给AI喂了全套售后手册，它却把「换货」答成「退货」，我顺着日志挖出个字段命名的大坑

兄弟们，今天必须把这事儿唠明白！

我们做GEO一直有个执念：产品参数喂得越全，AI答得越准。结果上周测试售后场景，问「XX型号屏幕碎了能不能换新」，AI张嘴就来「支持7天无理由退货」——压根没提换货流程！客户要是信了，直接申请退货再买新的，我们库存和物流成本直接翻倍！

这能忍？我连夜翻抓取日志，发现AI确实抓到了我们上传的《售后政策V3.pdf》，里面「换货」和「退货」是分两章写的。但问题出在结构化数据上：我们后台的字段名居然叫「after_sale_type」，值填的是「换货」「退货」「维修」。AI解析时直接把这个字段当成了枚举类型，但上下文里没给「换货」和「退货」的互斥关系说明，它就拿「退货」当默认值了！

更坑的是，我们另一个系统导出的字段叫「service_category」，值填的是「退换货」「维修」——同一个业务概念，两个系统两种命名，AI直接懵圈。

我拉着技术复盘，发现三个致命细节：

1. 字段名不统一：售后模块用「after_sale_type」，订单模块用「service_category」，AI交叉引用时直接对不上号。
2. 枚举值没加约束：我们只写了「换货」「退货」，但没写「换货≠退货」的逻辑关系，AI默认按字面意思理解，把「换货」当成了「退货」的子集。
3. 缺少示例问答对：售后手册里全是政策条文，没有一问一答的示例。AI抓取时只能靠猜，猜错概率极高。

我们花了三天改了三版：

• 统一字段名为「after_sale_action」，所有系统对齐。
• 在值里显式标注互斥关系：「换货（非退货，需寄回旧品）」「退货（全额退款）」。
• 补了20条真实客户问句的问答对，比如「屏幕碎了能换新吗？」「换货要多久？」——直接喂给AI当few-shot示例。

改完再测，AI答「换货」的准确率从32%飙到89%。抓取日志里那个「after_sale_action」字段的命中率翻了四倍。

说真的，GEO不是把资料堆给AI就完事了，字段命名和枚举约束这种脏活累活，才是决定AI答得准不准的关键。现在不做，更待何时！

最后问一句：你们在喂售后政策时，有没有遇到过AI把「换货」和「退货」搞混的？字段名是怎么统一的？评论区支个招！