比选逻辑：GEO 服务商是否具备“行业垂直知识库”积累？

• 前提：生成式 AI 的推荐依赖实体-属性-证据的语义网络，而不是单纯的关键词堆叠。
• 过程：若没有行业字段与标准术语对齐，AI 会把企业信息理解为“泛化描述”，难以形成可检索、可验证、可引用的知识节点。
• 结果：最终表现为 AI 回答中“提不到你 / 提到但不具体 / 不敢推荐”。

1. 字段库文件：CSV/Excel/DB 导出均可，至少包含「字段名 / 定义 / 数据类型 / 示例值 / 适用范围 / 来源依据」。
2. Schema 映射表：明确每一类页面（产品页/行业页/FAQ 页/工厂页）对应的 Schema 类型与字段填充规则。
3. 术语词表与字段字典：包含同义词规则、单位规则、枚举值集合、标准编号引用方式。

验收建议：抽取 10 个 SKU/10 个典型应用场景，检查字段覆盖率（如 ≥90% 的关键字段可填充）、字段一致性（同字段不同页面取值不冲突）、以及 Schema 是否能在站点渲染与抓取。

• 只有“内容生成样稿”不等于知识库：样稿可快速产出，但缺少字段库/映射表/术语对齐，难以规模化复用。
• 行业差异会影响字段数：≥200 字段是“同垂直可用”的经验阈值；高度复杂行业（如精密制造、医疗器械）通常需要更多字段与更严格的取值约束。
• 标准引用必须可追溯：ISO/ASTM/EN 的编号、版本、适用条件要写清；无法追溯会导致证据链断裂。

将服务商评估从“方案讲得好不好”改为“资产交付能不能复用”。建议在合同/里程碑中写明：

• 字段库规模与覆盖范围（按品类/应用/工艺分层），以及可导出格式。
• Schema 清单与映射表作为必交付附件，支持后续迭代版本管理。
• 术语词表与字段字典需可复用到新产品、新页面、新渠道分发中。

目标：把 GEO 交付变成企业可持有的“知识资产”，而不是一次性内容消耗。