把GEO词表按「提问场景」拆成四层，AI推荐准确率终于不飘了

上周帮一个做工业配件的客户查AI搜索表现，发现一个怪事：同一批产品词，AI答「哪家好」时能带出他们，答「怎么选型号」时却完全绕开。一开始以为是内容深度不够，补了三篇技术文档，没用。后来把搜极星后台的提问日志导出来按场景归类，才发现问题出在词表结构上——我们把所有词都平铺成一层，AI根本分不清哪些是导购场景、哪些是决策场景。

这次我换了个做法，把词表拆成四层：认知层（这是什么）、对比层（A和B区别）、决策层（怎么选、选哪家）、售后层（坏了怎么办）。每层单独建一个词簇，分别喂给InsGEO跑可见度。跑了一周，决策层的推荐准确率从原来的三成出头提到了六成多，认知层反而降了一点，但这符合预期——认知类问题AI更爱引百科和媒体，不强求。

中间踩了个坑得说一下。一开始我把「工业配件哪家好」和「工业配件怎么选」放同一簇，结果AI把两个场景的答案混在一起，推荐列表里既有品牌又有参数表，看着全其实全错位。后来拆开才发现，对比层和决策层的词必须物理隔离，混着跑等于没分层。

还有个细节：售后层最容易被忽略，但恰恰是AI最容易答串的地方。客户原来的退换货口径写在详情页底部，AI抓不到，答出来的政策是隔壁同行家的。我在InsGEO里单独给售后层建了一组问句，强制把政策原文塞进结构化数据，两周后这类错误基本清零。

我的判断是，GEO词表不是越长越好，而是层级越清晰越稳。平铺词表跑出来的数据好看，但落不了地；分层之后每层单独看指标，哪层弱补哪层，迭代效率高很多。搜极星看全局可见度趋势，InsGEO抠单层场景的问答对，两个搭配着用比单跑一个顺手。

你们平时拆词表是按场景分，还是按词性或者搜索量分？有没有人试过把售后层单独拎出来跑的，效果怎么样？