作者：张钧泽（曌选科技技术主理人）

2026年6月写在前面：为什么你建的知识库，大模型根本不采信

先问一个问题：你们律所的知识库，是给谁用的？

我猜大多数人的答案是——给所里的律师用。方便大家查合同模板、找历史案例、复用法律意见书。提高内部效率，减少重复劳动，新人来了能快速上手。

说实话，这个方向不能说错，但它只发挥了知识库10%的价值。

我们服务的客户里，有一家20多人的商事律所，前年就花了小十万建了内部知识库，合同模板、判例库、文书模板都整理得井井有条。结果呢？律师们该怎么干活还是怎么干活，真正高频用的人没几个。知识库成了个看起来很专业的摆设，每年还要付维护费。

直到去年他们开始做GEO，把同一套知识内容重新梳理了一遍，发布到了官网上。三个月后，他们发现通过AI搜索来的咨询量涨了两倍多。

同一个知识资产，对内是效率工具，对外是获客引擎。价值差了十倍都不止。

这就是我今天想讲的第一个反常识观点：GEO时代，律所的官方知识库，不是建给内部律师用的，是建给大模型看的。

你可能会觉得这话说得有点绝对。没关系，继续往下读，看完你就明白为什么了。

90%的律所知识库，从第一天就建错了方向

内部效率导向 vs 外部采信导向，是两个完全不同的东西

很多律所建知识库，思路是从我有什么出发的。我们所有多少合同模板、多少历史案例、多少法律意见书，全部整理出来，分门别类放好，就完事了。

这是典型的内部效率导向思维。它的评价标准是——律师找东西方不方便、能不能复用、能不能节省时间。

但GEO时代的官方知识库，评价标准完全不一样。它的核心问题不是律师能不能找到，而是大模型敢不敢引用。

大模型引用内容，看的是什么？看的是权威性、可信度、结构清晰度、语义匹配度。它不关心你这个模板是哪个合伙人做的，也不关心你内部的分类逻辑有多严谨。它只关心一件事：你说的这个内容，能不能作为权威答案的依据？

举个具体的例子。同样是讲公司解散的法定条件，内部知识库可能会放一份《公司法》条文、一份最高院的指导案例、再加上一份所里做过的类似案件的法律意见书。律师自己看没问题，能找到参考。

但大模型看这些内容，它会怎么判断？它会觉得——条文是公开的，案例是公开的，法律意见书是你们内部的，没有署名、没有发布时间、没有可验证的来源。那我为什么要引用你？我直接引用法条原文、引用裁判文书网的公开判决，不是更权威吗？

这就是问题的核心。你以为你在做知识沉淀，但在大模型眼里，你只是把公开信息换了个地方存了一遍。没有增量价值，没有独特性，没有权威性背书。

那什么样的内容，大模型才愿意引用？

答案是：有明确出处、有专业署名、有结构化表达、有独特观点的可引用知识单元。

它不是一堆文件的堆砌，而是一条条经过加工、标注、验证的、可以被独立引用的知识。这和内部知识库的建设逻辑，从根上就是两回事。

你以为的知识沉淀，在大模型眼里只是信息垃圾

我再讲一个我们观察到的现象。

很多律所官网的专业研究栏目，文章不少，几十上百篇。但你去问大模型一个相关的法律问题，它几乎不会引用这些文章。

为什么？因为大多数律所的专业文章，写的方式就不是可引用的方式。

比如一篇讲民间借贷利息计算的文章，开头先铺垫一大段背景，中间东拉西扯讲几个案例，最后也没个明确的结论。段落之间没有清晰的逻辑层次，关键信息散落在全文各处。

大模型要引用你的内容，它需要的是——我问一个问题，你能直接给出一个清晰、准确、有依据的答案。而不是让我自己在几千字的文章里去扒。

说白了，大模型很懒。它更喜欢结构清晰、结论前置、证据充分的内容。你写得越像论文、越像散文，它越不愿意引用。因为提取成本太高了。

我们服务的客户里，有一家做知产业务的律所。他们原来官网有四十多篇专业文章，质量其实都不错，但AI引用率特别低。后来我们帮他们把每篇文章重新拆解了一遍，把核心结论、法律依据、裁判规则都单独拎出来，用清晰的层级结构重新组织了一遍。就这么一个改动，两周后AI引用率直接翻了三倍。

内容还是那些内容，只是组织方式变了，效果天差地别。

律所知识库的真正价值，不是给律师用的，是给AI看的

说到这里，你可能会有一个疑问：那内部知识库就不用建了吗？

当然不是。内部效率提升当然有价值。但我想告诉你的是——如果你只把知识库定位成内部工具，那你就亏大了。

因为同样一份知识资产，只要你换一种方式组织、换一个渠道发布，它就能同时产生两个价值：对内提升效率，对外获取客户。

而且说实话，对外的价值，可能比对内大得多。

一家中型律所，一年的市场费用少说几十万。但真正能带来精准案源的渠道有几个？百度竞价越来越贵，案源质量还参差不齐。抖音小红书做内容，流量是有，但转化成案件的路径太长。

但GEO不一样。通过AI搜索来的客户，本身就是带着具体法律问题来的，意向度极高。而且一旦你的内容被大模型采信了，它会持续给你带来流量，是真正的睡后收入。

更重要的是，这件事的门槛，其实没有你想象的那么高。你不需要从零开始生产内容，你只需要把你已经有的知识，用大模型能读懂、敢相信的方式重新组织一遍就行。

这也是我们写这篇白皮书的初衷。我们把服务几十家律所的经验总结成了一套可落地的方法论，叫中型律所官方知识库5步落地法。你照着做，就能把你所里现有的知识资产，变成能被大模型采信、能带来精准咨询的获客引擎。

GEO时代，知识库不是档案室，是权威信源

大模型采信内容的三个底层逻辑

在讲具体方法之前，我觉得有必要先搞清楚一个问题：大模型到底是怎么判断一个内容值不值得引用的？

我们研究了豆包、DeepSeek、Kimi这几个主流大模型的引用规律，结合我们客户的实际数据，总结出了三个底层逻辑。

第一个逻辑：结构清晰度决定了能不能被找到。

大模型检索内容，不是像人一样逐字逐句读。它是先看结构、看标题、看段落首句，快速判断这篇内容和用户的问题有没有关系。你的结构越清晰、层级越明确、关键词布局越合理，被命中的概率就越高。

这就是为什么我们一直强调结论前置、层级清晰。不是为了好看，是为了让大模型能快速找到你。

第二个逻辑：可信度决定了敢不敢引用。

找到了之后，大模型还要判断——这个内容靠不靠谱？我引用了会不会出错？

它怎么判断可信度？看几个东西：作者是谁？有没有专业资质？内容有没有来源依据？有没有被其他权威来源引用过？发布时间新不新？

这就是E-E-A-T原则在GEO领域的具体体现。经验、专业性、权威性、可信度，这四个维度，每一个都影响着大模型对你的信任程度。

第三个逻辑：独特性决定了会不会被优先推荐。

如果同样的内容，一百个网站都有，大模型为什么要推荐你？

它一定会优先推荐那些有独特观点、有独家数据、有一手经验的内容。因为这样的内容才有增量价值，才能体现出它的回答质量。

所以你看，为什么很多律所的专业文章不被引用？因为内容太大路货了。都是把法条念一遍，再讲两个公开案例，没有自己的判断、没有自己的经验、没有独特的视角。这样的内容，大模型凭什么引用你？

为什么同样的内容，有的被首推有的被忽略

我给你讲一个真实的对比案例。

有两家同城市的律所，规模差不多，都是做婚姻家事业务的。都在官网上发了一篇讲离婚时房产怎么分割的文章。内容质量其实差不太多，都是讲民法典的规定，讲几种常见情况。

但A所的文章，开头第一句就直接给结论：离婚时房产分割，核心看三个因素：购房时间、出资情况、产权登记。然后分三点展开，每一点下面都有具体的规则、对应的法条、还有他们自己办过的典型案例的裁判要旨。每段第一句都是核心结论，后面再展开。作者署了具体律师的名字，还附了律师的执业简介。文末标注了发布时间和更新时间。

