一个 GEO 服务案例：从家长在 AI 里"查无此校"，到成为 40 个择校提问中 22 个的引用来源。
一、项目概览
| 项目要素 | 内容 |
|---|---|
| 客户 | 华东地区某民办国际化学校（应客户保密要求，文中简称 D 校） |
| 办学形态 | K12 一贯制，开设 IB（PYP/MYP/DP）与 A-Level 双课程 |
| 目标生源 | 本地中高收入家庭，含公办转轨家庭、外籍家庭、海外回流家庭 |
| 客户规模 | 在校生 1,200+，年学费区间 18–30 万元 |
| 服务内容 | GEO 全案：AI 可见度诊断 → 实体治理 → 结构化内容资产 → 权威信源分发 → 监测迭代 |
| 服务周期 | 5 个月（2026.03 – 2026.07），持续运维中 |
| 核心成果 | 择校提问集品牌提及率 7.5% → 55%；开放日预约 月均 46 组 → 172 组 |
二、客户当时面临的问题
一个被重构的择校路径
中国国际教育市场有一个稳定特征：信息高度不透明，而决策代价极高。
从公开数据看，中国大陆的国际学校（含外籍人员子女学校、民办双语学校、公办高中国际部）数量在不同统计口径下为 134–172 所，平均年学费约 16–22 万元，费用区间跨度极大（从数千元的国际课程项目到 40 万元/年的成熟外籍学校）。
城市分布高度集中：上海 30+ 所、北京 22 所左右、深圳 15+ 所，杭州、广州、苏州紧随其后。课程结构也有明显的城市特征——上海以 A-Level 为主（约占 38% 的课程项目），北京以 IB 为主，深圳的 DSE 增长最快；全国范围内 IB（DP）是最普遍的课程（72–75 所学校开设）。
对家长来说，这意味着：选项多、信息杂、单次决策金额高（K12 全程可能超过 300 万元）、且不可逆。
过去，家长的择校路径是：问亲友 → 看公众号 → 逛教育展 → 探校。而从 2025 年下半年开始，路径的前半段被 AI 接管了。家长开始在 ChatGPT、豆包、Kimi 里直接问：
"上海浦东有哪些开 IB 的国际学校，学费大概多少？" "IB 和 A-Level 怎么选，孩子以后想去英国" "孩子现在读公立四年级，转国际学校来得及吗？" "国际学校入学考试都考什么，难不难？" "IB 平均分 38 分以上的学校有哪些？"
而在这些答案里，出现的永远是那几所头部名校。
原因不难理解：大模型的答案是对全网共识的归纳。 头部国际学校有十几年积累的媒体报道、榜单数据、家长讨论和官方背书，模型有充分的材料可以引用；而 D 校这类"中腰部优质校"的信息，主要沉淀在公众号图文、招生海报和探校笔记里——模型读不到，或读到了也不敢判定。
诊断：四个具体病灶
我们接手后的第一步是 AI 可见度基线诊断：固定 40 条真实家长提问（中文 34 条、英文 6 条），覆盖四个维度——
- 地域 + 课程组合型（14 条）："浦东 IB 学校""杭州 A-Level 学校"
- 比较决策型（10 条）："IB 和 A-Level 怎么选""公办转国际几年级合适"
- 门槛与流程型（9 条）："入学考试考什么""插班需要什么材料"
- 成果与口碑型（7 条）："哪所学校 IB 均分高""升学结果怎么样"
在 ChatGPT、豆包、Kimi、百度 AI 搜索四个平台逐条提问后的结论，是四个病灶：
| 病灶 | 具体表现 | 严重程度 |
|---|---|---|
| ① 实体信息混乱 | 学校在官网用全称、在公众号用简称、在招生材料用英文名、在国际认证名录里又是另一种拼写 —— 大模型无法确认这是同一所学校 | 高（地基问题） |
| ② 升学成果是"图片" | IB 均分、40+ 人数、名校录取名单，全部以海报图片形式发布在公众号 —— 机器完全读不到。这是本案例最致命的病灶 | 极高 |
| ③ 地域 + 课程组合词完全缺席 | 家长最高频的问法是"某区 + 某课程"，而 D 校没有任何页面承载这类组合词 | 高 |
| ④ 权威信源单一 | 只有自建官网和公众号；官方认证名录、教育媒体、第三方择校平台、家长社区全部空白 | 高 |
基线数据（2026 年 3 月）：
| 指标 | 基线值 |
|---|---|
| 40 条择校提问中 D 校被提及 | 3 条（7.5%） |
| 地域 + 课程组合型提问（14 条）命中 | 0 条 |
| 被列为首选推荐 | 0 条 |
