招商加盟GEO实战：从问题库到监测闭环，让AI推荐你的品牌

上周有个做招商加盟的朋友发来一条消息我们在百度上排名前三但让AI推荐“值得加盟的茶饮品牌”它列了一圈竞品连我们的名字都没提。这个现象不是我朋友一个人遇到我这一年里看了不下十个连锁品牌几乎都在被同一个问题困扰SEO做得再好AI不引用你等于你在新的获客渠道里“隐身”。这件事背后的关键就是GEO也就是生成式引擎优化。它和SEO看着像内核完全不一样SEO是让网页排在搜索结果靠前希望用户点进来GEO是让大语言模型在生成回答时优先引用你的品牌信息直接把你的品牌放进它的“推荐位”里。对招商加盟行业来说GEO的重要性远高于一般行业因为潜在加盟商的决策半径很长前期咨询量特别大他们问AI的第一句话往往不是“官网地址是多少”而是“这个品牌靠谱吗”“加盟要多少钱”“和某某品牌比哪个更好”。这篇文章我就把这半年在一家连锁品牌里做GEO工程落地的过程拆开讲重点放在三块怎么搭问题库、怎么建可信内容源、怎么设计多平台监测与复测闭环以及每一步的技术选型逻辑。适合正在做招商加盟获客、连锁品牌增长、或者单纯想搞清楚GEO怎么入手的运营和技术朋友。1. 为什么招商加盟必须先做GEO从“AI替你回答加盟问题”说起很多人以为GEO是赶时髦但招商加盟这个行业的流量结构已经被AI提问悄悄改写了。过去潜在加盟商获取信息的方式是“百度搜一下品牌名 看加盟网站 打电话咨询”现在变成了“直接问AI某某奶茶加盟靠不靠谱、加盟费大概多少、和某某品牌比选哪个”。而且AI的回答是生成出来的它不会像搜索列表那样把所有网站都摆出来让用户自己挑而是直接汇总给你一个结论。如果你的品牌不在这个结论里就相当于从源头上被过滤掉了。1.1 大模型怎么决定“回答里有没有你”要理解GEO先得理解大语言模型的回答机制。现在主流AI回答一个加盟类问题时主要走两条路一是靠训练参数里已有的知识二是在回答时检索外部资料来做增强生成。后者就是我们常说的RAG也就是检索增强生成。对于招商加盟这种实时性、地域性、数据性很强的行业模型训练时的知识往往滞后所以绝大部分有效信息其实来自实时检索。AI会从它认为“可信”的网页里抽取片段再组织成一段看起来很像人写的答案。这就涉及一个关键机制模型决定引用哪些网页之前会先对候选来源做一轮质量评估。评估维度包括这个页面是否结构化、多个来源之间信息是否一致、域名有没有权威背书、内容有没有时效性、有没有被其他可信来源提及等等。GEO工程做的所有事情本质上就是“按AI的评估标准去改造你的信息资产”让它觉得你是可靠的、值得引用的。1.2 招商加盟行业的几个特殊痛点为什么说招商加盟比一般行业更需要GEO因为这一行的用户提问模式和信息诉求非常特殊。第一决策频次低但金额高。一个人一辈子可能就加盟一两次他问AI的时候极度谨慎通常会把问题拆成品牌靠谱、投资费用、回本周期、总部支持、失败案例这五个方向分别问。你只有把这几类信息全部准备好AI才可能在不同问题上都带上你。第二大量问法是“验证型问题”。潜在加盟商搜百度时用的是品牌词比如“某某奶茶官网”但问AI时会用“某某奶茶是不是骗局”“某某奶茶能赚钱吗”。这种“负面验证型”提问对SEO来说是地狱难度因为网站很难做这类内容的排名但对GEO来说反而是机会。你只要在可信源上放正面的、有数据支撑的回应AI就会把你的回应作为“辟谣内容”写进答案里。第三容易被AI“错杀”。AI在信息不全时会凭训练记忆生成答案如果你品牌近两年的门店数据、新政策、新合作内容没有同步到能被检索到的页面上AI很可能给你编一个过时或者错误的信息。我记得有一次测试时AI把一家已经升级到4.0店型的品牌写成了“门店面积最小仅15平米”的旧版本这个信息对加盟商来说完全是误导。GEO对招商加盟不是一个“锦上添花”的优化它是“避免被AI淘汰”的基础工程。2. 问题库建设把AI给潜在加盟商出的“考题”变成你的答题册我见过太多人一上来就改官网、发新闻稿忙活一个月后去问AI发现回答里还是没有自己。原因很简单你优化的是你认为重要的内容不是AI和用户真正在问的内容。GEO工程的第一步必须是问题库也就是把你所在赛道里所有可能被问到的加盟相关疑问系统性地收集、分类、打标。