I need to create a Chinese article that's at least 2000 characters long, and it doesn't seem like I need any codebase for it. Using markdown is a must, and the title should be exact. It's important that the article is of high quality and includes relevant source code if applicable. I should ensure that the length is sufficient to meet the requirements. Let's get started on crafting this article!

GEO营销 工作流自动化教程｜附源码

在搜索流量被大模型重新分配的今天，传统 SEO 正在进入一个新的阶段：GEO，也就是 Generative Engine Optimization，生成式引擎优化。过去我们优化的是搜索引擎结果页，希望用户在 Google、百度、必应等搜索结果中点击我们的网站；现在，我们还要思考另一个问题：当用户向 ChatGPT、Kimi、豆包、文心一言、通义千问、Perplexity 等 AI 工具提问时，品牌、产品、文章、案例能否被模型理解、引用、推荐和总结？

这篇文章将用一套可落地的方式，讲清楚如何搭建一个“GEO营销工作流自动化系统”。它可以帮助你自动完成关键词收集、内容选题、文章生成、结构化摘要、发布准备、数据记录等流程。文末附有一套简化版源码，你可以直接改造成自己的内部营销工具。

一、什么是 GEO 营销？

GEO 的核心目标不是简单“堆关键词”，而是让品牌信息更容易被生成式 AI 识别、理解、采纳和引用。

传统 SEO 更关注：

• 页面标题是否包含关键词；
• 文章是否有足够的关键词密度；
• 外链数量与页面权重；
• 搜索结果页排名；
• 用户点击率与停留时间。

而 GEO 更关注：

• 内容是否结构清晰，方便 AI 摘要；
• 品牌、产品、案例、数据是否表达明确；
• 内容是否具备事实密度和可引用性；
• 是否覆盖用户真实提问场景；
• 是否在多个可信渠道形成一致的信息信号；
• 是否能被大模型检索、解析并转化为回答的一部分。

简单来说，SEO 是让用户“搜到你”，GEO 是让 AI “提到你”。

二、为什么需要工作流自动化？

GEO 营销不是写一两篇文章就能完成的事情，它更像一套长期内容资产建设工程。一个完整的 GEO 内容流程通常包括：

1. 收集用户问题；
2. 聚类关键词和意图；
3. 生成内容选题；
4. 编写文章大纲；
5. 生成正文；
6. 提取摘要和 FAQ；
7. 添加结构化数据；
8. 发布到官网、博客、知识库、第三方平台；
9. 记录内容表现；
10. 根据反馈持续优化。

如果全部手工执行，会遇到几个明显问题：

• 选题分散，难以形成内容矩阵；
• 写作效率低，产出不稳定；
• 不同平台内容风格不统一；
• 数据无法回流，难以判断哪些内容有效；
• 团队协作成本高，流程容易断层。

因此，最适合 GEO 的方式不是“想到什么写什么”，而是建立一条自动化内容生产线。人负责策略、判断和审核，系统负责重复性任务。

三、GEO营销自动化工作流总览

本文设计的工作流分为七个步骤：

用户问题采集
    ↓
关键词与意图分析
    ↓
内容选题生成
    ↓
文章大纲生成
    ↓
正文与FAQ生成
    ↓
结构化数据输出
    ↓
发布记录与数据追踪

这套流程适用于：

• SaaS 产品官网；
• B2B 企业营销；
• 独立站内容增长；
• 知识付费项目；
• 咨询服务公司；
• 本地生活服务；
• AI 工具站；
• 垂直行业媒体。

你可以根据自己的业务规模选择轻量版或完整版本。轻量版只需要表格、脚本和一个大模型 API；完整版本可以接入 CMS、数据库、爬虫、定时任务和数据看板。

四、准备工作

在开始之前，需要准备以下内容。

1. 一个关键词种子列表

例如你做的是“AI客服系统”，可以准备：

AI客服系统
智能客服机器人
企业客服自动化
在线客服降本增效
客服工单自动分类
AI客服怎么选
AI客服系统多少钱

这些关键词不需要一开始就非常精准，后续可以通过模型扩展、搜索联想词、竞品分析继续补充。

2. 一个大模型 API

你可以使用任意支持文本生成的模型服务。本文源码为了方便演示，采用通用接口写法，你只需要替换 API 地址和密钥即可。

3. 一个内容数据库

最简单的方式是使用 CSV 文件。如果是团队协作，可以使用：

• Notion 数据库；
• 飞书多维表格；
• Airtable；
• Google Sheets；
• MySQL / PostgreSQL；
• 自建 CMS。