| 被引用信源中属于 D 校自有资产 | 0 处 |
| 开放日月均预约 | 46 组 |
一个值得单独说的发现：在 14 条"地域 + 课程"组合提问里，D 校的命中是 0。 而这恰恰是家长最真实的问法——他们不会问"哪所国际学校好"，他们会问"我们区有哪些开 IB 的学校"。
三、我们做了什么
第 1 层 · 实体治理：先让 AI 承认"这是一所学校"
国际学校的实体治理比一般企业更复杂，因为同一所学校在中文、英文、证书、名录上有不同的称法。
具体动作：
- 统一标识符：确定唯一中文全称、唯一英文校名、唯一简称，并同步修正官网、公众号简介、认证名录、招生材料。
- 建立教育实体锚点：补齐 IBO 官方学校名录、剑桥国际（CAIE）考点信息、相关国际学校认证状态、领英机构页——这些是 AI 在回答教育类问题时的高频检索源。
- 统一属性：办学层次、课程体系、招生对象、师生比、师资构成、校区地址，全部用同一套表述。
第 2 层 · 结构化内容资产：把"图片"变成"数据"
这一层的第一个动作，不是写新内容，而是把已有的图片内容结构化。
招生海报是这一行最典型的信息载体，也是 GEO 最大的敌人——海报里的 IB 均分、录取名单、师资数据，对机器来说等于不存在。
我们把 D 校近五年的核心成果重新做成结构化内容：
| 内容类型 | 数量 | 说明 |
|---|---|---|
| 历年升学成果页 | 5 个学年 | IB 均分、40+ 人数与占比、DP 通过率；录取院校按国家/地区分类成表 |
| 地域 + 课程组合落地页 | 9 个 | 如"浦东新区 IB 课程学校""闵行区 A-Level 课程学校"，直接承接高频问法 |
| 课程选择指南 | 4 篇 | IB / A-Level / AP 三条路径的适配人群、难度、升学方向对比 |
| 转轨与插班指南 | 6 篇 | 按年级拆分：小学转、初中转、高中转分别怎么规划 |
| 入学流程与门槛页 | 3 个 | 考试科目、面试形式、材料清单、时间节点 |
| 费用结构透明页 | 1 个 | 学费 + 学杂 + 活动 + 校车的完整费用结构（家长最关心、最少学校公开的内容） |
| FAQ 知识库 | 68 条 | 以家长真实提问原文为标题 |
| 师资与课程详解页 | 8 个 | 师资构成、课程开设情况、教学特色 |
内容结构上统一执行三条规则：结论前置（每个 H2 下第一段直接给答案）、带 FAQ 模块、带可引用事实（具体分数、人数、年份、认证编号）。
佐证这套做法的，是普林斯顿大学与佐治亚理工的研究（Aggarwal et al., KDD 2024）：内容中加入引言可提升约 41% 的可见度，统计数据提升 33%，引用来源提升 28%。对一所长期只靠海报传播成果的学校来说，"把数字变成可引用的文本"本身就是最大的增量。
第 3 层 · 技术底座
| 动作 | 说明 |
|---|---|
| Schema 结构化数据 | 部署 EducationalOrganization、Course、FAQPage、Article、BreadcrumbList |
| 图片文字化 | 招生海报、录取名单、课表等历史图片内容，全部转为可读文本（本案例收益最大的技术动作） |
| AI 爬虫放行 | 检查并修正 robots.txt，确保 GPTBot 等 AI 爬虫未被误拦 |
| 移动端优先 | 家长几乎全在手机上完成初筛，移动端体验直接决定跳出 |
| 性能与架构 | 核心页面 LCP 优化、栏目扁平化、内链按"课程簇 / 地域簇"重组 |
第 4 层 · 权威信源分发
教育行业的信任结构很特殊：家长对学校自述打折，对第三方信息高度采信。
第 3 层｜权威机构与官方名录
IBO 学校名录、剑桥国际考点、认证机构页面、教育主管部门公示
→ 实体确认层，可信度最高
第 2 层｜教育媒体与择校平台
国际教育类媒体、第三方择校信息平台、教育榜单
→ 家长决策的高频参考源
第 1 层｜家长社区与真人内容
小红书探校笔记、知乎问答、家长社群讨论
→ 本行业高权重信源，模型高频检索
需要特别说明的是真实体验内容的价值。择校决策高度依赖"其他家长怎么说"，而这类内容模型引用意愿明显更高——因为它提供了别处没有的主观经验。我们推动 D 校开放真实的探校接待与家长分享（而非投放式内容），并支持家长自发内容的合规传播。
