律师获客,为什么一定要懂豆包GEO?
AI 案源增长与 GEO · 2026-06-22
律师获取案源,为什么一定要懂 GEO?
“不少律师发现,靠拍短视频获客的时代已经过去了:反观不少同行有不少案源反而是豆包推荐过来的。当一个客户被裁时,他第一时间不是先搜“深圳劳动律师”,而是先把自己的情况讲给豆包、Kimi听,祈求得到AI的解答和帮助…这就是GEO”
主理人观察:陈炫霖|专注于AI律师案源增长和案件智能化
最近,法律圈里开始出现一种情况
有同行说,客户不是从熟人介绍来的,也不是从传统搜索广告来的,而是客户先在豆包里问了一个法律问题,再顺着回答、文章、账号或网页线索找到自己。
它更像方向:客户找律师的最初入口,正在从搜索框转向 AI 。
过去,客户可能会搜“深圳劳动律师”“广州离婚律师”“上海合同纠纷律师”。现在,他更可能直接问:“公司突然调岗降薪,我该怎么办?”“离婚时父母出资买房怎么分?”“对方欠我货款,但没有正式合同,还能起诉吗?”“我在深圳,需要找哪类律师?”
这些问题,表面上是在问法律,实际上客户做律师筛选。客户其实只想知道,我这个问题应该找什么方向的律师,谁讲得清楚,谁看起来可信,谁能解决我实际问题。
于是,差距开始出现。有些律师会被 AI推荐;有些律师很专业,但在 AI 认知里几乎不存在。归根到底,哪些律师做了哪些动作,更加容易被AI看到,推荐,识别,最后转化为案源!
律师想被AI看见,先知道什么是GEO
先把 GEO 说简单
GEO,通常指 Generative Engine Optimization,中文可以理解为“生成式引擎优化”。
而GEM相对就是百度搜索SEO,客户需要面对的是搜索结果页。客户输入关键词,平台返回竞价链接,律师争的是谁更靠前。
而GEO 面对的是生成式搜索和 AI 助手。客户不再只输入关键词,而是用自然语言描述一段处境;AI 也不只是返回链接,而是把网络来源的信息综合成一个回答,再决定是否展示、引用或提到某些来源。
《GEO: Generative Engine Optimization》讲的正是这个变化:AI会从多个来源收集信息并综合回答,内容创作者面临的问题不再只是“有没有被搜索到”,而是“会不会、以什么方式进入AI回答的眼睛”。
Google Search Central 对 AI 搜索的表述也很克制:AI Overviews、AI Mode 仍然离不开可抓取、可索引、对用户有帮助的内容。换句话说,所谓 GEO 不是另起炉灶的玄学,它仍然回到答案内容质量、信息可访问性、信息来源的可靠性和用户提问。
放到律师行业,就更直观。客户往往提出一串不完整的事实:
例如公司说绩效不合格,要员工自己离职;合同约定了违约金,但对方说太高不给;
又例如婚前买房,婚后一起还贷,现在不知道怎么分。
AI 会把这些事实拆成更细的问题:劳动关系是否成立,解除理由是什么,证据在哪里,是否需要仲裁,管辖在哪里,本地裁判规则怎么看,是否需要律师介入。
如果律师标签只写“劳动律师服务”“婚姻家事律师”“合同纠纷律师”,AI 很难判断这位律师到底能解决哪一类真实问题。GEO 不是多塞几个关键词,而是把律师的专业经验变成 AI 能读取的答案、步骤、方法和经验案例。
豆包从不做律师推荐竞价排名
这里要先说清楚:豆包没有公开一套“律师推荐排名规则”。任何人如果承诺“保证让你排到豆包靠前位置”,都应该先打一个问号。
但我们可以从豆包这类产品的公开能力,反推律师内容应该怎么被理解。
这意味着,律师被推荐不再只和“关键词排名”竞争,而是AI 能否把律师的内容匹配它的答案链路。
01存在感。如果全网只有几句泛泛的简介,AI 很难稳定识别律师和某类法律问题之间的关系。
02问题匹配。“专业劳动律师”不够。AI 更需要看到律师具体解释过调岗降薪、违法解除、竞业限制、工伤、劳动仲裁证据这些真实问题。
03可信线索。文章有署名、律师有持续内容、有材料清单、有案例边界、有服务页、有明确联系方式,比只有几句宣传口号更容易建立可信度。
04风险表达。如果内容里充满“包赢”“快速拿赔偿”“保证推荐”“内部关系”等表达,即使短期吸引眼球,也可能削弱可信度。生成式搜索时代,夸张不是优势,反而可能变成风险信号。
“豆包案源”并非律师掌握神秘技术,长期沉淀 AI 能理解的答案
为什么有律师被AI看见?
