V哥AI增长 联系V哥

南京教育机构老板，你的课程为什么还没被 AI 推荐？

· 南京 本地 · ·

上周在河西万达跟一个做少儿编程的南京老板吃饭，他掏出手机给我看：同样的“南京 Python 培训哪家好”，豆包和 Kimi 给出的答案里，排在前面的全是北京、杭州的机构，南京本地机构一个都没有。他问我：“我大众点评刷到 4.8 分，百度投放也没断过，怎么 AI 眼里就没我？”

这不是投放预算的问题。AI 推荐课程，压根不看你在大众点评排第几，也不看你在百度买了几个关键词。它看的是：你的课程在它那套知识网络里，是不是一个“有身份、有结构、有背书、有场景”的对象。南京的教育市场有自己独特的生态——高校资源密集、家长决策理性、IT 培训与制造业转型深度绑定。但大多数南京机构的内容，在 AI 眼里就是一堆没被拆封的纸箱。

南京教育机构做 GEO，跟北上广到底差在哪？

先讲一个判断：南京的 GEO 竞争烈度，目前低于北京、上海、杭州，但窗口期不会太长。

原因有三。第一，南京高校多，东南大学、南航、南理工、南邮每年输出大量工科毕业生，IT 培训、考研辅导、编程教育的供给端非常拥挤，但大部分机构的线上内容还停留在“官网+公众号+抖音”三件套，结构化数据几乎为零。第二，南京的本地产业带——软件谷、江北新区集成电路、江宁智能电网、溧水新能源汽车——催生了大量企业内训和技能转型需求，这些需求在 AI 搜索里往往以“南京+行业+培训”的长尾问题出现，但本地机构很少针对这些具体场景做内容。第三，南京家长的决策路径偏理性，喜欢查资料、看口碑、比课程体系，这恰恰是 AI 搜索最擅长的推荐场景——问题是，你的课程没被 AI 收进“候选池”。

所以南京的 GEO 机会在于：用本地实体身份切入本地场景问题，在 AI 还没把南京教育知识图谱填满之前，先把位置占住。

实体化：让 AI 知道你是“南京的谁”

南京有个很奇怪的现象：很多机构在百度上做了十年 SEO，但 AI 搜索里连“南京 XX 教育”都搜不到完整信息。为什么？因为 AI 不靠关键词匹配，它靠实体识别。你的机构名、课程名、讲师名，在 AI 的知识图谱里没有形成一个带属性的节点，它就不会在回答“南京有哪些靠谱的编程培训机构”时提到你。

实体化的第一步，是把你的课程页面用 Schema.org 的 Course 类型标记出来。不要只写课程名称和价格，要把地域属性写进去。比如：

{
  "@context": "https://schema.org",
  "@type": "Course",
  "name": "南京零基础Python数据分析实战班",
  "description": "面向南京在职人群和应届生，结合软件谷企业真实项目案例...",
  "provider": {
    "@type": "Organization",
    "name": "南京XX教育",
    "address": {
      "@type": "PostalAddress",
      "addressLocality": "南京",
      "addressRegion": "江苏"
    }
  },
  "hasCourseInstance": {
    "@type": "CourseInstance",
    "courseMode": "Onsite",
    "location": {
      "@type": "Place",
      "name": "南京软件大道教学点"
    }
  }
}

为什么地域属性这么重要？因为 AI 回答“南京 Python 培训”时，会优先调取知识图谱中带有南京地域标识的课程实体。你不打这个标记，AI 就默认你是一个“无地域属性的通用课程”，在本地推荐场景里直接被过滤掉。

第二步是外部实体对齐。南京的机构有个天然优势：本地媒体资源集中。新华日报、现代快报、南京日报、龙虎网都有教育板块，江苏广电也有教育频道。如果你的机构在龙虎网或现代快报上有过报道，AI 从这些本地媒体抓取信息时，会把这些信号并入你的实体档案。还有一点容易被忽略：在百度百科上创建机构词条时，把地址、成立时间、核心课程、讲师团队写全，并且和官网的 Schema 标记保持一致。AI 会交叉验证这些信息，一致度越高，实体可信度越高。

