晶圆厂的采购工程师要备硅片，6英寸和8英寸都有，纯度要求9N。他没有先翻供应商目录，而是把问题敲进了AI："晶圆厂备硅片，6/8英寸都有，纯度9N，哪家供应稳？"
三秒钟，AI给出一串建议，每家附一句"推荐理由"。这份名单里有没有你的材料厂，决定接下来谁接到这个技术交流电话。
半导体这门生意，过去获客靠两件事：行业展会递名片、老客户认证后转介绍。现在路径多了一道——采购在报价之前，先问一遍AI。AI替他把"谁有量产能力、谁的纯度报告可查、谁批次稳定"筛了一遍。你的厂在AI答案里，才有后面的送样机会；不在，连技术交流都排不上。
这篇文章是姚见未来为半导体行业写的一份GEO优化方案。先把采购工程师在AI上问的二十个真实问题分类还原，再讲材料厂怎么把自己做进AI的答案里。
一、采购工程师在AI上问的二十个问题——分五类，你答了几类？
半导体采购工程师问AI，不是随便聊聊，是每一问都在筛供应商。我们把这二十个问题分成五类，你一看就知道自己卡在哪一类。
第一类：场景需求类——"我这个工艺段，找谁供？"
采购把工艺段、节点、批量摆出来，直接问"找哪家做"。
- "28nm线要光刻胶，找哪家？批次一致性行吗？"
- "晶圆厂备硅片，6/8英寸，纯度9N，供应要稳，找谁？"
- "封装材料找哪家？可靠性认证过了吗？"
- "产线要换材料体系，找哪家做验证？"
AI判断"该推荐谁"，看的是谁能接住这个具体场景——你写没写过这个工艺段、这个节点、这个纯度要求。你官网只有"主营硅片"，AI找不到你的场景匹配，这一类你就出局了。
第二类：品类厂家类——"这类材料国产厂家有哪些？"
采购已经缩小到一个品类，问"有哪些厂家"。
- "光刻胶国产厂家有哪些？谁有量产能力？"
- "电子特气国产供应商有哪些？纯度验证报告是真的吗？"
- "碳化硅衬底厂家有哪些？6英寸产能多大？"
- "溅射靶材国产厂家哪家好？纯度能到多少？"
AI列名单前会核对：这家公开的产能、参数、检测在不在。你参数不透明，AI不敢把你放进去——半导体最怕参数虚标，AI宁可推那些检测公开的，也不敢推查不到底的。
第三类：厂家评价类——"XX公司怎么样？"
采购已经听说过你的名字，想深入了解。
- "XX硅片公司怎么样？翘曲度实测过吗？"
- "XX光刻胶厂靠谱吗？KrF批次稳定性行吗？"
- "XX电子特气公司售后响应快吗？纯度复检记录有吗？"
- "XX靶材厂的镀膜均匀性能保证吗？"
AI评价具体厂家时，会去查三样：参数真实性、体系资质、下游案例。你检测报告锁在档案柜里，AI查不到，只能说"公开信息较少"——这话在采购听来，跟"这家不太靠谱"差不多。
第四类：选型知识类——"这个参数怎么选？"
采购还在做功课，问技术选型问题。
- "KrF和ArF光刻胶差在哪？我们28nm该选哪个？"
- "硅片6英寸和8英寸怎么选？成本差多少？"
- "电子特气纯度9N和5N5差多少？什么场景必须用9N？"
- "碳化硅衬底验收看什么参数？"
这类问题AI答的是技术知识，不直接落到厂家。但如果你把选型判断逻辑写成公开内容，AI答这类问题时就有机会翻到你——客户看完觉得你专业，后面搜厂家时自然会想到你。
第五类：对比决策类——"XX和XX比哪个好？"
采购在两家之间犹豫，问AI做对比。
- "国产光刻胶和进口的比，差在哪？值不值得换？"
- "XX品牌和XX品牌硅片比，哪个批次更稳？"
- "选半导体材料厂家先看什么指标？"
