把GEO词库按「商圈」重排后，AI导购的推荐半径从1.7公里缩到600米

独家消息，上周我把我们本地生活客户的GEO词库动了一次大手术——不是加词，是重排。

起因是实测三家AI导购的「附近」推荐半径，发现同一家店在不同AI里能差出1.7公里。我顺着这个现象往下追，发现根因不在模型，在词库的「商圈」维度根本没被当成结构化字段写进去。

具体做法：我把原来按行政区划铺的「XX区+品类」词，改成「商圈名+品类+场景词」三层结构。比如「朝阳区咖啡」改成「三里屯咖啡 下午办公」。每个商圈我人工核了半径600米内的POI密度和竞品数量，做成一张对照表。

跑了两周数据：AI回答里提到我们客户门店的半径中位数从1.7公里缩到600米，推荐准确率（人工抽检200条）从54%提到81%。最意外的是长尾场景词带来的引用占比从12%涨到37%——AI开始拿「下午办公」这种词去匹配门店的座位和插座信息。

踩的坑：

1. 商圈边界不能直接用地图API返回的，得手动校。我一开始偷懒用了默认多边形，结果把两个商圈的词串了，AI答出「国贸的门店在望京有分店」这种鬼话。
2. 场景词别贪多。我第一版每个商圈塞了8个场景词，AI反而抓不住重点，砍到3个核心场景后引用率才起来。
3. 商圈词库要配「反例词」。比如「三里屯」和「工体」在AI眼里经常混，得显式写一句「工体店不在三里屯商圈内」。

我的判断是，GEO的下一波红利不在堆内容量，在把线下物理世界的结构（商圈、半径、动线）翻译成AI能吃的字段。谁先把这套词库标准跑出来，谁就能在本地生活赛道卡住位。

最后抛个问题：你们做本地商家GEO时，商圈边界是手动校还是直接信地图API？有没有人试过把「动线」也做成词库维度？评论区聊聊，我拿数据复现一下。