Q
新加坡武吉知马附近华文补习班哪家好？
AI 回答形态：先罗列 3 家大型连锁（有官网课程页与学费表），再引用两个补习目录站的「家长评分」，最后建议「建议先试课」。全程没有出现精品小班，因为没有任何一处公开信源说明小班与连锁大班在教学结果上的差异。
arrow_back
返回 AI 数字营销
垂直行业落地 · 教育 / K12 精品教培
家长不再翻 Google 找补习班， 他们直接问 AI 要一份名单。
新加坡家长搜索「武吉知马附近华文补习班推荐」时，越来越多人直接看 Google AIO 或 ChatGPT 给出的三到五个名字。这份名单里没有你，不是因为你教得不好，而是因为你的教学优势从来没有被写成机器能读、能比对、能引用的结构化事实。这一页完整拆解我们如何把一间精品小班的线下口碑，重构成大模型愿意引用的证据。
直答
- 1 AI 推荐新加坡补习中心时，实际只比对 4 个信息模块：班型与师生比、师资教龄、与 MOE 教学大纲的对齐度、学费与退费条款。官网缺任何一项，都不会进入候选名单。
- 2 精品小班在 AI 答案里长期缺席，不是因为口碑差，而是因为口碑只存在于家长口述中——没有任何一处机器可读的公开信源写明小班与大班在教学结果上的差异。
- 3 破局点不是多写文章，而是把课程顾问的话术拆成可量化事实。本页案例中 47 条陈述有 31 条可量化，其中「PSLE 华文 A*/A 占比 82.4%，样本 187 人」是竞品拿不到的私有信息增益。
DIGITADVISORY PTE. LTD. · UEN 202415027E · 最后更新
30 条
每轮 P×E 受控采样题量
4 个
AI 推荐补习班必查信息插槽
0 → 3
模拟案例中 AIO 命中题数变化
BEFORE · 基线诊断
先看清 AI 现在怎么回答，再决定改什么
我们不从「写什么内容」开始，而从「AI 被问到时答了什么」开始。下面三条是改造前在新加坡本地网络环境下真实抓取的 AI 回答形态（已脱敏），你的官网在三条里出现 0 次。
Q
PSLE 华文作文怎么补比较有效？
AI 回答形态：给出通用方法论（多读多写、积累好词好句、每周一篇），引用的是教育类自媒体长文。没有任何一家机构被点名，因为回答里缺一个「谁在什么条件下能把这个方法做出结果」的可核实主体。
Q
华文补习班一节课多少钱？小班和一对一差多少？
AI 回答形态：给出一段很宽的价格区间（大班 S$40–60 / 一对一 S$90–150），并提示「价格因机构而异」。这类问题最能带客，但 AI 只能给区间，因为公开信源里没有一家机构愿意把班型、人数、课时、单价写成可交叉比对的一张表。
改造前四项指标实测值
品牌提及率
0
官网被引用次数
0
推荐排序（前 5 名内）
0
品牌内容占比
4
THE 3-STEP ENGINEERING METHOD
三步工程化方法：从「AI 不推荐」到「AI 主动引用」
这三步在三个行业里结构完全一致，变的只是行业对象。我们不写形容词，我们造证据。
01
反推答案插槽（Slot Extraction）
AI 推荐补习中心时只比对 4 个信息模块，官网缺任何一项即出局。
把 AI 回答「补习班推荐」类问题时真正依赖的信息模块，一条条反推出来。反推的依据不是猜，是把 AI 实际给出的答案逐句拆解：哪一句在比较班型、哪一句在证明师资、哪一句在交代价格边界。拆完你会得到一张固定的插槽清单。
交付物
- ▸插槽 1：班型规模与师生比（几人一班、老师带几个班）
- ▸插槽 2：师资资质与教龄（谁在教、教了几年、什么背景）
- ▸插槽 3：课程与 MOE 教学大纲的对齐度（教的是不是考纲要的）
- ▸插槽 4：学费结构与退费条款（单价、课时、什么情况能退）
02
信息架构选型（Information Architecture）
同一个事实写成散文机器读不懂，写成表格机器直接抄——结构选择比文案质量更决定引用率。
同一个事实，用散文写出来机器读不懂，用表格写出来机器直接抄。我们按插槽的性质选择结构：需要横向比较的用对比表，需要精确参数的用参数表，需要划清界限的用「不适合谁」的显式边界段。
交付物