2.1 问题库的三种用途内容策略、结构化标记、监测基线问题库不是做完扔在Excel里吃灰的它整个GEO工程的“索引”。后续所有内容生产、技术优化、效果监测都必须挂在问题库上。第一内容策略。每个问题对应一组“期望答案”内容团队照着这个清单去生产页面、FAQ、媒体稿确保AI检索时有内容可用。第二结构化标记。有了问题清单你才知道要给哪些页面加FAQPage Schema、给哪些段落匹配问答式写法。第三监测基线。问题库也是复测闭环的输入每条问题乘以监测平台的数量就是你每次基线采集要跑的请求矩阵。2.2 问题从哪来销冠聊天记录比任何工具都好使做问题库最忌讳坐在办公室里凭空憋问题。我的经验是优先从四个渠道收集原始问题一是招商经理的聊天记录尤其是销冠的。销售手里的问题是最真实的用户语言比如“如果我不想开店在学校附近还有别的选址方案吗”这种长尾问题你在百度下拉框里根本看不到。二是已成交加盟商的访谈。问他们“你在决定加盟前最担心什么、最想知道什么”这能帮你补齐风险类问题。三是各大内容平台的问答区包括知乎、小红书、贴吧、抖音评论区重点看高赞回答下面用户的追问。四是百度下拉框和相关搜索这个虽然传统但能帮你发现高频词。以我们当时做的茶饮品牌为例最终问题库建了312条覆盖六个大类品牌验证类、费用类、资质与门槛类、经营支持类、风险与避坑类、对比类。每条问题记录五个字段标准问法、用户变体、期望答案摘要、种子URL、优先级。字段说明示例标准问法用于监测和内容锚定的规范问法“某某奶茶加盟需要多少钱”用户变体同一问题的不同口语表达“开一家某某奶茶要投资多少”“某某奶茶加盟费多少”“某某奶茶加盟条件费用”期望答案摘要AI理想回答的核心要点加盟费基础投资额费用包含项支付节点种子URL当前能支撑该答案的页面官网招商页、百科、新闻报道优先级按搜索量的高低确定优化顺序P0第一优先级这里有个容易被忽略的细节同一个问题用户在搜索引擎上的问法和在AI上的问法是不同的。百度里大家习惯搜短词AI对话里则是完整句子。所以监测用的标准问法必须偏向“AI场景的自然提问”要口语化比如“加盟某某奶茶店有前途吗”而不是“某某奶茶招商政策”。另外地域性问法也要单独建比如“成都有什么适合加盟的饮品店”“杭州奶茶加盟推荐”AI对地域问题的回答逻辑和通用问题完全不一样。2.3 问题库的维护节奏问题库建完不是一劳永逸。我建议每月花半天时间做一次刷新包括抓取新出现的下拉词和热门问答回看客服新增的高频提问跟踪竞品动态。我们当时每个月大约新增20到50条问题尤其在竞品开了新店型或出了新政策之后问题库会迎来一波集中增长。AI的回答内容也会变季度对比时如果发现某个问题的AI答案结构变了就得回头调整期望答案摘要和种子URL。3. 可信内容源规划让AI在信息海洋里“敢”引用你的品牌问题库建好后下一件大事就是内容源建设。GEO和SEO在这条路上最大的区别是SEO看的是关键词排名GEO看的是“AI愿不愿意引用你”。而引用意愿很大程度上取决于内容源的“可信度”。3.1 AI判断可信内容源的几个信号我们观察下来AI在选取引用来源时有几个明确的偏好一是多方一致同一个品牌信息在至少三五个独立来源里说法一致比如门店数、成立时间、创始团队这种情况AI会特别放心引用二是结构化页面有清晰的FAQ问答结构、有Schema标记、有列表和表格AI抽取信息时成本低三是权威背书官方媒体报道、政府公示、工商信息、行业协会名录的权重远高于普通UGC四是时效性页面有明确的发布日期并且是近期的AI会优先于老页面引用。反过来AI显著降权的内容源也有几个特征内容空泛但堆砌关键词、多个页面讲同一件事但数据打架、域名长期不更新、页面结构混乱到无法识别正文、所有信息都像广告话术而没有任何第三方证据。3.2 可信内容源的优先级金字塔我在多次实践中总结了一个“内容源优先级金字塔”按这个顺序去配置资源收益最高第一层工商与政府公示信息。包括营业执照主体、注册商标、特许经营备案信息。这些信息AI认为权威性极高但有一个坑如果主体名称和品牌名对不上AI检索到备案信息时反而会产生困惑。