶粉”；“配方”对应的是“选择婴儿奶粉时应该重点关注哪些成分”；“品牌”则可能进一步变成“目前有哪些主流国产婴儿奶粉品牌”。

这些仍然只是信息需求。真正进入搜索环节时，系统还可能把它们进一步转换为更适合搜索的表达，例如：

“新生儿 1段奶粉 0-6个月”
“婴儿配方奶粉 选择标准”
“婴儿奶粉 配方 营养成分”
“国产婴儿奶粉 品牌”

这时候就可以看出，AI并不是简单地从用户原问题里“提取关键词”。

因为“奶源”“配方”“营养成分”“品牌比较”这些内容，用户原本可能根本没有说出来。它们是在AI理解“要把这个问题回答完整，还缺什么信息”之后，主动延伸出来的搜索方向。用户只问一个问题，AI却可能替用户搜索很多相关问题。

| Google的Query Fan-out机制就会把一个复杂问题扩展为多个子主题，并围绕这些子主题同时执行多次搜索，再综合来自不同网页和数据源的信息。

AI的搜索并不一定一次完成

生成式AI搜索还有一个容易被忽略的特点：搜索查询并不一定在第一步就全部生成完成。

假设AI最开始搜索：“国产婴儿奶粉品牌”。

第一轮搜索后，它可能已经知道市场上有哪些主要品牌。但随后AI会发现，仅仅知道“有哪些品牌”，仍然不足以回答“哪个更适合新生儿”。于是它可能继续搜索：“飞鹤1段奶粉配方”、“金领冠1段奶粉配方”。

第二轮搜索之后，又可能发现不同品牌下面存在多个产品系列，而且价格带、配方重点和产品定位都不完全相同。于是新的信息缺口再次出现：哪些产品才应该放在同一维度比较？

搜索因此继续向更具体的方向推进。所以，真实的AI搜索过程更接近：用户问题（User Prompt） → 识别用户意图（Intent） → 拆解子问题（Sub-question） → 第一轮搜索查询（Search Query） → 阅读资料 → 发现信息缺口 → 生成新的搜索查询 → 再次搜索 → 比较不同来源 → 形成答案。

| OpenAI提及ChatGPT可能会将用户输入改写成一个或多个更有针对性的搜索查询，并在查看第一轮搜索结果之后继续发送更加具体的新查询。

这说明，生成式AI搜索并不是一个静态的关键词匹配过程，而是一个不断发现信息缺口、补充证据并逐步完成答案的动态研究过程。

这对GEO内容创作意味着什么？

如果AI只会搜索用户输入的原始关键词，那么品牌的内容策略其实不会发生太大变化：找到用户会搜索的词，然后围绕这些词写文章即可。

但当AI开始主动理解用户问题（User Prompt）、识别用户意图（Intent）、拆解子问题（Sub-question）、生成多个搜索查询（Search Query）并交叉验证不同来源时，品牌内容面对的竞争逻辑就已经改变了。

过去做SEO，我们经常问：用户会搜索什么关键词？

到了GEO阶段，还需要进一步问：当用户向AI提出这个问题之后，AI为了回答他，还可能继续搜索什么？

这两者看似只是增加了一步，实际上却会直接改变品牌内容的组织方式。

传统内容生产容易形成“一个关键词对应一篇文章”的逻辑，而GEO内容更适合建立“一个核心用户问题，对应一组信息需求，再对应一组内容资产”的结构。

因此，GEO文章真正要优化的，不只是关键词出现频率，而是一个问题所需要的信息覆盖度。

第一步：不要先做关键词表，先找到真实的消费者问题

品牌过去规划SEO内容时，往往会先整理一份关键词表。

例如母婴品牌可能首先看到的是：婴儿奶粉、国产奶粉、新生儿奶粉、奶粉推荐、奶粉品牌。

然后分别围绕这些词规划文章。

这种方法并没有失效，但如果目标是GEO，可以再往前走一步：先研究消费者真正会向AI提出什么问题。

比如：

新生儿奶粉怎么选？

国产奶粉哪个品牌比较好？

飞鹤和金领冠有什么区别？

宝宝容易吐奶，选择奶粉时应该重点关注什么？

1段奶粉主要应该比较哪些配方？

这些问题背后对应的已经不是单纯的信息搜索，而是非常具体的消费决策场景。

生成式AI擅长处理的正是这种完整的自然语言问题，因此，品牌的GEO内容规划也应该首先进入消费者真实的决策语境，而不是一开始就把需求压缩成几个孤立的关键词。

第二步：把一个核心问题拆成一张“信息需求地图”