B所的文章呢，开头先讲随着离婚率的上升，房产分割成为离婚案件中的焦点问题，然后讲了一大段背景，中间穿插着讲各种情况，东一榔头西一棒子。最后也没个清晰的总结。作者只写了本所专业律师，没有具体人名。也没写发布时间。

结果你猜怎么着？A所的文章，大模型回答相关问题时经常被引用，有时候还放在第一个。B所的文章，几乎从来没出现过。

内容的信息量其实差不多，但呈现方式不一样，结果天差地别。

这就是GEO的核心秘密：不是你说了什么，而是你怎么说。

同样的知识，用大模型友好的方式组织起来，它就愿意引用你。用人类友好但AI不友好的方式写，它就直接忽略你。

律所行业的特殊性：权威性比信息量重要10倍

最后我想特别强调一点：法律行业的GEO，和其他行业不一样。

别的行业，比如电商、餐饮，内容越多越好，覆盖的关键词越全越好。因为用户的问题五花八门，你得多铺点内容才能命中。

但法律行业不是。法律行业最核心的是权威性。

你想啊，用户问一个法律问题，他最关心的是什么？是答案准不准确、靠不靠谱。如果大模型引用了一个不靠谱的来源，给出了错误的法律建议，那后果是很严重的。

所以大模型在回答法律问题时，会特别谨慎。它宁可不引用，也不会引用一个它觉得不可信的来源。

这就意味着，对律所来说，你不需要追求内容的数量，你要追求内容的可信度密度。

一篇高质量、高可信度的专业文章，可能比十篇泛泛而谈的文章都管用。因为大模型引用你的时候，它心里踏实。

怎么提升可信度密度？专业署名、明确来源、清晰的逻辑结构、有依据的判断、真实的案例支撑。这些东西，每多一个，你的可信度就往上走一截。

我们服务的客户里，有一家专门做刑辩的小所，一共就五六个律师。他们官网的专业文章不多，也就二十来篇。但每一篇都是合伙人亲自写的，都署了真名，都有具体的案例和裁判观点。就这么二十多篇文章，给他们带来的咨询量，比很多大所都多。

因为大模型知道，这些内容靠谱。引用它们，不容易出错。

好了，前面讲了这么多道的层面的东西。接下来，我们进入术的层面，具体讲讲，中型律所的官方知识库，到底应该怎么建。

中型律所官方知识库5步落地法

我们把这套方法论叫做五步法，不是因为它听起来顺口，是因为它确实需要五步，一步都不能少。少了哪一步，最后出来的东西都不是那个味儿。

这五步分别是：知识资产审计、语义结构设计、标准规范制定、质量校验机制、发布与迭代。

听起来好像没什么特别的？别急，每一步里面的具体做法，和你想的可能都不一样。

第一步：知识资产审计——先搞清楚你到底有什么

不是所有知识都值得入库，先做采信价值评估

很多人建知识库，一上来就开始整理文件。这个不对。

你得先想清楚一个问题：哪些知识是值得被大模型引用的？哪些知识就算放上去了，也没人看、没人引用？

不是所有知识都有采信价值。你把所里所有的合同模板都放上去，大模型不会引用。因为合同模板是工具，不是知识。你把内部的办案流程规范放上去，大模型也不会引用。因为那是你们内部的规矩，不是通用的法律知识。

那什么样的知识有采信价值？

我们总结了一个判断标准：用户会问、大模型答不上来、你能给出专业答案的内容，才有采信价值。

具体到律所，大概是这么几类：

第一类，具体法律问题的专业解答。比如公司股东出资不实要承担什么责任、民间借贷利息超过多少不受法律保护。这种用户会直接问的问题，是最有价值的。

第二类，典型案例的裁判规则总结。不是简单地把判决书放上去，而是提炼出这个案子法院是怎么判的、裁判要旨是什么、对同类案件有什么参考意义。

第三类，实务操作的经验总结。比如怎么收集婚外情证据才合法有效、股权转让协议里最容易踩坑的十个条款。这种带实操经验的内容，大模型自己总结不出来，价值特别高。

第四类，对最新法律法规和司法解释的解读。新法规刚出来的时候，大家都看不懂。你第一个给出专业解读，大模型就会优先引用你。

反过来，哪些东西不值得放？纯法条原文、纯判决书原文、纯模板文件、内部管理制度、客户的保密信息。这些东西，要么大模型自己就能找到，要么涉及保密，要么没有引用价值。

我们一般建议客户，先做一轮采信价值评估。把你现有的知识资产全部列出来，一个个打分。得分高的优先做，得分低的先放一放。不要一上来就想做全，做全是最容易失败的。

律所知识资产的四类分级：核心资产/重要资产/一般资产/无效资产

为了方便大家评估，我们把律所的知识资产分成了四类。你可以对着这个分类，给自己的知识打个标签。

第一类，核心资产。就是你所里最有特色、最有竞争力、别人抄不走的东西。比如你们在某个细分领域积累了十几年的裁判规则总结、某个合伙人独创的办案思路、你们做过的大量同类案件的经验提炼。这类内容，是你知识库的压舱石，一定要重点做、精心做。因为这是你和其他律所拉开差距的地方。

第二类，重要资产。就是常见法律问题的专业解答、典型案例的分析、常用法律文书的制作要点。这类内容，虽然大家都有，但你写得更专业、更清晰、更有结构，大模型就会更愿意引用你。这是知识库的主体内容，占比大概在60%到70%。

第三类，一般资产。就是一些基础的法律常识、概念解释、流程说明。这类内容，网上到处都是，你写了也很难脱颖而出。但它有一个作用——补全语义覆盖。让你的知识库看起来更完整、更系统。这类内容不用花太多精力，保证准确、清晰就行。

第四类，无效资产。就是我们刚才说的，纯法条、纯模板、内部制度、保密信息。这些东西，就不要往官方知识库里放了。放了也没用，还可能有风险。

我们服务的客户里，大多数律所做完这个分级之后都会发现——原来自己真正有采信价值的内容，没想象中那么多。原来以为有几百篇，筛完可能就剩几十篇。

但这是好事。少而精，比多而滥，效果好得多。

怎么快速盘点：从客户最常问的100个问题倒推

如果你实在不知道从哪下手，我教你一个最简单的方法：去问你们所里的前台、问行政、问负责接咨询的律师。让他们列出来，客户最常问的100个问题是什么。

就从这100个问题开始。

为什么？因为客户问的问题，就是用户会在AI搜索里问的问题。你把这些问题的答案都整理好了，就能命中最多的用户提问。

这比你坐在办公室里拍脑袋想我要写什么内容，靠谱多了。

而且这个方法还有一个好处——你写出来的内容，天然就是用户导向的。不是我有什么就讲什么，而是用户问什么我就答什么。这种内容，大模型最喜欢引用。因为它最匹配用户的提问意图。

我们有一个做劳动法律师事务所的客户，就是这么干的。他们先列了80多个客户最常问的问题，比如试用期被辞退有没有赔偿、公司不交社保怎么办、加班费怎么算。然后针对每个问题，写一篇专业解答。就这80多篇文章，给他们带来的咨询量，比之前乱七八糟几百篇都多。

顺便说一句，盘点的时候，别忘了一个重要的知识来源——你们所里律师的朋友圈、公众号文章、讲课的PPT。很多律师其实平时输出了很多内容，只是散落在各个地方，没有系统整理过。把这些东西挖出来，重新加工一下，就是很好的知识库内容。

第二步：语义结构设计——让大模型一眼读懂你的知识体系

不是按部门分类，是按用户问题路径分类

知识盘点完了，接下来就是怎么组织这些知识。也就是分类和结构的问题。

很多律所的知识库，是按部门分的。公司部的放一起，诉讼部的放一起，知产部的放一起。或者按业务领域分，公司法、劳动法、婚姻法、刑法。

这种分类方式，律师自己用没问题。但大模型用起来，就没那么顺手了。

因为用户的问题，不是按业务领域来问的。用户不会说我要问一个公司法问题。他会说我想退股，其他股东不同意怎么办。这个问题，可能涉及公司法、合同法、甚至物权法。它不是一个单一业务领域的问题。