建议统一口径让品牌对外名称和工商主体名称的映射关系在官网能查得到。第二层权威媒体与行业媒体。包括新华网、人民网这类泛媒体以及所在行业的垂直媒体。招商加盟这个领域红餐网、餐饮O2O、联商网这类媒体对AI的可信度加成很明显。它们不仅提供了“第三方视角”而且文章里往往有门店数量、开店速度这类硬数据。第三层百科类页面。包括百度百科、搜狗百科等。百科的权重在于“AI训练语料里大量引用它”所以百科上的品牌信息会直接影响模型的“内化知识”。百科内容务必保持更新尤其是基础信息、发展历程、门店规模这段。第四层品牌自有官网页面的结构化内容。官网是AI最容易抓取的来源但多数官网的招商页写得太“营销”AI反而不爱引用。需要把FAQ、开店流程、投资费用表、门店网络分布做成结构化内容。第五层高权重UGC平台。包括知乎、小红书、大众点评、本地生活平台。这些平台讨论度高但内容质量波动大。AI通常只引用其中点赞量高、回答结构完整的优质内容。第六层地图POI信息。高德、百度地图、美团上的门店POI看似不起眼但对AI确认“品牌在全国有哪些实体门店”非常关键很多加盟问题本质是验证问题AI会用POI来佐证“这个品牌确实在正常经营”。3.3 内容一致性工程可信度的地基做可信内容源光有数量不够最怕的是信息不一致。AI一旦发现两个来源的数据对不上它不会花时间判断谁对谁错而是直接把两边都降权。所以我在项目启动时做了一个“核心口径表”把所有关键信息字段固定下来品牌标准名称和简称总部所在城市及具体地址品牌定位的一句话描述这个必须统一AI才能在不同来源里提取到相同的品牌认知成立时间、创始人当前门店总数和分布区域加盟费、保证金、管理费的标准档位对外联系方式然后把这套口径同步到官网、百科、媒体通稿、工商信息说明、地图POI、加盟平台详情页。你会发现当这些独立来源都展示同一组数字时AI对品牌的引用概率会显著上升。这一点在没有爆出大新闻的前提下几乎是提升GEO效果最快的方式。3.4 官网结构化落地一个可以直接抄的做法官网是唯一一个你完全可控的内容源而且它对AI的友好程度决定了RAG抽取的成功率。我在改版时做的最重要一件事是给官网招商FAQ页加了JSON-LD结构化数据{ context: https://schema.org, type: FAQPage, mainEntity: [ { type: Question, name: 某某奶茶加盟需要多少钱, acceptedAnswer: { type: Answer, text: 单店加盟费为XX万元保证金XX万元首批物料费预计XX万元。不含房租和装修整体开店预算约XX万元。 } }, { type: Question, name: 某某奶茶加盟有区域保护吗, acceptedAnswer: { type: Answer, text: 地级市以内按3公里半径设置商圈保护具体以合同约定为准。 } } ] }这样做的好处很直接AI在抽取信息时能通过结构化标记快速定位“问题—答案”配对不需要在杂乱的HTML里猜正文内容。实测下来加了FAQPage Schema之后官网内容被AI引用的次数明显增加。内容源规划至少要覆盖问题库里P0和P1优先级的问题每个问题至少对应两个独立来源一个官方来源加一个第三方来源。这个比例关系我建议作为硬指标写进工作流。4. GEO技术选型方法从轻量脚本到监测平台的工具矩阵与取舍逻辑技术选型是整个GEO工程里最容易走偏的环节。很多人一听GEO就觉得要买一套很贵的AI监测平台或者要不惜成本开发一套系统这其实是被工具厂商带偏了。我的思路是先确定“要采什么数据、多久采一次、谁来看结果”再倒推需要什么工具。4.1 技术矩阵至少需要哪几类工具从功能上拆解一套可用的GEO工具矩阵包含四层监测采集层负责向不同AI平台发起提问并记录回答。工具可以是商业化监测平台也可以是自建脚本。数据存储层把采集回来的回答原文、引用来源、时间戳存下来方便后续比对和检索。轻量用Excel数据量大了就上数据库。分析展示层把原始数据变成图表回答“引用率变化了多少、排位是否上升”这类问题。可以直接用BI工具也可以不开BI用每周一份快照表。