同城流量为什么突然变了：网页排序与 AI 答案推荐的本地可见性拆解手册

本文由 莫潇羽@源码七号站（www.fuyuan7.com）撰写，转载请注明出处。

快速摘要

先把结论摆在最前面：搜索引擎的自然排序和 AI 助手的答案推荐，正在同时往"本地优先"的方向走，但它们判断"你是不是本地的"，用的是两套完全不同的证据。搜索引擎主要看你的网站上有没有可被解析的地理实体信息（地址、行政区、地图 POI、结构化标记），AI 助手主要看它信任的那批信源里，有没有把"你的品牌"和"某个地名"反复绑在一起的语料。前者是"你自己说清楚"，后者是"别人替你说清楚"。所以只优化官网，AI 那边不认；只铺内容不管官网，用户被 AI 提示了品牌名，回头一搜却搜不到你，线索照样漏掉。这两件事必须一起做，而且做的动作不一样。

再往下，我会把这套判断拆成可执行的东西：机器识别地理位置的五条信号来源、官网侧该改的四个地方（含可直接复制的 JSON-LD 代码）、地图商户资料的完整认领流程与常见驳回原因、本地内容该铺在哪些载体上、一套十二周的推进节奏、可量化的监测指标算法，以及国内环境下必须避开的几条合规红线（AI 生成内容标识、软文广告标注、GEO 服务可信规范）。

这篇是我自己带项目、翻官方文档、盯后台数据攒出来的实操笔记，不是概念科普。想看完整拆解，往下翻。

一、我为什么会盯上"同城"这件事

1.1 一个不该出现的咨询来源

去年底到今年上半年，我手上跟着几个企业站的自然流量，习惯每周导一次搜索词报告和线索来源。有一个做工业设备维保的站，业务重心一直放在几个一线城市，投放、内容、外部信源，全是围着那几个城市转的。结果从春天开始，后台陆续冒出来一批完全没铺过的三四线城市的咨询，量不大，但趋势很稳，一个月比一个月多。

一开始我以为是数据错了，或者是某个内容被莫名其妙地转载到了本地论坛。挨个回访了十几条线索之后，答案挺意外：绝大多数人说自己是"问 AI 的时候看到的"，少数人说是在手机上搜出来的。他们的提问也很朴素，就是"我们这儿有没有做这个维保的""XX 市这类设备找谁修比较靠谱"。

这个现象让我把手上其他几个站的数据都翻了一遍，发现不是孤例。只要是带服务属性、有明确履约半径的业务，同城来源的占比都在往上抬。这跟品牌预算没什么关系，有的站一分钱没多花，同城咨询自己涨上来了；有的站预算翻了倍，同城这块反而是空的。

1.2 从"你搜什么"到"你在哪儿"

顺着这条线往下想，其实逻辑并不神秘。

传统的网页检索，用户输入什么，引擎就围绕这串字符去匹配。地理位置一直是个参考项，但权重没有那么重。而现在无论是搜索引擎的移动端结果，还是 AI 助手的答案，都在往"理解意图"的方向走。当引擎判断出你这个问题带有服务属性——修东西、装东西、请人上门、找机构办事——那"你在哪儿"就不再是参考项，它直接变成了问题本身的一部分。

有一份公开的搜索算法分析资料里把这条讲得比较清楚：引擎会依据 IP 定位向用户推送本地化结果，比如查"美食推荐"时优先给出附近的餐厅，移动端还会优先展示适配过的页面；同时系统也会自动识别检索词里的地域词，并据此调整结果权重。也就是说，地名可以是用户敲进去的，也可以是系统替他补上的。用户没打地名，系统按定位补一个；用户打了地名，系统按这个地名再做一次权重调整。

AI 助手那边更直接。它在合成答案之前会先去检索语料，检索的时候一样会把地理条件当成筛选项。区别在于，它筛的不是网页排名，而是"哪些内容片段值得被写进答案里"。这一步筛完之后，用户看到的就是一段话，里面提到了两三个品牌名，没有第四第五。排序竞争变成了席位竞争，从"第几名"变成了"在不在里面"。

1.3 为什么低竞争区域先冒头

还有一个细节我觉得值得说：这种同城线索的增长，最早都是从竞争没那么激烈的区域开始的。

原因也不复杂。AI 在合成答案时需要找到"足够具体、足够可信"的本地素材。一线城市的热门行业，本地素材铺天盖地，谁都在抢，权重卡得很死；而在素材密度低的区域，只要有那么一两家把信息做得完整、可交叉验证，机器就很容易挑中它——不是因为它更强，是因为它是当时唯一说清楚了自己在哪儿的那个。

这也解释了为什么这波红利来得快、走得也可能快。一旦某个区域涌进来一批同行，大家都把地理信息做完整了，机器就要开始比别的东西了：内容质量、信源级别、口碑一致性。那时候成本自然会往上走。所以我的判断是：如果你的业务有区域属性，现阶段这件事的性价比是偏高的，越早把地基打完越划算。

