客户背景
客户是某地方螺蛳粉连锁品牌，在本地有若干家门店，客群以周边居民与写字楼白领为主。餐饮是本地生活赛道里节奏最快的品类，而用户找店的方式正在发生肉眼可见的迁移。
过去，人们找店的动作是「打开点评类 App → 看评分 → 看距离」；现在，越来越多的年轻人打开 AI 直接问：「附近有什么好吃的螺蛳粉」「晚上十点还开着的粉店」「适合带孩子去的地方菜」。AI 会基于地理位置给出一份推荐清单，用户按清单去，决策链路被压缩到一次提问。
该品牌在点评类平台的评分并不差，但在 AI 推荐的清单里，它从头到尾没有出现过。
优化前的 AI 可见度实测
基线检测显示，该品牌在「本地餐饮推荐」类问题下的出现率为 0%——不是排名靠后，而是完全不出现。我们进一步排查，找到了三个直接原因：
一是信息口径不统一。 品牌在不同平台上的门店名称写法不一致（有的带后缀、有的不带），营业时间也互有出入，AI 在交叉比对时难以确认这是同一个实体。
二是缺少结构化信息。 招牌菜、人均、是否可停车、是否适合聚餐这类用户实际关心的字段，散落在点评的用户评论里，没有被整理成机器可读的结构。
三是内容覆盖不足。 品牌自有内容基本只有门店介绍，没有围绕用户真实问法组织的内容资产。
我们做了什么
统一品牌口径。 把各平台的门店名称、地址、营业时间、联系电话全部对齐到同一份标准信息，形成稳定的实体标识。这一步看起来简单，却是 AI 能否准确识别品牌的前提。
补齐结构化信息。 围绕门店与菜品整理出结构化字段：品类标签、招牌菜、人均消费区间、适合场景、停车与营业时段。这些字段直接对应 AI 在回答「适合带孩子的地方菜」这类问题时的检索维度。
铺设长尾问句内容。 围绕「品类 + 城区 + 场景」的组合方式，梳理出 40 余个用户真实会问的长尾问句，例如「XX 区适合聚餐的螺蛳粉店」「XX 附近宵夜推荐」，逐条组织内容。
效果数据
第 8 天，品牌进入豆包本地餐饮推荐池；到优化周期结束时，AI 搜索出现率由 0% 提升到 88%，首屏占位率由 0% 提升到 70%，品牌综合评分由 20 分提升到 85 分。在同类问题的多个不同问法下，品牌均能被稳定提及。
门店端反馈，来自线上推荐的新客比例有可感知的提升，且这部分顾客到店前对门店招牌菜已有预期，点单更集中。
可复用的经验
本地生活行业做 GEO，有一条与线上品牌完全不同的规则：AI 的本地推荐高度依赖地理位置，且对信息一致性极其敏感。同一个品牌如果在不同平台上写法不一，AI 很可能直接判定为两个不同实体，导致推荐权重被稀释。
因此本地商家的 GEO 第一步几乎总是「统一口径」——把 NAP（名称、地址、电话）对齐，比写多少篇内容都更优先。第二步才是围绕「城区 + 场景 + 品类」的长尾组合铺设内容，因为本地用户的提问天然带有地理与场景限定词。