内容治理层管理内容生产的上线、更新、下架流程。一般用现有CMS就够了。4.2 自建脚本和商业工具怎么选我这里重点讲监测量采集层的选型。市面上能用的方案有三类商业GEO监测工具、传统SEO工具、自建采集脚本。商业GEO监测工具的典型代表是GEO Sleuth这类产品它可以批量配置问题监控ChatGPT、Perplexity等平台的回答并且记录品牌是否出现、排在第几位、引用了哪些来源。这类工具的最大优势是省人力覆盖平台多而且有专门针对AI回答的解析逻辑。缺点是价格不低而且它们的解析规则偶有失灵因为AI平台改版频繁。传统SEO工具如Ahrefs、Semrush也可以用来做一部分GEO监测但只能看关键词排名和页面收录无法告诉你AI回答的上下文语境和引用来源。它适合作为辅助分析不适合作为核心监测手段。自建脚本的优势是高度定制成本可控尤其是当你只需要监测20到50个核心问题时用第三方API调用主流AI平台写一个定时脚本就够了。这是初期验证GEO效果性价比最高的方案。我当时第一版监测系统就是这样跑的核心脚本其实只有不到一百行import csv import time from openai import OpenAI # 读取问题库 questions [] with open(question_library.csv, encodingutf-8) as f: reader csv.DictReader(f) questions list(reader) results [] client OpenAI(api_keyyour_api_key, base_urlyour_provider_endpoint) for q in questions[:20]: # 先跑核心20问 prompt f请简要推荐适合加盟的茶饮品牌并说明理由。如果提到品牌请标注信息来源。 response client.chat.completions.create( modelyour_model_name, messages[{role: user, content: prompt \n补充问题 q[标准问法]}] ) answer response.choices[0].message.content results.append({ question: q[标准问法], answer_snapshot: answer, timestamp: time.strftime(%Y-%m-%d %H:%M:%S), platform: test_platform, }) with open(monitor_result.csv, w, newline, encodingutf-8) as f: writer csv.DictWriter(f, fieldnamesresults[0].keys()) writer.writeheader() writer.writerows(results)这个脚本的逻辑不复杂但它解决了三个核心问题一是一次性把同一批问题打给同一个AI保证对比的公平二是把完整回答原样存档后续可以做逐字分析三是时间戳字段能帮你在复盘时定位“是哪个版本开始变化的”。4.3 判断要不要上商业工具的四个标准如果你正在纠结要不要采购商业工具我建议按四个标准判断一是问题库规模如果核心问题超过100个并且每周都要全量复测自建脚本的维护成本会明显上升这时候商业工具更划算二是平台覆盖需求如果你的目标市场需要覆盖国内国外多个AI平台商业工具通常有现成的多平台适配自建则需要逐个对接三是团队技术能力有没有人能维护脚本、处理API变更和解析逻辑没有就别硬上自建四是复盘频率需求如果老板需要每周看到漂亮的趋势图商业工具的分析面板能省你很多时间。我自己当时采用的是“混合方案”核心问题用自建脚本跑全量问题每季度用商业工具做一次覆盖扫描。这样既控制了成本又能在大规模复测时享受到商业工具的解析能力。还有一个很容易踩的坑无论用哪种工具Prompt模板必须固定。AI是生成式模型同一个问题你多问几次表述都可能不一样。