一星如月GEO白皮书：第04章｜决策情境：GEO从哪里开始

一、GEO（生成式引擎优化）不应从关键词列表开始

许多GEO项目的起点是一张问题表：用户会搜什么、会问人工智能什么、哪些词有流量、竞争对手在哪些回答里出现。这样的材料可以帮助建立测量探针，却不足以说明用户为什么提出问题，也不能证明这个问题会改变一项真实决策。

同一句“XX公司哪家好”，可能来自完全不同的处境：初创企业第一次寻找服务商；现有服务发生错误，需要紧急更换；企业迁往异地，需要重新匹配本地服务；管理者只是帮助朋友做市场调查；或者内容团队正在搜集选题。词面相同，并不表示主体、触发、约束、风险、备选方案和决策阶段相同。

反过来，一项真实决策也可能从未产生公开查询。老板可能通过朋友、商会或长期合作关系直接完成选择。这个Decision Situation（决策情境）真实存在，也可以进入用户研究，却未必属于人工智能能够介入的答案空间。

因此，专业GEO（生成式引擎优化）的第一步不是“做问题库”，而是先确认：是否存在一个真实或有证据支持的决策；这个决策由谁作出，针对什么对象，在什么触发、目标、约束、不确定性、代价、备选和时间条件下发生；人工智能又可能在哪个环节提供信息或影响判断。

二、决策情境的工作定义

Decision Situation（决策情境）是某个Decision Actor（决策主体）在特定Trigger（触发）、目标、约束、不确定性、风险代价和备选方案下，需要形成、更新或执行一项关于问题、解决方案类别、服务提供者或具体实体的判断时，所处的结构化且具有时间状态的情境。

这个定义包含三个关键限制。

第一，决策情境不是一个抽象“需求”，而是主体在具体条件下要形成、更新或执行判断。没有主体、对象和备选变化，就很难说明决策究竟在哪里。

第二，决策情境具有时间状态。预算、政策、人员、风险、失败经历和截止日期可能在过程中改变，不能只用最终成交时的一张静态画像代表整个过程。

第三，决策情境不等于Query（查询）、Keyword（关键词）、Intent Label（意图标签）、Persona（用户画像）或固定Customer Journey Stage（客户旅程阶段）。这些对象都可能提供线索，但任何一个都不能单独替代完整情境。

三、四个相邻对象不能混用

对象

工作含义

关键边界

Decision Stage（决策阶段）采用D1—D6作为设计框架：

• D1 Problem Recognition（问题识别）；

• D2 Problem Understanding（问题理解）；

• D3 Solution Formation（解决方案形成）；

• D4 Evaluation Criteria（评价标准形成）；

• D5 Entity Selection（实体选择）；

• D6 Entity Evaluation（实体评估）。

D1—D6不是所有行业必须依次经过的线性旅程。真实决策可能跳过、回退、并行或重新进入。客户也可能先因熟人推荐选定企业，之后才补充评价理由。把分析框架写成真实世界固定顺序，会制造并不存在的过程事实。

四个对象的正确关系是：

Decision Event（决策事件）构成或改变
→ Decision Episode（决策过程实例）
→ 从多个有来源的过程实例中抽象
→ Decision Situation（决策情境）
→ 在具体时点标记
→ Decision Stage（决策阶段）

一次Outcome（结果）可能结束当前过程，也可能成为下一次过程的Trigger（触发）。企业第一次选择低价服务商后发生重大错误，下一次更换时，“责任机制”和“风险控制”可能成为新的关键条件。

四、一个完整情境至少包含十个要素

要素

需要记录什么

防止什么误读

十要素不是为了把表格填满，而是用于判断两个看似相同的问题是否属于同一情境，以及后续变量、证据和探针能否共用。

五、正确顺序：先有真实过程，再形成查询空间

本体系采用以下生成顺序：

U1–U3 Decision Evidence（第一至第三层决策证据）
→ Atomic Decision Episode（原子决策过程实例）
→ Episode Coding（过程编码）
→ Situation Candidate（候选决策情境）
→ Situation Qualification（情境资格判定）
→ Decision Situation（决策情境）
→ User-DVM（用户决策变量地图）
→ Entity Eligibility and Evidence Mapping（实体资格与证据映射）
→ Business Value and Risk（商业价值与风险）
→ Target Query Space（目标查询空间）
→ Query Cluster（查询簇）
→ Paraphrase and Functional Probe（同义改写与功能性探针）

