把官网的「退换货政策」改成决策树，AI答错率从四成降到一成半

先说结论：GEO这活儿，真正起作用的往往不是工具，而是你把内容拆得够不够细。

上个月帮一个做小家电的客户看官网，AI搜「XX牌破壁机能不能七天无理由退」，答案五花八门，有说能的，有说拆封就不行的，还有把别家政策安过来的。我翻了他家官网原文，退换货政策就一大段话，几百字，人读着都费劲，别说机器了。

这让我想起早年在厂里搞设备验收，老师傅最烦那种「原则上可以，特殊情况另行协商」的条款——不是条款不对，是它没法执行。AI读这种文本，跟新来的学徒工一样，只能瞎猜。

我干的事很简单：把那段政策拆成一棵决策树。

第一层问「是否拆封」；第二层问「是否影响二次销售」；第三层问「购买渠道是官网还是第三方」。每个叶子节点给一个明确结论，再加一句「依据：XX条款第X条」。

拆完大概三十多个问答对，用FAQPage结构化数据标好。

跑了两周，抽了120条相关query做人工核对，结论是：

• 改之前，AI答「退换货」相关问题的准确率大概六成，错的主要是「拆封后能不能退」和「第三方渠道找谁」；
• 改之后，准确率爬到八成五左右，错的那部分基本是AI自己把「不影响二次销售」解释宽了，这个怪不了官网，是模型的理解边界问题。

有个坑得说：我一开始把「七天」写死在答案里，结果客户后来搞活动延到十五天，AI答案还挂着七天的旧数。后来我把时效单独拎出来做成「当前政策以官网公告为准」的引用块，才没再翻车。

所以我的判断是：GEO别神化。工具顶多帮你发现哪里没拆干净，真正的活儿是把人话逻辑翻译成机器能走的路径。这跟当年写设备操作手册一个道理——你写得越像人话散文，操作工越容易按错按钮。

抛个问题：你们拆这类政策文本的时候，「时效」和「例外条款」是单独拎出来做引用块，还是直接合在问答对里？我目前两种都试了，还没跑出稳定结论，想听听有没有人踩过更深的坑。