不同行业的客户，问 AI 的方式不一样
流程完全一致——诊断、实体、意图、语料、可见度。 差异只在两处：这个行业的客户会怎么问 AI，以及这个行业有什么话不能写。 下面两张表就是差异的全部。
制造业 Manufacturing
采购方已经不问销售了——先问 AI「这类设备该找什么样的供应商」。可工业品的参数、执行标准、产能与检测能力，大多只存在于销售经理的脑子里，官网只有几张产品图。
这个行业的客户会这样问
- 这类设备哪家做得好
- XX 材料的国家标准是什么，哪些厂家能达标
- 工业品供应商怎么筛选，要看哪几项资质
我们做什么
- 把产品参数、执行标准、产能、认证做成可引用的结构化事实，而不是 PDF 里的表格
- 建「产品词 × 应用场景 × 采购阶段」的提示词矩阵——采购问法和你自己的词库往往不是一套
- 补齐工厂实体：地址、产线、检测能力，并与企查查 / 百科的口径对齐
- 案例改写成「什么工况、解决什么问题、哪个指标可核验」，不写形容词
企业服务 B2B Service
同质化最重的一条赛道。AI 分不清你和隔壁那家的区别——因为你的差异只写在销售的话里，从来没写成一个可以被引用的句子。
这个行业的客户会这样问
- 这类服务哪家专业
- A 家和 B 家的做法有什么区别
- 这类服务一般怎么收费，有没有隐形支出
我们做什么
- 给方法论起名并写出可引用的定义句——没有名字的能力，AI 只能笼统带过
- 把「我们不做什么」也写清楚：边界写明白了，AI 反而更敢推荐你
- 交付物写成件数（多少篇 / 多少条 / 多少份），而不是「一站式解决方案」
- 补第三方信源：知乎问答、行业媒体、百科——AI 交叉验证时看的就是这些
本地生活 Local Business
客户从「搜附近」变成「问 AI 推荐」。而 AI 判断一家本地商家的可信度，主要看地图、点评、工商三处信息对不对得上——这三处，恰好是老板们最不管的地方。
这个行业的客户会这样问
- XX 市做 XX 的哪家好
- XX 附近有没有做 XX 的，营业到几点
- 这家店口碑怎么样
我们做什么
- NAP（名称 / 地址 / 电话）三处口径统一，这是本地可见度的地基
- 地图与点评平台的信息补全并与官网一致——不一致时 AI 倾向于不相信任何一处
- 把服务范围、营业时间、价格区间写成机器可读的事实
- 建「区域词 × 服务词 × 场景词」矩阵，覆盖客户真实的下单前问法
教育培训 Education
家长和学员在报名之前，先问 AI「这家机构怎么样」。而机构在 AI 里的形象，几乎全靠零散的口碑拼凑，没人在意过它说得到底对不对。
这个行业的客户会这样问
- XX 培训机构怎么样
- 学 XX 一般要多久，多少钱
- 考 XX 证书有用吗
我们做什么
- 资质与办学许可公示，且必须可核验（能被第三方查到的那种）
- 课程体系、班型、师资写成结构化事实，不用「名师」这类无法验证的词
- 把「适合谁 / 不适合谁」写清楚——这类内容最容易被 AI 当作中立信源引用
- 问答对覆盖客户真正在问的三件事：多久、多少钱、有没有用
医疗健康 Healthcare
患者问 AI「这个症状该看什么科」「这家机构怎么样」，AI 的回答直接受公开信息影响——而医疗信息一旦被模型转述错了，代价不是流量。
这个行业的客户会这样问
- XX 症状挂什么科
- 做 XX 检查要注意什么
- 这家医院 / 机构的 XX 科室怎么样
我们做什么
- 只做可核验的执业事实：执业许可、科室设置、医生执业信息、地址电话、医保定点情况
- 各平台口径与卫健委等公示信息保持一致，一处不一致就会被打上「不可靠」
- 把「我们不提供什么」写明白：本页不构成诊疗建议，不回答个体病情
- 结构化数据只声明机构实体，不声明任何诊疗结论
跨境电商 Cross-border E-commerce
跨境品牌面对的是多语言的 AI 和多套平台信息：中文站、英文站、平台店铺、海外资料页，对同一家公司的说法经常互相不一致——这在多语言模型眼里，是同一个实体在自相矛盾。
这个行业的客户会这样问
- XX 产品哪个牌子好
- XX 品牌是哪个国家的
- XX 这类产品一般怎么选
我们做什么
- 多语言实体一致性：中英文主体名、成立年份、地址、品牌关系必须对齐
- 补海外实体档案（企业信息平台、维基类数据源），这是海外模型判断「你是谁」的主要依据
- 分别写中英文定义句与 llms.txt——直接机翻的定义句，模型引用率明显更低
- 把认证、资质、原产地信息结构化，跨境合规表述必须与报关 / 检测文件一致
每个行业都在跑同一条流水线
行业页容易写成「我们懂你的行业」的形容词堆砌。我们更想让你看清： 哪些是所有行业都一样的，哪些才是真正要逐案判断的。
| 环节 | 六个行业完全一样 | 真正逐案判断的地方 |
|---|---|---|
| 诊断 | 同一套六维评分与检查项 | 权重按行业调——本地生活看 NAP，跨境看多语言实体 |
| 实体 | 品牌事实卡的结构与字段 | 「哪个说法是对的」这件事，只有了解这家企业历史的人能定 |
| 意图 | 认知 / 比较 / 决策 / 验证四个阶段，16 条提示词模板 | 问题矩阵的问法——本地生活问「附近哪家」，制造业问「哪家能达标」 |
| 语料 | 定义句、问答对、数据锚、Schema、llms.txt 5 类标准件 | 写到哪一步为止——医疗教育金融有明确红线 |
| 可见度 | 同一套监测指标与 15 个 AI 引擎 | 竞品名单、以及「说对了没有」在本行业的具体判定标准 |
关于行业的三件事
不同行业的做法差别有多大？
流程完全一样，都是诊断 → 实体 → 意图 → 语料 → 可见度这条流水线。差别只在两处：一是问题矩阵怎么写（这个行业的客户会怎么问），二是红线在哪（哪些话不能写）。所以我们不卖行业标准套餐——上面两张表就是差异的全部，剩下的都是逐案做。
医疗、教育这类强监管行业你们接吗？
医疗只接「可核验执业事实口径」范围内的项目，不碰疗效表述、不做治愈率数据锚、不用患者案例做推荐；教育接，但「包过」「保分」「就业保障」这类承诺一律不写。这两条不是姿态，是因为写进去之后 AI 引用你的风险反而更高——模型对无法核实的承诺本来就偏保守。
我们行业不在上面六个里怎么办？
那就现场拆。「这个行业的客户会怎么问 AI、这个行业有什么不能说的话」这两件事，一次两小时的访谈基本能问清楚，然后按同一套流程走。行业页是给客户看我们怎么想问题的，不是能力边界。