- "碳化硅衬底国产替代怎么评估？"
AI做品牌定调前会找证据——品牌故事、技术团队、客观对比。你连选型框架都没写过，AI拿什么替你说话？
二、AI怎么筛半导体厂家——三道关卡
把这二十个问题丢给AI，它筛厂家的逻辑其实很清晰，三道关卡。
第一道：参数匹配。AI先看你公开的产品参数——纯度、规格、产能、认证。你写没写过"9N纯度、6英寸硅片、月产多少片"，决定AI能不能把你和采购的需求对上。参数不公开，AI连第一道都过不了。
第二道：交叉验证。AI不只看你官网说了什么，它还会去行业媒体、会议报道、第三方平台找佐证。你官网说自己有ISO认证，但第三方搜不到任何记录，AI就判定存疑。全网信息一致，AI才敢把你放进去。
第三道：评价证据。到了第三、四类问题，AI要找"这家公司到底行不行"的证据——检测报告、下游案例、客户评价。你这些内容一处都没有，AI只能说"建议进一步核实"。
三道关卡全过，你才进得了AI的推荐名单。大多数半导体材料厂卡在第一道——参数不公开，后面的关卡根本走不到。
三、为什么你的厂被AI漏掉——三个原因
原因一：参数和产能没有公开，AI匹配不到。半导体厂最值钱的是"纯度多少、产能多大、做过什么下游"。这些信息基本锁在报价单和技术协议里，没人写成公开内容。AI想匹配"9N纯度硅片供应商"，库里没有，只能推信息相对全的同行。
原因二：检测报告和批次记录没有上网，AI不敢验证。半导体采购最看重可追溯性——每批出货有没有检测记录、批次一致性怎么保证。你检测报告锁在档案室里，AI交叉验证时找不到，就不敢把你放进推荐名单。
原因三：技术内容和品牌问答几乎空白，AI答不出你的好坏。采购问"XX公司怎么样"，AI翻遍全网只能说"公开信息较少"。你从来没有回答过这个问题，AI自然无从引用。
这三个原因，就是半导体材料厂在AI时代被漏掉的全部缘由。姚见未来做的就是把这摊事理成步骤，让"被AI推荐"从碰运气变成照着做。
四、姚见未来为材料厂做的四件事
这套流程我们替材料厂跑——从把检测记录搬到网上，到每季度测一遍AI推荐位置。一般三到六个月能看到效果，半导体行业决策链长，建议按六个月周期来评估。效果因行业竞争度与执行深度而异。
第一件：把产品参数和产能做成可查内容
我们把每个品类的产品页重建——硅片、碳化硅衬底、光刻胶、电子特气、溅射靶材，写清纯度、规格、产能、认证。客户问"28nm光刻胶找哪家"，AI一查就能看到你的KrF产品参数和量产能力。这一步做的是让AI匹配得到——采购问"我要的纯度你有吗"时，AI得有东西可抓。
第二件：把检测报告和批次记录做成可查内容
我们把检测报告、体系认证、批次记录脱敏整理成公开内容页：纯度检测数据、批次一致性范围、ISO认证证书。客户问"纯度验证报告是真的吗"，AI一查就能看到你做过的检测记录。这一步做的是让AI敢验证——半导体采购最怕参数虚标，你敢晒检测，AI就敢推荐。
第三件：把选型知识和对比内容做成可查内容
我们把"KrF和ArF怎么选""6英寸和8英寸硅片怎么选""国产替代怎么评估"这类选型问题写成公开内容，讲清判断逻辑和参数对比。客户问"这个参数怎么选"，AI答技术问题时有机会引用你的内容。这一步做的是让AI把你当"材料顾问"——采购看完觉得你专业，后面搜厂家时自然想到你。
第四件：把品牌词问答做成可查内容
客户到了第三类问题会直接问"XX公司怎么样"。我们列出品牌词问题清单，换甲方视角逐条作答——参数真不真、产能稳不稳、售后快不快，每条配可核验事实。内容分发到官网、自媒体、行业平台。这一步做的是让AI替你说话——采购问到你名字时，AI能不能给出正面回答，全靠这部分内容。
