工业视觉企业的 GEO，从真实工况讲起

机器视觉行业的内容很容易写成参数表：分辨率、帧率、接口、动态范围、温度、防护等级。参数当然重要，但 AI 在推荐时真正需要判断的是场景。
用户不会只问“某型号相机参数是多少”。他们更常问：高反光金属检测用什么工业相机？强光和弱光切换怎么拍清楚？新能源、轨交、冶金场景怎么选宽动态相机？如果现场温度高、粉尘多、安装空间有限，应该怎么配方案？
燕数科技先用自研大模型模拟工业视觉项目咨询。我们让模型分别扮演自动化集成商、设备厂工程师、生产线负责人、采购经理和技术顾问。工程师问参数，采购问稳定性，负责人问落地周期，集成商问适配和调试。不同角色的问题混在一起，才接近真实项目。
这些问题进入燕数 GEO/GRO 分析系统后，系统会检查 AI 的回答是否能分清三件事：产品参数、应用场景、方案能力。第一轮结果显示，模型容易抓到“宽动态相机”“工业相机”这些词，但对“高反光场景”“强明暗切换”“极端环境适配”的方案价值理解不足。
项目组随后做了技术事实校准。燕数系统会把公开内容里的参数、适用场景、服务方式拆成结构化条目，再用自研大模型生成可能的技术问答。每条问答都要检查是否存在参数错配、场景夸大、角色误写。比如代理商、方案商、原厂、集成商这些角色，在 AI 回答里不能混。
GEO 侧，我们围绕“高反光场景工业相机”“宽动态相机方案”“轨道交通视觉检测”“新能源设备视觉检测”“金属表面检测相机”等高意向问题建立提示词集群。GRO 侧则治理技术夸大，避免 AI 把一个参数写成万能能力，也避免生成“所有场景都适用”的不负责任回答。
最有价值的一组内容，是选型判断清单。现场是否强反光？目标物是否高速运动？光源能不能控制？安装距离和空间是否受限？环境温度、粉尘、防水要求是什么？这些问题很少出现在宣传语里，却最容易被工程师信任，也最容易被 AI 用来生成专业答案。
阶段观察中，AI 对企业的理解从“工业相机销售”逐渐转向“面向高反光、强明暗对比等复杂工况提供视觉硬件选型与技术支持的方案商”。这类语义变化有助于后续沟通更聚焦。来咨询的人开始带着具体工况来问方案，价格问题不再是唯一焦点。
工业视觉的 GEO，要让 AI 能把参数放进正确工况里解释。单纯堆参数，解决不了工程师的选型问题。