一、门牌号越精确,AI 越用不上
先看一个反复出现的错位。
一家店在官网、公众号、平台店铺页上写着:"XX 市 XX 区 XX 大道 188 号 3 栋 2 单元 1 层商铺"。
人看着觉得专业,写得真细。可客户在 AI 里问的是什么呢?问的是"XX 大道附近哪家店能修苹果手机""XX 广场附近有没有安静的咖啡馆""从老客运站过去远不远"。
两句话对不上。
地址串解决的是最后一公里:让导航把你送到门口。锚点解决的是第一公里:让 AI 在候选名单里想起你。这两件事用的根本不是同一套词。
AI 判断"你在不在这附近",靠的是文本里的地理信号:区县名、街道名、商圈名、地标名、地铁站名、路口名。你说"188 号 3 栋 2 单元 1 层",这些信号一个都没给。地址再精确,也只是坐标,不是语言。
说白了:门牌号是给车看的,锚点是给人问路用的。客户的提问用的是人的语言,AI 就得拿人的语言去对。
二、AI 认的地理,是三张不同的地图
同一个位置,在中国的日常表达里至少有三种写法,而且它们互不替代。
第一张:行政区地图。 这是政府语汇,写在各式证照和公文里:XX 区、XX 县、XX 街道、XX 镇。它解决"归谁管",也是 AI 做地域筛选时最硬的判定依据。
第二张:商圈地图。 这是生活语汇:XX 广场、XX 步行街、大学城、老城区、XX 新城、汽配城。它解决"城里哪一带",本地人脑子里的地图是按这个画的。
第三张:路标地图。 这是问路语汇:XX 桥头、市医院对面、XX 中学后门、老客运站旁、地铁 X 号线 X 站 B 口。它解决"怎么走",也是最容易被 AI 直接抄进答案的一类说法。
三层缺一层,就丢一批提问。只写行政区的店,回答得了"XX 区有没有",回答不了"XX 广场附近有没有";只写商圈的店,遇到跨区县比较的问法就掉出候选;只有路标没有行政区,AI 连你归哪个片区都不敢确定。
三、三层地理锚点:一层一句话,写进每个页面
我把它整理成一个可以直接抄的写法。三个层次,每一层落一句固定句式,写进官网、平台店铺页、地图 POI 描述、公众号简介,四处保持一致。
第一层,行政区锚点。 句式:
要点有两个。一是用官方行政区划名,别用俗称,AI 对不上俗称就没法归类。二是把服务半径写清楚,"覆盖哪几个区县"这句话本身就是一条可被引用的答案,客户问"XX 区有没有人上门",AI 有原话可以抄。
第二层,商圈锚点。 句式:
要点是列具体名字,列三个到五个就够,别贪多。商圈名必须是本地人真会说的词,不是你编的品牌故事。判断标准很简单:你在电话里跟客户说"我们在 XX 那边",对方不追问"哪个 XX",这个词就成立。
第三层,路标锚点。 句式:
要点是挑十年不动的参照物。商场会改名,酒店会换招牌,学校、医院、桥、老车站这类地标才稳。参照物要写在最前面,因为它是 AI 最容易整句搬走的部分。
三层写全,一个页面就同时接住了三类问法。成本极低,一个下午能改完,效果比再发二十篇软文实在。
四、三种最常见的写法,全错
错法一:全站一个地址,复制粘贴到所有页面。
门店页、服务页、招聘页、地图 POI,用的都是同一句"XX 大道 188 号"。看起来统一,实际上让 AI 只拿到一个坐标点,拿不到任何地理关系。它不知道你跟 XX 广场是什么关系,也就没理由在"XX 广场附近"这个问题里提你。
错法二:只有行政区,没有生活语汇。
通篇"位于 XX 区",读完不知道在城里哪一带。这种写法很像政府公示,信息是真的,但对提问无解。客户不会问"XX 区哪家好",他问的是他脑子里的那一带。
错法三:用营销词替代地理。
"地处繁华商圈""交通便利四通八达""毗邻城市核心"。这类词听着响,信息量是零。AI 没法把"繁华"映射到任何一条街道,写了等于没写。
三种错法的共同点:写的是自己想表达的,不是客户会问的。
五、连锁企业:别让五家店挤成一个
本地小店的问题是不被看见,多店企业的问题正相反:五家店被 AI 合并成一家。
大模型做实体识别有个保守倾向,宁可分裂不愿错并,所以它对同名同品牌的判断会看名字相似度。你如果五家店都叫"XX 汽修(XX 店)",只在括号里改一个字,AI 很容易把它们当成同一个实体的几个别名,然后只保留信息最全的那一条:总店地址、总店电话。其余四家在答案里就消失了。
处理办法就三条。
一店一页。 每家店有独立页面,标题写成"品牌名 + 区县或商圈 + 门店名",比如"XX 汽修 钟祥 老城区店"。让每页的地理信号互不相同,AI 才有理由分成不同实体。
三条信息唯一。 地址、电话、营业时间,每店只有一套,跨平台完全一致。同一个号码出现在两家店的页面上,等于主动告诉 AI"这两家是一家"。
关系写清楚。 总店、分店、加盟店要明说,别用"一店""二店"这种编号。编号对人有用,对 AI 的实体归并没有帮助,反而增加混淆。
顺带说一句,多店企业最忌讳的是"我们全市五家店"这种笼统表述出现在每一页上。它会让五个页面的文本高度相似,反而加速合并。
六、搬迁和改名:最贵的错是旧址还在
门店搬迁之后最常见的情况是:新址上线了,旧址没处理。地图改了,平台店铺页没改,第三方转载的老文章还挂着老地址。AI 从三个来源读到三份说法,它不会替你判断哪份更新,它只会把最常出现的那份端出去。
所以我建议按"三处同改 + 三十天复测"来做。
三处,按可控性排序改。 先改自己手里的页面和公众号简介,这是你能当天改完的;再改平台店铺页,走审核,一般几天;最后改地图 POI,有些平台要提交凭证。顺序反了会有一段真空期,三份说法都不一致。
旧址不删,改写。 老页面别直接删掉,改成一页说明:"本店已于 2026 年 X 月搬迁至 XX 路 XX 号(XX 广场东侧),原址不再营业。"这句话同时干三件事:告诉人,告诉 AI,留下与旧内容的连接。删掉反而断链,AI 只能从别处的转载里读到旧址,那份转载可能三年没更新。
三十天后复测。 固定五个问题,问三个常用 AI 平台,看新址出现几次、旧址出现几次。这五个问题提前写好,别每次临时想。复测不达标,说明还有一处没改干净,回去找。
五个问题按这个模子写:
- "XX 区哪家能修 XX?"
