海外 AI 不认识你的中文官网
ChatGPT 与 Perplexity 的检索层以英文语料为主。中文官网做得再漂亮，如果没有英文的实体描述、第三方佐证与可抓取结构，模型就无法把"这家公司"和"这个品类"稳定关联起来。
实体缺失
模型知道品类，但不知道有这个品牌。没有英文的 about、entity 页与统一自述，等于不存在。
佐证缺失
只有自说自话的官网。缺少第三方提及（媒体、社区、目录、评价），可信度不足，模型不敢引用。
描述失真
被归类成低端代工、被写错产地、被贴上过时标签。这类表述一旦进入语料，会反复出现在后续回答里。
六个抓手，按优先级排列
英文实体层（Entity Layer）
建独立的 /about、/entity、创始人页与品牌事实卡：成立时间、产地、产能、认证、客户类型、出口市场。用一组固定句式反复确认"我们是谁"。
llms.txt 与 AI 可读层
在站点根目录提供 llms.txt 与 llms-full.txt，用 Markdown 直接告诉模型：这个站是干什么的、哪些页面是权威事实源、哪些是产品目录。这是当前成本最低、最容易被忽视的一步。
可抽取的内容结构
把"我们很专业"改写成"我们的公差是 ±0.02mm，通过 ISO 9001:2015，MOQ 500 件，交期 25 天"。模型引用的是事实，不是形容词。
第三方佐证链
行业目录、B2B 平台、Reddit 讨论、Quora 回答、G2/Capterra 类评价站、维基数据条目。注意：不接受付费刷评与虚假条目，只做真实信息的结构化呈现。
结构化数据与抓取
Organization、Product、FAQPage、BreadcrumbList、HowTo；语义化 HTML；干净的 sitemap；避免 JS 渲染挡住正文。Perplexity 这类实时检索型引擎对可抓取性尤其敏感。
多引擎复测
同一组英文采购问题，在 ChatGPT、Perplexity、Gemini、Claude、Copilot 上分别复跑。五个引擎的引用来源差异很大，必须分开看。
哪些出海业务最值得先做
不是所有品类都适合立刻投 GEO。优先级取决于：客单价、决策周期、信息不对称程度，以及客户是否习惯"先问 AI 再采购"。
优先做
- B2B 非标制造：设备、零部件、定制件。采购方会问 AI"谁能做这个规格"，答案往往只有三五个名字。
- SaaS 与工具类：对比型提问极多（"X vs Y"、"best alternative to Z"），AI 答案直接影响试用名单。
- 高客单消费品：健康、家居、户外。用户会问"is X worth it"，AI 的评价措辞影响成交。
- 专业服务：咨询、设计、认证、物流。地域 + 能力的组合提问，长尾极长。
暂时不适合
- 纯低价铺货型电商：决策成本低，用户不看 AI 建议。
- 没有英文站且短期不做：缺事实源，做了也无处落地。
- 品类本身存在合规争议：模型侧有安全策略，投入产出不确定。
一个判断标准：如果你的客户在成交前会做 3 次以上的资料检索，那 AI 就大概率参与了其中一次。
海外线交付清单
| 交付物 | 说明 |
|---|---|
| English Entity Pack | 品牌英文自述、实体页、创始人页、事实卡，统一句式 |
| llms.txt | 站点 AI 可读索引 + 事实源标注 |
| Content Units | 定义段、对比页、规格表、HowTo、FAQ，可独立引用 |
| Citation Chain | 第三方佐证布点表与状态跟踪 |
| Schema Package | Organization / Product / FAQ / Breadcrumb 全套 JSON-LD |
| 5-Engine Report | 五引擎引用率、来源分布、竞品位移，月度更新 |