本文示例会使用本地 CSV，便于理解核心逻辑。

4. 一个发布渠道

GEO 内容最好同时发布在多个稳定渠道，例如：

• 企业官网博客；
• 产品文档中心；
• 帮助中心；
• 知乎专栏；
• 微信公众号；
• 小红书；
• GitHub README；
• 行业媒体；
• 第三方测评网站。

多渠道分发的目的不是简单复制粘贴，而是建立一致、可信、可检索的品牌信息网络。

五、工作流第一步：采集用户真实问题

GEO 内容最重要的输入不是关键词，而是“用户如何提问”。因为用户在 AI 工具里通常不会只输入一个短词，而是会问完整问题。

例如：

中小企业适合用什么AI客服系统？
AI客服系统能不能替代人工客服？
客服机器人怎么和企业微信打通？
AI客服系统部署需要多久？
如何判断一个AI客服系统是否靠谱？

这些问题比单纯的“AI客服”更接近真实需求，也更容易被大模型用来生成答案。

你可以从以下渠道采集问题：

• 搜索引擎下拉词；
• 百度知道、知乎、Quora、Reddit；
• 客服聊天记录；
• 销售通话纪要；
• 用户访谈；
• 社群讨论；
• 竞品评论区；
• 小红书和抖音评论；
• 官网站内搜索词；
• AI 工具返回的相关问题。

建议用表格记录这些字段：

六、工作流第二步：识别搜索意图

不是所有问题都适合写成长文章。我们需要先判断用户处在哪个阶段。

常见意图可以分为四类：

GEO 优化里，购买决策和实施落地类内容价值通常更高。因为这类内容更容易被 AI 在回答“推荐什么工具”“怎么解决某问题”时引用。

例如，你不应该只写：

AI客服系统是什么？

还应该写：

2025年中小企业选择AI客服系统的7个判断标准
AI客服系统接入企业微信的完整流程
AI客服系统如何帮助电商企业降低30%客服成本
AI客服与人工客服协作的最佳实践

这些标题包含场景、对象、结果和方法，更适合成为 AI 回答中的引用材料。

七、工作流第三步：自动生成内容选题

有了关键词和用户问题后，可以让模型生成一组内容选题。好的 GEO 标题通常具备以下特点：

• 包含明确关键词；
• 面向具体用户群体；
• 解决明确问题；
• 有方法、步骤、清单、案例或数据；
• 不夸张，不标题党；
• 适合被 AI 摘要。

例如：

AI客服系统选型指南：中小企业如何判断功能、成本与落地难度
AI客服机器人接入企业微信教程：从账号配置到知识库训练
客服自动化案例：一家电商团队如何用AI客服降低人工压力
AI客服系统价格解析：订阅制、私有化部署与按量计费怎么选