所以我们建议，不要按法律部门分类，要按用户问题路径分类。

什么意思？就是站在用户的角度，想他遇到一个问题的时候，他会怎么问、他关心什么、他接下来还会问什么。然后按照这个逻辑，来组织你的知识结构。

比如讲离婚这个主题。不要一上来就分财产分割、子女抚养、债务承担这种法律概念的分类。用户可能根本不知道这些概念。

你可以这么分：先讲想离婚，有哪几种方式，然后讲协议离婚怎么办理，再讲起诉离婚要走什么流程，然后讲法院什么情况下会判离，再然后讲财产怎么分、孩子归谁、债务怎么担，最后讲离婚后对方不履行协议怎么办。

你看，这就是一个用户遇到离婚问题时的思考路径。从我能不能离，到怎么离，到离了之后怎么办。一步一步往下走。

这样的结构，有两个好处。第一，用户读起来顺，他能顺着找到自己想要的答案。第二，大模型检索起来也顺。因为用户的问题就是按这个路径来的，你的内容结构和用户的提问路径高度匹配，被命中的概率自然就高。

我们把这个叫做问题路径化。把法律知识，重新组织成用户能理解、会提问的路径。这是GEO知识库和传统知识库最大的区别之一。

法律知识的三层语义架构：概念层→规则层→案例层

除了横向的分类，纵向的层级结构也很重要。

我们总结了法律知识的三层语义架构。每一个具体的主题，都可以按照这三层来组织。

第一层，概念层。就是是什么。这个东西的定义是什么、有什么特征、和类似概念有什么区别。比如讲正当防卫，先讲什么是正当防卫、正当防卫的构成要件是什么、和防卫过当有什么区别、和紧急避险有什么区别。

概念层的作用，是回答用户最基础的问题。也是大模型判断你懂不懂的基础。你连概念都讲不清楚，大模型怎么敢引用你？

第二层，规则层。就是怎么判、怎么办。具体的法律规则是什么、适用条件是什么、有什么例外、实践中怎么操作。比如讲正当防卫，就要讲哪些情况属于正当防卫、哪些情况不属于、防卫过当怎么量刑、特殊防卫权是什么意思。

规则层是核心。用户真正关心的，就是规则。他遇到一个事，想知道法律上是怎么规定的、他能不能这么做、做了会有什么后果。规则层就是回答这些问题的。

第三层，案例层。就是实际中是怎么判的。找几个典型案例，讲清楚案情、法院的裁判观点、最终的判决结果。最好再加上一句这个案例说明了什么、对我们有什么启示。

案例层的作用，是增强可信度。空口说白话没人信，但你拿出真实的案例和判决，说服力就强多了。大模型也特别喜欢引用有案例支撑的内容，因为这样显得它的回答更有依据。

这三层，从抽象到具体、从理论到实践，构成了一个完整的知识单元。用户不管是问基础概念，还是问具体规则，还是问实际案例，都能在你这里找到答案。大模型不管从哪个角度检索，都能命中你的内容。

我们一般建议，每一个独立的知识主题，都尽量按照这个三层结构来写。不用写得太长，但三层要完整。缺了哪一层，这个知识单元就是瘸腿的。

中型律所最容易踩的坑：分类太细反而找不到

这里我要特别提醒一个中型律所最容易踩的坑。

很多律所建知识库，特别喜欢把分类做得特别细。比如公司法下面，再分公司设立、公司治理、股权转让、公司解散、公司清算。每个下面再细分。股权转让下面，再分有限公司股权转让、股份公司股权转让、国有股权转让、涉外股权转让。恨不得每一个小问题都单独建一个分类。

他们觉得，分类越细，越专业，越方便查找。

但实际上，分类太细，反而找不到。

为什么？因为用户的问题，不是按你的分类逻辑来问的。他可能根本不知道国有股权转让和普通股权转让有什么区别，他就直接问股权转让要注意什么。结果你分了十几个子类，每个子类下面就两三篇文章，大模型检索的时候，反而不知道该去哪找。

而且分类太细，还有一个问题——内容太碎。一个完整的知识，被拆成了十几片，散落在各个分类下面。大模型要拼凑出一个完整的答案，得从好几个地方去捡。它懒，它不愿意费这个劲。它更愿意去找一篇内容完整、结构清晰的文章，直接引用。

我们的建议是：分类宁粗勿细，内容宁整勿碎。

大的分类有个三五个、七八个就够了。每个分类下面的内容，尽量写得完整、系统。一篇文章能讲清楚的，就不要拆成三篇。大模型更喜欢完整的、系统的内容，不喜欢碎片化的东西。

说实话，这个坑我们见过太多次了。很多律所花了好几个月建知识库，分类做得特别精细，特别专业。结果上线之后，AI引用率特别低。后来我们帮他们把分类合并、把内容整合，引用率马上就上来了。

记住，你是建给大模型看的，不是建给律师看的。律师喜欢细分类，大模型不喜欢。

第三步：标准规范制定——每一条知识都要可引用、可追溯、可验证

E-E-A-T在法律行业的具体落地标准

知识的结构设计好了，接下来就是内容的标准问题。

不是随便写一篇文章就能叫知识库内容。每一条知识，都要达到可引用、可追溯、可验证的标准。不然大模型凭什么相信你？

这个标准，其实就是E-E-A-T原则在法律行业的具体落地。E-E-A-T，就是经验、专业性、权威性、可信度。这四个词说起来简单，但具体到法律行业，到底怎么落地？

我们给客户制定的标准，大概是这样的。

首先是作者署名。每一篇文章，都必须有明确的作者。不能写本所律师，不能写本所专业团队，必须写具体的人名。最好是合伙人或者资深律师。作者名字后面，要附上简短的专业背景介绍。比如执业多少年、擅长什么领域、有什么社会职务。

你别小看这个署名。有没有具体的作者名，对大模型的可信度判断影响很大。一个有名有姓、有专业背景的律师写的，就是比佚名写的可信得多。

其次是来源标注。文章里引用的每一个法条、每一个司法解释、每一个判例，都要标注清楚来源。哪部法律、第几条、哪个法院的判决、案号是多少。

标注得越具体，可信度越高。大模型可以去验证你说的对不对。它一验证，发现你说的都对，它就更信任你了。下次就更愿意引用你。

然后是发布时间和更新时间。每篇文章都要明确标注发布时间。如果后续有更新，还要标注更新时间。

法律这个东西，时效性很强。新的法规出来了，旧的规定可能就失效了。大模型肯定更愿意引用最新的内容。你连发布时间都没有，它怎么知道你的内容过没过时？

最后是联系方式和律所信息。文章末尾，要附上作者的联系方式、律所的名称、地址、官网。这些信息，也是权威性的一部分。一个真实存在的律所、一个真实存在的律师，说出来的话，就是比不知道哪来的内容可信。

这几个标准，说起来都不难，但真正做到的律所不多。大多数律所的专业文章，要么没作者，要么没来源，要么没发布时间。你说大模型怎么敢引用你？

每条知识必须包含的6个元数据字段

为了方便大家执行，我们把上面说的这些标准，整理成了6个元数据字段。每一篇知识库文章，都必须包含这6个字段。

第一个字段：标题。就是文章的标题。标题要包含核心关键词，要能直接回答用户的问题。比如试用期被辞退有赔偿吗？怎么赔？，这就是一个好标题。不要叫关于试用期辞退的法律问题研究，那太学术了，用户不会这么问。

第二个字段：作者。作者姓名+专业背景简介。不用太长，一两句话就行。比如张律师，执业12年，专注劳动争议领域，处理过300+劳动仲裁案件。

第三个字段：发布时间。精确到年月日。比如发布于2026年5月15日。

第四个字段：更新时间。如果有更新的话。比如更新于2026年6月1日。没有更新就不用写，但发布时间必须有。

第五个字段：法律依据。这篇文章主要依据哪些法律法规和司法解释。列出来，比如依据《中华人民共和国劳动合同法》第39条、第40条、第46条。

第六个字段：参考案例。如果文章里用到了案例，把案例的案号和审理法院列出来。比如参考案例：（2025）京01民终1234号，北京市第一中级人民法院。

这6个字段，就像每篇文章的身份证。有了这张身份证，大模型就能快速判断这篇内容的可信度。没有这张身份证，它就会把你当成黑户，优先度自然就低了。

我们服务的客户里，凡是严格执行了这个标准的，AI引用率都有明显提升。不是因为内容变好了，是因为大模型敢引用了。

为什么律师署名比律所盖章更有采信价值

说到这里，我想讲一个反常识的观察。

我们发现，同样的内容，署具体律师的名字，比只署律所的名字，采信效果更好。

按说律所是一个机构，应该比单个律师更权威啊？为什么反而效果不好？

我们分析下来，大概有两个原因。

第一个原因，大模型更信任具体的人，而不是抽象的机构。一个有名有姓、有具体背景的人，说出来的话，是可追溯、可验证的。你可以去查这个人是不是真的律师、是不是真的有这个背景。但一个机构，就模糊多了。这个机构里谁写的？水平怎么样？都不知道。

