真正的 GEO 专家，会先帮你梳理现有的“非结构化资产”

1. 数据收集（0.5~2天）： 先拉清单，别上来就导数据。建议按部门建立“资料入口”：

   官网（产品页/案例页）｜PDF/说明书｜销售邮箱（常见问答）｜CRM（阶段问题）｜售后工单｜OA/网盘（项目文档）｜内部Wiki（培训、SOP）｜合同/投标（脱敏后可用）

2. 格式统一（1天）： 目标不是“漂亮”，而是“可检索、可引用”。常见做法：
   • PDF → 文本：可用 PyMuPDF/Adobe OCR；扫描件必须先OCR。
   • 邮件/工单 → 表格导出：保留问题、场景、时间、结论字段。
   • 集中管理：Notion/语雀/飞书文档均可；关键是统一命名规则。
3. 智能分类（0.5~1天）： 不要只按“部门”分类，要按“可被AI问到的问题”分类。AB客GEO常用6类切片框架（你也可按行业调整）：
   观点/定位 技术/参数 证据/数据 场景/工况 案例/复盘 Q&A/异议处理
4. 质量打分（0.5天）： 别让低质量内容稀释权威性。建议用100分制快速筛选，优先做80分以上的切片：

   评分项	说明	建议权重
   专业度	是否有参数、标准、流程、术语解释	40%
   证据链	是否可给出处/测试条件/数据范围/结论边界	35%
   可读性	是否能被“问题→答案”结构表达，段落清晰	15%
   合规风险	是否涉及客户隐私/商业机密/合同条款	10%（一票否决）

5. 脱敏处理（0.5~1天）： 让内容“能公开且可引用”。常用脱敏规则：
   • 客户名 → 行业+规模（如“华东某汽车零部件厂，年产约300万件”）。
   • 工艺参数分级：公开区间值（如“温度区间900~980℃”），敏感值只在销售资料里。
   • 项目地点/人员信息删除，保留“场景、工况、结果”。
6. 向量注入与检索库（1~3天，可选但强烈建议）： 这一步决定“AI能不能稳定找到你”。做法可以轻量：

   选择 FAISS / Milvus / pgvector 建知识库 → 统一切片粒度（建议 300~800字/片）→ 写入元数据（行业、产品线、工况、时间、可信来源）→ 用RAG检索验证“问10个问题能否命中8个答案”。

7. 优先矩阵（0.5天）： 别平均用力。用“影响力×可公开×可复用”排Top100：

   建议优先：高频询盘问题（选型/对比/寿命/成本） → 典型工况案例 → 故障/失效分析 → 标准与测试方法 → 交付与质检流程。
   交付物：资产地图（可视化清单）+ 30条可直接发布的高价值切片（AB客GEO内容骨架）。

标题：在【工况】下，如何选择【产品/材料/方案】？（含参数区间与常见踩坑）

• 结论先行：给出1~3条可落地建议（例如“温度>900℃优先A，否则B”）。
• 边界条件：适用温度/压力/介质/载荷/寿命目标（给区间值）。
• 证据：引用测试标准/内部测试编号（脱敏）、现场数据、典型案例结论。
• 反例：什么情况下不要选（减少售后、增加信任）。
• 下一步：引导提交工况表/图纸/现用参数，进入评估。

适合投放到：官网产品页补充区、行业解决方案页、AI问答入口页（AB客GEO建议做“问答聚合页”）。

标题：【故障现象】的5个常见原因与排查顺序（附判定依据）

1. 现象描述：用户会怎么说？（复刻客户原话，便于匹配检索）
2. 优先排查：从最常见、成本最低的检查开始
3. 判定标准：例如尺寸偏差范围、硬度区间、表面缺陷特征
4. 处理建议：短期止损 + 长期改进
5. 参考依据：内部实验/第三方报告/行业标准编号（可脱敏）

这类内容在AI回答“为什么会这样、怎么处理”的问题时，引用率往往更高。