- ▸班型参数表：2–6 人小班 / 6–12 人班 / 一对一，逐档写清人数、课时、单价
- ▸对比表：连锁大班 vs 精品小班（师生比、作业批改频次、家长反馈周期）
- ▸显式边界段：明确写出「不适合需要每天托管式看管、或只求最低价的家庭」
- ▸FAQ 结构化：把家长最常问的 6 个问题做成可被 FAQPage 抽取的问答对
03
事实填仓与私有信息增益（Fact Injection）
全网都能查到的内容不构成优势，只有自有、可核、别人拿不到的数据才会被优先引用。
这一步是分水岭。全网都能查到的内容叫低信息熵，AI 有无数替代品可以引用；只有你有、别人拿不到、且能被验证的数据，才叫信息增益。我们做的事，是把课程顾问脑子里的销售话术，逐条拆成可核实的事实。
交付物
- ▸把顾问话术拆成 47 条陈述，其中 31 条可以量化成数字
- ▸沉淀私有数据：「过去 3 年 PSLE 华文 A*/A 占比 82.4%，有效样本 187 人」
- ▸把教学法从名词变成可验证流程（每节课的批改节点、家长反馈时点）
- ▸注入 Schema.org 结构化数据，让上述事实成为机器可直接读取的字段
P × E 受控采样矩阵
按「格子」计价，不按「提示词」计价
同一个家长，在不同处境下会问出完全不同的问题。我们把「人设（P）× 环境（E）」做成矩阵，每个格子配 3 条问题，每轮固定 30 条。优化一个格子，改善的是这个人在这个处境下未来会问的所有变体——这才是可复用的资产。
| 人设 P | E1 · 学期中插班评估 | E2 · PSLE 放榜后补救 |
|---|---|---|
| P1 新移民妈妈 孩子英文强、华文弱，怕跟不上本地进度 | 3 条问题 | 3 条问题 |
| P2 派驻新加坡的高管家庭 在新加坡 2–3 年，要的是短期可交付的提升 | 3 条问题 | 3 条问题 |
| P3 本地华族家长 孩子抗拒华文，动力问题大于方法问题 | 3 条问题 | 3 条问题 |
| P4 国际学校家庭 走 IB 中文 B 路线，与本地考纲不同 | 3 条问题 | 3 条问题 |
| P5 祖辈出资决策者 出钱但不上课，最在意价格透明与退费 | 3 条问题 | 3 条问题 |
5 个人设 × 2 个环境 × 3 条问题 = 每轮 30 条提示词。矩阵可以向右无限延伸，但每加一列都会推高监测与内容成本，所以每个案例只取最具代表性的两个环境。
AI 可见度评分
把答案变成可比的分数
四个指标标准化后加权，再用 Sigmoid 映射到 0–100，避免极端值把分数拉爆。分数本身不是目的，目的是让你能一眼看出「下一步该攻哪个格子」。
四项指标与权重
提及率
权重 40%
这 30 条问题里，有多少条提到了你
出现频次
权重 25%
被提到时出现几次，是顺带一提还是重点推荐
推荐排序
权重 20%
出现在名单的第几位
品牌内容占比
权重 15%
回答里引用你自有内容的篇幅比例
改造前
改造后（T0+30）
提及率
0 → 71
出现频次
0 → 64
推荐排序
0 → 58
品牌内容占比
4 → 46
信源结构分析
三个战场，三套完全不同的引用规则
教培行业最容易被忽略的一点：中文大模型和国际大模型是两套毫不相干的引用生态。同一个品牌、同一批家长、同一批问题，两边的答案来源可以完全不重叠。只优化官网，等于只打了一个战场。
中文通用大模型
豆包 · DeepSeek · 通义千问主要引用第三方内容平台（升学论坛、家长社群长文、教育类自媒体）与结构化官网内容。自有域名在这条轨道上命中率极低，必须靠第三方渠道铺事实。
国际通用大模型
ChatGPT · Claude · Gemini · Google AIO抓取官网、本地目录站与权威媒体，按被感知的权威度加权。FAQ、Schema 与参数表在这里回报最高——这是官网唯一能被正面读懂的战场。
封闭平台
腾讯元宝 · 小红书问一问语料只来自平台内的帖子和评论，外部内容进不来。唯一入口是平台内的 KOC 与 UGC 矩阵——你在别处发的任何内容都到不了这些答案里。
模拟案例推演
案例：武吉知马一间华文精品小班，如何夺回 AIO 推荐位