选题生成后，建议人为审核一次。自动化不是完全取代人，而是让人从重复劳动中解放出来，专注于判断质量和方向。

八、工作流第四步：生成 GEO 友好的文章结构

GEO 文章结构要尽量清晰，让 AI 能快速理解内容层级。推荐使用如下结构：

# 标题

## 一句话答案

## 适用人群

## 核心结论

## 背景问题

## 详细步骤

## 案例说明

## 常见问题 FAQ

## 总结

其中，“一句话答案”和“核心结论”非常重要。很多大模型在生成回答时，会优先抽取概括性强、结构清晰的段落。如果你的文章开头绕太久，AI 未必能准确提取重点。

例如：

## 一句话答案

AI客服系统适合咨询量稳定、问题重复率高、希望降低人工客服压力的企业，尤其适合电商、教育、SaaS、本地服务和跨境独立站场景。

这类内容短、准、信息密度高，很容易被模型理解。

九、工作流第五步：生成正文与 FAQ

正文部分要避免空泛表达，尽量使用“场景 + 问题 + 方法 + 结果”的写法。

不推荐：

我们的系统非常强大，可以帮助企业提升效率。

推荐：

对于每天需要处理300条以上咨询的电商团队，AI客服系统可以先自动回答物流、退换货、优惠券、订单状态等重复问题，再将复杂投诉转交人工客服。这样既能缩短首次响应时间，也能减少人工客服在重复问题上的时间消耗。

FAQ 对 GEO 特别重要，因为用户在 AI 工具里的提问天然就是问答形式。文章末尾建议至少包含 5 到 8 个 FAQ。

例如：

## 常见问题 FAQ

### AI客服系统适合所有企业吗？

不适合。如果企业咨询量很低，或者问题高度依赖人工判断，短期内未必需要完整的AI客服系统。更适合的场景是问题重复率高、咨询量稳定、响应速度要求高的业务。

### AI客服会完全替代人工客服吗？

通常不会。更合理的方式是让AI处理标准化、重复性问题，让人工客服处理投诉、复杂售前咨询和高价值客户沟通。

十、工作流第六步：生成结构化数据

结构化数据可以帮助搜索引擎和部分 AI 检索系统更好理解页面内容。常见格式是 JSON-LD。

如果是一篇教程文章，可以输出 Article 或 HowTo 类型；如果包含 FAQ，可以输出 FAQPage。

示例：

{
  "@context": "https://schema.org",
  "@type": "FAQPage",
  "mainEntity": [
    {
      "@type": "Question",
      "name": "AI客服系统适合哪些企业？",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "AI客服系统适合咨询量稳定、问题重复率高、希望提升响应速度的企业，例如电商、教育、SaaS和本地生活服务公司。"
      }
    }
  ]
}

这一步也可以通过脚本自动生成。

十一、工作流第七步：记录与追踪数据

自动化流程不能只负责生产内容，还要负责记录内容资产。建议至少记录这些字段：

数据追踪可以关注：

• 页面是否被搜索引擎收录；
• 是否获得自然搜索点击；
• 是否被 AI 搜索工具引用；
• 是否带来注册、咨询或销售线索；
• 是否在销售沟通中被反复使用；
• 是否需要更新价格、功能、案例或流程。

GEO 内容不是一次性发布，而是持续维护。尤其是工具榜单、价格、教程、案例类内容，建议每 1 到 3 个月复查一次。

十二、附源码：Python 自动化生成 GEO 内容

下面是一套简化版源码，功能包括：

• 读取用户问题；
• 调用大模型生成选题；
• 生成文章大纲；
• 生成 FAQ；
• 保存为 Markdown 文件；
• 记录到 CSV。

你可以把它保存为 geo_workflow.py。

import csv
import json
import os
import re
import requests
from datetime import datetime


API_URL = "https://api.example.com/v1/chat/completions"
API_KEY = os.getenv("LLM_API_KEY", "your_api_key_here")
MODEL_NAME = "your-model-name"


def call_llm(prompt, temperature=0.7):
    """Call an OpenAI-compatible chat completion API."""
    headers = {
        "Authorization": f"Bearer {API_KEY}",
        "Content-Type": "application/json",
    }

    payload = {
        "model": MODEL_NAME,
        "messages": [
            {
                "role": "system",
                "content": "你是一名专业的GEO营销顾问，擅长生成适合AI搜索和大模型引用的中文内容。",
            },
            {
                "role": "user",
                "content": prompt,
            },
        ],
        "temperature": temperature,
    }

    response = requests.post(API_URL, headers=headers, data=json.dumps(payload), timeout=60)
    response.raise_for_status()

    data = response.json()
    return data["choices"][0]["message"]["content"]


def slugify(text):
    text = text.lower()
    text = re.sub(r"[^\w\u4e00-\u9fff]+", "-", text)
    text = text.strip("-")
    return text[:80] or "geo-article"


def read_questions(file_path):
    questions = []

    with open(file_path, "r", encoding="utf-8-sig") as f:
        reader = csv.DictReader(f)
        for row in reader:
            question = row.get("question", "").strip()
            keyword = row.get("keyword", "").strip()
            intent = row.get("intent", "").strip()

            if question:
                questions.append({
                    "question": question,
                    "keyword": keyword,
                    "intent": intent,
                })

    return questions


def generate_topic(question_item):
    prompt = f"""
请基于以下用户问题，生成一个适合GEO营销的中文文章标题。