U1—U4是用户决策证据的认识分层：

• U1：第一方真实决策记录、访谈或行为材料；

• U2：可观察的市场行为与公开决策痕迹；

• U3：结构化研究材料；

• U4：人工智能或专家推演形成的候选假设。

AI or Expert Proposal（人工智能或专家提议）可以帮助团队发现遗漏、设计访谈或形成Operational Situation Hypothesis（操作性情境假设），但不能直接成为真实用户事实。即使客户觉得人工智能生成的故事“很像”，也不能因此自动升级为U1—U3证据。

这个顺序具有直接的商业意义：它阻止团队先生产大量问题，再为这些问题补写用户故事。Query（查询）是后置的测量表达，不是决策事实的制造器。

六、决策过程证据必须保留来源谱系

同一句“客户最看重专业”，可能来自客户同期原话、成交后的回顾访谈、销售人员摘要、预设字段选择或研究者解释。它们的证据资格不同，不能只保留结论文本。

每条Episode Evidence（过程证据）至少记录：

• Evidence Time（证据时间）：同期记录还是回顾记录；

• Recorder Role（记录者角色）：用户、销售、客服、研究者还是系统；

• Record Form（记录形式）：原话、摘要、字段选择、行为日志还是解释；

• Recording Purpose（记录目的）：销售、服务、投诉、研究或合规；

• Omission Risk（遗漏风险）：哪些信息可能未被记录；

• Access and Authorization（访问与授权）；

• Contradiction（冲突）：是否与同期材料或行为证据矛盾。

成交后访谈可能产生Rationalization Bias（合理化偏差）：客户事后说“最重视专业”，但同期记录显示价格和熟人介绍主导了最初选择。回顾证据仍然有价值，却不能因为表达完整而覆盖Concurrent Evidence（同期证据）。同样，Sales-mediated Evidence（销售中介证据）会受到绩效激励、记录目的和字段设计影响，销售摘要不能无说明替代客户原话。

七、不能只研究成交客户

如果样本全部来自成交和续费客户，研究很容易得出“客户都重视顾问信任”之类的结论，而那些因价格、资格、不适配或内部方案流失的人已经被排除。User-DVM（用户决策变量地图）会因此产生Survivorship Bias（幸存者偏差）。

Outcome Sampling Frame（结果抽样框）至少区分：

结果状态

含义

研究风险

丢单原因还应区分User-stated（用户明确陈述）、Observed（行为记录支持）、Sales Inference（销售推断）和Unknown（未知）。沉默客户不能为了报表完整而被统一填入最方便的原因。

八、组织决策不是一个平均用户

在企业采购中，使用者可能重视流程，采购重视价格，信息安全负责人拥有否决权，老板则受熟人关系影响。把这些意见平均成一个“组织偏好”会丢失真实权力结构。

Decision Rights Map（决策权地图）需要分别记录：

• Role（角色）；

• Decision Authority（决策权限）；

• Budget Authority（预算权限）；

• Information Access（信息获取范围）；

• Veto Power（否决权）；

• Influence Path（影响路径）；

• Final Approver（最终批准者）；

• Conflict and Negotiation（冲突与协商）。

一名财务人员的访谈可以真实反映使用者和影响者视角，却不能自动代表老板的批准标准。组织级User-DVM（用户决策变量地图）应允许Actor-specific DVM（主体特定决策变量地图）并存，并通过信息、提案、审查、否决与批准事件解释最终结果，而不是把所有角色偏好折算成固定平均权重。

九、用户说什么与用户做什么都需要解释

用户陈述“最看重质量”，实际却总是选择最低价，并不必然表示用户说谎。价格可能是不可突破的Constraint（约束），质量则可能在价格门槛内承担Preference（偏好）；也可能质量只负责Qualification（资格），而价格负责最终Elimination（淘汰）。

研究需要分别记录：

• Stated Criterion（用户陈述的标准）；

• Observed Behavior（观察到的行为）；

• Revealed Choice（实际选择）；

• Elimination Event（淘汰事件）；

• Why Won or Lost（赢单或丢单原因）；

• Constraint versus Preference（硬约束与偏好）；

• Evidence Conflict（证据冲突）。

陈述和行为都不是天然Ground Truth（标准答案）。冲突出现时，应检查变量在触发、资格、偏好、淘汰、信任或行动中的具体作用，而不是只相信其中一方。

十、备选方案需要状态，而不是补全故事

研究必须主动检查Do Nothing（不行动）、Delay（延迟）、Internalize（内部处理）和Alternative Category（替代类别），否则服务商容易把市场理解成“客户只在同行之间比较”。但研究者提示过某个选项，并不表示用户此前真实考虑过它。

