V哥AI增长 联系V哥

成都老板，你的课程为什么在 AI 嘴里排不上号？

· 成都 本地 · ·

上个月在金融城附近的一家茶楼，一个做软件测试培训的成都老板跟我倒苦水。他做了四年多百度 SEO，网站「软件测试培训」「成都软件测试培训班」这些词排名都在首页，前几年靠这个每月能来七八十条咨询。从去年下半年开始，咨询量断崖式往下掉，他以为是自己排名掉了，一查，没有。后来问了几个学员才知道，现在年轻人找课根本不搜百度，直接问豆包、Kimi、通义。他一试，问「成都软件测试培训哪家好」，AI 推荐的机构里根本没有他，反而推荐了一家他都没听过的线上平台。

这场景，成都做教育培训的老板应该不陌生。

成都的教培市场，和北上广深完全不是一回事。这里没有那么多全国性大机构的总部，反而是一大批本地基因很重的机构：游戏美术培训、软件测试、网络安全、无人机飞手、短视频运营、茶艺师、健康管理师……很多机构靠的是本地口碑和百度投放活到今天。当搜索入口被 AI 接管，这些机构的获客地基就动摇了。

传统 SEO 的逻辑是「让网页在搜索结果里排前面」，而 AI 搜索的逻辑是「让内容成为答案本身」。这不是换个关键词策略的事，是底层玩法变了。这个新战场，叫生成式引擎优化（GEO）。

在成都做 GEO，核心不是让课程页面排第一，而是让你的课程成为 AI 回答「成都 XX 培训哪家好」这类问题时，绕不开的那块拼图。

TL;DR：AI 推荐课程，看的是实体识别、结构化信号和权威引用。你要把课程包装成 AI 能看懂、能信任、能直接引用的「知识对象」——用 Schema 标记告诉 AI 你的课程是谁，用结构化内容让 AI 直接抓答案，用本地权威背书提升引用权重，最后覆盖成都学员真实会问的那些问题。

成都教培的 AI 搜索现状：本地机构正在被「看不见」

先说一个观察。成都是全国游戏和数字文创的重镇，天府三街到天府五街挤满了游戏公司、外包团队和 IT 服务商。围绕这条产业带，衍生出大量的职业技能培训机构：游戏原画、3D 建模、Unity 开发、软件测试、UI 设计、数据分析。这些机构的获客，过去高度依赖百度竞价和 SEO，因为学员搜「成都游戏原画培训」时，百度会把本地机构排在前面。

但 AI 搜索的推荐逻辑完全不一样。我问过几个 AI 助手同样的问题：「成都游戏原画培训哪家好？」它们的回答里反复出现的，要么是全国性的线上平台，要么是少数几个在知乎、B 站上有大量内容沉淀的机构。很多在百度上排名不错的成都本地机构，在 AI 的回答里完全消失。

原因不复杂。AI 搜索的底层是知识图谱和实体识别，它推荐一个课程，不是因为这个网页关键词密度高，而是因为它认为这个课程实体「值得引用」。如果你的机构在 AI 的知识网络里身份模糊、没有权威信号、内容结构不清晰，AI 就不会把你放进候选池。

这对成都本地机构来说，其实是一个机会窗口。因为全国性大机构在成都的落地内容往往很薄弱，而本地机构如果率先把 GEO 做好，就有可能在 AI 推荐里抢占「成都」这个地域实体的关联位置。

Ⅰ 实体化：给 AI 一张成都本地的「身份证」

传统搜索引擎靠爬虫抓页面、建索引，你搜「成都软件测试培训」，它返回包含这些词的页面。AI 搜索不是这样。它会先识别查询里的实体——「成都」是一个地域实体，「软件测试」是一个职业技能实体，「培训」是一个服务类型实体——然后去知识图谱里找与这些实体相关、且可信度高的对象，再生成答案。

如果你的机构在 AI 的知识图谱里没有一个清晰的身份，它就不会在相关回答里提到你。实体化，就是给你的机构和课程办一张 AI 能读懂的身份证。

具体怎么做，三件事。

第一，用 Schema 标记把课程信息结构化。 Schema.org 定义了 Course 类型，你可以把课程名称、描述、讲师、提供者、教学方式、学习时长、学习目标等信息，用 JSON-LD 格式嵌入网页。比如你在成都做软件测试培训，课程页面应该包含类似这样的标记：

{
  "@context": "https://schema.org",
  "@type": "Course",
  "name": "成都软件测试就业实战班",
  "description": "面向零基础学员，结合成都本地游戏与IT企业测试岗位需求，通过12个真实项目掌握功能测试、接口测试与自动化测试...",
  "provider": {
    "@type": "Organization",
    "name": "成都XX教育",
    "address": {
      "@type": "PostalAddress",
      "addressLocality": "成都",
      "addressRegion": "四川"
    }
  },
  "hasCourseInstance": {
    "@type": "CourseInstance",
    "instructor": {
      "@type": "Person",
      "name": "王老师"
    }
  }
}

