> 一句话版本：一家太原婚宴酒店，通过"实体梳理 + 本地标签 + 问答内容 + 全网一致"，21 天在多个 AI 模型的婚宴推荐提问中上榜。
这篇完整记录一次 GEO 落地案例，包括起点状态、具体动作、数据变化和可复用经验。
一、项目背景
客户：太原一家以婚宴为主营的酒店，场地与菜品在本地口碑不错。
问题：婚宴客户的决策习惯变了——现在的新人订婚宴，很多人会先问 AI："太原婚宴酒店推荐""太原婚宴场地哪家好"。
起点状态：客户在 DeepSeek、豆包、Kimi 等模型里测试上述问题，自己的酒店完全不出现。
为什么紧急：婚宴客户以年轻人为主，决策前问 AI 的比例越来越高。不上榜，等于把核心客群让给了 AI 推荐的那些同行。
二、做了四件事
第一件：统一实体信息
把酒店的名称、位置、主营（婚宴）、服务区域的表述统一成一套，同步到官网、地图、本地平台。
解决的问题：此前各平台表述不完全一致，AI 交叉验证时无法确认这是同一家酒店。
第二件：强化本地标签
明确写出"太原 XX 酒店 · 婚宴场地 · 位于太原 XX 区"。
为什么重要：AI 回答本地问题时，对地域信息的依赖度极高。地域写不清，AI 无法确认"你在不在太原"。
第三件：供给问答内容
围绕婚宴客户的真实问题写内容：
- "太原婚宴酒店怎么选？"
- "太原婚宴一桌大概多少钱？"
- "订婚宴要注意什么？"
形式：问答式，问题即标题，落地到可被抓取的页面。作用：给 AI 提供"可引用的素材"。
第四件：保持全网一致
确保酒店在官网、地图、点评平台的信息完全对齐（名称、地址、电话、营业信息）。
作用：通过 AI 的交叉验证。信息冲突会被判定不可信。
三、数据变化
测试方法：从项目第一天起，固定使用同一批婚宴相关问题，每两周测试一次。
21 天后：
- "太原婚宴酒店推荐"——酒店出现在回答中；
- "太原婚宴场地哪家好"——酒店被提及；
- DeepSeek、豆包、Kimi 多个模型——均能搜到。
变化：从"完全不出现"到"婚宴推荐上榜"。
四、为什么 21 天能做到
第一，行业适配。 婚宴是典型的"本地强需求"——客户是本地人、决策前爱问 AI、地域属性强。这类生意，AI 的地域推荐机制天然有利。
第二，动作到位。 实体、地域、内容、一致性四件事一件不落。很多企业只做了其中一件（比如只写内容），所以见效慢。
第三，有基线可测。 从第一天起就用同一批问题测量，才能准确说出"21 天"这个数字。没有基线，就说不清效果。
五、可复用的经验
经验一：先解决信息问题，再谈内容。
这家酒店的起点是"信息没建起来"，所以前两步（实体统一、本地标签）见效最快。如果顺序反了（先大量写内容），效果会慢很多。
经验二：地域信息比想象中重要。
AI 回答本地问题时，地域表述的准确度直接决定能否被匹配上。"服务全国"这类模糊表述，对本地推荐几乎没有帮助。
经验三：一致性是沉默的门槛。
信息不一致不会报错，但会让 AI 悄悄把你排除。这项排查不花钱，却最容易被忽略。
经验四：固定样本测量才有说服力。
"感觉有效果"和"5 组问题里 4 组被提及"，是两种完全不同的结论。
六、其他行业能套用吗
这套动作适用于所有"本地强需求"的生意：婚宴酒店、装修、家政、汽车服务、本地餐饮、教育、医美、专业服务（律师、财税）。
公式：统一实体 + 本地标签 + 问答内容 + 全网一致 + 定期测量。
七、需要说明的边界
- 这个案例能快，前提是酒店本身有基础口碑，缺的只是"AI 能读到的信息"；
- 如果企业线上信息几乎为零，需要更长时间；
- 21 天是个案，不是承诺——不同行业、不同起点，节奏会不同。
结语
这个案例最大的价值不是"21 天"这个数字，而是它证明了：AI 搜索优化不是玄学，是有明确动作、可以复现、能够验证的工程。
（注：本文为案例记录，供同类企业参考。）