确定消费者问题之后，不要马上开始写文章。

更好的做法是先问：如果我是AI，要把这个问题回答完整，还需要查清楚哪些信息？

例如围绕“新生儿奶粉怎么选”，至少可能涉及适龄阶段、配方结构、奶源、基础标准、品牌差异、产品系列、价格以及不同家庭需求等多个方面。

这些信息维度，实际上就是AI可能拆解出的子问题（Sub-question）集合。

这时，可以形成一张非常清晰的信息需求地图：

这一步和传统的关键词扩展看起来有些类似，但逻辑并不相同。

关键词扩展关注的是“还有哪些相关搜索词”，而信息需求地图关注的是：为了形成完整答案，还有哪些事实、判断和证据不能缺失？

对于GEO内容来说，后者往往更加重要。

第三步：不要堆很多近义关键词，而要覆盖一组相关搜索问题

信息需求明确以后，下一步才是推演AI可能围绕这些需求继续搜索什么。

例如，在“奶粉配方”这个信息维度下，AI可能继续搜索：

新生儿奶粉配方怎么看
婴儿奶粉营养成分怎么看
DHA奶粉是什么
OPO是什么意思
乳铁蛋白有什么特点

这些搜索表达虽然并不完全相同，但它们实际上属于同一类信息需求，也可能是同一轮查询扩展（Query Fan-out）中出现的相关搜索查询（Search Query）。

因此，品牌没有必要机械地把每个词都单独写成一篇文章，例如：

《新生儿奶粉配方怎么看？》
《婴儿奶粉营养成分怎么看？》
《宝宝奶粉配方怎么选？》

如果这些文章最终回答的内容高度重复，那么文章数量增加了，真正新增的信息却非常有限。

更合理的方法是围绕“新生儿奶粉配方选择”建设一篇系统内容，把配方怎么看、哪些成分值得关注、常见成分分别意味着什么、不同需求应该如何比较，以及消费者容易出现哪些判断误区一次讲清楚。

所以，衡量一篇GEO文章的价值时，更值得关注的并不是：出现了多少次目标关键词。

而是：它覆盖了多少与用户核心问题真正相关的信息需求和子问题。

第四步：让文章的小标题直接对应具体问题

对于GEO内容来说，文章结构本身也很重要。

如果标题是：《新生儿奶粉怎么选？》

正文不应该是一篇连续三四千字、几乎没有信息分层的长文章。

更合理的方式是按照用户和AI真正可能继续追问的问题组织章节，例如：

• 新生儿应该选择几段奶粉？

• 选择奶粉时首先应该看哪些信息？

• 奶源到底重要吗？

• DHA、OPO等常见成分应该怎么看？

• 不同品牌的奶粉应该如何比较？

• 哪些情况下不能只看品牌推荐？

这样的结构首先会显著降低读者的阅读成本。

更重要的是，每一个清晰的小标题，本身都对应一个相对独立的子问题（Sub-question）。

即使用户最初问的不是“新生儿奶粉怎么选”，而是单独询问：“奶粉奶源重要吗？”

文章中相应的内容仍然存在被AI搜索、识别和引用的可能。

因此，在GEO内容里，小标题并不只是为了排版好看，它同时承担着信息拆分和答案定位的作用。

第五步：结论前置，让AI更容易识别你到底在说什么

很多品牌内容有一个非常典型的问题：铺垫很多，结论很晚。

例如用户真正想知道的是：新生儿应该喝几段奶粉？

文章却先从行业发展、母婴消费升级、家庭育儿观念变化开始讲起，三四百字之后才真正进入答案。

这种写法适合某些品牌故事，但并不适合所有GEO文章。

更有效的结构通常是：

先给结论，再解释原因，再提供证据和适用边界。

例如：通常情况下，0—6个月婴儿对应1段婴儿配方奶粉。具体选择仍需结合产品适用月龄、宝宝实际情况以及专业建议判断。

之后再继续解释为什么、有哪些基础标准、不同产品存在什么差异，以及哪些特殊情况不能套用一般结论。

这种“结论—解释—证据—边界”的组织方式，既符合消费者获取信息的习惯，也让文章中的核心观点更加明确。

第六步：真正有价值的是证据（Evidence），而不是品牌自说自话

对于消费品牌来说，GEO内容还有一个非常重要的变化：品牌表达需要逐渐从“观点型内容”走向“证据型内容”。

例如一家奶粉品牌写：“我们拥有优质奶源、科学配方和卓越品质，是值得消费者信赖的品牌。”

这样的语言并没有错，但如果希望AI据此形成判断，它所提供的信息仍然非常有限。

因为AI真正需要进一步确认的是：

为什么说奶源优质？

配方具体有什么特点？

依据来自哪里？

有没有可以验证的数据或资料？

因此，更适合GEO的内容应该持续补充可验证的产品事实，例如适用年龄、配方信息、产品规格、奶源情况和产品系列差异；也需要增加消费者研究、市场调研、VOC分析等数据型证据；对于涉及营养、标准和行业判断的部分，则应尽量引用国家标准、监管机构、学术研究和行业报告。