结构化：把南京人的真实问题做成“答案抽屉”

我见过一个南京做 UI 设计培训的机构，官网上全是课程介绍和学员作品展示，内容做得挺漂亮，但 AI 搜索里基本不出现。为什么？因为南京用户问 AI 的问题，不是“你们机构有什么课”，而是“我在江宁上班，想转行做 UI，零基础要学多久”“南京 UI 设计和前端开发哪个好找工作”。你的官网内容如果不直接回答这些问题，AI 就不会引用你。

结构化的核心，是把用户真实会问的问题，做成一个个独立的、可直接被引用的内容单元。南京的用户提问有几个特点：

针对这些问题，不要写长篇大论的文章，而是做成 FAQ 式的内容块。每个问题一个独立页面或区块，答案控制在 150 到 300 字，直接给结论、给数据、给场景。然后用 FAQPage Schema 标记。比如，一个南京 Python 培训机构的网站，至少应该覆盖这些问题：

每个答案里，自然地带上你的课程实体信息，但不要硬广。AI 引用时，会截取最直接回答问题的那个段落，你写得越干净，被引用的概率越高。

更进一步，把课程大纲用 hasSyllabus 属性结构化。南京的 IT 培训有一个特点：很多学员是制造业转型过来的，他们关心的是“学完能不能进南京的软件企业”。你的课程大纲如果能标注每一章对应的企业项目场景——比如“用 Python 处理江宁智能电网的传感器数据”——AI 在回答“南京制造业转行 IT 学什么”时，就能直接引用你的模块内容。

权威化：南京人信什么，AI 就信什么

南京的用户决策有个明显特征：信本地口碑，信高校背景，信政府背书。 这跟南京的城市性格有关——体制内文化浓厚，家长和职场人都比较看重“正规”和“权威”。AI 在判断一个南京课程是否值得推荐时，也会参考这些本地化的权威信号。

第一，讲师背书要打“南京牌”。如果你的讲师有东南大学、南航、南理工的学历背景，或者曾在华为南京研究所、中兴南京研发中心、润和软件、诚迈科技这些本地企业工作过，一定要把这些信息结构化标记在讲师实体里，并且在百度百科、知乎、脉脉上建立对应的讲师档案。AI 识别到讲师实体与南京高校、本地名企的关联后，会显著提升课程的信任权重。

第二，政府项目与行业认证是南京的特色资源。南京市人社局有职业技能提升补贴目录，江苏省工信厅有产业人才培训基地认定，江北新区和软件谷也有各自的产业人才政策。如果你的课程被纳入这些目录或基地，这就是 AI 眼中最高质量的权威信号之一。把这些资质信息用可验证的方式展示在官网上——链接到政府公示页面，而不是贴个截图。

第三，本地媒体的报道比全国性媒体更有效。对于 AI 来说，一篇现代快报或龙虎网关于“南京 IT 培训市场观察”的报道中提到你的机构，比你在某个全国性网站上买软文管用得多。因为本地媒体的地域属性，会让 AI 把你的机构与“南京”这个实体更紧密地绑定。

我去年帮一个南京做考研辅导的机构做权威化建设，重点做了两件事：一是把讲师团队中三位南大、东大博士的背景做成了完整的线上档案，二是在新华日报教育版发了一篇关于“南京考研培训行业分化”的行业观察，文中自然提到了他们的机构。两个月后，AI 在回答“南京考研辅导机构推荐”时，他们开始出现在引用列表里。