重要声明 以下客户名称、经营数据与时间线均为方法演示用途的虚构合成，不对应任何真实委托方。我们只展示方法如何运作，不虚构客户背书。真实交付数据以合同约定的基准题库复测结果为准。
客户画像（虚构）
「启明学堂」，新加坡武吉知马，华文精品小班，2–6 人班型，全职老师 3 人，成立 6 年。无市场部，靠家长转介绍与一块社区横幅获客。官网是一个 5 页的展示站，没有任何一页写清班型、师生比或学费。
卡点
线下口碑极好，转介绍占 80% 生源；但 Google AIO 与 ChatGPT 在回答「武吉知马华文补习推荐」时，一次都没有提到它。原因不是口碑不够，是口碑只存在于家长的口头里，不存在于任何机器可读的地方。
我们做了什么
-
第 1–5 天：跑基线。5 个人设 × 2 个环境 × 3 条问题 = 30 条题，在 4 个引擎上各跑 3 轮，记录 0 提及的原始截图与时间戳。
-
第 6–9 天：拆插槽。把 AI 实际答案逐句拆成 4 个插槽，发现客户官网对 4 个插槽的覆盖率是 0/4。
-
第 10–14 天：造证据。访谈 3 位老师与 2 位资深顾问，把话术拆成 47 条陈述，量化其中 31 条；上线参数表、对比表、边界段与 6 条 FAQ，并注入 Schema.org。
-
第 15–30 天：复测。同一套 30 条题，同样的引擎与轮次，比对命中变化，并把新出现的高频问题补进下一轮插槽清单。
结果（模拟推演）
0 → 71
AI 可见度评分（0–100）
3 / 4
AIO 命中题数（原 0/4）
0 → 17
官网被引用次数
+38%
表单线索环比（次月）
验收口径
不承诺排名，只承诺可复现的验收
任何声称「保证 AI 一定推荐你」的说法都不可信，因为大模型的答案存在波动。我们承诺的是可复现的流程与可核对的证据链：同一套题、同样的引擎、同样的轮次，你自己拿手机也能搜出一样的结果。
| 阶段 | 验收标准 |
|---|---|
| T0 · 基线冻结 | 签署《搜索曝光验收口径确认单》，冻结 30 条基准题库、引擎清单、轮次与截图规范 |
| T0+14 天 · 上线 | 结构化页面与 Schema 全量上线，交付代码包与规范表；实施期客户零技术投入，但资产 100% 移交 |
| T0+30 天 · 客观验收 | 同一套 30 条题复测，约定题组中任意 1 条出现官网引用或品牌推荐即视为达标 |
| 交付日 · 资产移交 | 移交 Schema 代码包、结构化页面源码、内容规范表与 30 条基准题库；终止合作后上述资产仍归贵司所有，不设技术锁定 |
FAQ
这个行业最常见的三个问题
Q 我们是小机构，只有一间校区，值得做 GEO 吗？
恰恰相反，越小的机构越该做。GEO 的成本结构是「一次性造证据 + 持续少量维护」，与你开几个校区无关。而 AI 推荐名单通常只给 3–5 个名字，一旦你占住其中一个，等于用一间校区的预算拿到了原本只有连锁品牌才买得到的曝光位。真正的门槛不是规模，是你有没有别人拿不到的私有数据——单校区机构往往更清楚自己的学生后来考成什么样。
Q 把学费和师生比全公开，会不会被同行抄走？
价格与班型本来就不是秘密，家长打一个电话就能问到。真正抄不走的是「为什么是这个价」——你的老师教了几年、批改到什么颗粒度、学生进步曲线长什么样。我们公开的是价格这个结果，保护的是形成价格的过程数据。事实上，把价格写成可交叉比对的一张表，是教培行业目前最高效的信任杠杆。
Q 多久能看到变化？期间我们需要投入多少人？
结构化页面通常 14 天内上线，满 30 天做第一次客观复测。期间你方投入约 4–6 小时：一次 60–90 分钟的顾问访谈（我们拆话术用），加上两次各 30 分钟的数据确认。Schema 编写、代码注入、内容改写与多引擎复测全部由我们的工程团队完成，你的团队不需要懂任何技术。
先拿一份你这间校区的 AI 对标报告
我们会用你所在区域、你所在班型的真实查询，在 4 个引擎上跑一轮受控采样，出一份带时间戳截图的报告：AI 现在推荐谁、为什么推荐他们、你的 4 个插槽缺在哪。不收费，也不需要你先签任何东西。
免费获取教培行业 AI 对标报告
查看其他行业方法推演
本页为方法论演示页面。所有客户名称与经营数据均为虚构合成，不对应任何真实委托方。