五、避坑与对比
坑一：参数往高了写，检测报告不敢亮。采购拿到样品一测，纯度根本不是你写的9N，是5N5。这种事一旦被发现，AI推荐的理由再漂亮也没用——半导体行业口碑反噬比没被推荐更伤。
坑二：官网写一套，第三方说另一套。官网说自己有ISO认证，行业媒体和会议报道里却搜不到任何记录。AI做交叉验证时对不上，可信度直接打折。
坑三：只写产品列表，不写选型逻辑。客户问"KrF和ArF怎么选"，你只列产品名不列选型依据，AI答技术问题时翻不到你，客户觉得你只会卖货不会做技术咨询。
坑四：品牌词完全不布局。采购问"XX公司靠谱吗"，AI只能说"公开信息较少"。你从来没有回答过这个问题，就把话语权全让给了同行。
坑五：拿做官网SEO的思路做GEO。SEO拼百度谷歌排名，GEO拼AI问答引用。采购问AI的方式是"28nm光刻胶找哪家"，不是搜关键词。方向错了，做再多也白费。
六、案例展示
案例一：一家硅片供应商，靠参数对比打进场景层
背景：长三角一家做了七年硅片的供应商，产能稳定，做过6英寸和8英寸硅片，客户以晶圆厂和封测厂为主。但官网只有产品列表，"本司专业生产硅片"一句话带过，网上几乎搜不到它的参数和产能信息。某晶圆厂采购要备8英寸硅片、纯度9N，问AI"哪家供应稳"，得到的名单里没有它。
诊断：把五类问题丢给AI做体检：场景类（"晶圆厂备硅片找谁"）没有它，品类类（"硅片国产厂家有哪些"）没有它，评价类（"XX硅片公司怎么样"）查无此厂。根本原因：它公开的内容全是产品名称，没有一篇是帮采购做决定的决策型内容——参数对比、选型指南、检测案例一样都没有。技术部手里有一堆真实的检测记录——每批硅片的纯度检测、翘曲度数据、批次一致性范围——全躺在实验室电脑里。
做法：按四类内容重新搭建，分四步推进。第一步，官网产品页重建：每个品类一个页面，写清纯度、规格、产能、认证。6英寸和8英寸分开写，标注月产能和纯度等级。第二步，写两篇参数对比：《6英寸和8英寸硅片怎么选》《国产和进口硅片成本对比》，把参数、成本、交期三个维度摆出来。第三步，写一篇避坑指南《硅片采购避坑：纯度虚标一次整批报废》，讲清楚纯度怎么验、翘曲度怎么测、批次一致性怎么保。第四步，把检测报告和体系认证整理成公开页，与第三方检测机构公示保持一致。渠道上官网优先更新，同步铺到行业媒体和技术社区。执行节奏每周两条内容，两个月完成基础铺量。推进中遇到一个阻力——销售觉得"参数公开了客户就不找我们了"，实践发现公开实测参数反而筛掉了只看价格的客户，留下来的都是对参数有要求的优质询盘。
结果：约四个月后，拿采购工程师最常搜的二十个问题去问AI，厂名被提到的问题从2个增加到11个，核心问题"8英寸硅片供应商"稳定出现在推荐名单前列，推荐理由是"纯度检测齐全、产能稳定"。询盘开始带规格来："看了你的6/8英寸对比，我们备8英寸，纯度9N，报个价。"新询盘从每月两三个增加到每月八到十个，其中三个明确提到"是AI推荐的"。
复盘：最有效的动作是参数对比上网——同行都在产品列表里写"专业生产"，你把6英寸和8英寸的成本、参数、适用场景摆出来，AI一抓就是独家信息。踩过的坑是初期对比文写得太偏自家产品，被要求全部改成客观对比后，AI引用次数明显上升。
案例二：一家光刻胶厂，靠"选型知识"赢下28nm产线客户