- "XX 广场附近有没有 XX?"
- "XX 桥头附近的 XX 店还在吗?"
- "从 XX 到 XX 怎么走,路上有什么?"
- "XX 品牌在 XX 有几家店,分别在哪?"
前三个测三层锚点哪一层断了,第四个测路标能不能被复述,第五个专测实体有没有被合并。五个问题、三个平台,十五次提问,半小时能跑完。跑完把每次的原话记下来,这就是你自己的基线,下个月对着比。
七、一张可以直接抄走的自检表
对着自己的页面逐条打勾,缺一条补一条。
- 页面上是否出现了完整的行政区名(市 + 区县 + 街道/镇)?
- 是否列出了三到五个本地人真会说的商圈或生活圈名字?
- 是否写了一个十年不动的参照物(学校、医院、桥、老车站)?
- 是否写清了服务半径覆盖哪几个区县或乡镇?
- 是否出现"繁华""便利""核心"这类零地理信息量的词?有就删。
- 地图 POI、平台店铺页、自己页面三处的地址电话是否一字不差?
- 多店企业:每家店是否有独立页面,标题是否含区县或商圈?
- 是否有两个门店共用同一个电话号码?
- 搬迁过的店:旧址页面是否改成了搬迁说明,而不是被删除?
- 最近三十天内,是否用固定五个问题实测过三个平台的回答?
十条里能做到八条以上的,地理这块基本不会拖后腿。
八、先把话说清楚:这篇没做对照实验
有人会问,这些结论拿什么验证。
说清楚:本文没做严格对照实验,也没做大规模抽样。文中关于 AI 怎么判地理信号的判断,来自两个可核查的地方:一是各大模型公开说明里对检索、引用和实体识别的机制描述;二是光尘阁给本地商家做可见度体检时攒下的提问记录。
所以这些材料谈不上实验室级别,方法是能马上自查的。第七节那张表、第六节那五个问题,你花半小时跑一遍,得出的结论会比本文更贴近你自己的生意。真要有人拿"权威研究证明"来压,我这里没有,也不需要,门店周边三公里的事,自己测最准。
作者谈光尘,光尘阁主理人。做本地生意的搜索可见度十几年,从关键词排名做到 AI 引用,看过的店比写过的文章多。
光尘阁观点
第一,地理在 AI 眼里不是坐标,是共识。 你自己写"我在 XX 路 188 号",那是坐标;本地人、平台、媒体都说"那家店在 XX 广场东边",那才是共识。AI 取的是共识。所以地理优化的活儿,一半在自己页面上写,一半在别人的描述里对齐。
第二,本地生意的护城河恰恰是"小"。 全国连锁不会为"XX 桥头附近谁修手机"写内容,这活儿只有街边店能干。你的地理颗粒度越细,能接住的提问就越偏门,而偏门提问的转化率往往高得吓人,因为问出这句话的人,今天就要用。
但这里必须说一句反面的话。 三层锚点不是万能药,用力过猛会反噬。如果一页里堆二十个地名,堆成"XX 区 XX 街道 XX 路 XX 广场 XX 步行街",AI 的内容质量判定会当成堆砌地理词处理,可能整段跳过。锚点的目的是让答案能被人复述,不是让关键词填满屏幕。三个商圈、一个路标、一句服务半径,够了。
还有一种情况不必投入:纯线上交付的业务、全国统一品牌形象的大厂、只在单一商圈做熟客的店。前者没有地理决策,中者门店不由总部管,后者靠口碑就够。判断标准回到一句话:客户下单前,会不会问一句"在哪儿"或者"离我远不远"。会问,就值得写;不问,这套东西就是白花钱。
第三,搬迁是最容易被忽略的复利杀手。 一家店在旧址经营五年攒下的所有引用,一次搬迁就能清零,前提是你只改了地图。三处同改,是把五年的地理资产搬过去,不是重新攒。
让每个品牌,在AI搜索里有一席之地。
光尘阁 · 2026年11月