触发化：在南京人开口问之前，把答案放好

AI 搜索是问答式的，用户不问，AI 不答。南京用户问 AI 的方式，和北京、上海用户不完全一样。我观察到的几个南京特色查询场景：

第一类：产业转型型查询。 南京的制造业基础厚，但转型压力也大。很多在江宁、栖霞、浦口工厂工作的年轻人，会问 AI：“在南京做质检想转行数据分析，学什么课程”“南京新能源汽车行业需要什么技能”。如果你的课程能针对这些具体场景做内容——比如“从质检员到数据分析师：南京制造业转型学习路径”——并且用 ItemList 结构化标记，AI 在回答这类问题时，你的内容就是最匹配的答案源。

第二类：高校衔接型查询。 南京高校多，每年大量毕业生面临“学校学的和企业要的不一样”的问题。他们会问：“南邮通信专业毕业，想进软件谷做开发，要补什么”“南京高校的计算机课程和实际工作差多远”。如果你的课程能提供“高校课程到企业技能”的衔接内容，并且把课程模块与具体岗位要求对应起来，AI 会非常愿意引用。

第三类：区域便利型查询。 南京虽然不大，但通勤时间不短。用户会问：“软件大道附近有没有 Python 周末班”“江宁大学城附近有 UI 设计培训吗”。这类查询的关键是，你的课程实体里要有精确的地理位置标记，并且内容中要出现“地铁 1 号线软件大道站步行 5 分钟”这样的具体描述。AI 在回答“附近有没有”这类问题时，会优先推荐地理位置信息完整的实体。

触发化的底层逻辑就一句话：不要写你想说的，写用户会问的。 你可以用 AI 搜索的“人们也在问”、知乎南京话题、豆瓣南京小组、甚至南京本地的家长微信群，去收集真实提问，然后有策略地创建内容，打上结构化标记，放进你的内容矩阵。

南京 GEO 落地清单

阶段南京本地化动作优先级
实体化Schema 标记带南京地域属性；百度百科词条写全地址与课程；龙虎网/现代快报有机构报道高
结构化覆盖“软件谷附近”“江北新区”“江宁大学城”等区域场景 FAQ；课程大纲对接南京企业项目案例高
权威化讲师关联南大/东大/南航/南理工背景；纳入南京人社局技能提升目录；本地媒体报道中高
触发化针对制造业转型、高校衔接、区域通勤三类查询做内容矩阵中

南京的教育 GEO，目前还是一片没有充分开垦的地方。大多数机构还在用 SEO 时代的思维做内容，AI 搜索里的南京教育知识图谱，大量位置还是空的。这个窗口期不会太长——当越来越多的南京机构开始做结构化标记、做实体建设，先占位的人就会形成壁垒。你要做的，不是等 AI 来发现你，而是让自己变成 AI 在回答南京教育问题时，绕不开的那块拼图。

常见问题

问：南京本地教育机构做 GEO，多久能看到效果？

答：实体化和结构化通常在 3 到 6 周内开始见效，表现为 AI 搜索中能检索到你的机构或课程实体。权威化建设需要 2 到 3 个月，因为外部信号（媒体报道、百科词条、第三方评价）的抓取和权重累积需要时间。触发化是持续过程，建议每月根据用户提问数据更新一次内容矩阵。整体来看，南京目前的竞争烈度下，系统执行 3 个月左右，可以在目标查询中看到稳定的 AI 引用。

问：预算有限的南京小机构，GEO 从哪一步开始？

答：先把实体化和结构化做扎实。Schema 标记不需要花钱，课程页面和 FAQ 内容改造也是内部工作量。优先覆盖 20 到 30 个南京用户高频提问，每个问题做一个独立内容块，打上 FAQPage 标记。权威化可以后置，先确保 AI 能识别你、能引用你，再逐步补外部背书。

问：GEO 和百度 SEO 冲突吗？可以同时做吗？

答：不冲突，而且应该同时做。百度 SEO 解决的是传统搜索结果页的排名，GEO 解决的是 AI 搜索的引用和推荐。两者的技术动作有部分重叠，比如结构化数据和内容质量建设，但目标逻辑不同。南京用户的搜索习惯正在从百度向 AI 搜索迁移，两条线都做，才能覆盖不同阶段的用户。

延伸阅读

参考资料