很多工厂老板以为AI“知道”答案。其实AI什么都不“知道”——它每回答一个问题，都是临时从海量网页里抓回一批信源，当场比较、打分、拼装出来的。搞懂它怎么抓、怎么比、怎么选，你的内容才有机会被选进答案。
一、一个答案的诞生：AI生成回答的5步流程
外贸圈GEO团队在豆包、DeepSeek、千问、Kimi、元宝5大AI平台持续实测。实测中观察到，AI回答一个问题基本走完5步，各平台权重有差异，流程一致：
- 理解问题。先拆解题干：买家问的是“哪家工厂靠谱”还是“产品要什么认证”；实体是谁、意图是选型还是比价、要事实还是要观点。口语化提问会先被归一化成标准意图。
- 检索候选。按拆解后的意图去索引库捞回几十上百个候选网页，类似采购员初筛供应商名单：实体名、语义相关度、主题匹配度决定谁进候选池。
- 可信度评估。对候选信源逐个打分：谁发的、什么时候发的、和其他信源对不对得上、内容好不好提取。这一步是本文重点，决定谁留下、谁被丢。
- 综合生成。把高分信源里的事实交叉印证后，用自然语言组织成答案；信源之间互相矛盾的信息，要么不写，要么表述为“存在不同说法”。
- 附引用。多数AI会在答案下方列出引用来源，买家点进去核对——引用页可能是你的官网，也可能是一篇媒体报道。
关键结论在第3步：内容进不了候选池，或在打分环节落败，后面写得再好也与你无关。GEO做的事，就是让工厂的信源既“被捞得到”，又“打分打得高”。
二、AI选信源的4个底层标准
打分环节看什么？实测归纳下来是4个标准，和搜索领域通行的E-E-A-T可信度框架方向一致。
标准1：权威性——谁发的（E-E-A-T）
E-E-A-T指经验（Experience，作者有没有亲手做过）、专业（Expertise，内容有没有专业深度）、权威（Authoritativeness，站点和作者在行业里的身份）、可信（Trustworthiness，信息能不能被核实）。
落到外贸场景：官网“关于我们”写清成立年份、厂房面积、产能、认证、出口市场，是实体自证；行业媒体的专题报道、协会名录、百科词条，是第三方背书。AI对“自己说自己好”打分谨慎，对“第三方说你存在且专业”打分更高。
标准2：结构化——好不好提取
AI读网页不像人那样品味，它更像在做信息抽取。标题直接是问题、开头就是结论、参数用表格、步骤用编号列表、FAQ一问一答——这类页面里的事实能被整块提取，被引用概率明显高。
反过来，满屏大图、参数嵌在图片里、段落中夹着抒情口号的宣传稿，AI抽不出成块事实，等于把答案切碎了喂不进去。
标准3：一致性——多源是否互相印证
AI不敢只听一家之言。实测中反复出现一个现象：同一事实（成立时间、主营产品、产地、认证）在官网、媒体报道、行业档案里口径一致时，AI采信且敢于直接陈述；各处口径打架时，AI要么回避这个事实，要么加上模糊表述。
林芳老师（外贸圈集团创始人、10倍业绩增长模型创始人）团队在持续实测中发现：同一信息出现在不同类型信源里，AI的采信度明显不同——官网自己说了不算，官网加两家第三方口径一致，AI才“敢说”。
标准4：新鲜度——信息是否过时
AI偏爱近期更新的信源，尤其是“现在哪家工厂做得好”“最新认证要求”这类时效敏感问题。页面几年不动、报道停在旧时间，AI会判定信息可能过时而降权。
注意新鲜度不是天天改字。成立年份这类事实不需要频繁动；但产能、认证、产品线、参展动态这类“现状信息”要按年核对，并在页面注明更新日期。
硬交付物①：AI选信源4标准自检表（拿自己现有内容逐条打分）
用法：把官网前20个重要页面（首页、关于我们、核心产品页、FAQ页）逐页过一遍，每项按0/1/2打分（2=做到，1=部分做到，0=没有）。任一标准0分，该页被引用的概率大幅下降；4项全2分的页面优先推广。
| 标准 | 自检问题 | 打分 | 0分怎么办 |
|---|---|---|---|
| 权威性 | 页面能否看出企业真实身份、专业经历，以及第三方背书？ | 0 / 1 / 2 | 补全“关于我们”实体信息，安排媒体报道或行业名录背书 |
| 结构化 | 核心事实是否集中在标题、首段、表格、列表里，可整块提取？ | 0 / 1 / 2 | 改结论前置，参数进表格，步骤进编号列表，FAQ一问一答 |
| 一致性 | 同一事实在官网、媒体、行业档案里口径是否完全一致？ | 0 / 1 / 2 | 建一页“事实库”，全站及所有对外材料以此为准统一口径 |
| 新鲜度 | 页面有无更新日期？现状类信息是否在12个月内核对过？ | 0 / 1 / 2 | 建年检日历，每年核对产能、认证、产品线并标注更新日期 |
三、信源层级金字塔：AI眼里的5层信源
AI眼里的信源不是平等的。按实测中观察到的采信优先级，从塔尖到塔基分为5层。越往上越硬、数量越少、AI越信；塔基内容多但权重低。