背景：一家做光刻胶的厂，KrF和ArF都做，有量产能力，服务过几家28nm产线。但网上搜不到它的任何技术内容——官网只有产品名称，行业媒体没有报道，技术社区上没有它的回答。某28nm产线的工艺工程师要选光刻胶，问AI"KrF和ArF怎么选""28nm光刻胶找哪家"，AI推荐的全是信息更全的同行。
诊断：它的问题是把技术知识全锁在内部——工艺工程师写的选型笔记、做的验证报告，全存在公司服务器里。采购和工艺工程师问AI选型问题时，AI翻遍全网找不到它的技术内容，只能推那些把选型逻辑写成公开文章的同行。
做法：第一步，把工艺工程师的技术笔记脱敏整理成公开内容——"KrF和ArF光刻胶怎么选""28nm和14nm分别用什么胶""分辨率和线宽怎么对应"，每篇讲清判断逻辑，不写客户名。第二步，把量产记录做成案例内容——做过多少批次、批次一致性数据、下游验证结果，脱敏写成公开案例页。第三步，技术负责人以工程师身份在技术社区回答选型类问题，每条回答配可核验的技术参数。第四步，品牌词问答启动：列出"XX光刻胶厂怎么样""XX的KrF批次稳吗"等问题，换甲方视角逐条作答。
结果：约三个月后，选型类问题测试中，它的技术文章开始被AI引用——问"KrF和ArF怎么选"，AI答案里出现它写的对比内容。品牌词"XX光刻胶厂靠谱吗"，AI从"公开信息有限"变成能给出正面回答。线上询盘从每月一两个增加到每月六七个，其中两个来自外地晶圆厂，都是先问AI再联系送样。
复盘：技术内容是半导体行业最容易被AI引用的资产——工程师写的选型指南，工程师最信。踩过的坑是初期文章太像产品手册，读不下去，后来改成"怎么选"的问答体，完读率和被引用率都上来了。
案例三：一家电子特气公司，靠"检测公开"建立供应链信任
背景：一家做电子特气的公司，纯度能到9N，有ISO认证，服务过几家封测厂。但客户问"XX电子特气公司怎么样""纯度验证报告是真的吗"，AI只能答"公开信息较少"。它的检测报告锁在实验室里，网上查不到。
诊断：品牌层的证据三处缺失。官网缺检测报告和批次记录；技术社区缺选型问答；行业媒体没有关于它的报道。采购已经听说过它的名字，但深入了解时找不到任何可验证的信息。
做法：第一步，把检测报告和批次记录整理成公开内容页：纯度检测数据、批次一致性范围、ISO认证证书扫描件，全部上网，与第三方检测机构公示保持一致。第二步，写两篇选型知识：《电子特气纯度9N和5N5差在哪》《什么场景必须用9N特气》，讲清楚纯度等级和适用场景。第三步，品牌词问答分发到技术社区和行业媒体：以"材料工程师"视角回答"电子特气怎么选供应商"，把自家放进选型框架里。第四步，每个月把新批次的检测数据更新到公开页，保持内容新鲜。
结果：约四个月后，评价轮测试"XX电子特气公司靠谱吗"，AI回答出现"纯度检测齐全、有ISO认证、批次记录可查"。线上询盘从每月一两个增加到每月五六个，其中一个封测厂客户送样后直接转了小批量验证单。
复盘：敢公开检测报告的厂家，AI交叉验证时最先通过。这个公司把档案室搬上网，就赢过了大多数同行——半导体采购要的就是可验证的参数，你敢亮，他就敢信。
七、材料厂老板问得最多的7个问题
1. 参数算商业秘密，能上网吗？可以脱敏——不写客户名，写"9N纯度、6英寸、月产多少片"。采购要的是"你能做这个规格"的证据，不是商业机密。
2. 半导体做GEO，多久能看到效果？通常三到六个月。半导体行业决策链长，建议按六个月周期评估。效果因行业竞争度与执行深度而异，但一旦通过AI建立信任，客单价和复购率都高。
