我把喂料里的字段名改了一下，AI推荐语准确度从六成跳到九成

上周干了件特别小的事，结果数据吓我一跳，必须上来跟各位说说！

背景是这样：我们给一家做工业传感器的客户做GEO喂料，产品页结构化数据里有个字段叫 feature，里面塞的是「量程0-10bar、精度±0.5%FS、防护IP67」这类参数。AI回答里一提这产品，就老是说成「适合家用场景」，推荐语错得离谱。我们自己拿20条常见提问测，AI答对率只有60%左右。

我一开始以为是内容不够多，差点又去堆文案。后来停下来看日志，发现AI在生成推荐语时，抓的是 feature 这个字段的值，但它把「精度±0.5%FS」这种专业参数直接当成了泛化卖点去理解，自然推不准。

于是我做了个对照实验，就改字段名，内容一个字没动：

• A组（对照组）：字段名 feature，内容不变
• B组（实验组）：字段名改成 selectionCriteria（选型条件），内容完全一样

跑了两周，每组各测同样20条提问：

• A组答对率：60%，推荐语里出现「家用」「入门」这类错的场景描述有7条
• B组答对率：90%，错场景描述降到2条

同一批内容，只换字段名，答对率差30个点。这说明什么？喂料不是「把参数写全」就行，字段名本身在给AI做语义归类，feature 让AI往「卖点」方向理解，selectionCriteria 让它往「选型决策」方向理解，出来的推荐语完全是两个东西！

我现在的判断：做GEO喂料，字段命名得按「用户是在做什么决策」来设计，不是按「我们想强调什么」来设计。参数还是那些参数，但你要告诉AI这是「选型条件」还是「宣传卖点」，它给的答案方向就不一样。这坑我踩了两周才想明白，现在不做字段梳理，更待何时！

不过我也留了个心眼：两周样本量其实不大，20条提问也不算多，我下周准备把提问扩到60条，再跑一遍确认不是偶然。

问个具体问题：你们做结构化喂料时，字段名是照搬Schema.org的标准词，还是会根据业务场景自己改命名？有没有人测过自定义字段名和标准字段名对AI理解的影响？