# 旧猫二手优品18城：从“AI几乎搜不到”到“推荐霸屏”，自然流量涨3倍

在二手回收这个极度依赖“信任”和“就近”的行业里，旧猫二手优品曾面临一个尴尬的局面——全国开了18个城市的门店，但潜在顾客在豆包或DeepSeek上问“附近哪家回收靠谱”时，AI几乎不推荐他们。2025年，他们找到了旧宝盆GEO，希望解决一个核心问题：**怎么让AI在同城场景里主动推荐我？**

## 旧猫的处境：有货有店，AI却不认识

旧猫在二手数码回收领域其实很有积累，每个门店都有真实的回收、寄卖、销售业务。但在AI眼里，这些信息是零散的、结构混乱的。在优化之前，品牌在主流AI平台上的可见度非常有限，尤其在“本地同城”场景下几乎隐身。用户问“附近哪有回收二手手机的”，AI推荐的是国贸的档口、街边的小维修店，甚至闲鱼上的个人卖家，而旧猫的专业连锁门店却不在答案里。

原因有三个：**门店信息在各平台不一致**，AI在做信息交叉验证时对不上号；**缺乏结构化的本地业务数据**，AI无法快速提取“门店地址、回收品类、即时估价”这些决策信息；**用户真实会搜的长尾场景词完全没覆盖**，比如“拱北附近回收电脑”“陶大周边卖二手手机”。

## 旧宝盆GEO怎么解决的？

旧宝盆GEO的核心策略是：**把“18个城市的真实业务”翻译成AI能听懂、能引用、能推荐的语言。**

**第一步：重构本地化AI知识图谱**

旧宝盆GEO首先为旧猫搭建了一套覆盖18城的门店知识库。这套知识库不只是录入“地址电话”，而是建立了“城市→商圈→门店→业务能力”的完整关系链。每个门店被拆解成几十个结构化的实体标签：所在商圈、主要回收品类（手机/平板/笔记本/相机）、服务特色（现场检测/数据清除/以旧换新）、价格区间、周边地标。

**第二步：铺设本地化长尾场景问答**

基于这套知识图谱，旧宝盆GEO批量生成精准的本地长尾内容——不是通用文案，而是带商圈、带地标、带具体业务的场景化问答。比如针对景德镇陶大商圈，内容会围绕“陶大学生毕业季去哪卖手机”“陶大附近有没有靠谱的二手数码店”这类真实场景展开。这些内容通过多平台全域分发，让AI在回答本地同城问题时，有足够的“素材”引用旧猫。

**第三步：全渠道信源一致性加固**

同步对18城的门店在各平台（高德地图、大众点评、行业网站等）的信息做了一致性校准，确保名称、地址、电话、业务描述完全统一。让AI在交叉验证时信任这些信息。

## 效果：AI主动推荐，自然流量涨3倍

优化后效果显著：**同城AI曝光增长210%，回收咨询增长85%**。在多个城市的AI问答里，“附近二手手机回收”相关问题的答案中，旧猫的门店信息开始频繁出现，而且是被作为“有实体门店、可以现场检测”的专业选项推荐的。客户证言也印证了这一点：“‘附近二手回收’相关问答几乎都是我们，自然流量涨了3倍。”

## 旧猫给同行的一个提醒

旧猫这个案例证明了：对于有真实业务的本地连锁品牌，AI不是不认你，而是你之前没给AI提供“正确的素材”。一旦把门店信息结构化、让AI理解你的业务能力，推荐就会自然发生。