① 为什么 GEO 不再是关键词库？（范式为什么变了）
      ↓
② 一个用户问题应该包含哪些意图信息？（问题的标准结构是什么）
      ↓
③ 怎么区分不同类型的问题？（如何分类和应对）

用户提问 → Query Fan-out（8-12 子查询）→ 并行搜索 → 内容片段 → LLM 综合 → 引用

浏览期用户：
  搜「汽车贴膜」→ 还在了解这是什么 → 关键词库覆盖有效

决策期用户：
  搜「佛山贴 XPEL 和威固哪个更值」→ 已经在比较、接近决策
  → 关键词库里没有这个精确匹配 → 但决策场景库里有这个场景
  → AI 引用决策场景库的内容 → 品牌在用户决策时被看到

成交期用户：
  搜「佛山 XX 店 XPEL 贴膜预约」→ 已经决定、准备行动
  → 这是最高价值的流量——但关键词库几乎不可能覆盖到这个精度
  → 决策场景库覆盖了「用户决定后去哪」这个场景

关键词库：      1 个关键词 → 1 个页面
决策场景库：    1 个场景   → 1 个页面，覆盖 N 个关键词组合

示例：
  关键词库做法：
    「佛山贴膜」「佛山汽车贴膜」「佛山贴膜价格」「佛山贴膜推荐」→ 4 个页面

  决策场景库做法：
    场景：「佛山车主在预算有限的情况下，想贴好膜但怕被坑」
    → 1 个页面覆盖了「价格」「推荐」「对比」「避坑」四个维度
    → 这一个页面能同时回答 AI 对这 4 个方向的子查询

S - Situation     场景：用户在什么情况下？
                     "刚买新车""老车漆面花了""预算有限"

H - Hesitation    犹豫：他为什么犹豫？
                     "怕被坑""不知道什么膜好""担心伤车漆"

C - Comparison    比较：他在比较什么？
                     "XPEL vs 威固""4S 店 vs 专业店"

R - Risk          风险：他担心什么？
                     "贴了假膜""施工不好起泡""价格虚高"

A - Answer        答案：他需要什么决策？
                     "哪家店靠谱""什么价位合理""怎么验真假"

L - Local         本地：本地的特殊性是什么？
                     "佛山南海 vs 禅城""广州和佛山价格差异"

T - Timing        时机：什么时间点？
                     "新车落地马上贴""夏天前贴""促销季"

SHCRALT（用户侧理解）         GEO 6 维拆解（创建侧生成）
─────────────────          ─────────────────
S + H + C + R              → WHO + FUNC + PRODUCT
  用户在什么场景下、          用户身份 + 功能需求 + 产品对比
  为什么犹豫、在比较什么、
  担心什么风险

A                          → PRICE + PRODUCT
  用户需要什么决策答案？      价格维度 + 产品维度

L                          → GEO
  本地特殊性是什么？          地域维度

T                          → WHEN
  什么时间点？               时间维度

❌ 错误示范：
  "佛山贴膜价格"  → 这是关键词，不是问题
  → AI 不知道怎么用这个「词」去匹配内容
  → 即使匹配到了，也不知道用户到底想知道什么

✅ 正确示范：
  "佛山汽车贴膜一般多少钱？"  → 这是自然语言问题
  → AI 能理解意图（交易型，想了解价格）
  → AI 能在答案中直接给出价格区间 + 引用来源

❌ 关键词："养老金"
   → 字面匹配、信息稀薄
   → AI 不知道用户是 25 岁刚工作还是 55 岁快退休
   → 答案必然泛泛

✅ 意图词："上海 35 岁职场女性怎么规划养老金"
   → Who：35 岁职场女性
   → Where：上海
   → What：养老金规划
   → 语义匹配、AI 能给出精准答案并优先推荐能回答这个具体场景的内容

意图词三要素     → 用户问题「应该」包含什么信息（结构性）
    ↓               用来构建完整的问题画像：Who + Where/When + What/Why

经典意图 5 类    → 用户「处于什么状态」（行为性，决定 GEO 优先级）
    ↓               用来判断这个意图值不值得做：信息型/交易型优先，创作型/灵感型放掉

决策旅程 5 类    → 内容「应该怎么写」（执行性，决定内容策略）
                   用来指导具体的内容形式：对比表 vs FAQ vs 步骤化

用户："RAG 的工作原理是什么？"
AI 行为：
  ① 检索权威来源（论文、技术文档、百科）
  ② 提取定义和核心机制
  ③ 用训练记忆组织语言，用检索结果支撑事实
  ④ 引用 2-4 个技术来源

GEO 策略：内容必须有「一句话定义块」— AI 最容易直接摘取这个块作为答案的开头。

用户："XPEL 和威固哪个更值？"
AI 行为：
  ① 检索两者的产品信息、价格、评测
  ② 构建对比维度（价格/性能/耐久/适用场景）
  ③ 给出对比结论 — AI 倾向于给出明确建议而非「都行」

GEO 策略：内容必须有「对比表格」— AI 最容易直接摘取对比数据。
         必须有「明确结论」— AI 引用有结论的内容远多于模糊的内容。

用户："佛山哪家贴膜店靠谱？"
AI 行为：
  ① 检索本地信息（美团/点评/论坛/知乎）
  ② 综合评分、口碑、价格给出推荐
  ③ AI 倾向于推荐「有最多第三方好评」的选项

GEO 策略：品牌的第三方口碑数量比自有宣传重要 6.5 倍。
         不是自己说「我们靠谱」，而是让用户在多个平台上说「这家靠谱」。

用户："佛山 XX 店 XPEL 贴膜多少钱？怎么预约？"
AI 行为：
  ① 检索价格信息和预约渠道
  ② 给出明确的行动路径（价格 + 预约方式 + 地址）
  ③ 这是转化价值最高的问题类型

GEO 策略：价格信息必须透明、可直接引用。
         预约信息必须结构化（地址/电话/小程序/营业时间）。
         这类内容 = AI「被调用」时代的基础设施。

                    意图强度     转化价值     GEO 优先级
知识型               低           低           ⭐⭐（建立认知）
比较型               高           中           ⭐⭐⭐⭐（进入候选集）
推荐型               高           高           ⭐⭐⭐⭐⭐（被选中）
购买型               最高         最高         ⭐⭐⭐⭐⭐（直接转化）

为什么 GEO 不再是关键词库？
  → RAG 工作流决定：AI 引用的是自然语言回答，不是包含关键词的页面
  → 决策距离：关键词库管浏览期，决策场景库管决策期和成交期
  → 生产效率：1 个场景覆盖 N 个关键词组合，ROI 更高
  → SHCRALT 7 维：用户侧问题标准结构，与 GEO 6 维拆解互补
  → 低维问题仍用自然语言形式，不是关键词碎片

一个用户问题应该包含哪些意图信息？
  → 意图词三要素（Who + Where/When + What/Why）— 结构维度
  → 经典 5 类意图 — 行为维度，决定 GEO 优先级
  → 决策旅程 5 类 — 执行维度，决定内容形式
  → 高意图信号词（最佳/对比/替代方案）的杠杆效应
  → GEO 无缓冲空间：精准度不足 = 直接被排除

怎么区分四类问题？
  → 知识型：AI 提取定义 → 需要权威来源 → 内容策略：定义块
  → 比较型：AI 做对比 → 必须有对比表格 → 内容策略：对比表 + 明确结论
  → 推荐型：AI 综合排名 → 依赖第三方口碑 → 内容策略：第三方背书
  → 购买型：AI 给行动路径 → 转化价值最高 → 内容策略：价格透明 + 结构化预约信息