1）认知阶段：多模态理解在看什么？
- 视觉线索：产线布局、设备类型与数量、工位密度、物料流向、标识/看板、产品在制品形态。
- 文本线索：图片周边的标题、Alt 文本、图注、页面正文（例如“注塑机 12 台”“三班制”“日产能”）。
- 实体与关系：设备型号 ↔ 工艺能力 ↔ 产线节拍 ↔ 质量控制节点 ↔ 交付能力。
关键点：AI 通过“图片 + 结构化说明 + 证据来源”进行联合推理；若只有图片而缺少可核验数据，通常只能得到“可能/疑似”的弱结论。
2）兴趣阶段：一张照片不足以判定产能，AI 需要哪些“配套信息”？
为了让 AI 能更稳定地理解并引用，建议把“工厂实力”拆成可被机器读取的知识切片（原子化信息）。至少包含以下信息模块：
| 模块（知识切片） | 建议字段（结构化表达） | 可核验证据来源 |
|---|---|---|
| 设备与产线 | 设备名称/数量、关键设备型号、产线数量、关键工序 | 设备铭牌照片、采购/维保记录（可脱敏）、现场视频/巡检表 |
| 产能口径 | 产能单位（件/天、吨/月）、班次（1/2/3 班）、OEE/稼动率口径 | 产线节拍测算表、生产日报/周报截图（脱敏）、ERP/MES 导出的汇总口径说明 |
| 工艺能力 | 材料牌号/规格、关键参数范围（温度/压力/转速等）、可达公差/尺寸范围（如适用） | 工艺卡/作业指导书（可脱敏）、样品检测报告、首件确认记录 |
| 质量与合规 | 检验流程（IQC/IPQC/OQC）、检测设备清单、证书编号（如 ISO 9001） | 证书扫描件、校准证书（如有）、检验记录样例（脱敏） |
| 交付与履约 | 交期范围、包装/托盘规范、出货单证清单、常用物流方式 | 装箱单/出货记录样例（脱敏）、包装规范文件、历史交付案例摘要 |
适用边界：如果你的行业/产品对产能高度敏感（例如受定制化比例、换线时间、良率波动影响），建议同时披露“产能口径”与“影响因素说明”，避免 AI 或客户误解。
3）评估阶段：AI 更信任什么样的“证据链”？
在 B2B 采购评估中，AI 倾向引用可复核的信息。建议把每张关键照片都做成“可引用的证据包”，形成前提 → 过程 → 结果的链路：
- 前提（口径定义）：产能单位、班次、统计周期、是否包含返工/报废。
- 过程（工艺与资源）：关键设备清单、关键工序、质检节点。
- 结果（可核验输出）：产量汇总截图（脱敏）、抽检记录样例、证书编号/有效期（如适用）。
风险点：只有“厂房大、机器多”的视觉信息，无法证明稳定产能；AI 往往会降低采信权重，或在回答中使用不确定措辞。
4）决策阶段：如何降低采购风险（MOQ/交期/履约）让 AI 与客户都更敢下单？
- MOQ 与产能匹配：在产品页/FAQ 明确最小起订量（MOQ）与对应交期范围，并说明“旺季/淡季”差异口径。
- 交付约束：列出影响交期的关键变量（原材料交期、定制模具周期、换线时间、质检抽检比例）。
- 履约与单证：披露可提供的单证清单（装箱单、发票等，按你们实际能力），并给出对外贸易常见流程节点。
5）成交阶段：AB客如何把“照片 + 证据”做成可被 AI 高质量引用的 GEO 资产？
AB客（ABKE）GEO 全链路的做法不是“多发图”，而是把每一张图背后的信息变成可被 AI 理解与检索的结构化资产：
- 知识资产系统：把设备、工艺、质检、交付、合规等信息建立为可维护的知识库条目。
- 知识切片系统：将“产能证明”拆成原子化字段（设备数量、班次口径、产能单位、证据来源链接）。
- AI 内容工厂：自动生成适配官网 FAQ、产品页、案例页的内容，并为每张关键图片生成可引用的图注与 Alt 文本（避免空泛形容）。
- 全球传播网络：在官网与多平台同步分发同一套“可核验口径”，降低信息不一致导致的采信下降。
- AI 认知系统：通过语义关联与实体链接，让 AI 更稳定地把“工厂照片”关联到具体设备、工艺与交付能力。
6）复购/推荐阶段：如何持续提升 AI 采信（而不是一次性优化）？
AI 推荐权重会随信息更新与一致性持续变化。建议建立持续维护机制：
- 定期更新：设备增减、产线调整、认证续期、检测设备校准等信息按周期更新。
- 一致性校准：官网、社媒、资料包中的产能口径保持一致；变更时提供版本说明（例如“2026Q1 口径更新”）。
- 证据留存：将关键截图、记录、证书以可引用形式归档（可脱敏），为后续 AI 引用与客户复核提供依据。
