传统的关键词研究是收集一堆词、看搜索量、排优先级。这套方法在 AI 搜索时代暴露出明显短板：它关注的是「词」，而用户和 AI 关注的是「问题」。
为什么词不够用了
用户提问的方式越来越口语化、越来越长。「小型注塑机价格」这样的词，正在被「买一台小型注塑机大概要多少钱、多久能回本」这样的完整问题取代。AI 搜索尤其如此——它直接理解自然语言，而不是匹配关键词。
如果内容仍然按词来拆，就会出现「每个词都排上了，但没人点」的尴尬：因为用户的信息需求是一整个问题，而不是某个词。
什么是「问题簇」
问题簇指的是围绕一个核心需求展开的一组相关问题。比如围绕「工业除湿机」，可以拆出：
- 选型类：什么场景该选哪一类型号？
- 参数类：除湿量怎么算？多大空间配多大机器？
- 价格类：大概什么价位？影响价格的因素有哪些？
- 对比类：转轮式和冷冻式有什么区别？
- 使用类：怎么维护？耗电多少？
- 采购类：交期多久？有没有售后？
这六类问题构成一个簇，覆盖了客户从认知到决策的完整过程。
怎么建问题簇
- 从真实对话里挖。销售记录、客服问答、售后工单，是问题簇最靠谱的来源，因为这些是客户真的问过的。
- 从搜索下拉和推荐里补。搜索引擎和相关平台的自动补全、相关搜索，能反映真实提问习惯。
- 按意图归组。把问题按「认知—比较—决策—使用」归类，避免只做认知类、忽略决策类。
- 一簇一篇或一簇一组。核心问题写成独立页面，子问题用小节或 FAQ 承接，页内相互链接。
问题簇带来的三个好处
第一，内容不再是为了某个词硬凑，而是真实回答客户的问题，质量自然更高。第二，同一簇内容之间可以内部链接，形成主题权威，提升整组页面的竞争力。第三，问题式的内容天然适合被 AI 摘取和引用，一举覆盖传统搜索与生成式引擎两个入口。
关键词是搜索引擎时代的语言，问题簇是 AI 搜索时代的语言。做内容规划，先换语言。