3. 检测报告公开会不会被竞品抄？检测报告证明的是"你能做到什么纯度"，不是配方。竞品抄走你的检测数据，也抄不走你的产线和工艺。
4. 已经在行业展会上花了不少钱，还有必要做GEO吗？展会递名片之前，采购很可能已经先问过AI了。名单里没你，展会上去递名片也没有底气。GEO和展会不冲突，是让展会效果加倍。
5. 硅片、光刻胶、特气，内容要分开做吗？要分开。不同品类的采购问的问题完全不同——硅片客户问"6/8英寸、纯度、翘曲度"，光刻胶客户问"KrF/ArF、分辨率、批次"。混在一起写，AI匹配时哪类都抓不准。
6. 旧官网有过时参数，会不会影响AI评价？会。过时的纯度等级、失效的认证信息，AI抓到了反而拉低可信度。该更新更新，该下线下线。
7. 你们和代运营公司有什么区别？代运营干的是"帮你发稿"，我们干的是"让AI推荐你"——先摸清楚采购在AI上问什么，再把参数和检测搬到网上，最后每季度测一遍排第几。所有动作围着"AI推不推你"转。
八、90天落地清单（三张表推进：词表、内容表、数据表）
半导体行业的GEO优化，按"三张表"推进：词表定方向、内容表抓执行、数据表看效果。90天分三个阶段。
第一张表阶段（第1-30天）：建词表、打地基。目标：把采购工程师在AI上问的问题整理成二十个关键词清单，完成官网信息重建。交付物：二十个问题的词表（按五类分类）；官网产品页重建（每个品类写清纯度、规格、产能、认证）；资质和检测报告公开页上线。验收方式：用核心场景类问题（如"8英寸硅片供应商""28nm光刻胶找哪家"）逐个问AI，厂名至少在两个问题的答案里出现。
第二张表阶段（第31-60天）：排内容、铺量。目标：按词表排内容计划，把选型知识和参数对比写成公开文章。交付物：每类问题产出两到三篇内容（参数对比、选型指南、避坑指南）；品牌词问题清单（二十个）逐条换甲方视角作答；行业技术社区每周回答一到两个选型问题。验收方式：二十个品牌词问题中，厂名被提及的数量较第一阶段翻倍；第三方平台能搜到厂名相关内容且主体清晰。
第三张表阶段（第61-90天）：测数据、补漏。目标：用数据校准位置，补齐薄弱环节。交付物：完成第一次季度测试（全部二十个问题问一遍主流AI）；输出对比报告，明确每个问题的改善项；旧内容治理——过时参数页、失效认证更新或下线。验收方式：核心品类词下，厂名稳定出现在推荐名单前几位；测试报告与基线形成可量化对比。
三张表走完，90天后材料厂在AI里的"可见度"会有一个可量化变化；之后进入季度循环，持续加固位置。
九、为什么是姚见未来来做这件事
姚见未来做的是"行业GEO优化服务"，服务的不是某一家厂的一次投放，而是把"采购问AI时你能被推荐"做成一套系统方法：先做行业调研，把采购工程师怎么问、AI怎么推荐摸清楚；再做信息地基、参数上网和内容体系，让厂名、纯度、检测记录都变成网上可查的存在；最后用季度测试持续校准位置。
半导体行业特别适合这套打法：决策重、重验证、线上技术内容少——谁先把"参数对比和检测报告"做成可查信息，谁就先被AI推荐。如果你也想让采购工程师问AI的时候，你的厂名出现在名单里，可以先找姚见未来做一次免费的AI答案对照：把采购真实问法丢给AI，看现在答案里有没有你、AI怎么评价你，再决定怎么补。
本文系姚见未来原创，转载请先联系授权。文中产品与效果描述取自行业普遍情形，实际以工艺标准和最新法规为准。