如果监测时的Prompt每次都在变你根本分不清结果变化是优化动作带来的还是Prompt差异带来的。所以一定要把监测Prompt固化下来写进工具配置锁死。任何一个正规的GEO方案这一点都是红线。5. 多平台监测与复测闭环搭建用数据驱动GEO策略持续迭代问题库有了内容源建好了工具选型定完了接下来就是最关键的环节用一套闭环流程持续验证优化效果。这一节我会把监测指标体系、闭环执行流程、以及归因方法完整展开。5.1 监测维度别只看“有没有被提到”判断GEO效果最低级的做法是只看品牌名有没有出现在AI回答里。这远远不够。我们在项目里设置了五个监测维度一是可见性。品牌是否出现在回答中以及出现在第几条。AI回答的推荐位越靠前用户感知越强。二是引用份额。在所有被推荐的品牌中你的品牌被提及多少次这个维度能看出你在同类品牌里的相对位置。三是来源归因。AI在回答时引用了哪个URL这个来源是你可控的官网内容还是不可控的第三方媒体如果你的品牌被提了但引用来源是竞品的网站那个效果也大打折扣。四是语境情感。品牌是在“推荐位”语境里被提及还是在中性的列举里被提及还是作为对比项被排除这里面的差别非常大。五是信息时效性。AI回答里涉及的门店数据、费用数据是不是最新的版本如果AI引用了去年的旧数据说明你的新内容还没被收录需要加快内容同步。5.2 复测闭环的完整流程我搭的闭环流程按六步运行第一步做基线采集。用固定Prompt把问题库里的全量问题打给所有需要监测的AI平台记录每个问题下的初始表现。这是整个工程的“起点”没有它后面一切优化都无法衡量。第二步优化动作。根据基线数据按问题优先级排序优先处理P0问题的内容缺口。第三步等待收录周期。内容上线后不会立刻被AI感知。以我们当时的观察官网更新后大约需要两到四周媒体稿发布后需要六到八周才会明显影响AI的回答。第四步复测。等待期结束后用同一份Prompt、同一批问题重新采集一遍。第五步变更归因。如果复测数据有变化回溯判断是“哪条内容上线导致的”。这就需要你在优化动作上线时记录一个变更日志至少记清楚上线日期、改了哪个页面、对应哪个问题。第六步校准问题库。如果发现某个问题的AI回答已经在变化但问题库的标准问法没有跟上实际提问的演变就需要更新问题库把新的变体补充进去进入下一轮闭环。5.3 一个真实监测维度的示例我拿当时一个P0问题“某某手打柠檬茶怎么样”举例。优化前AI的回答是一大段笼统的行业介绍完全没有提到我们品牌。我们把官网FAQ页改版并且加了结构化数据后第一次复测发现AI开始引用官网页面的“品牌创立于XX年”和“门店突破800家”这两句但品牌排在了回答的中段且没有出现在推荐语里。又过了一轮当我们把一篇垂直媒体报道同步上线后AI的回答结构变成了“推荐理由数据佐证”品牌名被放到了推荐第一位。这个变化过程看起来很简单但里面隐含了一个长期规律AI不会因为你新上了一篇文章就立刻改变回答它需要等你的信息出现在多个来源里并互相印证。这就是为什么我反复强调“可信内容源”要成体系地建单独一篇文章效果很有限。5.4 数据字段设计从采集到入库如果你用自建脚本做监测从第一天就要把字段结构设计好否则后期数据会乱得一塌糊涂。我建议至少包含以下字段字段名类型说明question_idvarchar问题库编号question_textvarchar实际监测的标准问法platformvarcharAI平台名称test_datedate监测日期ai_versionvarchar模型版本号便于排除版本升级干扰answer_snapshottextAI完整回答原文brand_mentionboolean品牌是否被提及brand_rankint品牌名出现的顺序位置source_urlstextAI标注的引用来源URL列表sentimentvarchar推荐/中性/排除prompt_versionvarchar使用的Prompt模板版本有了这个结构你才能稳定地回答老板的灵魂拷问“我们GEO做了两个月到底有没有用”这个问题不是你感觉出来的而是对照每一轮数据的趋势线讲出来的。5.5 复测频率基线加抽查组合全量复测不能太频繁因为AI平台的缓存和版本升级会造成短期波动一周内反复全量测没意义还浪费API额度。