本地服务的 GEO 和全国性品类不是一回事，差别大到策略要重写。
最关键的一条差别是候选池的长度。问「这个品类有哪些公司」，答案可能列五到八家；问「某个区附近有没有做这个的」，答案通常只给两三家，有时只给一家，还会附一句「建议直接搜索确认」。
池子这么短，意味着进不进去是决定性的，排第二还是第三没那么要紧。
本地提问有三个特点
第一个特点是问题天然很长。本地问题几乎不可能是一两个词，它必须带上位置、带上条件，往往还带上时间。Pew Research 在 2025 年的实测显示，以疑问词开头的查询有 60% 触发了 AI 摘要，而只有一到两个词的查询只有 8%。本地问法基本都落在前一类里。
换句话说，本地品类的客户问法，天生就是会走生成式回答这条路的那一类。
第二个特点是答案依赖本次检索。模型记忆里不会存着某个区有哪几家店，这类信息必须现查。前面说过模型在冷门事实上靠检索、在热门实体上靠记忆，本地信息几乎全部属于前者。这对小商家是好消息：没有一个稳固的头部名单挡在前面。
第三个特点是答案很短，而且常带免责表述。模型对本地信息的确定性较低，会倾向于少给几个、并提示用户自行核实。
第一个数字值得多看一眼。专门用来声明本地商户信息的标记类型，覆盖率不到百分之四。本地品类里真正在做这件事的站点非常少。
一致性比内容量更要紧
全国性品类里，内容量和具体程度是主要变量。本地品类里，第一变量是一致性。
原因是本地事实的核对源很多：官网、地图类产品、各类目录、本地媒体、社交主页。这些地方的地址、名称、营业时间、电话只要有一处是旧的，机器就面对相互矛盾的材料。关于知识冲突的研究综述指出，模型在内部知识与外部材料不一致时的处理方式并不稳定，可能偏向任一侧。矛盾越多，结果越不可控。
最常见的事故是搬家。换了地址，官网改了，地图类产品上改了两个，剩下三四处还是旧的。于是模型有时给新地址，有时给旧地址，有时干脆避开不提这家。
名称同理。工商全称、门店招牌名、大众习惯的简称往往是三个不同的字符串。选一个作为主名称，其余作为别名，并且在各处保持同一个主名称。
本地印证从哪来
本地品类的第三方材料和全国性品类不同，不靠行业媒体。
地图与生活服务类平台上的商户信息是第一位的，它是最常见的核对源。本地媒体与区域性公众号排第二，一篇带地址、服务内容、具体时间的报道，在小候选池里权重相对更高。行业协会与本地商会的会员名录排第三，这类名录通常有可核验的编号。
要注意的是材料里必须有可核对的事实。一篇只有形容词的软文提供不了可引用的内容，模型需要的是地址、范围、时长、条件这类能对应到具体说法的信息。
评价内容在本地问题里起什么作用
本地品类的客户几乎一定会问到口碑，而答案里关于口碑的描述，来源是公开的评价内容。
这里要先把边界划清楚。刷评价、组织虚假好评、用模板批量生成用户点评，这些都属于不能做的事，法律风险之外还有一个实际问题：批量生成的评价在文本特征上高度相似，而相似材料对模型来说价值很低，它更可能被整体忽略。花了钱，换来一堆不被采信的文本。
能做的是另外三件。
第一是把真实评价里反复出现的问题，在自己的页面上正面回答一遍。客户在评价里抱怨响应慢，就把实际的响应时间区间写出来，包括慢的那种情况。这比任何辩解都更容易被引用。
第二是让好评里的具体内容有可核对的对应物。一条评价说师傅当天就到了，页面上就该有同城当日上门的覆盖范围说明。孤立的好评是情绪，有事实对应的好评才是证据。
第三是对负面评价做公开回应。回应本身是可被抓取的文本，一条有具体解决措施的回应，在模型组织答案时常常比评价本身更有参考价值。
按地区批量生成页面，边界在哪
这件事是本地 GEO 里最容易走偏的地方，必须说明。
每个地区一页本身没有问题，前提是每页真的不同。门店地址、营业时间、可办业务、交通与停车、服务覆盖范围，这些是实打实的差异，写出来就是差异化内容。
不能做的是模板换词：一份文案，把城市名替换一遍生成几十页，其余内容完全一样。这种页面在搜索端会被判为低质，在生成式回答里也不会被选中，而且会拉低整站的内容质量评价。我们自己的规则是，某个地区页只有在有本地化的实际数据可写时才生成，没有就不生成，宁可少几页。
| 周次 | 做什么 | 产出 |
|---|---|---|
| 第 1 周 | 清点全网现有信息，列出所有不一致处 | 一份矛盾清单 |
| 第 2 周 | 统一名称、地址、营业时间、电话 | 各渠道改完并留截图 |
| 第 3 周 | 补 LocalBusiness 与 Organization 声明 | 标记上线并验证 |
| 第 4 周 | 收集带地名的真实问法，建立基线 | 第一轮测量记录 |
| 第 5 周 | 门店页或服务范围页补具体信息 | 可核对的事实段落 |
| 第 6 周 | 本地问答补齐，答案写成可独立成立 | 问答页上线 |
| 第 7 周 | 联系本地印证渠道，提供事实材料 | 至少一处第三方更新 |
| 第 8 周 | 复测同一组问题，比对原始答案 | 第二轮记录与差异说明 |
前三周的工作量最大但技术难度最低，而且它解决的是矛盾信息，是整条路径里最该先做的。逐项判定标准与各渠道的改法写在本地 GEO 指南里。
做不到的事
控制不了答案里的顺序。本地答案的顺序在多次提问之间会变，没有稳定的名次可言。
控制不了模型要不要给免责提示。它对本地信息的确定性低，提示用户自行核实是普遍行为。
也盖不过平台自己的产品。很多本地问题会由地图类产品直接回答，那条路径不经过通用大模型，GEO 影响不到它。本地服务的完整约束与可做的部分，本地生活服务方案那一页按问法类型分别写了。
还有一点要承认。研究发现各种优化手段的效果在不同领域差异明显，本地品类内部也一样，餐饮与装修、家政与法律咨询的问法结构相差很远。所以执行路径可以照搬，问题集必须自己建。
参考来源
- HTTP Archive (2024). Web Almanac 2024: Structured Data. HTTP Archive.
- Pew Research Center (2025). Google users are less likely to click on links when an AI summary appears in the results. Pew Research Center.
- Xu, R., Qi, Z., Guo, Z., Wang, C., Wang, H., Zhang, Y., & Xu, W. (2024). Knowledge Conflicts for LLMs: A Survey. EMNLP 2024.
- Schema.org. LocalBusiness. Schema.org.
- Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., & Deshpande, A. (2024). GEO: Generative Engine Optimization. Proceedings of KDD 2024.