注意，这里要刻意把「成都」这个地域实体关联进去。很多机构做 Schema 标记时只写课程信息，不写地址和地域属性，AI 就无法把你和「成都」这个查询场景绑定。

第二，构建机构、课程、讲师之间的实体关系网。 机构页面用 Organization 标记，讲师用 Person 标记，课程与讲师之间用 instructor 关联，课程与就业方向之间用 teaches 或 about 关联。比如你的软件测试课程，可以关联到「天府软件园」「成都游戏公司测试岗位」「车载软件测试」这些成都本地产业实体。这样 AI 爬取你的网站时，理解的不只是「这是一门软件测试课」，而是「这是一门面向成都 IT 产业需求的软件测试课」。

第三，让外部平台的实体信息与官网互相印证。 AI 的知识图谱不只依赖你的官网，还会从天眼查、企查查、百度百科、知乎、抖音企业号等平台抓取信息。你的机构如果在天眼查上有完整的工商信息，在百度百科有规范的词条，在知乎有机构账号并且和课程页面互相关联，AI 对你实体身份的确认度会大幅提升。成都本地还有一个容易被忽视的渠道：天府市民云、成都本地宝等本地生活平台上的机构信息，对 AI 识别「成都本地机构」这个属性有帮助。

实体化做完，你的课程才算进入了 AI 的「成都教培候选池」。

Ⅱ 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 推荐课程的时候，往往是在回答一个具体问题。比如「零基础学软件测试要多久」「成都游戏原画和 UI 设计学哪个好就业」。如果你的网站全是课程介绍长文，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：围绕学员真实会问的问题，构建 FAQ 式内容，让 AI 能像从抽屉里取东西一样直接拿到答案。

拿成都的实际情况举例。一个做游戏原画培训的机构，可以针对这些问题制作独立的内容区块或页面：

每个问题一个独立区块，答案要直接、有数据、有成都本地场景。比如回答第一个问题时，不要只说「一般 6 到 8 个月」，而是说「以成都本地游戏公司的初级原画岗位要求来看，零基础学员通常需要 6 到 8 个月的系统学习，其中前 3 个月打造型和色彩基础，后 3 到 5 个月做项目实战。成都本地中小型游戏公司对原画师的要求，相比北上广深更看重项目实操能力而非学历背景。」

这样的答案，AI 在回答「成都学游戏原画要多久」时，引用概率远高于一段泛泛的课程介绍。

更进一步，用 Course 的 hasSyllabus 属性把课程大纲结构化，把每一章的学习目标、知识点、项目实战都标记出来。当学员问「学软件测试需要掌握哪些工具」时，AI 可以直接从你的大纲里提取 Jira、Postman、JMeter、Selenium 这些关键词，并且关联到你的课程。

还有一个在成都特别有效的技巧：做「学习路径 + 就业方向」的结构化内容。比如「从零到成都游戏公司测试工程师的学习路径」，把测试基础、接口测试、自动化测试、游戏测试专项四个模块串起来，每个模块对应一个课程，用 ItemList Schema 标记。成都本地学员搜「怎么进天府软件园的游戏公司做测试」时，这种路径内容被 AI 整段引用的概率很高。

Ⅲ 权威化：在成都，AI 更相信谁说的话

AI 推荐课程时，权威信号的权重极高。但这里的「权威」和传统 SEO 的外链逻辑不一样。AI 更看重引用源的可信度和相关性，尤其是本地化的权威信号。

我帮一个成都的网络安全培训机构做过一个对照实验：两家规模差不多的机构，一家只做实体化和结构化，另一家额外做了权威化建设。三个月后，后者的 AI 引用次数是前者的 2.7 倍。

在成都做权威化，有几个本地特色打法。

第一，把讲师和成都产业圈绑定。 成都有一个特点：产业圈子相对集中，天府软件园、瞪羚谷、菁蓉汇这些地方的从业者，圈子不大，互相都认识。如果你的讲师在成都本地 IT 圈有真实的影响力——比如在成都本地的技术社区（成都 GDG、成都 Python 社区、成都游戏开发者沙龙）做过分享，或者在成都本地的技术会议上讲过课，这些信号对 AI 来说非常值钱。要为讲师创建完整的线上档案：百度百科词条、知乎认证、在行/脉脉档案，并且这些档案之间互相链接，同时在课程页面用 instructor 属性关联。AI 识别到「这个讲师在成都技术圈有真实存在感」，会显著提升课程的信任度。

第二，成都本地的第三方评价，比全国性评价更管用。 AI 在回答「成都 XX 培训怎么样」时，会优先寻找来自成都本地的评价信号。知乎上成都学员的问答、小红书上的本地探店笔记、大众点评的机构评价，这些都比机构官网自己贴的好评截图有分量。我建议主动邀请结业学员在知乎和小红书上留下真实的学习经历，尤其是那些提到具体就业去向的——「学完进了天府三街的一家游戏公司做测试，起薪 7K」——这种内容对 AI 来说是高价值的引用素材。

