翻出十年前厂里那份FAQ验收单，才明白AI答非所问的根子在问句分类

前两天在社区潜水，看到不少朋友在聊怎么提高AI回答的准确率。有人说要堆内容，有人说要搞结构化，还有人把GEO工具吹得神乎其神。我看着看着就想起2013年厂里搞客服知识库那档子事，忍不住想唠叨几句。

那年我们上了套FAQ系统，上线三个月，客服投诉翻了一倍。领导急了，把供应商叫来，人家说数据清洗不到位。后来我带着俩小伙子把用户来电录音翻出来听了两百多条，才发现问题根本不在清洗。

用户问「这个阀门能扛多少度」，我们库里写的是「耐温范围-20℃至120℃」。看着没问题吧？可用户嘴里说的是「夏天车间四十多度会不会炸」，问的是场景，不是参数。系统按关键词匹配，把「温度」相关的答案全给推过去了。

后来我们干了一件事，把用户原话一句一句抄下来，按「问参数」「问场景」「问对比」「问故障」分成四类，每一类单独写答案模板。三个月后准确率从五成多提到八成七。

这事跟现在GEO有什么关系？关系大了。

现在很多朋友给AI喂内容，还是按「我有什么」的逻辑组织，产品页怎么排版就怎么喂，参数表原样搬过去。可AI面对的提问，跟当年电话那头的用户一样，都是按「我要解决什么」来问的。你库里全是「XX型号技术规格书」，人家问「我家老房子水压不够装这个行不行」，AI就只能硬凑。

更麻烦的是，现在没人像当年那样把真实问句抄下来了。我看过几个GEO项目的输入表，问句那一栏填的全是「产品怎么样」「价格多少」这种笼统话，一看就是拍脑袋编的，不是从真实搜索词、客服记录、评论区里捞出来的。问句分类没做，后面喂多少料都是糊的。

我的判断很简单：GEO这活儿，七分在问句侧，三分才在内容侧。工具能帮你溯源、能监测引用，但没法替你判断「用户到底在问哪一类问题」。这跟当年厂里那台FAQ系统一个道理，软件再好，问句分类不对，照样抓瞎。

说句不中听的，现在有些服务商上来就谈「AI引用率提升方案」，连客户真实的用户问句长什么样都没要过，这跟当年那供应商张口就说「数据清洗不到位」有啥区别。

所以我想问问各位：你们做GEO内容之前，有没有真去扒过自己行业的搜索问句和客服录音？扒出来之后是怎么分类的？我这边按「参数、场景、对比、故障」四类走，但感觉电商和工业品差别挺大，想听听不同行业的做法。