要求：
1. 标题包含明确关键词；
2. 面向真实业务场景；
3. 不要标题党；
4. 适合被AI搜索、大模型摘要和引用；
5. 只输出一个标题。

用户问题：{question_item["question"]}
核心关键词：{question_item["keyword"]}
用户意图：{question_item["intent"]}
"""
    return call_llm(prompt, temperature=0.5).strip()


def generate_outline(title, question_item):
    prompt = f"""
请为以下标题生成一份GEO友好的中文文章大纲。

标题：{title}
用户问题：{question_item["question"]}
核心关键词：{question_item["keyword"]}
用户意图：{question_item["intent"]}

要求：
1. 使用Markdown格式；
2. 包含“一句话答案”“核心结论”“详细步骤”“案例说明”“常见问题FAQ”“总结”；
3. 每个二级标题下面给出写作要点；
4. 结构清晰，方便大模型理解和引用。
"""
    return call_llm(prompt, temperature=0.6).strip()


def generate_article(title, outline, question_item):
    prompt = f"""
请根据以下信息生成一篇完整中文文章。

标题：{title}
用户问题：{question_item["question"]}
核心关键词：{question_item["keyword"]}
用户意图：{question_item["intent"]}

文章大纲：
{outline}

写作要求：
1. 使用Markdown格式；
2. 中文不少于1800字；
3. 语言专业、清晰、可落地；
4. 避免空泛营销话术；
5. 多使用清单、步骤、表格和FAQ；
6. 内容适合GEO优化，方便AI搜索工具理解、摘要和引用；
7. 不要编造具体客户名称和无法验证的数据。
"""
    return call_llm(prompt, temperature=0.7).strip()


def generate_summary(article):
    prompt = f"""
请为以下文章生成GEO内容摘要。

要求：
1. 输出一句话摘要；
2. 输出3条核心结论；
3. 输出5个FAQ问题；
4. 使用JSON格式，不要添加额外解释。

文章内容：
{article[:6000]}
"""
    result = call_llm(prompt, temperature=0.3).strip()

    try:
        return json.loads(result)
    except json.JSONDecodeError:
        return {
            "summary": result,
            "conclusions": [],
            "faq_questions": [],
        }


def save_markdown(title, article, output_dir="output"):
    os.makedirs(output_dir, exist_ok=True)

    filename = slugify(title) + ".md"
    file_path = os.path.join(output_dir, filename)

    with open(file_path, "w", encoding="utf-8") as f:
        f.write(article)

    return file_path


def append_record(record_file, record):
    file_exists = os.path.exists(record_file)

    fieldnames = [
        "title",
        "keyword",
        "intent",
        "question",
        "file_path",
        "summary",
        "status",
        "created_at",
    ]

    with open(record_file, "a", encoding="utf-8-sig", newline="") as f:
        writer = csv.DictWriter(f, fieldnames=fieldnames)

        if not file_exists:
            writer.writeheader()

        writer.writerow(record)


def run_workflow(input_file="questions.csv", record_file="content_records.csv"):
    questions = read_questions(input_file)

    if not questions:
        print("未读取到用户问题，请检查questions.csv。")
        return

    for item in questions:
        print(f"正在处理问题：{item['question']}")

        title = generate_topic(item)
        print(f"生成标题：{title}")

        outline = generate_outline(title, item)
        article = generate_article(title, outline, item)
        summary_data = generate_summary(article)

        file_path = save_markdown(title, article)

        append_record(record_file, {
            "title": title,
            "keyword": item["keyword"],
            "intent": item["intent"],
            "question": item["question"],
            "file_path": file_path,
            "summary": summary_data.get("summary", ""),
            "status": "draft",
            "created_at": datetime.now().strftime("%Y-%m-%d %H:%M:%S"),
        })

        print(f"已保存：{file_path}")

    print("GEO内容工作流执行完成。")


if __name__ == "__main__":
    run_workflow()