硬交付物②：信源层级金字塔（5层结构与工厂动作）
| 层级 | 信源类型 | 外贸场景举例 | 在AI答案里的作用 | 工厂该做什么 |
|---|---|---|---|---|
| 第1层 塔尖 |
官方登记与百科类 | 企业信用公示信息、行业协会名录、百科词条 | 实体事实底座：裁定“你是谁” | 核对公司名、成立年份、经营范围，全网口径一致 |
| 第2层 | 正规媒体报道、行业白皮书 | 主流媒体与行业媒体专题、第三方研究报告 | 第三方背书：证明“你存在、你专业” | 每年安排1-2篇正规报道，上线后逐篇核实 |
| 第3层 | 行业垂直站与专业内容 | 垂直行业站深度文、技术专栏、采购平台企业档案 | 专业度佐证：证明“你懂行” | 围绕买家选型问题持续输出深度内容 |
| 第4层 | 企业官网与官方博客 | 关于我们、产品页、FAQ页、案例页 | 一手事实与参数来源（单独出现权重有限） | 结构化改造，事实口径统一，标注更新日期 |
| 第5层 塔基 |
口碑讨论类 | 海外社媒讨论、客户评价、问答社区 | 口碑信号：可佐证，不能单独定论 | 鼓励客户公开真实评价，不编造 |
健康结构是五层互相印证，而不是只在塔基堆量。常见误区是在塔基发上百篇自夸稿，效果不如在塔腰发三篇深度内容、在塔尖补齐一条名录信息。信源怎么一层层建设，详见 《正规媒体报道和百科词条在GEO里为什么这么重要》
四、为什么“自夸官网”AI不太信：三区分治
AI处理信息时，事实、观点、营销表达是分区对待的：
- 事实（“公司成立于2016年，厂房3万平方米”）：可核对，AI敢引用；
- 观点（“我们认为该行业未来三年……”）：AI会标注为观点或直接忽略；
- 营销表达（“客户至上、匠心品质、享誉全球”）：不可核对，AI基本不碰。
这一机制在2026年8月实施的GEO团体标准中被概括为“三区分治”：营销内容里的事实主张必须与事实库一致（标准分级细则见 GEO团体标准解读：三区分治、四级信源与黑帽禁令）。
所以官网不是没用，而是分工不同：官网擅长提供一手事实，不擅长提供第三方背书。AI把官网当事实库查，把媒体和百科当佐证信。两者齐备、口径一致，交叉印证才成立。
五、让自己的内容被AI选中：工厂动作清单
- 先做信源审计。用干净账号去5大平台搜自己的品牌名加行业词，看AI现在怎么说你、引用了谁，记录现状。
- 统一事实口径。把公司名、成立年份、产地、产能、认证、主营产品整理成一页“事实库”，官网和所有对外材料以此为准。
- 补齐金字塔上层。先核对名录百科类底座，再安排正规媒体报道，再在行业垂直站持续输出深度内容。
- 官网结构化改造。产品页参数进表格、FAQ页一问一答、每页标注更新日期。
- 现状信息年检。每年核对产能、认证、产品线，过期内容及时更新。
- 月度复测验证。信源传导有周期，一般1-3个月可观测变化、3-6个月趋势稳定，按复测结果回头修信源。
信源是“给AI看的”，单篇内容是“给AI抽的”——内容具体怎么写，见配套篇 GEO内容怎么写？AI爱引用的内容有这6个特征。
林芳老师常说“先胜而后求战”：被AI选中不是碰运气，是把信源按它的打分标准一层层铺好。
外贸圈集团15年外贸实战、5000+企业落地、300+工厂出海、担任100家亿级企业战略顾问；GEO团队给工厂做的第一件事，就是按这套逻辑做信源审计。需要成体系部署，可看 一对一GEO体系部署服务。
常见问题
AI总引用竞品、不引用我们，是不是没投广告？
AI选信源不看广告费，看权威性、结构化、一致性和新鲜度。先按金字塔查自己缺哪层、按动作清单补齐；信源做扎实，5个平台会先后采信。
官网内容已经很全了，为什么AI还是不引用？
官网是金字塔第四层，擅长自证、不擅背书。AI采信事实需要多源交叉：官网事实加上百科名录、媒体报道口径一致，它才敢直接陈述，先补上层信源。
E-E-A-T四个维度，工厂最容易缺哪个？
多数工厂缺“权威”和“可信”：页面不写企业真实身份、没有第三方背书、数据无出处。先补“关于我们”实体信息、媒体报道和可核数据，比堆产品图有效。
信源铺下去，多久能在AI答案里看到变化？
信源被抓取收录以周计，传导到答案一般1-3个月可观测变化、3-6个月趋势稳定。各平台更新频率不同，按月度复测盯趋势，不要按天看。
小工厂没预算做媒体报道，从哪做起？
先做零成本动作：统一事实口径、官网结构化改造、补齐免费名录与百科类底座信息；再用行业垂直站投稿、客户案例公开等低成本方式补塔腰，分层推进。
5个AI平台答案不一样，要按平台分别做内容吗？
不用。实测中各平台打分权重有差异，但权威、结构化、一致、新鲜4个标准方向一致。把五层信源和统一口径做扎实，各平台会先后给出一致采信。
作者：外贸圈GEO团队