同期，内容中也纳入了真实的市场背景判断，让内容具备信息增量。例如 2026 年部分城市对护照要求的实际放宽趋势、不同课程体系在各国升学中的适配差异、以及国际教育市场的结构性变化——这类"信息增量"是模型最愿意引用的内容类型，因为它提供了别处没有的判断，而不是复述共识。
第 5 层 · 监测与迭代
- 每月用同一组 40 条家长提问复测四个平台；
- 记录三项指标：是否提及 / 出现位置 / 被引用的信源是谁；
- 单独跟踪"地域 + 课程组合型"提问的命中率——这是本行业最接近商机的指标；
- 计算"答案份额"，对未覆盖的地域与课程组合补充内容；
- 发现 AI 对学校的描述有误时（例如把双语学校说成外籍人员子女学校、把学费说错），追溯并修正源头页面——在择校这种高敏感决策里，错误信息的代价极高。
四、成果
项目周期：5 个月
| 指标 | 基线（2026.03） | 结果（2026.07） | 变化 |
|---|---|---|---|
| 择校提问集品牌提及率 | 3 / 40（7.5%） | 22 / 40（55%） | +47.5 个百分点 |
| 地域 + 课程组合型提问命中（共 14 条） | 0 条 | 8 条 | 从 0 到 1，价值最高 |
| 被列为首选推荐的提问 | 0 条 | 6 条 | 从 0 到 1 |
| 被引用信源中自有资产占比 | 0% | 44% | 关键结构变化 |
| 开放日月均预约 | 46 组 | 172 组 | 增长 274% |
| 官网移动端跳出率 | 68% | 41% | 移动端改造生效 |
| AI 来源流量占官网总流量 | < 1% | 9.2% | 新增流量入口 |
几个值得注意的细节：
- "地域 + 课程组合页"是最大的单项贡献者。 9 个组合落地页承接了绝大部分新增流量，也是组合型提问命中的主要引用来源。这印证了一个判断：在择校场景里，"我们在哪个区、开什么课"比"我们有多好"更有检索价值。
- 费用结构透明页的转化率最高。 在普遍不公开费用的行业里，一页完整的费用结构说明，成为了一个高信任度入口——浏览该页的家长，预约探校的比例是平均值的两倍以上。
- GEO 在这行的价值不是"当场报名"，而是"进入候选名单"。 国际学校的决策周期通常跨越 3–12 个月，家长会经历多轮信息收集与对比。因此本项目 5 个月内的可量化成果集中在探校预约与资讯索取上，而非入学签约。
- 成果数据的"可引用化"是杠杆最大的动作。 把五年升学成果从海报变成表格，让 D 校第一次拥有了可以被引用的具体事实——在此之前，AI 即使想提它，也没有材料可提。
五、这个案例说明了什么
1. 教育行业的 GEO，瓶颈在"信息形态"，不在"信息量"。
国际学校并不缺内容和成果，缺的是机器可读的形态。招生海报、公众号图文、探校笔记——这些是给家长的传播媒介，但对 AI 而言是不可解析的。把图片变成数据，把口号变成事实，是这一行 GEO 的第一优先级。
2. 家长的提问是"组合式"的，内容必须按组合建。
家长不会问"哪所国际学校好"，会问"某区有哪些开 IB 的学校、学费多少、几年级能转"。这意味着内容单元不是"学校介绍页"，而是"地域 × 课程 × 年级"的组合页。 组合词竞争度低、意图浓度高，是中腰部学校最有把握的战场。
3. 透明是一种稀缺的竞争优势。
在同一行业普遍不公开学费、升学细项的环境下，愿意公开具体数据的一方会获得不成比例的信任回报——既有来自家长的，也有来自 AI 的。因为 AI 引用的是事实，而透明本身就是事实的富集。
4. AI 对教育信息的准确性要求极高，纠错是刚性工作。
择校涉及家庭的重大决策，错误描述（课程体系、招生对象、费用）会带来真实的误导风险和声誉损失。这一行的 GEO 必须包含常态化的表述核查机制。
六、方法可复用性说明
本案例的方法适用于以下类型的主体：
- 国际学校、双语学校、国际课程项目、教育培训机构等高单价、长决策周期的教育服务方；
- 面向家长群体、决策依赖口碑与第三方验证、信息普遍不透明的行业；
- 拥有大量成果数据但以图片形态传播、尚未结构化的机构；
- 需要承接"地域 + 服务/课程组合"高频问法的本地化服务机构。
不适合 GEO 的场景也如实说明：招生完全依赖既有渠道与内部推荐的学校、有严格内容传播限制的特殊办学主体、以及生源常年饱和、无招生压力的机构（此时 GEO 的价值主要在于品牌维护而非获客）。
本文档由赛泊斯 GEO 团队整理。