除此之外，媒体报道、行业机构研究、专业人士观点以及真实消费者反馈，也能够帮助AI建立更加完整的品牌认知。

所以，从GEO视角看，品牌内容真正竞争的并不只是：谁写得更多。

更重要的是：谁能够持续提供更完整、更明确、更可验证的信息。

品牌最终需要建设的，不是一篇文章，而是一张内容网络

理解AI的搜索方式以后，就会发现，一个核心消费者问题通常不应该只对应一篇孤立文章。

例如：“新生儿奶粉怎么选？”

它背后完全可以形成一组相互关联的内容资产。

品牌可以有一篇完整的《新生儿奶粉怎么选？完整选择指南》，负责承接核心问题；同时建设《婴儿奶粉配方怎么看？》《奶粉奶源有什么区别？》《不同奶粉品牌应该比较哪些维度？》《1段奶粉应该怎么比较？》等专题内容，分别覆盖更加具体的信息需求和子问题。

还可以进一步补充消费者洞察，例如：《消费者选择婴幼儿奶粉时最关注哪些因素？》

这样形成的就不再是几篇彼此孤立的文章，而是一张围绕消费者决策问题展开的内容网络。

从AI搜索角度来看，这意味着：

当AI搜索“奶粉怎么选”时可以遇到品牌；

继续搜索“奶粉配方怎么看”时仍然能遇到品牌；

搜索“奶源”“品牌比较”“消费者评价”时，也依然有品牌提供的内容和证据。

因此，成熟的GEO内容规划应该逐渐从：一个关键词 → 一篇文章

转向：一个核心用户问题 → 多个子问题和信息需求 → 多组搜索查询 → 多个专业内容资产 → 一张完整的品牌信息网络。

这也是为什么，单纯比较“谁发了更多GEO文章”，往往无法真正衡量内容优化效果。

一篇GEO文章的创作流程是如何？

如果把前面的方法压缩成一套可以直接执行的流程，品牌在规划一篇GEO文章时，可以按照六个步骤推进。

1.找到消费者真正会向生成式AI提出的问题，而不是只从关键词表出发。

2.判断这个问题背后的真实意图（Intent）：用户到底是在了解知识、比较品牌、比较产品，还是已经进入购买决策阶段。

3.站在AI形成答案的角度，拆解回答这个问题必须覆盖的信息需求和子问题（Sub-question）。

4.围绕这些信息需求推演AI可能进一步搜索的内容，并将相近的搜索方向归并成清晰的主题。

5.为这些内容准备足够扎实的品牌事实、研究数据、案例、第三方信息和权威来源。

6.通过明确的标题、问题式小标题、结论前置、数据表格、事实引用和清晰判断标准，把这些信息组织成一篇易于阅读、易于理解、也更便于AI提取的专业文章。

整个流程可以概括为：

用户提示词（User Prompt） → 用户意图（Intent） → 子问题（Sub-question） → 搜索查询（Search Query） → 证据准备（Evidence） → 内容表达

到了这一步，品牌生产的就不再是一篇简单的“SEO关键词改写稿”，而是一篇真正围绕生成式AI获取和组织信息的方式设计出来的GEO内容。

写在最后：从“消费者会搜什么”，到“AI还会继续搜什么”

从SEO走向GEO，一个非常值得关注的变化是，搜索链路中增加了一个新的参与者。

过去，我们主要研究：消费者会搜索什么？

现在，还需要进一步研究：当消费者向AI提出问题之后，AI为了形成答案，还会继续搜索什么？

用户可能只问一句：“什么奶粉适合新生儿？”

但在真正形成答案之前，生成式AI可能已经替用户完成了关于适龄、配方、奶源、品牌、产品、消费者评价和专业标准等多个维度的信息检索。

这意味着，好的GEO内容不是把一个关键词重复得更多，也不是简单大量生产标题相近的文章，而是围绕：

用户提示词（User Prompt） × 用户意图（Intent） × 子问题（Sub-question） × 搜索查询（Search Query） × 品牌证据（Evidence）

建立一套完整的品牌内容体系。

真正高质量的GEO内容，不只是AI搜索某一个词时能够找到品牌，而是AI为了回答消费者的问题不断向下搜索时，在多个关键的信息路径上，都能够遇到品牌。

这也是消费品牌进行GEO优化时，需要逐渐从“内容数量竞争”转向“信息覆盖质量和证据质量竞争”的真正原因。

参考资料：

OpenAI｜Searching the web with ChatGPT

OpenAI｜Introducing ChatGPT Search

Google｜AI Mode in Google Search