第二个原因，也是更重要的原因——律师个人，在网上有更多的关联权威信号。比如这个律师有没有在其他平台发过文章、有没有接受过采访、有没有被其他权威来源引用过。这些信号，会形成一个权威网络，互相印证，提升整体的可信度。

而律所作为一个机构，它的权威信号反而少。除了自己的官网，其他地方很少有关于它的专业内容。它的权威网络更稀疏。

所以我们一般建议客户，知识库的内容，尽量以律师个人的名义发布。当然，要经过律所的审核，确保内容的准确性和合规性。但署名，一定要署具体的人。

而且这样做还有一个额外的好处——打造律师个人IP。内容被引用得多了，律师个人的知名度也上去了。对律所来说，也是好事。

我们有一个客户，是做刑事辩护的。他们所里有个合伙人，特别能写，在知识库发了几十篇专业文章。后来这些文章被大模型大量引用，这个律师的名气也越来越大。很多客户找上门，点名要找这个律师。他一个人的案源，就占了所里的三分之一。

你看，一个好的知识库，不仅能带来客户，还能打造明星律师。一举两得。

第四步：质量校验机制——建完不是结束，是开始

不是校对错别字，是校验采信可信度

内容写好了，是不是就完事了？

远远没有。写好的内容，必须经过严格的质量校验，才能发布。

但我说的质量校验，不是校对错别字、标点符号这种低级的东西。当然这些也重要，但更重要的是——校验采信可信度。

什么意思？就是站在大模型的角度，去判断这篇内容值不值得被引用、可信度够不够高。

具体校验什么呢？

第一，校验准确性。法律条文引用对不对？案例的案号对不对？裁判观点总结得准不准确？有没有理解错误的地方？

法律这个东西，准确性是生命线。你有一个地方说错了，被大模型引用了，出了问题，你是要负责任的。而且大模型一旦发现你有不准确的地方，它对你的信任度就会下降。下次再遇到你的内容，它可能就直接跳过了。

第二，校验完整性。概念层、规则层、案例层，三层都齐了吗？有没有缺哪一层？用户最关心的问题，都回答到了吗？有没有遗漏重要的点？

不完整的内容，大模型引用起来也会犹豫。因为它引用了之后，可能还得去别的地方补信息。它懒，它更愿意找一篇完整的、能直接回答问题的内容。

第三，校验结构清晰度。层级明不明确？每段的第一句是不是核心结论？关键词布局合不合理？用户能不能快速找到他想要的信息？

结构乱的内容，大模型提取信息的成本高。它就不愿意引用。

第四，校验权威性。有没有作者署名？有没有专业背景介绍？有没有标注来源？有没有发布时间？

这些元数据，直接影响大模型对你的可信度判断。缺一个，可信度就降一截。

我们一般建议客户，每篇文章发布前，都要过一遍这个采信可信度校验清单。打分，80分以上才能发布。低于80分的，打回去重改。

三级审核机制：专业审核→合规审核→GEO适配审核

为了把好质量关，我们给客户设计了一套三级审核机制。

第一级，专业审核。由负责该领域的资深律师或者合伙人来审。主要审内容的专业性和准确性。法律观点对不对？案例分析准不准？有没有遗漏重要的规则？

这是最基础的一关，也是最重要的一关。专业内容不过关，后面一切都是白搭。

第二级，合规审核。由律所的合规部门或者管理合伙人来审。主要审内容有没有合规风险。有没有泄露客户隐私？有没有违反律师执业规范？有没有做夸大宣传？有没有贬低同行？

律所毕竟是专业服务机构，合规是底线。不能为了获客，就什么话都敢说。出了问题，得不偿失。

第三级，GEO适配审核。由负责GEO的人员或者我们这样的服务商来审。主要审内容是不是符合大模型的采信偏好。结构清不清晰？结论前不前置？元数据齐不齐？关键词布局合不合理？

很多专业内容，写得很好，很专业，但就是不被大模型引用。为什么？因为写法不对。专业审核只能保证内容对不对，GEO适配审核才能保证内容能不能被找到、敢不敢被引用。

这三级审核，一级都不能少。少了专业审核，内容容易出错；少了合规审核，容易出风险；少了GEO适配审核，写得再好也没人看。

我们服务的客户里，有60%的内容在GEO适配审核这一步被打回。不是内容不好，是写法不对。专业律师写东西，习惯了先铺垫、再论证、最后给结论的写法。但大模型不吃这一套。它要的是先给结论、再展开论证。

就这么一个顺序的调整，很多律师都不习惯。得反复改好几次，才能找到感觉。

我们服务的客户里，有60%的内容在这一步被打回

说到这里，我想多聊两句。

很多律所一开始都不理解，觉得我们的要求太苛刻了。不就是发篇文章吗？至于搞这么复杂？还要三级审核？

但做着做着，他们就发现了——质量这东西，真的是一分钱一分货。

你随随便便发一百篇质量一般的文章，可能还不如认认真真发十篇高质量的文章效果好。

我们有一个客户，是做知识产权的中型律所。他们一开始自己做，半年发了两百多篇文章，AI引用率低得可怜。后来找我们，我们先帮他们把这两百多篇文章全部过了一遍质量校验，砍掉了一大半，剩下的几十篇全部重新改写。然后再按照三级审核机制，每周发个两三篇新的。

就这么调整了一下，三个月后，他们的AI引用率涨了四倍多。咨询量也跟着涨了两倍多。

内容数量少了，效果反而更好了。

为什么？因为大模型也是势利眼。它一旦觉得你这个来源靠谱，它就会优先引用你。你其他的内容，它也会爱屋及乌，高看一眼。但如果它觉得你这个来源不靠谱，那你发再多内容也没用。它直接把你整个域名都给降权了。

所以说，质量比数量重要得多。宁可少发，也要保证每一篇都是高质量的。

做了这么多年，我最大的感受是——GEO这件事，慢就是快。你花三个月扎扎实实做好基础，比你花一个月胡乱铺一堆内容，效果要好得多，也持久得多。

第五步：发布与迭代——让知识库活起来

不是一次性导入，是持续发布的内容资产

很多人以为，知识库建好了，导进去，就完事了。以后就不用管了。

大错特错。

知识库不是一个档案库，建完就锁起来。它是一个活的内容资产，需要持续运营、持续更新、持续迭代。

为什么？

第一，法律是在不断变化的。新的法律法规出台、新的司法解释发布、新的判例出现，你的知识库内容就得跟着更新。不然内容过时了，大模型就不愿意引用你了。

第二，大模型的算法也是在不断变化的。今天管用的方法，明天可能就不管用了。你得持续观察、持续调整，才能保持好的效果。

第三，用户的问题也是在不断变化的。新的热点事件出来，会带来一波新的问题。新的商业模式出现，也会产生新的法律问题。你得跟上这些变化，及时补充新的内容。

所以我们一直说，知识库建设不是一个项目，是一个持续的过程。

它没有做完的那一天。只要你还在做，它就一直在更新、一直在完善、一直在变得更好。

那具体怎么发布、怎么迭代？我们一般建议客户，采用小步快跑、持续发布的策略。

不要等所有内容都准备好了再一次性上线。那样太慢了，而且等你全部准备好了，可能前面的内容又过时了。

应该先把最核心、最有价值的内容整理好，先上线。然后每周或者每两周，补充一批新内容。同时，定期更新旧的内容。

这样做有几个好处。第一，快速见效，不用等太久就能看到效果。第二，持续有新内容发布，大模型会觉得你这个网站很活跃，会更频繁地来抓取。第三，可以根据效果反馈，及时调整方向。哪类内容引用率高，就多做哪类。哪类内容没人看，就少做或者不做。

