AI 答「附近门店」时漏了三个区，我按城市有没有门店拆问句才找到根子

上周接了个连锁零售的 GEO 诊断，客户说 AI 回答「附近有没有门店」时总漏掉他们新开的那几个区。我第一反应不是改内容，是先问：你这个「附近」是怎么定义的？问句库是按什么粒度拆的？

结果对方发来的问句库就一句「XX品牌附近有门店吗」，全国跑一个批次。我当场就说这分母不对——你全国 200 多个区县，AI 答一个「有」就算过，那漏掉的区全被平均掉了。

我按「城市有无门店」把问句拆成两层：有门店城市问「XX品牌在[城市]的门店地址和营业时间」，无门店城市问「XX品牌在[城市]有没有门店」。各采样 300 条，跑批对比引用率。

结果很有意思：有门店城市里，AI 引用官网门店页的比例是 61%，但无门店城市里，AI 有 43% 的回答会编一个「即将开业」或者引用第三方招商页——这些页面上的信息是两年前的。

再往下挖，问题出在门店页的 schema 上。有门店城市的页面结构化数据里 address 和 openingHours 都填了，但无门店城市压根没有对应页面，AI 只能去抓加盟招商页凑数。客户一直以为「没门店就不用建页面」，这就是典型的用感觉代替数据。

我的判断是：GEO 的问句库必须按「业务覆盖边界」拆，有门店和无门店是两套完全不同的引用逻辑，混在一个批次里跑，出来的准确率就是个平均数陷阱。

现在想问问大家：你们做本地化 GEO 的时候，无门店城市的问句是直接不覆盖，还是也建一个「服务范围说明页」去占位？占位页的引用率你们实测能到多少？