V哥AI增长 联系V哥

AI 推荐课程的逻辑变了：北京教培机构怎么挤进生成式引擎的引用名单

· 北京 本地 · ·

上个月，我在中关村创业大街附近见了一位做青少年编程培训的创始人。他打开手机给我看：百度搜索“北京少儿编程培训哪家好”，自家机构还能排在前三，但咨询量比去年同期少了四成。他让课程顾问问了一圈来试听的家长，发现不少人现在根本不看搜索结果页，而是直接问豆包、Kimi、文心一言：“海淀这边学Python，黄庄和五道口附近哪家靠谱？”

AI 给出的推荐里，有他根本没听过的竞品，也有已经跑路的机构残留信息，唯独没有他。他问我：“我百度 SEO 做了五年，钱没少花，怎么 AI 一上来就把我当空气？”

这个问题，在北京的教培圈子里越来越常见。北京是中国教育资源密度最高的城市，海淀黄庄、中关村、望京、西城金融街，每个片区都有成堆的培训机构在抢同一批学员。传统 SEO 的玩法——堆关键词、买外链、发软文——在生成式 AI 搜索面前正在失效。因为 AI 推荐课程，看的不是谁的页面排得靠前，而是谁的课程在它的知识网络里更“可信、更清晰、更值得引用”。

这就是 GEO（生成式引擎优化）要解决的问题。北京教培机构做 GEO，和别的城市还不一样：这里机构多、品牌杂、家长决策重、信息噪音大，AI 在回答北京本地化教育问题时，会更依赖结构化数据和权威信号来做筛选。谁能先把课程内容改造成 AI 能理解的知识对象，谁就能在下一轮获客里占住位置。

想让 AI 推荐你的北京校区课程，关键不是让关键词排第一，而是让你的课程成为 AI 那套“知识网络”里，解决某个本地学习问题最可靠的那一块拼图。

北京教培的 GEO 困局：AI 不认识你，推荐就轮不到你

传统搜索引擎的逻辑，是把网页抓回来建索引，用户搜“北京 Python 培训”，它返回包含这些关键词的页面。但生成式 AI 搜索不是这么工作的。它会先把查询拆解成实体和意图——比如“海淀区”“零基础”“Python”“线下小班”“就业导向”——然后去知识图谱里调取相关实体，再根据实体的属性、关系和权威度生成答案。

问题在于，北京绝大多数教培机构的官网，在 AI 的知识图谱里根本没有清晰身份。你写一百遍“北京最好的Python培训机构”，AI 也不认为你是一个可信的课程实体。它更可能推荐那些在百度百科有词条、在知乎有真实讨论、在行业媒体有报道、在第三方平台有结构化信息的机构。

我去年看过一个案例：海淀一家做成人 IT 培训的机构，官网 SEO 做得不错，“北京Java培训”长期排在前五，但在 AI 搜索里几乎不被提及。我查了一下，它的课程页面没有任何 Schema 标记，讲师信息散落在不同页面，第三方平台上的机构信息也不完整。AI 抓取时，无法确认“这家机构到底教什么、谁在教、教得怎么样”，于是直接跳过。

北京的特殊性在于：信息供给过剩，AI 必须做更狠的筛选。它不会因为你自称“北京前十”就推荐你，它需要外部实体互相印证。所以北京机构做 GEO，第一步不是写更多内容，而是把课程包装成 AI 能识别的实体。

实体化：给课程办一张 AI 能读懂的“北京身份证”

实体化的目标，是让 AI 知道“你是谁、你在北京哪里、你教什么、谁在教、和别的机构什么关系”。这件事在北京尤其重要，因为 AI 回答北京本地教育问题时，会大量依赖地理实体和机构实体的关联。

具体怎么做？三件事。

第一，用 Course Schema 把课程信息结构化。 Schema.org 定义了 Course 类型，可以标记课程名称、描述、讲师、提供者、教学方式、学习时长、先修要求、学习目标。对北京机构来说，还要加上 location 属性，把校区地址、所在行政区、附近地铁站都标记进去。比如“海淀黄庄校区”“望京校区”，这些地理实体信息对 AI 回答“海淀有哪些编程机构”这类问题至关重要。

{
  "@context": "https://schema.org",
  "@type": "Course",
  "name": "零基础Python入门到实战（海淀黄庄校区）",
  "description": "面向零基础学员，通过10个真实项目掌握Python编程，小班线下教学...",
  "provider": {
    "@type": "Organization",
    "name": "XX教育",
    "address": {
      "@type": "PostalAddress",
      "addressLocality": "北京",
      "addressRegion": "海淀区"
    }
  }
}