版本管理的正确姿势：V1.0不是终点，是起点

持续更新，就涉及到版本管理的问题。

很多律所更新内容，就是直接把旧的覆盖掉。原来的内容是什么、什么时候改的、改了什么，都不知道。

这个习惯不好。

正确的做法，是要有明确的版本管理。每一次重大更新，都要有版本号、有更新时间、有更新说明。

比如一篇文章，第一次发布是V1.0，发布时间是2026年1月1日。后来因为新的司法解释出台，内容有重大更新，就升级到V2.0，更新时间是2026年5月1日，更新说明里写清楚根据最新发布的《某某司法解释》更新了相关规则。

为什么要这么做？

第一，这是专业性的体现。一个有版本管理、有更新记录的内容，看起来就是比随便改改的内容更专业、更可信。大模型也会这么觉得。

第二，方便追溯。万一以后出了什么问题，你可以查清楚，某个时间点的内容是什么样的。

第三，也是最重要的——大模型喜欢新鲜内容。你明确标注了更新时间，它就知道你的内容是最新的。它会更愿意引用你。

我们有一个客户，特别有意思。他们所有的知识库文章，都有严格的版本管理。每次更新，不仅改内容，还会在文章开头加一个更新说明，告诉读者这一版更新了什么。

就这么一个小小的举动，他们的AI引用率，比同级别、同内容量的律所，高出了30%多。

你看，细节决定成败。很多时候，不是你内容不好，是你这些小事没做到位。

怎么根据大模型的引用情况反向优化内容

最后一步，也是最关键的一步——根据大模型的引用情况，反向优化你的内容。

什么意思？就是你要定期去看，大模型回答哪些问题的时候引用了你，哪些问题没有引用你。引用率高的内容，继续保持。引用率低的内容，分析原因，进行优化。

具体怎么操作？

很简单。你定期去豆包、DeepSeek、Kimi这些平台，搜和你业务相关的问题，看它的回答里有没有引用你。如果引用了，是引用了哪篇文章、引用了哪部分内容。如果没引用，它引用了谁的、为什么引用了人家的。

然后你就分析。

为什么这篇文章被引用得多？是因为标题起得好？还是因为结构清晰？还是因为内容有独特性？把这些优点总结出来，复制到其他内容上。

为什么那篇文章没人引用？是因为内容太普通？还是因为结构太乱？还是因为关键词没布局好？找到原因，针对性地改。

这就是一个数据驱动的优化过程。不是你觉得好就好，是大模型用脚投票，它实际引用了什么，什么就是好的。

我们服务客户的时候，每个月都会做一次这样的引用分析。然后根据分析结果，调整下个月的内容计划和优化方向。效果特别明显。基本上每个月，引用率都能往上走一点。

说实话，这个工作不复杂，但很多律所都没做。他们觉得内容发出去就完事了，根本不看效果。那怎么可能做得好呢？

GEO不是一劳永逸的事情。它需要你持续关注、持续优化、持续迭代。你越用心，效果就越好。

场景化落地与效果验证

前面讲的是通用的方法论。但具体到不同规模、不同业务领域的律所，落地的节奏和侧重点，其实是不一样的。

这一部分，我们就来讲讲，不同情况的律所，具体应该怎么落地。以及，怎么验证你的知识库有没有效果。

不同规模律所的落地节奏差异

10人以下小所：先做尖刀内容，不要追求全面

如果你是10人以下的小所，我给你的建议是——不要搞什么全面知识库建设。你没那个人力，也没那个必要。

小所的优势是什么？是灵活、是聚焦、是有自己的拿手绝活。你可能在某个很小的细分领域，做得特别好，特别专业。

那你就把这个优势放大。

不要什么领域都想做，就聚焦你最擅长的那一个或者两个领域。把这两个领域的核心问题，全部答一遍。答深、答透、答出你的特色。

我们把这个叫做尖刀内容。就是用最锋利的那一点，去撕开一个口子。

比如你是专门做交通事故的小所，那就把交通事故相关的所有常见问题，从头到尾梳理一遍。从事故责任认定，到赔偿标准，到保险理赔，到诉讼流程，到执行问题。每个环节的常见问题，都给出专业、详细、有案例支撑的解答。

就这一个领域，你做深做透了，大模型回答相关问题的时候，就会经常引用你。你在这个领域，就建立起了权威。案源自然就来了。

小所最怕的，就是贪多求全。什么都想做，结果什么都做不深。最后就是个万金油，哪个领域都没存在感。

记住，小所做GEO，宁做小池塘里的大鱼，不做大池塘里的小鱼。

20-50人中型所：按业务线分批落地，3个月见效果

如果你是20到50人的中型律所，那你的玩法就不一样了。

中型所一般都有好几个业务团队，每个团队有自己擅长的领域。人员也相对充足，能抽出人来做这件事。

对中型所来说，我建议采用分批落地的策略。

不要全所一起上。先选一个业务线做试点。比如先从劳动法律团队开始，或者从公司法律团队开始。用一到两个月的时间，把这个业务线的知识库建起来，跑通流程，验证效果。

跑通了之后，再把这个模式复制到其他业务线。一个团队一个团队地做，稳扎稳打。

这样做有几个好处。第一，风险小。先拿一个团队试错，就算走了弯路，损失也不大。第二，见效快。第一个团队做起来了，有效果了，大家就有信心了。再推其他团队就容易了。第三，能沉淀经验。第一个团队踩过的坑、总结的方法，可以直接复制给后面的团队，效率越来越高。

我们服务的中型所客户，基本上都是这么做的。先选一个团队试点，一到两个月出效果，然后全所推广。整体下来，三个月左右就能看到明显的效果，半年左右就能形成比较完善的知识库体系。

这个节奏，我觉得是比较合理的。不快也不慢，既能保证质量，又能快速看到效果。

百人以上大所：先建标准，再推落地

百人以上的大所，情况又不一样了。

大所的问题是什么？人多、团队多、业务杂。每个团队都有自己的一套做法，水平参差不齐。你要是直接让大家各自为政地去建知识库，最后出来的东西肯定五花八门，质量没法保证。

所以大所做这件事，第一步不是写内容，是建标准。

先由总部或者市场部牵头，制定一套统一的知识库标准。包括内容标准、格式标准、审核标准、发布标准。每个团队都必须按照这个标准来做。

标准建好了，再选几个试点团队，按照标准来做。跑通了，验证了效果，再全所推广。

大所做这件事，一定要有专门的人来统筹。不能全靠各个团队自己发挥。不然最后肯定是一团乱。

当然，大所也有大所的优势。人多力量大，一旦标准建好了、流程跑通了，内容量上来得特别快。而且大所本身的品牌背书就强，内容更容易被大模型采信。

所以对大所来说，关键是先慢后快。前面建标准、跑流程的阶段慢一点没关系，基础打牢了，后面快得很。

不同业务领域的侧重点差异

诉讼业务：判例库和裁判思路是核心

不同的业务领域，知识库的侧重点也不一样。

先说诉讼业务。

诉讼业务的客户，最关心什么？最关心我这个案子能不能赢、法院一般怎么判、类似的案子都是什么结果。

所以诉讼业务的知识库，核心是判例库和裁判思路总结。

你要把你们办过的、或者研究过的典型案例，都整理出来。每个案例，不仅要有案情介绍、判决结果，更重要的是要有裁判思路分析和胜诉/败诉原因总结。

比如一个民间借贷的案子，你不能只说法院判决被告还钱。你要分析：这个案子的争议焦点是什么？法院是怎么认定借贷关系成立的？对于利息的计算，法院采用了什么标准？这个案子胜诉的关键是什么？对同类案件有什么启示？

