做内容策略时最容易走偏的一步，是把「关键词」当成起点。关键词是一个词，而用户向 AI 提的是一句话，一句话里带着他当下的处境：他是刚听说这个品类，还是已经在两家之间犹豫，还是已经签了约、卡在某个具体步骤上。处境不同，他要的答案形态完全不同，能被引用的材料也完全不同。
这就是意图分类的全部用处。它不是分类学，是决定写什么、写到什么粒度。
什么样的问题会触发 AI 回答，什么样的不会
这件事有实测数据。Pew Research 在 2025 年跟踪了一批 Google 用户的真实搜索行为，结果显示只有 18% 的搜索触发了 AI 摘要。而触发与否和问题的形态高度相关。
以 who、what、when、why 这类疑问词开头的查询，60% 触发了 AI 摘要。同时包含名词和动词、也就是写成一句完整话的查询，36% 触发。而只有一到两个词的查询，这个比例掉到 8%。
这份样本来自 Google 与美国用户，国内平台的具体数值一定不同。但方向可以参考：问题越短越像一个词，越可能仍然落在传统链接列表里；越长越像一句话，越容易进入生成式回答。
对内容策略的含义很直接。盯着品类大词做 GEO，有相当一部分流量根本不走生成式回答这条路。真正的战场在那些写成完整句子的具体问题上。
为什么长尾问题比品类大词更值得先做
除了触发率，还有一个更关键的机制性原因。
研究团队用一万四千道问题构建的数据集做过大规模探测，结论是语言模型在冷门事实上表现明显更差，而且单纯把模型做大，并不能改善长尾知识的记忆。同一组实验里，带检索的模型在这类问题上大幅超过参数量大得多的无检索模型；但在高热度实体的问题上，无检索模型仍然有竞争力。
把这个结论翻译成 GEO 的语言：问品类大词时，模型很可能直接从记忆里给出几个它早就知道的头部品牌，这部分不依赖本次检索，外部材料改不动它。而问具体的长尾问题时，模型记忆里没有现成答案，它必须去检索，这时候谁的材料能被检索到、能被引用，结果就不一样。
能打得动的地方在后者。这不是策略选择，是机制决定的。
认知型：他还不知道自己要什么
问法通常是「这是什么」「有什么用」「和某个东西有什么区别」。他在建立概念，还没有进入选择。
这类问题的答案里一般不会出现品牌名，所以直接的点名收益很低。它的价值在两处：一是建立实体关联，让模型在谈这个品类时把这家公司当成一个相关实体；二是认知型内容常被决策型答案顺带引用，作为概念来源。
内容形态上要克制。定义要短、要能独立成立，不要在解释概念的页面里插销售话术。模型摘定义时只取那一两句，前后夹着推销的页面反而更难被摘。
对比型：他在两三个选项之间
问法是「A 和 B 哪个好」「某种情况下该选哪一种」。他已经收敛到有限几个选项，在找判断依据。
这类问题的答案里几乎一定会出现具体名字，所以它是点名率最高的一类，也是竞争最激烈的一类。
关键在于对比维度要诚实。把自己有优势的维度列出来、不利的维度省掉，这种页面在对比型问题里反而容易失效：模型做对比时会从多个来源凑维度，一份只有优点的材料会和别的来源冲突，冲突时它倾向于不引用。把不利的那一半也写进去，材料的可引用性反而更高。
决策型：他在选谁来做
问法是「找什么样的服务商」「怎么判断一家公司靠不靠谱」「签合同要注意什么」。他已经决定要做这件事，在选执行方。
这是商业价值最高的一类。他要的不是介绍，是判断标准：怎么验收、怎么分辨虚假承诺、哪些条款要写进合同、什么情况下该换人。
写这类内容有个反直觉的地方：越是把判断标准写清楚、包括那些对自己不完全有利的标准，被引用的概率越高。因为模型要给的是一套判断方法，不是一句推荐。给方法的材料才有被摘的位置。
执行型：他已经动手了，卡在某一步
问法是「某个配置怎么改」「某个报错是什么原因」「这个步骤的顺序对不对」。他是从业者或者客户的技术对接人。
商业转化最弱，但有两个被低估的作用。竞争最小，具体操作类的问题很少有人认真写。而且这类页面常被决策型答案引用，作为「这家确实做过」的证据。
| 意图类型 | 典型问法 | 答案里需要的东西 | 适合承载的页面 | 点名机会 |
|---|---|---|---|---|
| 认知型 | 这是什么，有什么用 | 短定义，可独立成立 | 词条页、概念页 | 低 |
| 对比型 | A 和 B 哪个好 | 诚实的多维对比 | 对比页 | 高 |
| 决策型 | 该找什么样的服务商 | 判断标准与验收口径 | 服务页、指南 | 高 |
| 执行型 | 这一步怎么做 | 具体步骤与参数 | 操作指南、问答 | 中 |
这套分类怎么落到一份问题集上
分类本身不产生工作，落到问题集上才产生。做法是把客户真实问过的话原样收集下来，先不改写，然后按上面四类归位，看哪一类的材料是空的。
归位之后通常会发现一个共同现象：认知型和执行型的材料往多，决策型最薄。因为决策型内容要求企业公开自己的判断标准和不足，写起来最不舒服。而这一类恰恰是点名机会最高的。
先做哪一类
按投入产出排，决策型第一，对比型第二。这两类的答案里本来就要出现具体名字，材料到位就有位置。
认知型适合用词条页批量覆盖，单篇不必写长。执行型放在最后，但不要不做，它是技术可信度的来源。
四类各自的问法该怎么收集、怎么去重、怎么定优先级，问题选取指南里有具体步骤。想知道自己在这四类问题上现在的实际表现，先做一轮AI 可见度诊断，拿到一份按意图分组的基线，再决定从哪一类开工。
参考来源
- Pew Research Center (2025). Google users are less likely to click on links when an AI summary appears in the results. Pew Research Center.
- Mallen, A., Asai, A., Zhong, V., Das, R., Khashabi, D., & Hajishirzi, H. (2023). When Not to Trust Language Models: Investigating Effectiveness of Parametric and Non-Parametric Memories. ACL 2023.
- Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., & Deshpande, A. (2024). GEO: Generative Engine Optimization. Proceedings of KDD 2024.
- Liu, N. F., Zhang, T., & Liang, P. (2023). Evaluating Verifiability in Generative Search Engines. EMNLP 2023 Findings.