一位劳动律师的官网只写了一句话:“专注劳动争议,经验丰富,欢迎咨询。”
这句话给人看,也许还能起一点品牌作用。但给 AI 看,信息密度很低。它不知道你擅长解除劳动合同、调岗降薪、竞业限制、工伤,还是劳动仲裁证据整理。
另一位律师写的是:“公司调岗降薪时,员工先不要急着签字。通常要先看三个材料:劳动合同中的岗位约定、公司调岗通知、工资变化记录。能否维权,不取决于员工是否不满,而取决于调岗是否有合同依据、是否合理、是否降低劳动条件、是否有协商过程。”
AI 更容易理解它解决什么问题,客户也更容易判断:这个律师不是在喊口号,而是真的知道问题卡在哪里。
GEO 不是“发一篇文章就来客户”,而是客户认可的解决方案
客户先问 AI,AI 先整理问题,客户再根据 AI 给出的解释、来源和线索,决定继续看谁。你要做的不是控制 AI,而是起码有资格进入筛选范围。
律师该沉淀什么
我建议不要一上来律师先别做复杂系统,先做AI看得懂的内容

01客户问题。不要从“我提供什么服务”开始,而要从“客户怎么问”开始。劳动争议客户问的是“公司调岗降薪,我不同意怎么办”;婚姻家事客户问的是“父母出资买房算谁的”;合同纠纷客户问的是“没有正式合同还能不能起诉”。这些问题不是标题素材,而是 GEO 的原材料。
02专业内容。每个问题都要写成 AI 和客户都能理解的内容结构:先说场景,再说关键判断,再说要看哪些材料,再说常见误区,最后写清边界。
例如调岗降薪,不要只写“可以维权”。要写清楚:看劳动合同怎么约定,看岗位变化幅度,看工资是否降低,看公司有没有合理经营需要,看有没有协商过程,看员工手里有没有通知、工资流水、聊天记录。
03可信来源。律师内容不能只写“我认为”。它需要让人知道你的判断从哪里来。可以是法律规则、官方说明、裁判口径、脱敏案例、流程图、证据清单。注意,不是堆法条,而是让客户和 AI 知道:律师的判断不是凭空来的。
04咨询入口。咨询入口不要写成“立即联系我,保证解决”。更好的入口,是帮助客户准备下一步最起码也留下联系电话。
现阶段GEO鱼龙混杂,律师也不要把 GEO 做歪
承诺排名。不要写“帮你出现在 AI 推荐靠前位置”。这既不可靠,也不专业。Google /字节跳动官方已经明确说明,符合要求也不代表一定会被抓取、索引或展示。AI 搜索里的可见性更不能承诺。
低质量问答。把“劳动纠纷怎么办”“合同纠纷怎么办”“离婚纠纷怎么办”批量改成几百篇相似内容,短期看像矩阵,长期看是噪音。真正值得做的是有经验、有细节、有边界、能帮助读者理解自己处境的内容。
客户隐私。案例可以写,但必须脱敏。可以写“某制造企业员工调岗争议”,不要写足以识别当事人的细节。案源增长不能以泄露客户信息为代价。
只写给 AI。内容最终还是给客户看。AI 可能帮客户发现你,但客户决定是否联系你,仍然看你说话是否清楚、是否克制、是否真正理解他的处境。
最后
GEO 不是律师获客的捷径。
它更像一件慢活:把你脑子里真正有价值的专业判断,整理成客户能理解、AI 能读取、同行也挑不出硬伤的内容资产。
AI 会给客户很多可选答案。律师要做的是执行判断:哪些问题值得写,哪些案例能公开,哪些话不能说满,哪些服务页应该先补。最后还要执行落地:问题库、服务页、案例库、材料清单、咨询承接表,一件一件做出来。
如果律师获取案源只靠广告,客户会看到你一次。如果律师开始做 GEO,客户和 AI 会在一次又一次问题里,慢慢识别你。这才是长期案源的底层逻辑
欢迎添加主理人微信:共同探讨AI增长

参考来源
1. arXiv:GEO: Generative Engine Optimizationhttps://arxiv.org/abs/2311.09735
2. 豆包官网:字节跳动旗下 AI 智能助手https://www.doubao.com/
3. 豆包客户端下载页:桌面 AI 助手与 AI 浏览器https://www.doubao.com/download/desktop
4. 豆包浏览器插件:浏览器 AI 助手https://www.doubao.com/browser-extension/landing
5. Google Search Central:Optimizing your website for generative AI features on Google Searchhttps://developers.google.com/search/docs/fundamentals/ai-optimization-guide
6. Google Search Central:AI features and your websitehttps://developers.google.com/search/docs/appearance/ai-features
7. Google Business Profile Help:Get started with Google Business Profilehttps://support.google.com/business/answer/7039811
8. Google Search Central:Local Business structured datahttps://developers.google.com/search/docs/appearance/structured-data/local-business