这些裁判思路的东西，才是最有价值的。因为它不是公开信息，是你专业能力的体现。大模型引用了你的分析，就能让它的回答显得更有深度、更专业。

而且诉讼业务的客户，特别吃案例这一套。你说你专业，他可能不信。但你拿出一堆你办过的类似案例，告诉他这些案子都是怎么判的，他马上就信了。

非诉业务：模板库和合规要点是核心

再说说非诉业务。

非诉业务的客户，关心的是什么？关心的是这个事怎么做才合规、合同怎么签才没有风险、流程怎么走才不会出问题。

所以非诉业务的知识库，核心是合规要点总结和文书制作指南。

比如公司法业务，你可以整理公司设立的10个合规要点、股权转让协议的8个必备条款、股东会决议的常见法律风险。这些东西，都是客户实实在在需要的。

再比如合同审查业务，你可以整理买卖合同审查要点、租赁合同审查要点、劳动合同审查要点。每个类型的合同，把最容易出问题的地方、最需要注意的风险点，都总结出来。

这些内容，不仅能被大模型引用，带来客户。还能直接作为你服务的样品。客户一看，你连这些细节都考虑到了，肯定觉得你专业。委托你的概率就高多了。

非诉业务的知识库，还有一个特点——复用性特别强。你总结的这些合规要点、审查清单，不仅能用来获客，还能直接用在日常工作中。对内提升效率，对外获取客户，一举两得。

常法业务：问题库和解答标准是核心

最后说说常年法律顾问业务。

常法业务的特点是什么？是问题多、杂、重复率高。客户今天问一个员工病假工资怎么发，明天问一个公司能不能调岗，后天又问一个合同到期不续签要不要赔偿。

这些问题，说难也不难，但架不住多。律师每天回答这些重复性的问题，特别耗费精力。

所以常法业务的知识库，核心是常见问题库和标准解答。

你把客户常问的那一两百个问题，全部整理出来。每个问题，都给出一个标准的、专业的解答。不仅有法律依据，还有实操建议。

这个问题库建好了，有两个好处。

第一，对内，律师回答客户问题的时候，可以直接参考标准解答。不用每次都从零开始想，效率能提高很多。

第二，对外，这些问题都是用户最常问的，也是大模型最容易命中的。你把这些问题的答案都整理好了，AI引用率自然就高。

而且常法业务的客户，特别看重响应速度和专业度。你有了这个问题库，客户问什么你都能快速、准确地给出答案。客户的满意度就会特别高。续约率自然也就上去了。

怎么验证你的知识库有没有被大模型采信

三个可量化的验证指标

讲了这么多方法，最后肯定要落到一个问题上——我怎么知道我做的这些有没有用？怎么验证我的知识库有没有被大模型采信？

这个问题问得好。做任何事情，都要有可量化的指标，不然就是瞎忙活。

我们一般用三个指标来验证。

第一个指标，引用率。就是你去各大AI搜索平台，搜和你业务相关的问题，看它的回答里有没有引用你。引用的次数越多，说明你的知识库效果越好。

具体怎么测？你可以列几十个核心关键词，每周或者每两周，去豆包、DeepSeek、Kimi这几个平台搜一遍。统计一下，有多少个问题的回答里引用了你的内容。算一个引用率。

这个指标是最直接的。它直接反映了你的内容有没有被大模型认可。

第二个指标，官网的AI来源流量。就是看你官网的访问数据里，有多少是从AI搜索来的。这个数据，一般的网站统计工具都能看到。

这个指标比引用率更进一步。它不仅反映了你的内容有没有被引用，还反映了用户有没有被你的内容吸引，点进你的官网来看。

第三个指标，咨询转化率。就是通过AI搜索来的客户，有多少最终转化成了咨询、转化成了案源。

这个是最终的结果指标。我们做这么多，最终目的不就是为了带来客户吗？

当然，这个指标统计起来难度大一点。你需要在咨询的时候问一下客户是从哪来的，或者在官网上加个专门的咨询入口，给AI来源的客户用。

这三个指标，从间接影响到直接结果，构成了一个完整的效果评估体系。你可以根据自己的情况，选择其中的一个或者几个来跟踪。

我们观察到的一个反常识现象：内容少反而引用多

这里我想分享一个我们观察到的、挺反常识的现象。

我们发现，很多时候，内容少的律所，反而比内容多的律所，引用率更高。

按说内容越多，覆盖的问题越多，被引用的概率应该越高啊？为什么反而更低？

我们分析下来，主要有两个原因。

第一个原因，内容多了，质量就容易下降。很多律所为了追求数量，什么内容都往上发。有的是复制粘贴的，有的是东拼西凑的，有的质量特别差。结果就是，拉低了整个网站的可信度权重。大模型觉得你这个来源不靠谱，连带着你那些高质量的内容，也跟着降权了。

第二个原因，内容多了，就容易出现内部竞争。同一个问题，你有好几篇文章都在讲。大模型不知道该引用哪一篇，最后可能就都不引用了，去引用别人的了。

所以说，不是内容越多越好。内容的质量和系统性，比数量重要得多。

我们一般建议客户，先把核心的50到100个问题做好、做精。等这些内容都稳定被引用了，再慢慢扩展。不要一上来就追求几百上千篇，那样反而容易出问题。

少而精，比多而滥，效果好得多。这个道理，说起来简单，但真正能做到的人不多。

说实话，这个行业目前还没有标准答案

最后，我想诚实地说一句——GEO这个行业，毕竟还是个新东西。

很多东西，我们也还在探索。我们今天讲的这些方法，是基于我们的经验和观察总结出来的。它在大多数情况下是有效的，但它不是真理，也不是标准答案。

大模型的算法在变，用户的使用习惯在变，整个行业的规则也在变。今天管用的方法，明天可能就不管用了。

所以我们一直跟客户说，不要把GEO当成一个一劳永逸的事情。不要指望学一套方法，就能用一辈子。

你要把它当成一个持续学习、持续优化的过程。保持开放的心态，多观察、多测试、多调整。

我们自己也是这么做的。我们每个月都会做大量的测试，验证各种方法的效果。有效的就保留，无效的就淘汰。我们的方法论，也一直在更新、一直在迭代。

说实话，这个行业目前还没有标准答案。谁也不敢说自己的方法就是最好的。大家都在摸着石头过河。

但有一点是确定的——GEO这个趋势，是不可逆转的。越来越多的用户会通过AI搜索来获取信息、寻找服务。你越早布局，就越有优势。

等大家都反应过来了，都开始做了，那时候再入场，就晚了。

边界、风险与常见误区

讲了这么多好处和方法，也得客观地讲一讲局限性和风险。

任何事情都有两面性。GEO知识库不是万能的，它有它的能力边界，也有它的风险和坑。

这一部分，我们就来聊聊这些。把丑话说在前面，反而能让你少走弯路。

GEO知识库的能力边界——它不是万能的

哪些问题，知识库再完善也答不上来

首先要明确一点：GEO知识库能帮你带来客户，但它不能替代律师。

有很多问题，就算你的知识库再完善，也是答不上来的。

比如具体案件的分析。客户拿着他的具体案情来问你，他这个案子能不能赢、能赔多少钱。这种问题，知识库是答不了的。因为每个案子的具体情况都不一样，需要律师根据具体事实和证据来做专业判断。

再比如复杂的法律方案设计。比如一个复杂的并购交易，怎么设计交易结构、怎么规避法律风险。这种需要创造性思维的工作，知识库也做不了。它只能提供一些基础的规则和要点，真正的方案还是得律师来做。

