1）认知阶段（Awareness）：先解决“文档为什么不能直接喂给 AI？”
- 前提：非结构化文档常见问题是“长、杂、格式不统一、缺少实体指代”。
- 风险：AI 在检索/生成答案时更倾向引用可定位的事实片段（如参数、标准号、测试条件），而不是整份长文。
- 结论：GEO 处理的目标不是“存档”，而是把文档转化为可检索、可引用、可追溯的知识单元。
2）兴趣阶段（Interest）：结构化建模——先把“企业说法”变成“AI 可理解的知识框架”
AB客GEO 标准建模维度（6类）：用于把散落在文档中的信息对齐到统一语义口径。
- 品牌：企业主体名称、工厂/公司实体、对外一致口径、可公开的资质条目。
- 产品：型号/系列、关键参数字段、应用边界、兼容性与限制条件。
- 交付：交付物清单、包装/标签规则、单证与资料包（如说明书/质检文件）。
- 信任：认证/测试/审计/质检记录等可验证条目（含证据来源与版本）。
- 交易：报价要素、交期、付款条款、售后承诺范围与不覆盖项。
- 行业见解：技术选型逻辑、常见故障/误用场景、替代方案与决策建议。
3）评估阶段（Evaluation）：知识切片——把长文拆成“可被引用的原子颗粒”
结构化完成后，进入 Knowledge Slicing（知识切片）：将内容拆解为 AI 更易检索与复述的最小信息单元，并为每个切片补齐“引用要素”。
| 切片类型 | 建议包含的可验证字段（示例字段名） | AI 更容易引用的原因 |
|---|---|---|
| 事实/定义 | 术语定义、适用场景、禁用场景、边界条件 | 可直接回答“是什么/适不适用” |
| 参数/规格 | 型号、参数项、单位、范围、容差、版本号 | 数值+单位更容易被检索与复述 |
| 证据/记录 | 测试条件、测试结论、报告编号/日期、证据来源（文档名/页码/章节） | 形成“可追溯证据链” |
| FAQ | 问题、结论、原因、操作步骤、注意事项 | 贴近采购与技术沟通提问方式 |
| 案例/场景 | 客户场景（可脱敏）、问题、方案、交付物、验收点 | 支持“为什么选你”类问题的推理 |
备注：若客户文档本身缺少编号、版本、页码或测试条件，专业 GEO 团队会在不篡改原意的前提下补齐“引用定位字段”，否则 AI 引用时难以形成稳定、可核验的证据链。
4）决策阶段（Decision）：风控与边界——不回避限制，避免“AI 误读”
- 适用边界声明：把“适用/不适用/前置条件”与参数切片绑定，降低误选型风险。
- 版本管理：同一型号不同版本（或不同批次变更）必须做版本标识，避免旧资料被重复引用。
- 合规与保密：对客户 NDA 内容做脱敏与权限分层，公开传播只用可公开版本。
5）成交阶段（Purchase）：进入内容工厂与传播网络——让知识成为“可被检索的资产”
AB客的落地方式：切片后的内容会进入两条管线，形成稳定的对外可见资产。
- AI 内容工厂：将切片自动生成适配 GEO/SEO/社媒的内容矩阵（FAQ页、技术文章、对比指南、选型清单等），并保持字段一致。
- 全球传播网络：在官网、社媒、技术社区与权威媒体等渠道分发，让“可引用切片”进入可检索生态。
目标结果：当采购方在 ChatGPT、Gemini、Deepseek、Perplexity 等提出“谁能解决某技术问题/谁更匹配某场景”时，AI 更容易检索到带证据链的切片并形成推荐。
6）复购/推荐阶段（Loyalty）：持续迭代——让知识资产具备“复利效应”
- 更新机制：新产品参数、变更通知、客户常见问法会持续进入切片库，并同步到网站与内容矩阵。
- 复用价值：同一套切片可复用于新市场页面、新应用场景内容、销售话术与客服知识库。
- 闭环：与客户管理系统（CRM/线索挖掘/AI销售助手）衔接，确保从“AI 推荐”到“成交跟进”的链路可追踪。