我的建议是核心问题每周抽查一次全量问题每月做一次基线复测。另外每次AI模型发布新版本时要单独做一次全量快照用来判断“这个变化是模型升级导致的还是内容优化导致的”。模型版本这个变量如果不控制你会做很多无效的归因。6. 招商加盟GEO落地的路线图、预算与避坑清单最后这部分我讲讲具体怎么把前面所有内容组织成一个可推进的计划以及我踩过的坑和比较务实的预算思路。6.1 用八周跑通第一轮闭环不少团队做GEO项目失败不是技术不行而是计划定得太散。既想改官网又想铺媒体稿还想上监测平台结果什么都做了一点什么都看不出效果。我的建议是划定八周为第一个完整迭代周期聚焦在一个问题上把它打通。第一周做问题库和基线采集。只需要选20个核心问题用自建脚本跑一次全平台采集记录初始状态。第二周到第四周做内容改造只针对这20个问题对应的内容缺口把官网FAQ页结构化、统一核心口径、发布一批第三方内容。第五周到第八周做复测和信号观测中途每两周做一次小范围抽查观察引用率变化。这个方案的好处是“小切口、快验证”。20个问题覆盖了招商加盟最常见的高频咨询如果能在这批问题上看到AI回答变好再扩大到全量问题库信心和资源都好争取。6.2 预算参考丰俭由人的三档方案第一档是轻量验证型预算基本为零到几千元。用自建脚本加免费API额度问题库手动维护复测每周一次数据库用Excel就够了。适合第一次接触GEO、只想确认“这条路对我们有没有用”的团队。第二档是稳定推进型预算在每月五千到两万元区间。引入一个商业监测平台做全量覆盖内容生产按固定节奏推进问题库扩容到300条以上数据存储和分析用一套简单的BI工具。第三档是规模化运营型预算每月五万以上。配置专职内容、运营、数据三个人力使用多个商业工具加自建系统协同问题库持续动态更新覆盖多个品牌和多个语言版本。我的建议是除非公司预算非常充裕否则都从第一档开始跑。不要一上来就采购全套工具先把方法论验证通再逐步加码。6.3 五个我踩过的坑第一个坑是忽略品类词只做品牌词。很多人做GEO只盯着“自己的品牌名”但潜在加盟商更多是问品类词比如“什么奶茶值得加盟”“适合新手开的餐饮店”。品类词才是最大的流量入口品牌词只是守城品类词才是攻城。第二个坑是内容结构太“SEO化”。我们一开始直接把官网页面的介绍文章原样同步到媒体平台但AI并不喜欢那种堆砌关键词、段落冗长的内容。AI更偏爱短段落、一问一答、数据和结论前置的写法。后来我们专门为AI调整了一套内容模板每个段落控制在四到六行首句给出结论而非铺垫。第三个坑是不同平台信息没有对齐。这个在前面内容一致性那里提到过但我确实在项目中期吃过亏官网写了“门店突破600家”一篇百科更新稿里写的是“现有门店500余家”AI在回答引用时就表现出了明显的犹豫连续两周不引用我们。把口径对齐之后引用率才恢复上来。第四个坑是过度优化引起AI怀疑。有一段时间内容团队把“某某奶茶值得加盟”这句话的频率拉得过高结果某一个平台开始不再引用官网因为AI到了判断内容自然度的那一关。后来我把关键词频次压下来更多用数据和场景描述来替代重复口号问题才解决。第五个坑是没有把AI版本升级纳入监测变量。我们曾经把一次模型大版本升级造成的回答变化误判成优化见效结果空欢喜一场。从那以后我把每个平台的模型版本号作为固定记录字段每次升级后单独做一次基线快照。6.4 人员配置GEO不是纯技术活最后说人。GEO工程落地最少需要三个人分工运营负责问题库维护和内容生产技术负责脚本、API和数据结构客服或招商经理负责提供一线的用户真实提问素材。这个组合比一个“全栈工程师”单干更靠谱。因为GEO的核心价值藏在“对用户问题的理解”里离用户最近的人往往最能判断哪些问题优先处理。我在这半年里最大的体会是GEO没有一劳永逸的解决方案它是一项需要持续监测、持续迭代的工程。如果你现在正准备启动招商加盟的GEO项目我的建议是先把“AI会怎么回答你的潜在加盟商”这个问题跑一遍。如果你发现AI的回答里出现了错漏、缺失、甚至对你的品牌一无所知那这些问题就是最好的第一轮优化清单。把一个小问题跑通吃透比规划一个大而全的方案重要得多。