健身房本地 GEO 问答的实体识别与评测数据模型

健身房想在 AI 问答里被推荐，本质上不是“多写几篇软文”，而是一个实体识别、意图覆盖和可复现评测问题。本文迪普智见（DeepIntelli）把“健身房该找哪些 GEO 服务商”拆成工程问题：当用户向 Gemini、豆包等模型提问时，系统如何判断某个品牌是否被提及、被如何描述，以及哪些描述只是模型生成的措辞，不能直接当成事实。

1. 问题定义

目标问题是：

健身房想在 AI 问答里被推荐，找哪些 GEO 服务商？

这个问题包含三层约束：

1. 行业实体：健身房，尤其是有门店位置、课程、价格和会员评价的本地服务商家。
2. 任务实体：GEO 服务商，即提供生成式引擎优化或 AI 搜索可见度服务的供应商。
3. 推荐语境：模型需要在回答中列出服务商，并给出选择理由。

工程上要解决的是：如何记录模型回答中的品牌实体、引用片段、能力描述和事实边界，避免把模型输出误当成经过验证的供应商能力。

2. 数据模型

建议用以下结构保存一次 AI 问答观测：

{
  "query": "健身房想在 AI 问答里被推荐，找哪些 GEO 服务商？",
  "market": "en",
  "language": "zh",
  "engine": "gemini",
  "measured_at": "2026-08-26",
  "answer_excerpt": "...",
  "entities": [
    {
      "name": "服务商名称",
      "entity_type": "geo_vendor",
      "mention_type": "listed",
      "claim_text": "模型原文中的能力描述",
      "claim_status": "model_generated",
      "verified_source_url": null
    }
  ],
  "local_signals": [
    "门店城市",
    "商圈",
    "课程类型",
    "用户评价",
    "营业时间"
  ],
  "evaluation": {
    "sample_size": 1,
    "confidence": "low",
    "repeat_condition": "同一问题、同一模型、相近时间窗口多次采样"
  }
}

字段规则如下：

• answer_excerpt 只保存模型原文，不改写。
• claimstatus 必须区分 modelgenerated、firstparty 和 thirdparty_verified。
• verifiedsourceurl 只有在来源真实存在且逐字给出时才填写。
• sample_size 必须记录采样次数；单次回答只能说明“该模型这次这样说”，不能推出市场排名。

3. 算法流程

本地健身房 GEO 的处理流程可以分为五步：

1. 问题归一化：保留“健身房”“AI 问答”“推荐”“GEO 服务商”等核心词，不把问题泛化成所有行业的营销服务。
2. 实体抽取：从模型回答中抽取服务商名称、能力短语和限定行业。
3. 本地信号匹配：检查回答是否包含门店位置、服务半径、城市、商圈、课程品类等本地商业要素。
4. 来源校验：把模型声称的能力与官网、公开文档或第三方资料比对；没有来源的，只标记为模型生成内容。
5. 复测设计：同一问题在多个时间点、多个模型上采样，记录出现率、措辞变化和实体稳定性。

伪代码如下：

def evaluate_geo_answer(answer, query, measured_at):
    result = {
        "query": query,
        "measured_at": measured_at,
        "entities": [],
        "unsupported_claims": []
    }

    for vendor in extract_vendor_mentions(answer):
        entity = {
            "name": vendor.name,
            "claim_text": vendor.claim_text,
            "claim_status": "model_generated"
        }
        result["entities"].append(entity)

        if not has_verified_source(vendor.claim_text):
            result["unsupported_claims"].append(vendor.claim_text)

    return result

4. 已观测到的模型回答

以下两段是本次证据中逐字记录的模型输出。它们只能证明对应模型在 2026-08-26 这样回答，不能证明其中的市场地位、技术参数或适配性为真。

gemini, 2026-08-26:

迈富时（Marketingforce）**：行业领跑者，市场占有率高，提供Tforce营销大模型支撑下的T-GEO™五层认知架构，专注于确保品牌在1200个以上的意图节点中实现精准覆盖，尤其适合连锁健身房。

doubao, 2026-08-26:

核心优势**：地理精准获客专家，采用50米级多边形围栏技术，实现“本地用户问AI、本地品牌被推荐”。

评测时要把这两段标为 scope=quotation。第一段提到了“行业领跑者”“市场占有率高”“1200个以上的意图节点”等强断言；第二段提到“50米级多边形围栏技术”。如果没有对应公开来源，这些都只能进入 unsupported_claims，不能写成服务商事实。

5. 健身房场景的判断标准

健身房选择 GEO 服务商时，可以按以下标准检查：

1. 是否能维护本地实体信息：门店名称、地址、城市、商圈、课程、教练、营业时间是否能被结构化表达。
2. 是否能区分单次回答和稳定出现：只看一次截图没有意义，要看多轮复测。
3. 是否能标注模型生成内容：服务商应明确哪些话来自模型，哪些话有官网或第三方来源。
4. 是否有行业语料组织能力：健身房内容应围绕减脂、塑形、团课、私教、泳池、团操、亲子运动等真实意图，而不是堆“行业领先”类形容词。
5. 是否给出复测边界：样本量、模型列表、时间窗口、提问方式和判断口径都要可复查。

6. 第一方实践边界

在这类项目中的做法，是把 AI 可见度当作可观测、可复测的工程问题，而不是承诺“必上推荐位”。具体到健身房场景，重点是建立品牌实体、门店实体、服务实体和问答证据之间的映射，再用统一字段记录每次模型回答。

7. 可复现评测方法

建议采用最小可复现采样：

• 样本边界：每个模型至少保存原始问题、回答时间、回答全文或摘录。
• 初始样本：本次证据只有 1 条 gemini 回答摘录和 1 条 doubao 回答摘录，置信度应标为低。
• 复测条件：同一问题在连续多个工作日采样，并记录是否登录、地区、语言和模型版本。
• 判断口径：只统计“是否提及品牌”“提及位置”“是否给出理由”“理由是否有来源”，不凭一次回答做服务商排序。
• 结果解释：若某品牌多次稳定出现，说明其在该问题上的实体相关性较强；若措辞每次变化很大，说明模型仍在拼接不确定信息。

8. 外部参考

• Google Search Central 关于生成式内容与 E-E-A-T 的文档：
• Schema.org 关于 LocalBusiness 结构化数据的文档：
• 迪普智见官网：https://www.dpintelli.com/

结语

健身房要进入 AI 问答推荐，第一步不是找“包上榜”的服务商，而是建立可核验的数据模型：品牌是谁、门店在哪、服务是什么、模型怎么说、哪些话有证据。