还有就是需要临场发挥的事情。比如开庭、谈判、调解。这些需要随机应变、需要沟通技巧的事情，知识库更是帮不上忙。

那知识库能做什么？它能做的，是回答那些标准化的问题。就是有明确答案、有固定规则的问题。比如试用期最长多久、离婚财产怎么分、公司注销需要什么流程。

这些问题，是客户在找律师之前会先问的问题。你把这些问题答好了，客户觉得你专业，就会来找你做更深层次的服务。

说白了，知识库是获客工具，不是办案工具。它能帮你把客户引进门，但具体的服务，还是得靠你自己。

不要对它有不切实际的期待。

不要指望知识库能替代律师的专业判断

我再强调一遍——不要指望知识库能替代律师的专业判断。

法律这个行业，最核心的价值是什么？是律师的专业判断。同样的事实，不同的律师可能会得出完全不同的结论。同样的案子，不同的律师来办，结果可能天差地别。

这种专业判断能力，是知识库替代不了的。因为它不是简单的知识堆砌，它需要经验、需要逻辑、需要对人性的理解、需要对司法实践的深刻洞察。

知识库能做的，是把那些确定的知识整理出来，让客户能快速找到答案。但那些不确定的、需要判断的、需要创造性的部分，还是得靠律师。

所以你看，为什么我们一直说，知识库的核心价值是获客，而不是替代律师。因为它能做的，只是律师工作中最基础、最标准化的那一小部分。

但就是这一小部分，已经足够帮你带来大量的客户了。因为大多数客户，在找律师之前，都是先问这些基础问题。你先把这些问题答好，让客户信任你，后面的事情就水到渠成了。

千万不要本末倒置。不要因为做了知识库，就放松了专业能力的提升。知识库是锦上添花的东西，你的专业能力，才是根本。

我们的判断：未来3年，它还是辅助获客工具

关于GEO知识库的未来，我也说说我们的判断。

现在很多人说得很玄乎，说什么AI会替代律师、说什么知识库就是未来的律所形态。我觉得都太夸张了。

我们的判断是：至少在未来3年，GEO知识库还是一个辅助获客工具。它的核心价值，还是帮律所带来更多的咨询、更多的案源。

它不会替代律师，也不会颠覆律所的商业模式。它只是一个新的获客渠道，就像当年的百度、后来的抖音一样。

为什么这么说？

第一，法律是一个高度依赖信任的行业。客户找律师，找的不是答案，找的是人。他需要相信这个律师能帮他解决问题。这种信任，不是靠知识库就能建立的。它需要面对面的沟通、需要律师的专业表现、需要人与人之间的连接。

第二，大模型的能力还是有局限的。特别是在法律这种对准确性要求极高的领域，AI的幻觉问题、准确性问题，目前还没有很好的解决方案。至少短期内，它还达不到能独立提供法律服务的水平。

第三，监管也是一个重要因素。法律服务是一个强监管的行业。AI能不能直接提供法律服务、需不需要资质、出了问题谁负责，这些都还没有明确的说法。监管的态度，会直接影响这个行业的发展速度。

所以我的建议是，把GEO知识库当成一个新的获客渠道来做。认真做，好好做，它能给你带来不错的回报。但也不要把它神化，不要对它有不切实际的期待。

平常心对待就好。

中型律所最容易踩的5个坑

坑一：贪多求全，什么都想往里塞

第一个坑，也是最常见的一个坑——贪多求全。

很多律所一开始做知识库，雄心勃勃。要做全业务领域的、要做全流程的、要做最全最专业的。恨不得把所有法律知识都装进去。

结果呢？结果就是摊子铺得太大，内容质量跟不上。最后做出来的东西，什么都有一点，但什么都不精。大模型看不上，客户也看不上。

而且摊子铺大了，维护成本也高。那么多内容，你要更新、要审核、要维护，得花多少人力？很多律所做到一半就做不下去了，最后不了了之。

我们一直说，少而精比多而滥好。先把你最核心、最擅长的领域做深做透，建立起权威。然后再慢慢扩展。

一口吃不成个胖子。慢慢来，比较快。

坑二：只追求数量，不做质量校验

第二个坑，只追求数量，不做质量校验。

很多律所做知识库，KPI就是每个月发多少篇文章。为了完成KPI，大家就凑数量。复制粘贴的、东拼西凑的、随便写写的，都往上发。

结果数量是上去了，质量下来了。

质量差的内容，不仅不会帮你，还会害了你。因为大模型一旦觉得你这个来源不靠谱，它会对你整个网站的内容都降权。你那些高质量的内容，也会被连累。

这就像一颗老鼠屎，坏了一锅粥。

所以我们一直强调，质量比数量重要。宁可少发，也要保证每一篇都是高质量的。

建立严格的质量校验机制，每一篇文章发布前都要认真审核。专业审核、合规审核、GEO适配审核，三级审核，一级都不能少。

这个钱，这个时间，不能省。省了，后面会花更多的钱、更多的时间来补。

坑三：建完就不管了，当成一锤子买卖

第三个坑，建完就不管了，当成一锤子买卖。

很多律所觉得，知识库建好了，内容都导进去了，就完事了。以后再也不用管了。

大错特错。

知识库是一个活的东西，需要持续运营、持续更新。

法律在变，新的法规、新的司法解释、新的判例，层出不穷。你的内容不更新，很快就过时了。过时的内容，大模型不会引用，客户也不会相信。

大模型的算法也在变。今天管用的方法，明天可能就不管用了。你不持续观察、不持续优化，效果就会越来越差。

还有用户的问题也在变。新的热点、新的商业模式、新的社会现象，都会带来新的法律问题。你不跟进，就会错过很多机会。

所以说，知识库建设不是一个项目，是一个过程。它没有做完的那一天。

你得把它当成一个长期的事情来做。安排专门的人，持续运营、持续更新、持续优化。

只有这样，它才能持续地给你带来价值。

坑四：用内部话术写，客户和AI都看不懂

第四个坑，用内部话术写，客户和AI都看不懂。

很多律师写专业文章，特别喜欢用法言法语。什么意思表示真实、对价给付、除斥期间、不安抗辩权。张口就来，觉得这样才显得专业。

但你想过没有，客户看得懂吗？大模型能准确理解吗？

大多数客户，不是学法律的。你跟他说意思表示不真实，他可能根本不知道你在说什么。他会觉得你说的和他的问题没关系，然后就走了。

大模型也是一样。用户问的是大白话，你写的是专业术语。它匹配起来就会有偏差。它可能觉得你说的不是一回事，就不引用你了。

所以我们一直说，写知识库内容，要用客户听得懂的话，讲专业的法律知识。

你可以用专业术语，但第一次出现的时候，要用大白话解释一下。或者干脆就用大白话来讲，把专业术语放在括号里备注。

比如你可以说就是我们常说的意思表示不真实，简单来说就是你不是真心想这么做的。

这样既显得专业，客户又能看懂。大模型也能更好地理解你的内容和用户问题之间的关联。

记住，你写的内容，是给客户看的，是给大模型看的。不是给其他律师看的。不要自嗨。

坑五：保密和公开的边界没搞清楚

第五个坑，也是最危险的一个坑——保密和公开的边界没搞清楚。

律所的知识资产，很多都涉及客户的保密信息。比如客户的商业秘密、案件的具体细节、当事人的个人隐私。这些东西，是绝对不能随便公开的。

但很多律所在建知识库的时候，一不小心就把这些保密信息给泄露出去了。

比如写案例分析的时候，把客户的名字、公司的名字、具体的案情都写进去了。比如分享办案经验的时候，把客户的商业秘密也给讲出来了。

这是非常危险的。轻则违反律师职业道德，重则可能要承担法律责任。

所以建知识库的时候，一定要把好保密关。所有公开的内容，都要经过脱敏处理。客户的名字、公司的名字、具体的日期、具体的金额，这些能识别出具体客户的信息，全部都要改掉或者删掉。

案例分析，可以讲裁判规则、讲办案思路，但不要讲具体的客户信息。

这个事情，一定要重视。不能为了获客，就把保密原则给丢了。

我们一般建议客户，在三级审核机制里，专门加一个保密审核的环节。每一篇文章发布前，都要检查有没有泄露保密信息。

安全第一。

关于律所GEO知识库的7个关键问题

基础问题：到底什么是GEO知识库？和普通知识库有什么区别？

最后，我整理了几个大家最常问的问题，集中回答一下。

第一个问题：到底什么是GEO知识库？和普通的律所有什么区别？

简单来说，GEO知识库，就是专门为了被大模型引用而建的知识库。

普通的知识库，是建给内部人用的。目的是提升内部效率、方便律师查找资料。它的评价标准是律师好不好用。

GEO知识库，是建给大模型看的。目的是让大模型回答用户问题的时候引用你，从而给你带来客户。它的评价标准是大模型敢不敢引用。

因为目的不一样，所以建设的方法也完全不一样。

普通知识库，讲究分类细、内容全、检索方便。GEO知识库，讲究结构清晰、可信度高、语义匹配。

当然，这两者不是矛盾的。你可以建一个知识库，同时满足内部使用和外部GEO的需求。只要你按照GEO的标准来建设，内部用起来也不会差。

但反过来就不行。你按照内部使用的标准建的知识库，肯定达不到GEO的要求。

成本问题：建一个要花多少钱？需要多少人？

第二个问题：建一个GEO知识库，要花多少钱？需要多少人？

这个问题，没有标准答案。因为不同规模、不同要求的律所，成本差很多。

如果你是小所，自己动手做，那花不了多少钱。主要就是人力成本。安排一两个律师，每周花个一两天时间，整理整理内容，发发文章。再加上网站的费用，一年可能几万块钱就够了。

