口腔机构如何出现在豆包的回答里：AI 可见度的五层技术拆解

患者在豆包里敲下"保定种牙哪里好"，AI 给了三家门诊，没有你。不是你做得不好，是 AI 的检索链路里根本没你的信源。 这不是文案问题，是技术问题。

一、先看一个场景：患者问豆包，为什么没有你？ 过去患者找门诊，路径是：打开搜索 → 看十条蓝色链接 → 点进去对比 → 打电话。

现在的路径是：打开豆包 → 问一句"保定种牙哪里好，靠谱的推荐几家" → AI 直接给一段整合好的话，列两三家，附上理由和注意事项 → 患者照着名字去搜地图、看评价。

中间那条"看十条链接"的环节没了。

在 131 家牙科客户的服务观察里，一个越来越明显的现象是：门诊在搜索页的排名没掉，但来自 AI 入口的到店咨询占比在半年内从个位数涨到了两位数。而另一批门诊，SEO 做得不错、官网也在首页，AI 回答里却一次都没被提到。

差别在哪？在于 AI 不是"排你的链接"，而是"读你的信息，然后自己组织一句话说出来"。

二、SEO 和 GEO 不是一回事：争排名 vs 争信源

很多院长把 GEO 理解成"SEO 换个名字"，于是继续买关键词、发外链、堆文章。方向错了。

· SEO 争的是位次：在搜索结果页排第几，用户点不点你

· GEO 争的是信源资格：AI 生成回答时，有没有把你召回、读进去、并在结论里提到你

· SEO 的优化对象是爬虫：关键词密度、外链权重、页面打开速度

· GEO 的优化对象是模型：信息能不能被读懂、事实是不是一致、来源够不够可信

· SEO 的结果是链接：用户看到的是一个蓝色标题

· GEO 的结果是陈述：AI 说出的是"XX 口腔在种植方面……"，你的名字被嵌进一句话里

一句话：SEO 让你"被看到"，GEO 让你"被说对"。只做前者，AI 回答里就会出现那种尴尬情况——提到了你的名字，但地址是旧的、价格是错的、擅长项目说的是隔壁家的。

三、豆包的回答是怎么生成的：五步技术链路

要优化，先知道它怎么工作。以豆包这类生成式引擎为例，一次带"本地 + 项目 + 推荐"意图的提问，大概走五步：

第一步：意图理解与实体抽取

模型先判断你要什么：是问价格、问医院推荐、还是问术后护理？同时把"保定""种牙""靠谱"抽成实体和约束条件。

对门诊的含义：如果你的信息里没有明确的"城市 + 项目"实体绑定，模型在这一步就抓不到你。"我们做高难度种植"这种表述，不如"保定 · 种植牙（含即刻负重、上颌窦提升）"来得有效。

第二步：检索召回（RAG）

模型不会凭记忆回答本地推荐，它会去检索。向量检索负责"语义相近"，关键词召回负责"精确命中"。两路结果合并成一个候选池。

对门诊的含义：你的信息必须在多个可被检索的信源里出现——官网、百科、公众号、垂直问答、地图 POI、点评。只发公众号一家，等于只进了一个篮子，召回概率天然低。

第三步：信源可信度筛选

候选内容会按来源权威性、一致性、时效做一次打分。官方站点、百科、主流媒体报道、真实评价权重高；来路不明的营销软文权重低甚至被过滤。

对门诊的含义：全网口径一致性是这一关的生死线。A 平台写"保定XX口腔"，B 平台写"XX口腔保定分院"，地图写"XX牙科"，模型会判定为不确定实体，直接降权或不敢引用。

第四步：生成作答

模型把筛完的内容归纳成一段自然语言回答，做取舍和排序。它倾向引用"表述为事实、可验证"的内容，而不是"形容词堆砌"的营销话术。

对门诊的含义：能被 AI 引用的写法是陈述句 + 具体事实（"开展种植 XX 年，累计完成 XXXX 例，配备 CBCT 与数字化导板"），而不是"技术精湛、服务一流、值得信赖"。