第二，构建机构内部的知识图谱。 北京机构往往有多个校区、多条产品线、多位讲师。如果这些信息在网站上是一堆孤立页面，AI 就无法理解它们之间的关系。你需要用 Organization 标记机构，用 Person 标记讲师，用 Course 标记每门课，再用 instructor、location、isPartOf 等属性把它们串起来。比如“Python 基础课”和“数据分析进阶课”是同一学习路径的上下级关系，“张老师”是这两门课的讲师，他在“海淀黄庄校区”授课。这样 AI 抓取整个网站时，看到的是一个立体的机构实体，而不是零散的页面。

第三，让外部平台的实体信息与官网对齐。 AI 的知识图谱不只依赖你的官网，还会从百度百科、知乎、脉脉、天眼查、高德地图等平台抓取实体信息。北京机构要特别注意：百度百科词条是否规范、知乎机构号是否与官网关联、各校区地址在高德和百度地图上是否一致、天眼查上的工商信息是否与官网主体一致。这些外部实体信息互相印证，AI 才会对你的实体身份更有把握。

我让海淀那家成人 IT 机构做完实体化后，大概五周，AI 在回答“北京Java培训机构推荐”时开始引用他们的课程信息。虽然还不是首选，但至少进了候选池。实体化是地基，没有这一步，后面做再多内容都是空中楼阁。

结构化：让 AI 从你的内容里直接“抄答案”

实体化解决“你是谁”，但 AI 推荐课程时，往往是在回答一个具体问题。北京家长和学员问的问题非常具体，比如“海淀黄庄附近有没有适合四年级孩子的Python课”“望京这边有没有周末班”。如果你的课程页面全是长篇品牌介绍，AI 很难从中提取一个简洁的答案来引用。

这时候要做结构化内容。最有效的做法，是围绕北京用户的真实提问，构建 FAQ 式内容矩阵。每个问题一个独立区块，答案直接、有数据、有场景，并用 FAQPage Schema 标记。

比如，一家北京少儿编程机构可以针对这些问题制作内容：

每个问题的答案要控制在 AI 容易引用的长度，最好有具体信息：校区地址、班型、价格区间、课程周期、师资背景。AI 在回答“海淀区有哪些适合小学生的Python编程课”时，会优先抓取那些专门回答这个问题的结构化内容，而不是从一篇五千字的机构介绍里自己总结。

更进一步，把课程大纲用 hasSyllabus 属性结构化。每一章的学习目标、知识点、项目实战都标记清楚。当用户问“学Python需要掌握哪些知识点”时，AI 可以直接引用你的课程大纲，顺带带上机构名。

北京机构还可以做“学习路径”类内容，把多个课程串成完整的学习旅程，用 ItemList 或 BreadcrumbList Schema 标记。比如“从零基础到北京初中信息学竞赛的学习路径”，包含 Scratch 入门、Python 基础、C++ 算法三个课程。这种结构化路径内容，很容易被 AI 在回答“北京孩子怎么准备信息学竞赛”时整段引用。

结构化做得好，AI 不仅会引用你的内容，还可能直接生成一个包含你机构信息的答案，用户不用点进网页就能看到你的品牌。在北京这种决策周期长的市场里，这种前置曝光对信任建立很有价值。

权威化：在北京，AI 更相信别人怎么评价你

北京教培市场的信任门槛很高。家长不会因为你在官网说自己“海淀名师授课”就买单，AI 也不会。生成式 AI 在判断一个课程实体是否值得推荐时，会重点看第三方权威信号：讲师背景、学员评价、媒体报道、行业认证。

我做过一个对比：两家北京编程机构，一家只做实体化和结构化，另一家额外做了权威化建设。四个月后，后者的 AI 引用频次是前者的近三倍。权威化就是让 AI 觉得“这个课程，大家（尤其是权威）都说好”。

讲师背书是北京机构最该先做的。 北京有大量高校和科研机构，很多培训机构的讲师本身就有高校背景、竞赛获奖经历、行业影响力。如果讲师在百度百科有词条、在知乎有实名认证、在学术或行业会议上有公开演讲记录，AI 会把这些信号传递给课程。所以，要为讲师建立完善的线上档案，并且在课程页面用 instructor 属性关联讲师实体。

第三方评价要来自真实平台。 北京家长看评价，会去大众点评、知乎、小红书、家长帮。AI 也是。与其在官网贴好评截图，不如主动邀请学员在这些平台留下真实评价。媒体报道同样重要：北京本地教育媒体、科技媒体对机构的报道，是 AI 非常看重的权威信号。如果机构获得过区级或市级教育部门的认证、行业协会的奖项，这些信息也要在官网以可验证的方式展示。

