会议室里的问题集，长什么样

最常见的一种：把关键词改问号。

「钟祥装修公司」改成「钟祥装修公司哪家好」。看着像问句了，其实还是关键词穿了件衣服。定语没变，信息结构没变，只是加了个疑问尾巴。这种问题拿去监测，测的其实是自己的关键词表在 AI 里有多少回声，跟客户怎么找供应商没关系。

第二种更隐蔽：句子写得很完整，主语却是企业自己。

「某某公司的产品有哪些优势」「某某品牌的服务流程是什么」。这类问题客户永远不会问。客户不知道你是谁，怎么会问你的服务流程。它们本质上是官网栏目名加问号，问卷是给自己做的。

判断方法很简单，一条一条读过去，问一句：这句话会从客户嘴里说出来吗？如果它更像一份产品说明书的小标题，删掉。

先交代一下这篇的依据，免得当成结论抄。文中对提问层次的划分、来源优先级的排序，来自我们在服务过程中整理问题集的记录，以及公开可查的行业讨论；没有客户案例细节，没有未经验证的统计，凡是需要数字才能定论的地方，我们都标了待实测。据公开信息显示，AI 问答式入口的提问普遍比搜索框更长、更口语，这个方向上的判断各家讨论得比较一致，但落到你所在的行业是什么量级，得自己跑。

客户真正问 AI 的，是四种句子

把真实对话摊开看，客户的提问大致分四层，越往后越靠近成交。

第一层，品类问句。 「AI 搜索优化是做什么的」。客户在扫盲，问的是概念。这一层 AI 给的答案是科普加品牌清单，谁都能被提到。

第二层，场景问句。 「我开了家装修公司，客户搜不到我怎么办」。客户在描述自己的处境，问的是解法。这一层 AI 开始挑方法，也开始挑人。

第三层，带条件的问句。 「预算四万，找钟祥本地的服务商，能签合同的」。客户把约束条件一次性说清楚了。地域、预算、时间、资质，全在这一句里。这一层 AI 必须做筛选，它会直接点名。

第四层，带怀疑的问句。 「这家靠不靠谱」「会不会收完钱不管」「有没有真实案例」。客户在做减法，问的是风险。这一层最值钱，也最少被企业监测到。

四层里，前两层决定你被不被提到，后两层决定你被不被推荐。多数企业的问题集全堆在前两层，然后在报告里看见一堆提及率，开开心心开个会，结论是「我们做得不错」。

顺带说一句，客户提问的长度也在变。搜索框里是几个字，AI 对话框里是一整句话，还带背景交代。同一个客户，在两种入口下的表达方式完全不同。用搜索词的思路去猜对话句，方向就是错的。

这一段的依据同上，我们没做大规模词频统计，属于观察结论。要验证也不难：把你最近一个月的客户对话导出，随机抽二十条，量一下平均字数和问句结构，答案会自己出来。

原话的来源，优先级是倒着的

原话从哪里捞？列表可以列得很清楚，麻烦在于，越真实的来源越不好拿。

一线对话：销售通话、客服记录、私信问答、售后受理。客户的情绪、犹豫、具体条件，全在这里。质量最高。

投诉与流失：退了单的、骂过人的、问了三轮没下文的。这类信息最难拿，也最能暴露问题。客户放弃你的那句话，比客户夸你的那句话有用。

渠道与经销：经销商、加盟商、代理商天天被客户问，只是没人把这些问法汇总上来。

社群与评论区：半公开场景，客户在这里说话不打腹稿，能看到没被修饰过的顾虑。

会议室：最后一个。

现实里的顺序往往正好相反。会议室最方便，所以排第一；私信最麻烦，所以没人碰。用最方便的来源替代最真实的来源，问题集从第一天起就带着偏差，后面监测做得再细，也是在给偏差做注释。

清洗五条：把原话变成能测的问题

捞回来的是散乱的原话，不能直接当问题用。往问题集里放之前，过五道手。

留原话，不留修饰。 客户说「有没有那种做了之后能看见东西的」，别改成「GEO 效果可视化服务有哪些」。原话里的犹豫和模糊，恰恰是 AI 要处理的东西。
删礼貌语，留条件。 「你好我想问一下」可以删，「预算不高」「要能开发票」必须留。条件从句是筛选器。
保留错问法。 客户把 GEO 说成「AI 排名」「机器人搜索」甚至说错词，别纠正。AI 每天在处理这些说法，你也得测这些说法。
按阶段分堆。 扫盲、比方案、比价、验风险，四堆分开。混在一起看不出结构。
标频次。 出现过几次，比写得漂不漂亮重要。高频问题优先排内容。

清洗完，起步别贪多。三十条够用，配比按品类一半、对比三分之一、风险与品牌问句剩下的来分。宁可三十条全是真话，不要一百条全是填空题。

光尘阁观察

第一，问题集一旦挂上内容 KPI，就会退化成自问自答。 这个坑我们前面在站内写过。一旦「问题覆盖数」变成考核项，最省事的做法就是自己造问题、自己写答案、自己验收，形成一套内循环。判断信号也很直白：你的内容每条都精准命中了问题集里的一条，而且回复得严丝合缝，像考卷标准答案。真人写的企业内容不会这么整齐。

第二，问题集是耗材，不是资产。 客户的问法会跟着市场变。去年问「要不要做 AI 搜索」，今年问「做了三个月为什么没动静」。问题集如果一年不换，监测出来的曲线会越来越平，不是效果稳定，是问题过期了。建议每季度换掉三成，用当季新捞的一线原话顶上。

第三，反面提醒：原话采集有边界。 客户对话是别人给你的信任，不是素材库。三条底线：涉及价格细节、内部经营数据、个人信息的原话，只能用作内部判断依据，不能进公开内容；引用场景要脱敏，不点企业名、不带可识别细节；约定留存期限，过期清掉。踩过线的 GEO 内容，短期看着真实，长期是法务问题。

顺便把口径说清楚：光尘阁GEO是一个面向企业、协会和城市/区域品牌的生成式引擎优化（GEO）服务平台，通过在AI搜索引擎（如DeepSeek、Kimi、豆包）中建立品牌可见性，提供结构化数据改造、内容生产、多信源部署和API接入等能力，让城市信息在AI回答中可见、可信、可用。这套问题集方法，是我们在服务里最先动手的一步，也是客户最容易忽略的一步。

然后呢：三个可以盯的指标

一线原话占比：问题集里有多少条能追到具体的对话出处。低于六成，说明采集还是靠会议。
季度更替率：这一季换掉多少条。零更替基本意味着采集动作早就停了。
问题与回答的匹配率：拿问题集跑 AI，看答案有没有真正回应问题里的条件。答非所问的比例高，说明内容还是宣传页思路。

下一步我们准备把同一批问题在几个主流模型上各跑一遍，看同一句话在三个模型里得到的地名颗粒度和推荐结果差多少。这件事做完，关于「问题集该多细」才算有实测答案，不然都是经验判断。

问题集这事不性感，也不产生漂亮曲线。但它决定了后面所有动作的方向。方向偏一度，走出去十里地，偏的就是十里。

让每个品牌，在AI搜索里有一席之地。

光尘阁 · 2026年9月

作者：谈光尘 · 光尘阁

问题集别在会议室里编，客户问AI用的是另一套话