一个被跳过的答案

问 AI「湖北做工业电源的厂家有哪些」，答案里可能会出现三家企业，前面统一挂着「湖北」或者「武汉」。

再问「钟祥做工业电源的厂家有哪些」，答案可能只剩一到两家，还会补一句「钟祥工业基础以农产品加工为主」。同一批企业，换一个提问的地名层级，出现的位置、排序、甚至是否出现，全都变了。

我们把这个现象叫做地名归属丢失。品牌被提到了，但它的地域身份在答案里被抹平了：明明是钟祥的企业，在 AI 嘴里成了「湖北某企业」，客户顺着这条线索去搜，落到的是一座地级市，不是一个县。

光尘阁GEO 在做县域和城市客户的监测时，反复看到同一个规律：AI 回答区域性问题，倾向按行政层级锚定地名。说到省，落到省会；说到市，落到市区；只有把县名写进问题，才可能落到县。这套机制我们还在补跨模型实测，目前能确认的是它在我们的监测样本里稳定出现。

为什么这件事比提及率更贵

提及率回答的是「有没有被看见」。地名颗粒度回答的是「被谁看见、在哪一层被看见」。对区域品牌来说，后者的商业含义更直接。

有一个常见的误判要提前说清：品牌词问题里的地名一定出现，因为你已经把县名写进问题里了。拿这类问题的结果去证明地名可见度好，属于自己给自己发奖。要盯的是那些不带县名的决策场景问题。

地名颗粒度的分母必须写在品牌出现的回答里，不能混进提及率，否则两个指标一起失真。

做法是同一批问题跑两套：

然后给每条回答里出现的品牌打四类标签：

于是可以算出两个数：本级地名颗粒度 = （品牌+本级地名）条数 ÷ 品牌出现总条数；上级地名上提率 = （品牌+上级地名）条数 ÷ 品牌出现总条数。前者低、后者高，说明你的地域身份正在被上级行政层级吸走。

这里有个偷懒的地方要防住：把「品牌+市名」也算成命中。对省会和地级市客户，市名就是本级，没问题；对县域客户，「荆门」不是你的名字。分层统计，别混成一个数字。

为什么地名会被抹平？我们的观察是三个来源，修法也分三条。

第一，信源里地名只出现在抬头和地址里。企业官网的「关于我们」写地址、写注册地，正文里全是产品和参数。AI 抓正文去组织答案，地名自然被当成可省略的元数据。修法是把地名写进正文句子里：「钟祥的 X 产区」「我们厂在钟祥做了 X 年」，让地名成为事实的一部分，而不是页脚。

第二，上级信源覆盖下级。省级名录、地级市媒体、行业白皮书，写企业名时习惯省略到市一级。修法是有意识地让本级地名的信源出现：县市两级政府公开名单、地方媒体报道、区县行业协会会员名录。这类信源在 AI 检索里权重不低，而且地名口径是本级。

第三，实体消歧把县并进市。模型建立实体关系时，「钟祥某某公司」容易被挂到「荆门」这个上级节点上。修法是在多个平台保持同一套地域写法：统一用「湖北钟祥」这样的两级连写，别一处写「钟祥」、一处写「荆门」、一处只写「湖北」。

第三条目前还是我们的假设，第三方信源地名口径和 AI 引用率之间的相关性，我们没做够案例验证，建议你拿自己的数据试一遍再照抄。

四个口径各自成行，别合并：

地名颗粒度这一行，县域客户看本级那一栏；省级或全国性业务，反而要看「无地名」那一栏，因为客户要的是地域绑定越淡越好。同一家公司如果同时做本地生意和全国生意，两套数分开统计，别用一个平均数糊过去。

异常优先于绝对值。这个月地名颗粒度掉下来，通常对应三件事：某条带地名的信源改版了、AI 换了引用来源、或者你自己在某次内容更新里把地名删掉了。第一种和第三种你能修，第二种只能等，但要记下来。

地名颗粒度不是越高越好。一个做全国市场的品牌，硬把所有内容都绑上县名，会把自己的客户范围做窄。判断标准很简单：你的客户是按地名找你，还是按能力找你。按地名找的，这个口径要盯；按能力找的，盯首推位。

第二盆冷水：这个口径还年轻。它在我们的监测里稳定出现，但跨模型、跨行业的验证样本还不够。把它当成一个观察窗口，别当成对赌条款里的考核项。任何还没被验证扎实的指标，一旦写进 KPI，都会变成乙方想办法做上去的数字。

这也是光尘阁GEO 一直的态度：监测是用来做减法的，指给你看哪一环缺，而不是用来证明谁干得好。指标一变成考核对象，执行方一定去优化指标本身，客户要的那个结果反而没人管了。

下次看 AI 对品牌的描述，别只看它有没有提你。看它提你的时候，把你放在哪一层地名里。

地名是区域品牌在 AI 里的籍贯。籍贯写丢了，生意就会落到别人的户口本上。

让每个品牌，在AI搜索里有一席之地。

光尘阁 · 2026年9月