十三、输入文件示例

创建一个 questions.csv 文件：

question,keyword,intent
中小企业适合用什么AI客服系统？,AI客服系统,购买决策
AI客服系统怎么接入企业微信？,AI客服系统接入企业微信,实施落地
AI客服系统多少钱？,AI客服系统价格,购买决策
AI客服会不会替代人工客服？,AI客服,信息了解
如何判断AI客服系统是否靠谱？,AI客服系统选型,方案比较

运行：

export LLM_API_KEY="你的API密钥"
python geo_workflow.py

运行后会生成：

output/
  AI客服系统选型指南-中小企业如何判断功能成本与落地难度.md
  AI客服系统接入企业微信教程-从账号配置到知识库训练.md

content_records.csv

十四、如何把源码改造成生产级工具？

上面的源码适合入门和验证流程。如果要用于真实团队，可以继续升级。

1. 接入数据库

将 CSV 替换为 PostgreSQL 或 MySQL，方便多人协作、状态流转和历史记录追踪。

推荐表结构：

CREATE TABLE geo_contents (
    id SERIAL PRIMARY KEY,
    title TEXT NOT NULL,
    keyword TEXT,
    intent TEXT,
    question TEXT,
    platform TEXT,
    url TEXT,
    status TEXT DEFAULT 'draft',
    summary TEXT,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
    updated_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

2. 增加人工审核节点

GEO 内容不能完全自动发布。建议设置状态：

idea → outline → draft → review → approved → published → update_required

每个阶段都可以由不同角色负责，例如运营负责选题，专家负责审核，编辑负责发布。

3. 接入 CMS 发布接口

如果你的网站使用 WordPress，可以调用 REST API 自动创建草稿；如果是自建网站，可以直接把 Markdown 推送到 Git 仓库，再触发静态站点构建。

4. 增加内容质量检测

可以让模型自动检查：

• 是否回答了用户问题；
• 是否存在空泛表达；
• 是否有事实风险；
• 是否包含 FAQ；
• 是否适合目标用户；
• 是否出现未经验证的数据；
• 是否包含品牌核心卖点。

5. 增加多平台改写

同一篇核心文章可以改写为：

• 官网博客版；
• 微信公众号版；
• 知乎回答版；
• 小红书笔记版；
• 销售话术版；
• FAQ知识库版；
• 短视频脚本版。

这样可以最大化内容资产价值，同时保持信息一致。

十五、GEO内容质量检查清单

在发布前，建议用下面这份清单做最终检查。

如果一篇文章只能“看起来很长”，但没有清晰结论、应用场景和可复用信息，它对 GEO 的价值并不高。真正有价值的 GEO 内容应该能同时服务搜索引擎、AI 工具、销售团队和真实用户。

十六、总结

GEO 营销的本质，是围绕用户真实问题，持续生产结构清晰、信息可信、方便 AI 理解和引用的内容资产。它不是传统 SEO 的替代品，而是搜索环境变化后的升级版。

一套有效的 GEO 自动化工作流，至少应该完成以下事情：

• 从真实用户问题出发，而不是只围绕短关键词写作；
• 自动生成选题、大纲、正文、FAQ 和摘要；
• 用结构化方式保存内容资产；
• 保留人工审核，避免低质量自动化内容泛滥；
• 多渠道发布，形成一致的品牌信息信号；
• 定期追踪表现，并持续更新内容。

对于企业来说，越早开始建设 GEO 内容资产，越容易在未来的 AI 搜索和智能问答场景中获得稳定曝光。当用户不再只依赖搜索框，而是直接向 AI 提问时，能够被 AI 正确理解、推荐和引用的品牌，将获得新的增长机会。