截至11月5日的公开信息，海底捞的油焖土豆泥系列外卖新品在12个城市上线10天卖出超过10万单，其中鸡肉拌饭单品超过4万单。按常理，这样的热度应该在任何入口都能被找到。但如果把用户最常问的几句话原样丢给AI助手，得到的回答往往说不清三件事：卖的是什么、多少钱、哪家店今天能送。热度与信息可得性之间的落差，正是GEO要处理的问题。
十万单的爆款，在AI回答里长什么样
把提问拆开看会更清楚。用户问附近有什么热乎的简餐，模型给出的是泛品类推荐；问某个品牌最近有没有新品，回答多来自新闻转述而非官方菜单；问哪家店能送到某个小区，回答往往只给品牌层级的信息，落不到具体门店和时段。三种问法对应三层信息：品类、产品、履约，缺一层就会答偏。
这不是模型能力问题，而是信源结构问题。新闻稿能提供销量与城市排名，却很少逐条列出四款产品的名称、价格和供应门店；官方渠道有菜单，但未必对模型可读；门店层面的可售状态与配送时段，通常只存在于下单系统里。模型能引用的，永远只是被公开且被索引的那部分。
四个最常被问错的口径
在实际提问记录里，偏差集中在四个口径上：产品名称、价格、供应门店、配送时段。每一项都有明确的补数动作，也都能用同一批问题反复验证。
| 问题口径 | 用户会怎么问 | AI回答常见偏差 | 需要补的数据 |
|---|---|---|---|
| 产品名称 | 这个系列有哪几款 | 只答系列名，答不出四款单品 | 单品名与规格的结构化菜单 |
| 价格 | 一份多少钱 | 引用旧价或只给区间 | 分城市价格页与更新时间 |
| 供应门店 | 我这附近哪家店有 | 只给城市层级，落不到门店 | 门店清单与在售状态 |
| 配送时段 | 现在下单多久送到 | 笼统回答半小时，忽略时段差异 | 分时段履约说明 |
四项里最难补的是供应门店。连锁品牌的公开页面通常按城市组织，门店级信息分散在各地页面或评价里，模型很难稳定抓到。这也解释了为什么用户问附近哪家有货时，回答总是停在品牌层面：不是模型不想答细，而是细颗粒度的信息没有以可索引的形式存在。
引用来源决定了AI说什么
官方页与第三方转述的差别
同一款产品，如果模型引用的是新闻稿，回答里会出现销量和城市排名；如果引用的是官方菜单页，回答里才会出现单品名与价格。信源类型直接决定回答的信息类型，这也意味着优化引用来源比优化措辞更有效。把新品信息做成结构化、可被索引的官方页面，是让AI说出正确内容的先决条件。
更新频率比内容长度更重要
大促与季节新品期间，价格、供应城市、配送时段都在变。一份三个月未更新的产品页，模型读到的是过期事实，回答自然出错。对GEO来说，页面的更新时间戳与内容本身同等重要，能按周更新的短页面，通常比一次性写全的长页面更有价值。
竞品在同一批问题里的占位
把问题丢给AI时，回答很少只提一个品牌。同一句附近有什么热乎简餐，模型可能同时列出三四个品牌，顺序与理由各不相同。记录竞品在同一批问题里的出现频次和位置，才能判断自己的可见度是被产品压过还是被信息压过。如果竞品在价格与门店两个口径上都能被准确回答，而自己只能被答出品牌名，差距就在信息供给而不是产品力。
一周能做完的补数据动作
先修页面，再谈优化
第一件事是把新品的单品名、规格、价格、供应城市、配送时段整理成一张结构化表格，落到官方可索引页面并标注更新日期。第二件事是按城市拆分门店清单，至少在重点城市做到门店级可查。第三件事是给每个页面加统一的品牌标识与产品线命名，避免模型把不同系列混为一谈。
三件事做完，用同一批二十条问题在主要AI平台复测，记录产品名称、价格、门店、时段四项的准确率。若准确率仍低，问题多半在索引而非内容，需要检查页面是否可被抓取、是否有结构化标记。这个过程不需要额外预算，需要的是一套稳定的记录方式。
常见问题
问：新品热度很高，AI回答为什么还是答不准？
答：热度来自新闻转述，而新闻很少逐条列出单品名、价格与供应门店。AI回答能引用的只是被公开且被索引的信息，缺哪一层就答不准哪一层。
问：优化AI回答，先改内容还是先改页面结构？
答：先改页面结构。把单品、价格、门店、时段做成结构化且可索引的页面，并标注更新时间，比反复打磨文案更能提升回答准确度。
问：怎么判断差距是产品力还是信息供给？
答：看竞品在同一批问题里的表现。如果竞品在价格与门店口径上都能被准确回答，而自己只被答出品牌名，差距就在信息供给而非产品本身。
参考资料
- 腾讯新闻：天冷就想吃黏糊饭，油焖土豆泥外卖10天卖出超10万单（腾讯新闻，2026-11-04）
- 中国城市网：秋冬暖食需求升级，外卖供给向日常简餐场景延伸（中国城市网，2026-11-04）
- 新京报：立冬消费升温，海底捞黏糊美食外卖新品10天卖出10万单（新京报，2026-11-04）