第五步：引用与标注

部分回答会标注来源。能被标注、被链接，本身就是二次曝光。

对门诊的含义：信源页面要有清晰的结构化信息（机构名、地址、电话、项目、医生），方便模型摘取和回链。

四、口腔机构 GEO 落地：五层技术栈

理解了链路，落地就有了顺序。从上到下五层，缺一层，效果就打折扣。

第一层：信源铺设——让引擎有东西可抓

覆盖四类信源：图文（官网、百科、公众号、垂直问答）、短视频（抖音、视频号、快手）、地图与点评（POI、营业时间、真实评价）、第三方提及（行业榜单、媒体报道、患者真实分享）。

单店至少做到：官网可访问 + 百科词条 + 地图 POI 准确 + 公众号持续更新 + 1-2 个垂直问答平台有真实回答。

第二层：结构化知识库——让引擎读懂

把机构、医生、项目、设备、案例、价格说明、FAQ 做成结构化词条。每个项目（种植、正畸、儿牙、牙周、美学修复）从五个维度写：适应情况、技术方案、医生资质、价格区间、常见问题。

这一步是让"医生能认、AI 能读"的关键。术语要准（上颌窦提升、早期矫治、嵌体，而不是"补牙""矫正"含糊带过），但要配一句通俗解释。

第三层：实体一致性——NAP 全网统一

机构名称、地址、电话（NAP）以及项目名称，在所有平台保持完全一致。连锁还要处理总部—门店的层级关系：门店页要有归属，总部页要有分店索引，不能互相矛盾。

这是成本最低、见效最快的一层，也是最多门诊翻车的地方。

第四层：语义可读——写成 AI 愿意引用的样子

· 用问答式小标题（"种植牙能用多久？""保定种牙大概多少钱？"）

· 用事实陈述替代形容词

· 数据给区间、给条件，不给绝对承诺

· 医疗内容遵守 YMYL 标准，不写疗效承诺、不碰广告红线

合规不只是躲监管，也是模型评判"可信度"的重要信号。

第五层：监测与迭代——闭环才算做完

每月跑一遍 30-50 个高频问题（"XX 市种牙推荐""XX 口腔怎么样""种植牙价格"），记录三件事：被提及率、信息准确度、到店来源。发现错误（旧地址、旧价格、错项目）立刻回源头修正，而不是在新平台再发一遍正确的。

五、避坑：五个正在失效的旧打法 · 买"AI 排名"服务：目前没有任何平台开放 AI 回答的商业排名位，承诺"包上豆包推荐"的都是话术

· 继续堆关键词：模型读的是语义和事实，不是词频，堆砌反而可能被判低质

· 只发公众号：单一信源召回概率极低，且公众号内容对外部模型的可见性有限

· 忽视地图 POI：本地推荐类问题高度依赖 POI 和评价数据，这块缺失等于自动出局

· 全网口径打架：名称、地址、项目名不一致，模型会判定实体不确定，宁可不提

六、不同规模门诊的差异化打法 · 单店：资源有限，集中做透本地。优先级：地图 POI 准确 + 评价积累 > 百科词条 > 官网结构化 > 公众号问答式内容

· 区域连锁（2-5 店）：重点是实体一致性。先统一 NAP 和项目口径，再做"一城多店"的覆盖，避免自家门店互相抢实体

· 跨城连锁：必须建总部—门店的信息架构，总部页做品牌与项目权威，门店页做本地实体。同时处理不同城市的 POI 和评价

七、行动清单（今天就能开始） · 在豆包、AI平台各问一遍"本市 + 主推项目 + 推荐"，记录有没有你、描述对不对

· 核对全网 NAP：机构名、地址、电话、项目名称，逐平台改到完全一致

· 补齐地图 POI：营业时间、主推项目、实景图、真实评价

· 把主推项目改写成"问答式 + 事实陈述"，去掉纯形容词

· 建一张监测表，每月跑一次问题集，记录被提及率与准确度

GEO 不是发几篇稿就结束的事。它是一条链路：让 AI 有得抓、读得懂、敢引用、说准确，并且持续说准确。 把这条链路铺好，患者在 AI 里问出口的那一刻，你才有资格出现在那句话里。