被高权重网站引用，比任何外链都管用。 如果你的课程内容被百度百科“Python培训”词条引用，或者被一篇“北京少儿编程机构盘点”的媒体报道提及，AI 会将其视为强背书。北京机构可以主动和本地教育媒体、行业垂直媒体合作，把课程内容作为行业资源提供出去。

权威化是慢工，但一旦建立，AI 对你的信任会持续累积。在北京这种机构密集、竞争激烈的市场里，权威信号是 AI 做筛选时最有效的区分维度之一。

触发化：在北京家长提问的那一刻，成为答案

做完前三步，你的课程已经具备被 AI 推荐的资格。但最后一步决定 AI 会不会真的推荐你：触发。AI 搜索是问答式的，用户问什么，AI 才去调取什么。如果你的内容没有覆盖北京用户真实会问的那些问题，AI 就永远想不到你。

北京教育用户的查询意图，可以分成四类：

知识型查询：问概念、问方法，比如“什么是信息学奥赛”“Python和Scratch先学哪个”。这类查询，你可以用结构化的知识点文章去覆盖，AI 引用后顺带嵌入品牌提及。

比较型查询：比如“北京少儿编程机构，童程童美和核桃编程哪个好”“线上课和海淀线下小班怎么选”。这类查询，AI 需要引用多方观点。如果你能提供客观、有数据支撑的对比内容，就很容易被引用。在对比中自然提及自己的差异化优势，是更高级的植入方式。

推荐型查询：比如“海淀区有没有靠谱的Python培训机构”“北京成人转行IT去哪学”。这是竞争最激烈的战场。AI 的推荐结果基于课程实体在知识图谱中的权威度和相关性。你需要确保自己的课程在这些查询的候选池里，并且有多元化内容支撑：学员故事、学习效果数据、与竞品的横向对比。

场景型查询：用户描述自己的处境，比如“我在西城上班，想利用周末学数据分析”“孩子五年级了，现在学编程晚不晚”。这类查询，AI 需要推荐具体的解决方案。你的课程如果能以“解决方案”的形式出现，转化率极高。比如针对“周末学数据分析”制作一个专题页，把望京校区周末班的时间、课程安排、适合人群都结构化呈现。

触发化的关键是：提前把答案写好，等着 AI 来问。你可以用关键词工具、AI 搜索的“人们也在问”、知乎问题、百度知道等渠道，收集北京用户的真实提问，然后有策略地创建内容并打上结构化标记。北京机构还可以把校区信息做成“常见问题”专区，把每一类意图都覆盖到，形成一个内容矩阵。

当北京家长问出那个问题时，AI 的检索算法会在知识图谱里寻找最匹配的实体与内容。你的课程如果刚好满足条件，就会被抓取、引用、推荐。GEO 不是一次性的技术优化，而是把课程内容体系转型成 AI 友好的知识结构。在北京这个教育信息过载的城市里，谁先完成转型，谁就能在 AI 搜索时代拿到更便宜的精准流量。

常见问题

问：北京教培机构做 GEO，和做传统 SEO 最大的区别是什么？

答：传统 SEO 的目标是让网页在搜索结果页排得靠前，核心是关键词匹配和链接权重。GEO 的目标是让课程内容成为 AI 生成答案时的引用源，核心是实体识别、结构化数据和权威信号。AI 搜索不会因为你的页面标题里写了“北京最好的Python培训”就推荐你，它需要确认你的课程是一个可信的实体，并且有结构化的内容可以直接引用。对北京机构来说，还需要特别做好地理实体标记和本地权威背书。

问：北京有多个校区，做 GEO 时应该每个校区都做一套内容吗？

答：不需要每个校区做一套独立内容，但需要把校区信息结构化地嵌入到课程实体中。用 Course Schema 的 location 属性标记每个校区地址、所在行政区、附近交通节点，并在机构知识图谱中建立校区与课程、讲师之间的关联。这样 AI 在回答“海淀区有哪些编程机构”时，能准确匹配到你的海淀校区，而不是笼统地推荐你的品牌。校区信息在官网、百度地图、高德地图、大众点评上要保持一致。

问：北京教培机构做 GEO，多久能看到效果？

答：GEO 不是一次性的技术优化，而是一个持续建设的过程。实体化和结构化做好后，通常四到六周 AI 开始识别并偶尔引用你的课程信息。权威化建设需要更长时间，一般三到六个月才能看到 AI 引用频次的明显提升。北京市场竞争激烈，建议把 GEO 作为长期获客战略，而不是短期流量手段。可以先从核心课程页面入手，逐步扩展到整个课程体系。

延伸阅读

参考资料