第三，被成都本地媒体或行业媒体引用。 成都的科技媒体生态比较活跃，像天虎科技、36氪四川、封面新闻科技板块，以及游戏茶馆这类行业垂直媒体，都在持续关注本地数字文创和职业教育。如果你的机构被这些媒体报道过，或者在成都高新区、天府新区的官方产业报道中被提及，AI 会把这个信号视为很强的本地权威背书。这比买几十条外链有效得多。

权威化慢，但一旦建立，壁垒很高。成都的圈子就那么大，先把本地权威信号占住，后来者要追上就不容易。

Ⅳ 触发化：在成都学员开口问的那一刻，成为答案

做完前三步，你的课程已经具备被 AI 推荐的资格。但还有最后一步：触发。AI 搜索是问答式的，学员问什么，AI 才去调取什么。如果你没有覆盖成都学员真实会问的那些问题，AI 就永远想不到你。

我把成都教培领域的用户查询意图分成四类，每一类在成都都有本地的问法。

知识型查询：比如「什么是车载软件测试」「游戏原画需要学素描吗」。这类查询，用结构化的知识点文章去覆盖，内容里自然嵌入机构和课程的提及。成都本地学员问知识型问题时，往往带着转行或就业的焦虑，你的内容如果能顺便点出「成都本地企业对这项技能的需求」，被引用的概率更高。

比较型查询：比如「在成都学 UI 设计好还是前端开发好」「成都线下培训和线上课怎么选」。这类查询 AI 需要引用多方观点，如果你能提供有数据支撑的对比内容——比如「成都 UI 设计岗位近两年的招聘量变化 vs 前端开发岗位」——就很容易被引用。在对比中自然带出自己的课程定位，是更高级的植入。

推荐型查询：比如「成都软件测试培训哪家好」「成都游戏原画培训推荐」。这是最直接的战场，AI 的推荐结果基于课程实体在知识图谱里的权威度和相关性。你需要确保自己的课程在「成都 + 技能 + 培训」这个实体组合的候选池里，并且有多元内容支撑：学员就业案例、课程对比评测、本地产业需求分析。

场景型查询：成都学员特别喜欢问场景型问题，比如「我 28 岁了在成都想转行 IT 还有机会吗」「成都游戏公司裁员多吗，现在学原画还来得及吗」。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「28 岁转行」做一个成都本地的学习路径专题，把年龄、本地就业市场、技能门槛都讲清楚，并结构化标记。

触发化的核心就一句话：提前把答案写好，等着 AI 来问。 你可以用 AI 搜索的「人们也在问」、知乎成都相关话题、百度知道、甚至抖音评论区，收集成都学员的真实提问，然后有策略地创建内容。

一张表总结

阶段成都本地动作关键工具/方法衡量指标
Ⅰ 实体化课程 Schema 标记 + 成都地域实体关联，天眼查/本地宝信息对齐JSON-LD, Schema.org Course, 本地平台信息课程在「成都+技能+培训」查询中被 AI 提及
Ⅱ 结构化围绕成都学员高频问题做 FAQ，课程大纲结构化，学习路径内容FAQPage Schema, hasSyllabus, ItemListAI 直接引用内容片段的比例
Ⅲ 权威化讲师绑定成都技术圈，本地学员评价，成都媒体/产业报道知乎、小红书、本地科技媒体AI 引用频次、引用源权威度
Ⅳ 触发化覆盖四类意图，用成都本地场景和就业数据做内容用户意图分析、问答矩阵目标查询中 AI 推荐占比、品牌曝光量

成都教培的 GEO，不是一次性的技术优化，而是把课程内容体系改造成 AI 友好的知识结构。成都的本地产业集中、圈子紧密，这个特点用好了，反而是做 GEO 的天然优势。AI 搜索不是来抢流量的对手，是帮你精准获客的新渠道。只是这个渠道的规则，和你在百度上熟悉的那套，已经完全不同了。

常见问题

问：成都本地机构做 GEO，多久能看到效果？

答：实体化和结构化做完后，一般 2 到 4 周内可以在 AI 搜索中看到自己的机构被提及。但被「推荐」而不是「提及」，通常需要 2 到 3 个月，因为权威化信号（本地评价、媒体引用、讲师背书）的积累需要时间。成都本地产业圈子紧密，权威信号一旦建立，效果会比全国性市场来得更快。

问：AI 搜索推荐课程，会优先推荐大机构吗？

答：不一定。AI 推荐的核心逻辑是「相关性 + 权威度 + 结构化程度」，而不是品牌大小。成都本地机构如果在「成都 + 特定技能 + 培训」这个实体组合上做深了，完全有可能超过全国性大机构。因为大机构在成都本地的落地内容往往很薄弱，反而是本地机构的本地化信号更强。

问：做了 GEO 之后，还需要继续做百度 SEO 吗？

答：短期内需要。成都本地学员的搜索行为正在从百度向 AI 助手迁移，但这个迁移不是一夜之间完成的。建议把 SEO 的预算逐步向 GEO 倾斜，同时保留基础的 SEO 维护。重点是把网站内容改造成同时兼容两种搜索逻辑的结构：关键词覆盖 + Schema 标记 + 结构化内容，一套内容两种用途。

延伸阅读

参考资料