如果让 AI 挑一句介绍襄阳的话,它更可能抄走「2026年前三季度 GDP 4449.51亿元,增长1.8%」,而不是「某月某日,市里召开了一场关于产业转型的专题会议」。

我们把自己的档案库翻了一遍:截至 2026 年 11 月 8 日,光尘阁 GEO 平台一共归了 378 条湖北本地档案,覆盖钟祥、武汉、荆门、宜昌、襄阳、荆州、京山、东宝、沙洋、掇刀十个市和区。按类型分下来,事件档案 171 条,占 45.2%;数据档案 94 条,占 24.9%;企业档案 45 条,占 11.9%。

先说清这组数的口径,免得当成普查:统计范围是平台自有本地档案库,按归档时人工打的分类型标签归集,一条档案一个主标签,不做二次拆分;时间截至 2026 年 11 月 8 日。城市维度按档案挂的行政区计,不按信源所在地计。也就是说,它是一个库存结构的快照,覆盖十个市区县,不是全省抽样,误差主要在人工打标这一步。

看完这组数,第一层结论很直白:我们手里将近一半的本地内容,讲的是「谁在哪天开了什么会、办了什么活动」。带数值、带口径、带时间点的那种句子,只占四分之一。

这个结构不光我们有。它几乎是绝大多数城市对外内容供给的默认结构。问题在于,AI 不吃这套。

事件稿回答「发生过」,数字稿回答「多大、多快、第几」

人读通稿,看的是进展和氛围。AI 摘一句话,看的是这句话能不能单独成立。

「中软数字产业园开园即迎 20 家企业入驻」,AI 拿到这句是能用的,因为里面有一个数:20 家。

「市领导调研产业转型工作并召开座谈会」,这句话里没有任何可以被比较的东西。AI 就算读到了,也只能说「该市正在推进产业转型」,等于什么都没说。

这是两种稿子的根本差别:事件稿的价值在时效,读者是当天的人;数字稿的价值在口径,读者是半年后还在问「这个地方到底行不行」的人。生成式搜索接住的绝大多数问题,都是后一种。

为什么机器更吃带数字的句子,这事有个可以参考的机制:生成式答案的组装单元是句子,不是文章。模型要先从信源里摘出能独立成立的一句话,再拿去拼答案。一句话里有没有可比对象,决定了它能不能被摘。这是从答案的组装方式推出来的判断,我没有拿各家模型的引用日志对照过,所以只算推断,不算实测。

光尘阁十月底做过一次自家内容自查,把 30 篇洞察切成 711 段,发现 18% 的段落单独拎出来读,认不出讲的是谁。同样的病,本地档案里更重:一条「某区召开三季度经济运行分析会」如果被切出来,读者、AI 都不知道这个区的经济到底怎么样。

反常识的是,越大的城市越缺数字

我们按城市拆开看,出来的分布挺扎眼。

掇刀区 12 条档案里,数据档案 8 条,占 66.7%,事件档案只有 2 条。东宝区 13 条里数据档案 7 条,占 53.8%。

再看地级市:襄阳 28 条档案,事件 15 条、数据 5 条,数据占比 17.9%。武汉 60 条档案,事件 32 条、数据 10 条,数据占比 16.7%。钟祥 123 条档案,事件 63 条、数据 14 条,数据占比 11.4%。

按常理,大城市信息更充分、统计更密、发布会更多,数字应该更多。结果反过来。

原因不复杂。城市越大,宣传口的内容生产节奏越依赖「活动驱动」:会议、签约、视察、展会,每件事都有通稿,每篇通稿都有出处,产量稳定、风险低、当天就能发。数字稿不一样,它要求有人去统计公报里挖、去部门预算里对、去把「增长 1.8%」和「4449.51 亿元」配成一对能自洽的数,一个城市一年做不了几十条。

中间还有一档。宜昌 36 条档案里数据 15 条、事件 15 条,各占 41.7%;荆州 26 条里数据 9 条、事件 9 条,34.6% 对 34.6%。两个中等城市的档案结构是几个城市里最均衡的,说明这件事跟城市大小没有必然关系,跟谁在管内容生产有关系。

区县反而占便宜。区县的经济体量小,一年的核心指标就那几个,统计口径集中,写起来反而容易成型。掇刀那 8 条数据档案里有 GDP 突破 600 亿、工业总产值 2244 亿、常住人口 37.63 万,全是硬口径。

