一个工程师要选示波器，打开 DeepSeek，问的是：

“测电源纹波，1GHz 带宽够不够？选哪家？”

“测串行总线，采样率和存储深度怎么权衡？”

“国产示波器替代泰克，差在哪？”

注意他的问法：场景 + 需求 + 对比。

再看你的官网：一份 PDF 规格书，一张参数对比图，一段“公司简介”。

客户在问问题，你在放表格。这就是错位。

一、错位在哪

客户问的是“我的场景该选什么”。

你给的是“我的产品有什么参数”。

这两件事看起来接近，实际差很远。

AI 要回答客户的问题，需要的是能直接引用的素材：这个场景用什么配置、为什么、和谁对比、注意什么。

而你的参数表，是一堆数字。AI 读不到，也不知道怎么用。

更麻烦的是——你的参数表根本读不进去。

参数在 PDF 里，AI 不解析 PDF。

参数在图片里，AI 读不了图里的字。

参数在 JS 渲染的页面里，AI 爬虫拿到空白。

客户在问，AI 在找，你的资料在，但接不上。

二、错位的三种表现

表现一：形式错位

客户用自然语言问，你用表格答。

表格适合人看，不适合机器读。AI 更喜欢段落、列表、问答结构。

表现二：粒度错位

客户问的是具体场景：“测电源纹波”“测 EMI”“测 DDR”。

你的页面按产品型号组织：“DSO-2000 系列”“DSO-3000 系列”。

客户按场景找，你按型号排，中间没有桥。

表现三：位置错位

客户在 AI 里问，你的内容在 PDF 里、在展会资料里、在销售手里。

AI 够不到，客户看不到。

三、客户问法变了，资料形态没变

以前的路径：搜型号 → 下规格书 → 自己看参数 → 问销售。

现在的路径：问场景 → AI 给候选 → 看配置对比 → 再询盘。

以前规格书是给工程师看的，工程师会自己翻译成场景。

现在 AI 先做第一轮翻译，翻译不了你，你就出局。

问题不在参数不全，在参数没有被组织成“能回答问题的形态”。

四、怎么改：从“参数表”到“问题库”

核心动作只有一个：把产品资料，从型号导向改成问题导向。

具体四步：

参数 HTML 化：把 PDF、图片里的带宽、采样率、存储深度、通道数，搬成网页文字。

按场景建页：不是“DSO-2000 系列”，而是“电源纹波测量选型指南”“串行总线解码选型指南”。

加对比结构：同档位型号对比、国产替代进口对比，表格 + 说明。

补 FAQ：客户常问的问题，直接写问答，AI 最容易引用这种结构。

在示波器、电子测量仪器这类垂直领域，海准通做 GEO 的常规路径就是：先测基线，看 AI 现在怎么答你的产品；再把参数和选型逻辑整理成机器可读的页面；最后持续监测引用变化。

不承诺控制 AI 输出，只提升被正确引用的概率。

五、先做一次自测

打开你的产品页，右键“查看网页源代码”，搜你的核心参数。比如“1GHz”“2GSa/s”。

搜得到，说明 AI 能读。

搜不到，只在屏幕上显示，说明客户问 AI 时，你的参数接不上。

再去大模型里问 10 个客户常问的场景问题。记录：你出现几次？AI 引用了谁？

如果答案不理想，问题不在产品，在产品资料的形态，和客户的问法错位了。

客户已经在用 AI 选型了。

他问的是问题，你给的得是答案。

参数表读不进去，不是参数的问题，是形态的问题。把形态改对，AI 才接得上。