核心结论：本案例中，深圳这家智能穿戴企业用4个月把月询盘从10个做到40个以上，AI来源询盘占45%，获客成本降低50%，新增8个海外品牌客户。
一、客户背景
广东深圳某智能硬件企业，主攻智能穿戴方向，产品线覆盖智能手环、智能手表、运动耳机等形态。公司有完整的结构、软件和算法团队，产品迭代速度在同类工厂里属于较快的一档，海外收入此前几乎全部来自亚马逊平台，靠平台的自然流量和广告位把规模做起来。
做到一定体量之后，天花板开始显现。平台上的成交越来越依赖广告竞价和价格，同款产品在页面上被反复比价，品牌溢价做不起来；更重要的是，从平台上找上门来的几乎全是C端消费者，而公司真正想对接的海外品牌客户、连锁渠道商、区域代理商，在平台体系里根本接触不到。管理层决定做一件更长期的事：建自己的英文站点和内容资产，让海外客户在主动查找供应商时能找到自己。
二、问题诊断：为什么原来的路子走不通
接手项目后，我们先做了一轮诊断，结论是：这家公司的产品能力远强于它的线上表达能力，中间隔着三层障碍。
- 障碍一，独立站形同虚设。站点上只有几张产品图和一段公司简介，没有技术参数说明、没有应用场景页、没有可供下载的资料，海外客户和采购经理看两眼就关掉了。
- 障碍二，内容没有被大模型采信。现在越来越多的海外采购在正式发询盘之前，会先去问ChatGPT、Perplexity这类工具「推荐几家中国的智能穿戴供应商」。这些模型给出的名字，来自它们读过并愿意引用的网页。这家公司在全网几乎没有可供引用的技术内容，所以模型压根提不到它。
- 障碍三，页面机器读不懂。站点没有结构化数据，没有FAQ，也没有给AI爬虫的说明文件，产品参数散落在图片和PDF里。大模型即便抓到了页面，也无法准确判断这家公司到底做什么、能做到什么规格。
简单说，过去它是在「人找货」的平台上比价，而现在海外买家的决策入口正在往「问AI」迁移。入口变了，内容的写法也必须跟着变。
三、我们做了什么
- GEO优化全套部署。为站点加上llms.txt说明文件、产品与公司的结构化数据标记，以及针对采购高频提问的FAQ页面，让大模型能快速、准确地理解这家公司是谁、能提供什么。
- AI可读的产品内容建设。把原先只存在于工程师脑子里的东西写出来：能做什么形态、支持哪些传感器方案、防水等级和续航做到什么水平、适合哪些应用场景。内容按「模型可以直接引用」的标准来写，段落完整、结论明确、数据可核对。
- 英文独立站重构。重新梳理信息架构，把技术优势和研发能力放在显眼位置，补充认证、产线、打样周期等采购方真正关心的信息。
- 多平台内容分发。同一批技术内容改写成不同形态，分发到行业媒体、技术社区和问答平台，扩大被大模型抓取和引用的概率。
四、执行节奏
第1个月：搭底座
完成站点诊断、信息架构调整、结构化数据与llms.txt部署，重写核心产品页。这个月基本不出询盘，目标是让机器先读懂这家公司。
第2个月：铺内容
集中产出技术类内容与FAQ，覆盖采购最常问的规格、认证、起订量、交期等问题，并同步在多平台分发。本案例中，AI来源的询盘从第2个月开始出现。
第3个月：做校准
定期去问主流大模型相关问题，记录哪些问法提到了客户、哪些没有。没被提到的问法就是内容缺口，按缺口定向补写。这是GEO和传统SEO最大的区别：优化对象是模型的回答，而不是搜索结果里的排名。
第4个月：接住询盘
前三个月的询盘量上来之后，问题从「怎么来」变成「怎么接」。我们帮助梳理了询盘分级、资料包、样品政策和英文报价模板，让海外品牌客户的初次沟通不至于掉链子。
五、成果数据
- 月询盘量：从10个提升到40个以上
- AI来源询盘占比：45%
- 新增海外品牌客户：8个
- 获客成本：本案例中降低50%
- 询盘结构：从以零散小单为主，转向以品牌客户和渠道商为主
需要说明的是，这些数字对应的是这家公司所处的行业、原有的内容基础和投入节奏。换到别的品类，周期长短和提升幅度都会不一样。
六、这个打法能复制到哪些工厂
GEO这套打法最适合一类工厂：产品有自主研发成分，参数复杂，客户在采购前需要先「搞懂」而不是先「比价」。典型行业包括消费电子、智能硬件、工业传感器、仪器仪表、储能与充电设备、无人机配件、精密五金等。
反过来，如果产品完全没有差异化、客户只看价格，或者成交高度依赖平台比价，那么单靠内容优化的杠杆有限，需要先把产品定位这件事解决掉。
七、常见问题
Q：做GEO是不是就不用做传统SEO了？
A：不是，两者是叠加关系。SEO解决「在搜索结果里被找到」，GEO解决「被大模型引用和推荐」。站点的结构、页面质量、外链这些SEO基本功，同时也在影响大模型的判断，所以通常是放在一起做的。
Q：多久能看到效果？
A：本案例中第2个月开始出现AI来源询盘，第4个月占比稳定在45%。周期长短取决于行业原有的内容基础，如果站点此前几乎没有任何技术内容，前期需要更多时间铺垫。
Q：我们自己的团队能不能做？
A：内容生产部分可以自己做，但需要有人持续监测大模型的回答变化并做定向调整。难点不在写文章，而在于判断「哪个问法还没有被覆盖」，这需要工具，也需要稳定的执行节奏。