不过我也想给一句冷水：这不是什么"新玩法"，它本质上还是把企业最基础的信息——你是谁、你在哪、你做什么、谁能证明——用机器读得懂的方式讲一遍。指望靠某个技巧一夜之间起量，大概率会失望。

二、把两套系统拆开看：排序逻辑和引用逻辑根本不是一回事

很多人做本地优化做得别扭，卡点其实在这儿：他们默认"AI 推荐"是"搜索排名"的一个新皮肤，于是拿做排名那套方法去做 AI，做完发现动不了。这两件事的底层机制差得很远。

2.1 一个是选网页，一个是选句子

先说个白话定义，怕有新手朋友卡在名词上：

• 搜索引擎自然排序：你输入关键词，引擎从索引库里挑出一批网页，按相关性和可信度排个先后，把链接列给你。你看到的是一堆入口。
• 生成式引擎优化（GEO）：指的是让 AI 助手在回答问题时，主动、准确地把你的品牌或内容写进答案里。你看到的不是链接列表，是一段已经替你做完判断的话。换句话说，它优化的对象是 AI 生成的那段回答本身，目标是让 AI 在回答里优先把你的品牌摆出来。

差别在哪？排序系统挑的是网页，一个网页整体好不好，决定它排第几。答案合成系统挑的是句子和片段，它要从一堆语料里抽出可用的事实，再重新组织成一段话。所以它关心的不是"这个页面权重高不高"，而是"这段话里的信息是不是明确、可核验、能直接用"。

我自己有个很土的比喻：搜索引擎像图书馆的检索台，告诉你哪本书可能有用；AI 助手像一个已经读完这些书的助理，直接把答案讲给你听，而且只讲他觉得靠得住的那几条。当助理不确定的时候，他宁可讲一句模糊的通用建议，也不会随口报一个品牌名。这就是为什么很多企业在 AI 里"查无此人"——不是被排到后面了，是机器手上根本没有敢用的关于你的确定性信息。

2.2 两套系统的判断依据对照

我把日常项目里能明显感知到的差异整理成一张表，这张表基本上是我做方案时的分工依据：

这张表里我最想强调的是倒数第二行。排序系统的惯性大，AI 的惯性小。这带来一个很实际的运营后果：搜索侧的投入是"存量型"的，做上去之后能吃比较久；AI 侧的投入更接近"流量型"，你停下来，别人的新语料一进来，位置就可能被顶掉。所以预算安排上不能一刀切，前者适合集中攻坚，后者适合细水长流。

2.3 用一个拆解式看清楚差别

为了讲课的时候方便，我把两边的可见性各拆成一个乘法式子。这不是什么精确模型，纯粹是帮自己排查问题用的，哪一项接近零，问题就出在哪一项：

网页排序可见性 ≈ 主题匹配度 × 站点可信度 × 地理相关性 × 页面体验分

AI 答案可见性  ≈ 信源可信度 × 语义匹配度 × 信息完整度 × 多源一致性

写成乘法而不是加法，是因为这几项里任何一项趋近于零，整体就趋近于零，补别的补不回来。举几个我实际遇到过的例子：

• 一个站内容写得极好，主题匹配度拉满，但移动端首屏要等四五秒，页面体验分那一项拖着，整体就是上不去。
• 一个品牌在头部平台发了几十篇稿子，信源可信度没问题，但每篇稿子里对自己服务范围的描述都不一样，多源一致性那一项接近零，AI 干脆一个都不引用。
• 一家公司官网信息很全，地址、电话、资质都有，但全站没有一处提到自己覆盖哪些区域，地理相关性那一项是空的，同城词一个都拿不到。

第三种最常见，也最好修。后面第四章会专门讲怎么补。

2.4 别把两条线做成互相拆台

还有一个我踩过的坑，值得单独拎出来讲。

有段时间我为了让 AI 更容易引用，把官网的产品页改成了大段问答式的口语表述，问题句一个接一个。结果 AI 那边确实开始出现了，但同一批页面在搜索侧的表现明显往下走了——页面主题被稀释了，一个页面同时回答七八个不相关的问题，相关性判断就乱了。

后来的做法是分层：主站的核心产品页保持主题集中，服务于排序；另外单独开一个知识库或者问答栏目，承接口语化长句，服务于引用。两者之间用内链打通，互相导权，但不混在同一个页面里。这样两边都不耽误。

如果站点规模小、没有精力维护两套，那就退一步：保持产品页主题集中，在页面底部加一个"常见问题"区块，控制在五条以内，每条都是短问短答。这个折中方案我在几个小站上试过，两边的表现都还可以接受。

莫潇羽@源码七号站在这里补一句判断：如果你只能选一条线先做，先做搜索侧的品牌词兜底。原因在第七章会展开，简单说就是 AI 提到你之后，用户下一步的动作大概率是去搜索引擎核实一下你到底存不存在。这一步接不住，前面全白做。

三、机器凭什么认定"你是这个城市的"：五条地理信号

要修一件事，先得知道它是怎么被判断出来的。我把"