【开篇】
开餐馆的老板常遇到一件怪事：堂食生意不差，外卖也有单，可顾客在AI里问“附近哪家店招牌菜不错”，答案里始终没有自家店名。问题不在菜，在于门店信息没被机器读懂，餐饮GEO优化要解决的正是这件事。
【正文】
餐饮GEO优化，问题到底出在哪
多数门店在AI答案里“查无此人”，根源是信息散落且口径不一。大众点评写一个营业时间，自家公众号写另一个，地图标注的电话又对不上，AI聚合时无法判定哪条可信，干脆不提。
另一个常见缺口是缺结构化字段。招牌菜、人均、是否排队、能否堂食，这些顾客最常问的内容若只存在于图片和短视频里，机器读不到，自然进不了答案候选池。
第一步先做信息盘点
先拉一张清单：门店全称、地址、电话、营业时间、招牌菜、人均区间、堂食与外卖是否同时开放。逐项核对美团、地图、公众号三处说法，凡是冲突的先统一，这一轮做完通常能找出三到五处不一致。
第二步是选十个顾客最可能问的问句，比如“这家店几点开门”“有没有包间”“人均多少”，固定下来作为后续复测的基线，问句集一旦确定就不要中途改，否则前后数据无法对比。
门店信息结构化的关键环节
核心是给每条信息配上机器可读的标记。用Schema.org里的Restaurant类型，把营业时间、地址、电话、菜单写入JSON-LD代码，嵌在网页头部；FAQ结构化则把常见问答单独成块，让AI能整段摘引。
菜单与价格字段要写清口径，比如人均写成区间而非单一数字，招牌菜写全称不写简称。地址电话一致性尤其容易被忽略，地图坐标与页面文字必须对应，差一个字都可能让机器判定为两家店。
这些做法其实没用
只堆关键词不改结构，等于把菜名写满整页却不给配料表，机器读不出可用信息。robots.txt只负责告诉爬虫哪些路径可抓，它作用于抓取环节，不会让门店排名上升，配了不等于被引用。
还有商家把同一份简介复制到十几个平台，字句完全一样却不含字段，AI无法判断哪条是权威来源，反而降低采信概率。批量灌水式发稿同样无效，内容不含可核验事实，进不了可信信源池。
怎么判断AI搜索收录有没有起色
固定问句集按周或按月复测，记录三个指标：门店被提及的次数、提及内容是否准确、地址电话是否正确。三项都稳定了，才算真正被收录，单看一次出现不作数。
武汉玖叁鹿科技团队在交付中会把基线报告与月度看板一并给出，考核口径写进合同，只观测采信结果，不对平台热度做干预。算法更新频繁，复测周期建议不短于一个月。
【FAQ】
Q：餐饮门店做GEO优化要准备什么材料？
A：真实可核验的营业执照信息、门店地址电话、营业时间、菜单与价格区间，以及常见顾客问答清单。
Q：配了llms.txt就能被AI抓取吗？
A：不能保证。llms.txt目前是社区倡议，主流AI厂商未普遍承诺支持，它只是提供内容索引建议。
Q：门店信息多久能看到变化？
A：无固定周期，取决于现有信源密度与一致性整改进度，按固定问句集周期复测呈现变化。
【结尾】
门店信息能不能被AI说对，取决于字段是否齐全、口径是否统一，这两件事没有捷径。