每个备选方案应标记：

• Observed（已观察）：真实记录显示用户考虑或采取；

• Prompted（经提示）：研究者或销售提出后用户回应；

• Inferred（推断）：依据行为合理推断但尚未确认；

• Unknown（未知）：当前无法判断；

• Excluded（已排除）：有记录说明它不属于该选择集。

这条规则避免两种偏差：一是漏掉不行动和内部处理等真实竞争对象；二是把研究者设计的完整选择集冒充用户真实心智。

十一、情境资格判定：真实存在不等于适合做GEO（生成式引擎优化）

候选情境至少检查十项资格：

Decision Existence（决策存在）与AI Addressability（人工智能可介入性）必须分开。一项决策可以真实、高风险且对企业重要，却主要通过线下关系或封闭采购完成。此时它可以进入用户决策研究，但不应为了扩大GEO范围而假设人工智能必然参与。

情境使用以下证据状态：

• Evidence-supported Situation（获得证据支持的情境）；

• Partially Supported Situation（部分支持情境）；

• Operational Situation Hypothesis（操作性情境假设）；

• Contested Situation（争议情境）；

• Indeterminate Situation（无法判断情境）；

• Out-of-Scope Situation（范围外情境）。

情境频率、风险代价、决策影响、实体资格、证据准备度、人工智能可介入性和商业价值分别记录，不建立统一Situation Score（情境评分）。一个低频高风险情境，不能被高频低影响问题用单一总分自动淘汰。

十二、决策情境必须版本化

长周期决策不是一张静态卡片。企业融资后预算变化，政策更新后资格门槛变化，原服务商出现事故后风险容忍度变化，都可能使同一个Decision Episode（决策过程实例）进入新的情境状态。

每个情境应保存：

• Situation Version（情境版本）；

• Valid From and Valid To（有效起止时间）；

• Situation Snapshot（情境快照）；

• Transition Event（转换事件）；

• Sequence（真实顺序）；

• Loop（循环）；

• Skip（跳过）；

• Backtrack（回退）；

• Re-entry（重新进入）；

• Linked Prior and Next Episode（前后过程关联）。

只保留最终版本会产生结果倒推：团队容易把成交后的标准写成客户从一开始就拥有的标准，忽略过程中的学习、妥协和权力变化。

十三、合并与拆分由结构决定，不由词面决定

例如：“代理记账价格”这个词可能同时指预算筛选、识别隐性收费、比较服务范围和判断低价风险。关键词相同，但Decision Object（决策对象）、Uncertainty（不确定性）和Decision Role（决策作用）不同，可能需要拆分。

相反，苏州和无锡客户的主体、触发、对象、备选和核心约束可能高度相似，仅服务地域不同。此时没有必要为每座城市复制一套完整情境，可以建立Parent Situation（父情境）与Local Variant（地域变体）。

倾向拆分的条件包括：决策对象、关键约束、风险、备选、决策作用、证据要求或后续查询探针明显不同。

倾向合并为父情境和变体的条件包括：主体、触发、对象、目标、备选和核心约束高度相似，差异可以用地域、规模、行业子类或紧急度字段表达。

治理记录至少包括Parent Situation（父情境）、Child Situation（子情境）、Local Variant（地域变体）、Segment Variant（群体变体）、Urgency Variant（紧急度变体）、Merge Decision（合并决策）和Split Rationale（拆分理由）。

十四、查询只能提供有限的反向线索

Query（查询）可以暗示可能的决策对象，提供用户语言，形成候选情境，并帮助判断某个情境能否通过人工智能表达。但单条查询不能确定完整主体角色、真实触发、期望结果、备选方案、硬约束、风险代价、当前阶段和企业适配性。

因此，从查询反推得到的情境只能先标记Hypothesized（假设），再通过用户上下文、决策记录、市场材料或结构化研究消歧。

这也解释了为什么“问题库很大”不是GEO（生成式引擎优化）研究深度的证明。问题数量只表示表达数量；如果它们没有绑定合格情境、变量和结论契约，大规模运行只会更快地产生难以解释的数据。