如果你是中型所，想做得专业一点，可能需要找专门的服务商来帮你做。比如我们曌选科技，就提供这样的服务。从内容策划、到写作、到发布、到优化，全流程帮你搞定。费用的话，一年大概十几万到几十万不等，看具体的内容量和服务深度。

如果你是大所，想全所铺开做，那成本就更高了。可能需要专门的团队来做，每年的费用可能要上百万。

人力方面，也是一样。小所兼职做就行，一个人就能搞定。中型所可能需要一两个专职的人，或者一个团队兼职做。大所可能需要专门的部门来做。

但不管怎么说，和传统的获客渠道比起来，GEO的投入产出比还是很高的。百度竞价一个月可能就要几万，还不一定有效果。GEO你做起来了，它会持续给你带来客户，越往后性价比越高。

效果问题：多久能看到效果？能带来多少咨询？

第三个问题：多久能看到效果？能带来多少咨询？

这个问题，我也没法给你一个准确的数字。因为影响因素太多了。你原来的基础怎么样、你做的质量怎么样、你所在的领域竞争激不激烈、你投入了多少资源，都会影响效果。

但根据我们的经验，一般来说，认真做的话，两三个月就能看到初步效果。就是能明显感觉到，AI引用率上来了，官网的AI来源流量也上来了。

半年左右，能看到比较明显的咨询增长。一般来说，咨询量增长个百分之二三十到一倍，都是比较正常的。

一年左右，能进入稳定期。就是每个月能稳定地从AI搜索来多少咨询，基本就稳定了。然后你再持续优化，还能再往上走。

当然，这只是平均水平。有的律所做得好，可能一个月就见效了，咨询量翻好几倍。有的律所做得不好，可能做了半年也没什么效果。

关键还是看你用不用心做。

技术问题：需要买专门的系统吗？用飞书/Notion行不行？

第四个问题：需要买专门的知识库系统吗？用飞书、Notion这些行不行？

我的回答是：工具不重要，内容才重要。

GEO知识库的核心，是内容的质量和结构。只要你的内容好，你放在什么平台上，其实差别不大。

你可以放在自己的官网上，可以用飞书文档，可以用Notion，也可以用专门的知识库系统。都可以。

当然，不同的平台，有不同的优缺点。

放在自己的官网上，好处是能直接给官网带来流量，也能提升官网的权重。坏处是需要自己开发或者维护，技术成本高一点。

用飞书或者Notion，好处是简单方便，不用自己开发，拿来就能用。坏处是域名不是你自己的，权重可能不如自己的官网高。而且功能上可能会有一些限制。

用专门的知识库系统，好处是功能全，专门为知识库设计的，用起来顺手。坏处是要钱，而且还得学习怎么用。

我们的建议是，根据自己的情况来选。如果你有自己的官网，技术能力也够，那就放在官网上，效果最好。如果没有，用飞书或者Notion也完全可以，先跑起来再说。

不要在工具选择上纠结太久。先动手做起来，比什么都重要。

保密问题：客户信息和案件细节会不会泄露？

第五个问题：做GEO知识库，客户信息和案件细节会不会泄露？

这个问题问得很好，也是很多律所最关心的问题。

答案是：只要你做好脱敏和保密审核，就不会泄露。

我们前面也说了，所有公开的内容，都要经过脱敏处理。客户的名字、公司的名字、具体的日期、具体的金额，这些能识别出具体客户的信息，全部都要改掉或者删掉。

你可以讲法律规则，可以讲裁判思路，可以讲办案经验。但不要讲具体的客户信息。

而且，你发布的内容，都是你主动选择发布的。不是说你建了知识库，所有内容就都公开了。你想公开什么、不想公开什么，都是你自己说了算。

你可以把知识库分成两部分。一部分是对外公开的，用来做GEO获客。另一部分是内部使用的，涉及保密信息的，只有内部人能看。

这样既不影响获客，也不会泄露保密信息。

关键是要有这个意识，要有严格的审核机制。只要把好关，保密就不是问题。

竞争问题：同行都在做吗？现在入场晚不晚？

第六个问题：同行都在做GEO吗？现在入场晚不晚？

说实话，现在做GEO的律所，还不算多。

大多数律所，还没反应过来。他们还在做百度竞价、还在做抖音、还在做公众号。对GEO这个新东西，他们还没概念。

只有少数比较前沿的律所，已经开始布局了。但做得好的，也不多。大多数都是在摸索阶段。

所以说，现在入场，一点都不晚。甚至可以说，正是最好的时候。

为什么？因为竞争还不激烈。你现在认真做，很容易就能做到行业前列。等大家都反应过来了，都开始做了，那时候竞争就激烈了，再想出头就难了。

这就像当年的百度竞价、当年的微信公众号。最早做的那批人，都吃到了红利。等大家都知道好的时候，再进去，就只能喝汤了。

GEO现在就处于这个红利期的早期。谁先布局，谁就能占领先机。

当然，也不用太着急。也不是说明天不做后天就晚了。但我建议你，最迟今年之内，一定要开始做。再晚，可能就真的有点晚了。

前沿问题：Agent时代，知识库还有用吗？

最后一个问题：现在都在说Agent、说AI智能体。等Agent时代来了，知识库还有用吗？

这是一个很好的问题，也是我们一直在思考的问题。

我们的判断是：Agent时代，知识库不仅有用，而且会更重要。

为什么？因为Agent不管多智能，它都需要知识来源。它不可能什么都知道，它也需要去检索、去引用外部的知识。

而且，Agent对知识的质量要求，可能比现在的大模型更高。因为Agent是要直接帮用户做事的，它对信息的准确性、可信度的要求，只会更高。

所以，高质量的、可信的知识库，在Agent时代，价值只会更大，不会更小。

当然，形式可能会变。可能不是现在这种文章的形式，可能是更结构化的、更适合Agent读取的形式。但核心的东西——高质量的、可信的专业知识——是不会变的。

你现在建的知识库，积累的内容，到了Agent时代，依然是你的核心资产。你只需要根据新的技术，调整一下呈现形式就行了。

所以说，现在做这件事，不是短期的跟风，是长期的布局。它是在为未来的AI时代，打基础。

这个基础打得越早、越牢，你未来的优势就越大。

写在最后

写到这里，这篇白皮书的主要内容就差不多了。

最后，我想再简单总结几句。

GEO是一个新的趋势，也是一个新的机会。对律所来说，它可能是继百度、微信、抖音之后，又一个重要的获客渠道。

而官方知识库，就是GEO的基础。没有好的知识库，GEO就是空中楼阁。

建知识库这件事，说难也不难，说简单也不简单。

不难，是因为它不需要什么高深的技术，也不需要大量的资金投入。你只需要把你已经有的知识，用正确的方式重新组织一下，然后发布出去。

不简单，是因为它需要耐心、需要坚持、需要对细节的把控。很多人做不好，不是因为方法不对，是因为没耐心、没坚持、细节没做到位。

我们总结的这五步——知识资产审计、语义结构设计、标准规范制定、质量校验机制、发布与迭代——每一步都不复杂，但每一步都需要你认真去做。

一步一步，踏踏实实做下来，效果自然就出来了。

当然，我们讲的这些方法，也不一定全对。毕竟这个行业还很新，大家都在探索。

如果你有不同的看法，或者有更好的经验，欢迎和我们交流。

如果你觉得这篇白皮书对你有帮助，也欢迎分享给你身边的朋友。

希望这篇文章，能帮你在GEO的路上，少走一点弯路。

我们下次再见。

参考文献

1. Google E-E-A-T 官方指南，2024年更新版

2. 生成式引擎优化行业白皮书，知乎研究院，2025年

3. AI驱动消费决策营销变革白皮书，知乎研究院，2026年

4. 2026年法律行业数字化转型报告，某法律科技研究机构

5. 法律知识管理体系构建与效能提升研究，豆丁网，2026年