一、工业 B 端应该搭建什么类型的问题库
       按照海外采购完整决策旅程划分五大类，全部采用英文自然问句，避开碎片化单词关键词，优先完整 What / How / Which / Why / Can 类问句。
      1. 认知调研类（采购前期调研）
      买家还没有锁定供应商，主要了解产品定义、工况适配、行业痛点。
      典型方向：产品选型、工况适配、工艺差异、材质对比、优缺点、行业风险。
      示例：What is the difference between A and B material? Which one is better for heavy-duty application?
      2. 筛选评估类（GEO 高价值，供应商寻源）
      这是最容易触发 AI 输出供应商推荐的一类问题，也是 GEO 重点布局。
      典型方向：找中国 OEM 工厂、筛选供应商标准、认证要求、产能匹配、不同地区工厂对比。
      示例：Which Chinese manufacturers supply xxx equipment for European market? What should I check when choosing an OEM supplier?
      3. 商务交易类（意向明确，关注合作条件）
      聚焦贸易真实条件，大模型会抽取 MOQ、交期、打样、付款、包装、贸易条款。
      示例：What is your MOQ for OEM order? How long is the lead-time for custom production? Which certifications can you provide?
      4. 技术工艺 & 售后类
      包含公差、测试标准、打样流程、质保、零部件供应、海外售后维护、常见故障。
      示例：What is your warranty period? Can you provide spare parts after-sales support?
      5. 风险避坑类（B 端采购高频 AI 提问）
     采购担心踩坑，关于供应链风险、出口合规、验货、海运防护、常见退货原因。
     示例：What common problems happen when importing xxx parts from China? How to avoid quality risk?
问题库筛选原则
      1. 优先保留采购视角问句，剔除纯技术科研类、和供应商寻源无关的问题；
      2. 每个问题必须可以输出客观事实答案，拒绝只有主观感受的问题；
      3. 区分高频核心问题与低频边缘问题；核心问题部署在 FAQ、产品页；低频问题部署博客、专题文章；
      4. 每条问题配套明确能力边界，写清楚 “我们可以做什么，不可以做什么”，防止 AI 产生幻觉，夸大工厂能力。
二、去哪里挖掘海外买家真实 AI 提问（五大数据源，按价值优先级排序）
①业务一线历史数据（价值高，转化好）
      来自销售、外贸业务员真实对接记录，是最贴合真实客户的一手来源。
      1. 整理历史客户邮件、询盘表单、即时通讯聊天记录，把客户原话提炼成英文问句；
      2. 汇总重复被问到的：MOQ、打样、交期、认证、定制限制、付款、售后；
      3. 售后工单、客户投诉，反向挖掘风险类问题。
      优势：挖掘出来的问题自带询盘意向；缺点：样本受现有客户市场局限，需要公域数据做补充。
②谷歌生态公开挖掘（搜索侧真实用户问题）
1. People Also Ask（PAA）谷歌人们也问
      输入产品词，抓取谷歌搜索结果下拉问答模块，这些问题本身就是用户高频自然语言提问，和 AI 提问句式高度接近。
2. Google Search Console 搜索查询报告
      导出网站已经获得曝光的查询词，筛选 what/how/which/can 开头的问句，看到真实访客会搜索什么。
3. AnswerThePublic 免费工具，输入核心产品词，批量导出整套 what/how/why/which 问句树。
4. Ahrefs / Semrush：拆解竞品独立站 FAQ、博客引流问句，补齐自身缺失的问题场景。
③海外行业社区与 B 端社群（贴近 AI 原生提问口吻）
      海外采购在论坛、社群提问的句式，和直接丢给大模型的 Prompt 高度一致。
      Reddit 行业板块、LinkedIn 行业群组；
      海外工业论坛、行业协会讨论帖；
      亚马逊、工业平台客户评论区，看买家吐槽、顾虑点；
      重点收集：选型纠结、供应商踩坑、工艺对比、合规疑问，不要搬运闲聊水帖，只保留采购决策相关问题。
      ④大模型反向挖掘（模拟买家视角，做补充拓展）
      在 Gemini、Perplexity 输入提示词，让模型输出采购人员会问的问题，仅作为拓展，不能直接拿来当全部问题库，必须用上面真实数据源校验去重。
      参考可直接复制的 Prompt：

      List 25 practical questions that procurement managers will ask before sourcing [product] from Chinese OEM factories, cover supplier selection, certification, MOQ, lead-time, technical constraints and risk-checking. Return in natural-language question format.

      注意：AI 生成的问题会有虚构，必须人工筛选，剔除脱离行业现实的虚假问题。

⑤竞品对标与行业公开资料
      1. 海外同行独立站 FAQ 页面、技术博客、帮助中心；
      2. 行业白皮书、采购指南、RFQ 招标文档，采购商招标文件里面的疑问点，就是买家真实关心的问题。
三、问题库落地使用建议
      1. 原始问题收集完成后，做去重、打标签，标记问题所属阶段：调研 / 筛选 / 商务 / 技术售后 / 风险避坑；同时标记对应目标市场（欧洲、东南亚、中东关注点存在差异）。
      2. 高价值寻源筛选类问题，优先做独立站 FAQ 页面，部署 FAQPage Schema，更便于实体抽取。
      3. 中等价值问题，做成博客专题、选型指南文章。
      4. 低频率问题，不用专门建页面，可以在现有文章段落内自然回答。
      5. 定期迭代：每 2-3 个月新增一批新问题，同步更新网站内容，匹配市场需求变化。
四、常见踩坑提醒
      1. 不要直接翻译国内中文问题库，海外采购的关注点、提问句式差异很大；
      2. 不要堆砌大量纯理论学术问题，GEO 目标是服务 B 端寻源采购，不是技术科普网站；
      3. 不要直接全盘复制 AI 生成的问题，必须结合真实业务、社区、销售记录校验，避免出现现实中客户根本不会问的虚假问题；
      4. 同一个问题，不同国 家买家提问角度不一样，做多语言版本时，不能简单机器直译问句。