十五、来源人群决定结论能够代表谁

社区帖子、公开评论、销售访谈、客户关系系统记录和问卷调查覆盖的是不同人群。投诉者可能更愿意发帖，成交客户更容易接受回访，失联客户则系统性沉默。

每项情境证据需要记录：

• Source Population（来源人群）；

• Inclusion Mechanism（进入样本机制）；

• Nonresponse（未回应）；

• Platform Selection Effect（平台选择效应）；

• Survivorship Risk（幸存者风险）；

• Representation Risk（代表性风险）。

U2市场讨论适合发现问题、语言和候选变量，却不能从个别平台声音直接估计总体频率和重要性。样本多不等于代表性强，表达激烈也不等于决策影响大。

十六、Decision Situation Card（决策情境卡）

一个可进入后续方法链的决策情境，最低记录必须覆盖身份与版本、主体与权力、十要素情境结构、证据谱系、抽样状态、资格判断和后续接口七组信息。完整填写结构集中在附录C｜Method Templates（方法模板），认识状态与禁止越级措辞见附录D｜Epistemic Status（认识状态）与因果措辞。

情境卡不是销售画像，也不是内容选题卡。它的功能是把后续Decision Variable（决策变量）、User-DVM（用户决策变量地图）、实体资格、Query Cluster（查询簇）和人工智能探针锁定在同一个真实决策边界中。

十七、对GEO Service System（GEO服务体系）的要求

第一，项目接入不能直接接受“我们想做这些关键词”作为正式研究范围。关键词可以进入候选池，但必须先经过Decision Situation Gate（决策情境门槛）。

第二，决策研究模块必须先输出Decision Situation Card（决策情境卡），再识别变量并组装User-DVM（用户决策变量地图）。情境未通过时，不得跳过门槛直接生成“用户最关心什么”。

第三，系统必须保存Decision Episode（决策过程实例）的来源谱系、角色权力、备选状态、结果状态和时间版本。只保存总结文本无法支持复核。

第四，人工智能可以协助拆分材料、提出问题和生成U4候选，但不能将自身生成的“典型客户旅程”标记为真实证据。

第五，客户资料不足时，合格输出可以是Partially Supported（部分支持）、Indeterminate（无法判断）或补充研究请求，而不是为了推进项目自行填满字段。

第六，AI Addressability（人工智能可介入性）不足时，系统应缩小GEO作用范围，必要时输出No Action（不行动），而不是制造问题库来证明服务必要性。

十八、本章明确否定的观点

• 从关键词列表或单条查询直接生成真实决策情境；

• 一条查询只对应一个决策情境；

• 真实决策一定产生人工智能查询；

• 成交客户能够代表全部决策人群；

• 销售摘要等于用户原话；

• 用户陈述标准等于实际选择机制；

• 不行动、延期、内部处理和替代类别可以忽略；

• 一名受访者能够代表整个组织；

• 决策过程固定线性；

• 按关键词相同机械合并情境，或按地域不同无限拆分；

• 频率可以替代风险、决策影响、实体资格、证据与商业价值；

• 人工智能生成的用户故事可以成为真实情境事实；

• 缺失的丢单原因可以由研究者或销售补写；

• 一个统一情境总分可以替代多维资格判断。

十九、当前仍然不知道什么

以下问题保持Unknown（未知）：

• 不同行业支持一个情境模式所需的过程实例数量；

• 合并、拆分与变体的任务级准入标准；

• Linked（可连接）决策相关性的最低证据要求；

• 沉默、隐性和组织政治决策如何可靠识别；

• AI Addressability（人工智能可介入性）的实际测量方法；

• 情境研究质量与后续GEO（生成式引擎优化）表现之间的因果关系；

• 人工智能辅助情境编码在不同风险任务中的可靠性。

本章不设置固定样本量、统一评分权重或跨行业机械门槛。Validated Pattern（已验证模式）仍为空。

二十、本章结论

Decision Situation（决策情境）是GEO研究的分析边界，不是关键词的扩展标签。它要求我们从有来源的真实决策过程出发，识别主体、权力、触发、对象、目标、备选、约束、不确定性、代价、阶段和时间，再判断该情境是否具有决策相关性以及人工智能是否可能介入。

顺序一旦颠倒，GEO（生成式引擎优化）就容易退化成“先有内容产能，再寻找用户理由”；顺序正确时，查询、内容、证据和测量才会服务于同一个决策问题。

下一章将以合格决策情境为边界，进一步回答：在这个情境中，哪些因素真的可能改变主体对资格、偏好、淘汰、信任或行动的判断，也就是什么才有资格被称为Decision Variable（决策变量）。