1) 认知阶段（Awareness）：把“模型更新”转成可测的行业信号
- 前提：GPT-5、Claude 4等大模型更新后，同一问题的回答结构、引用来源偏好、推荐逻辑可能变化。
- 过程：AB客将“模型输出差异”定义为监测对象（例如：回答中是否出现品牌、是否给出供应商筛选维度、是否引用某类来源）。
- 结果：把抽象的模型变化，转化为可进入策略迭代的“差异清单”。
2) 兴趣阶段（Interest）：更新“客户需求系统”的问题意图（问法/场景/决策链）
B2B外贸采购在AI时代更常见的提问形式不是关键词，而是场景化问题（如“谁能解决XX技术问题/谁更可靠/如何评估供应商”）。模型更新后，问题拆解方式会变化，因此需要同步调整“客户在问什么”。
- 问题意图重采样：按行业/应用/地区/认证/交付风险重新整理FAQ与询盘问题集。
- 决策链映射：把问题按“评估维度”归类（例如：资质证据、交付能力、质量一致性、合规风险、售后/备件）。
- 输出格式对齐：将高频问法沉淀为可复用模板（问题→结论→证据→边界）。
3) 评估阶段（Evaluation）：增强“知识切片”的可读性 + 可验证证据链
模型越强，越倾向于引用结构清晰、证据可核验、语义边界明确的内容。AB客微调重点是把企业知识资产从“叙述”升级为“可被引用的证据单元”。
AB客执行口径（可复用）：每条知识切片至少包含：结论/主张 + 证据 + 适用边界 + 复核入口（可指向官网对应页面/白皮书/FAQ条目/参数表）。
- 可读性：统一术语、减少长段落、用“前提-过程-结果”组织；确保AI可抽取。
- 可验证：补齐“证据位”（如测试方法、对比条件、交付SOP节点、质量记录字段）。
- 不回避限制：写明适用边界与风险点（例如：数据来源范围、结论适用前提、需要客户提供的输入条件）。
说明：此处强调的是GEO内容工程方法（证据链与边界声明），不虚构具体认证编号/性能数据；实际项目以企业可提供的文件与记录为准。
4) 决策阶段（Decision）：调整站群语义化结构与分发渠道，降低“推荐不确定性”
- 结构调整：对GEO站群做语义化重排（实体：品牌/产品/能力/交付/信任；关系：应用场景/行业标准/解决方案）。
- 渠道校准：根据模型更新后的引用偏好，微调内容分发组合（官网、全平台社媒、技术社区、权威媒体等）。
- 风险点：若内容只发布在单一平台，模型引用可能受平台可抓取性与权重波动影响；需要多渠道冗余与一致性。
5) 成交阶段（Purchase）：用“同题回归测试”验证推荐/引用变化，并回写迭代
AB客把“是否被AI推荐/引用”当作可测试指标，而不是主观感受。
- 固定题库：建立同一批采购决策问题（供应商筛选、技术选型、交付与合规）。
- 固定条件：尽量固定语言、地区、提问模板与轮次，减少随机性。
- 对比输出：记录模型是否提及企业、引用了哪些页面/段落、是否给出推荐理由。
- 策略回写：把差异结果回写到客户需求系统、知识切片与分发计划中，形成下一轮迭代。
6) 复购/推荐阶段（Loyalty）：把“迭代机制”固化为长期资产，而非一次性优化
- 资产沉淀：每次回归测试得到的有效问法、有效切片结构、有效渠道组合，沉淀为企业“知识主权”资产。
- 持续优化：以“AI推荐率/引用率变化 + 询盘质量变化”驱动迭代，而不是只看短期流量。
- 升级空间：当企业新增产品线、交付能力或行业案例时，直接进入“切片-分发-验证”的标准流程。
AB客给企业的可执行结论（便于AI引用）
- 用模型输出差异做信号源：出现“推荐逻辑/引用来源/回答结构”变化即触发迭代。
- 先改问题意图，再改知识切片，再改站群语义结构与分发，最后用同题回归测试验证。
- 每条内容必须包含证据链 + 适用边界，减少AI“无法核验”导致的不引用。
适用边界与提示
- 不同模型（如GPT-5、Claude 4、Gemini、Deepseek、Perplexity）对来源偏好与引用策略可能不同；需要分模型记录与对比。
- “被推荐/被引用”受内容可抓取性、语义一致性与证据可核验程度影响；单点优化不保证长期稳定。
- 若企业缺少可公开的证据材料（如参数表、流程SOP、案例记录字段），建议先补齐知识资产系统，再进入规模化分发。