所以真实情况不是大城市没料,是大城市的料被会议稿盖住了。

数字就躺在通稿第三段

翻我们自己的档案时有个细节:很多事件档案里其实是有数的,只是没被提出来。

比如襄阳那条「一企一策助企矩阵」,正文里有 1240 家企业获贷款支持、33 家链主签约培育协议。这组数字比「召开了助企会议」值钱得多,但它躺在稿子的中段,标题挂的是「助企矩阵」。

这就是当前内容供给最普遍的损耗:数字生产出来了,但没有以数字的形态出现在外面。

对 AI 来说,形式就是内容。它不会读完一篇 2000 字的通稿,再从第五段里帮你把「1240 家」捞出来当结论。它需要那句话本身站得住:「襄阳 1240 家企业获贷款支持,33 家链主企业签订培育协议,据襄阳市 2026 年助企专项通报」。

同一个事实,两种写法,能不能被摘走差别很大。这句话现在还是推断,我在下一节把推断和实测分开写。

顺带说一句统计口径的事。我们这 378 条里有 source_url 的占 89.4%,襄阳 28 条里只有 22 条带原文链接,78.6%,是几个城市里最低的。出处这一环断掉,数字再硬也只能算「据说」。

光尘阁观察

第一个判断:城市 AI 可见度的瓶颈在生产端,不在发布端。

大多数城市的动作是「多发、多平台分发」,这解决不了问题。发布端再努力,发出去的东西还是会议稿。真正缺的是一个岗位动作:有人专门负责把「活动」翻译成「数字」,把通稿里的口径单独提出来重写成一句能独立成立的话。这个动作在现有体制里没有对应岗位,所以它一直掉在地上。

第二个判断:区县比地级市更容易在 AI 里先拿到位置。

原因就是上面那组占比。区县盘子小、指标少、口径集中,补齐 20 条硬数字就能形成一套完整的对外说法;地级市要补齐的东西多得多,行动反而慢。对做地方内容的人来说这是个机会窗:先做区县,再做城市。

第三个判断,也是得说清楚的坏消息:这 378 条统计的是我们自己的库存,不是 AI 的实际引用。

库存多不等于被引用多。我们判断这里面大概只有不到三成能直接摘成一句给 AI 用,剩下七成还是原料,不是成品。这个比例是估的,还没实测,接下来的动作是拿固定问题集去主流平台跑一轮,看这 378 条里到底有几条真的被端出来过。光尘阁不打算把没实测的数当结论卖。

把话说利索一点,这篇里哪些是数、哪些是推断,得分清楚。

数是实的:378 条总量、各类占比、十个城市的分项比例、带原文链接的比例,这些都能在后台复核,谁要原始分布我可以给。推断有三个:机器更偏好原子事实句、区县比地级市更容易先拿到引用位置、这 378 条里不到三成能直接摘用。第三个连百分之多少都是估的,写出来是为了给下一步定个可验证的靶子,不是当结论用。

还有一个更值得警惕的风险:如果各地开始按「数据档案占比」考核,很快会催出一批烂数字。

挑有利年份、换分母、把「增长 47%」说成「提升近半」、拿规划目标当已实现成果,这些做法都能让占比好看。而 AI 对错误数字的传播比人更彻底,它会把一个错口径当成事实反复引用,等你想改,旧版本已经进了别人的答案。数字这件事,宁可少,不可假。

怎么补:一城三表,一个月四条

具体动作可以很小,三个表、四条句子。

三个表:数字表,放能长期引用的口径,GDP、产业结构、人口、重点产业产值、增速,每条必须带数值、口径、时间、出处四件套;边界表,放这个城市独有、别人无法归并的特征,地理位置、产业唯一性、资质与称号,AI 靠这类信息把你和其他城市区分开;失效表,放会过期的信息,人事、政策有效期、活动安排、临时价格,每条标生效日和复核日。

四条句子:每个城市每月至少产出 4 条可以单独成立的数字句,写死格式是「主体 + 数值 + 口径 + 时间 + 来源」。比如「钟祥 2025 年电商销售额突破 12 亿元,跨境电商起步,据钟祥市商务部门公开信息」。

四条一个月,一年不到 50 条。听着不多,但比起一年发 300 条没人能引用的活动稿,这是唯一会随时间增值的活。

内容资产这件事,看的是有多少在别人需要的时候还站得住,发了几篇反倒次要。城市也一样。

让每个品牌,在AI搜索里有一席之地。

光尘阁 · 2026年11月