1988 Coffee Estate 案例研究：借助 Agentic Page，AI 引用提升 186%、非品牌词品牌出现率在 AI 搜索中提升 320%

看 1988 Coffee Estate 如何用 Agentic Page 的 GEO 平台，让 AI 引用在 ChatGPT、Perplexity 与 Claude 上提升 186%、非品牌词品牌出现率提升 320%。免费案例研究，内含完整落地实操手册。

案例研究2026年4月23日

看 1988 Coffee Estate 如何用 Agentic Page 的 GEO 平台，让 AI 引用在 ChatGPT、Perplexity 与 Claude 上提升 186%、非品牌词品牌出现率提升 320%。免费案例研究，内含完整落地实操手册。

Joy LinkedIn

越来越少的购物者会一页一页地浏览品牌网站。当他们想找"一款有故事的单一产地豆"或"适合家用手冲的中浅烘焙"时，他们会去问 ChatGPT、Perplexity 或 Claude。根据 Gartner 2025 数字商务展望，预计到 2028 年，超过一半的消费品发现将始于对话式 AI 界面。

1988 Coffee Estate——围绕手工精选豆、小批量烘焙与慢生活理念打造——多年来撰写了丰富的产地故事、地域风味地图与冲煮指南。但这些内容都藏在 AI 爬虫无法完整读取的 JavaScript 渲染组件里。团队选择了 Agentic Page，在不改动面向人类的站点的前提下，向 LLM 投递一份语义载荷。

"我们花了三年时间，确保每一款豆子的产地、处理法和冲煮笔记都被讲述得当。可在 AI 搜索里，这一切都是隐形的。Agentic Page 终于把我们的故事送进了答案里。"

—— Linda Lin，市场营销负责人，1988 Coffee Estate

挑战：AI 搜索正在抹平十年的品牌故事沉淀

进入 2025 下半年，两个信号变得格外刺耳。直接搜索流量同比下降 18%。客服反复听到一句新的开场白："我在 ChatGPT 上看到你们了……"

市场负责人 Linda Lin 与技术联合创始人一起做了一次内部复盘。三点已经很清楚：

  • 购买路径正在从"搜索 → 点击 → 浏览"转向"问 AI → 被推荐 → 直接购买"。
  • 在高决策成本的品类里，买家更依赖 AI 来比较、解读和筛选。
  • 如果 AI 读不到 1988 的产地故事，这个品牌就会从 AI 答案里彻底消失。

团队的新目标：当有人向 AI 询问"值得一试的单一产地豆""有故事的精品咖啡品牌"或"适合手冲入门的好豆子"时，1988 应当浮现出来——被准确点名，且无需提示。

解决方案：1988 为什么选择 Agentic Page

在第一周内，Agentic Page 交付了三样东西：

  • ACCC 诊断——首次扫描：58 分（一般档）。robots.txt 没有放行主流 AI 爬虫，关键信息藏在轮播图后面，商品详情页 70% 以上依赖 JavaScript，URL 也不具语义。每一个问题都配有截图和可落地的修复方案，可导出为 PDF。
  • AI 镜像站——38 个核心页面。15 个豆子商品详情页、12 篇冲煮指南、11 个产地故事。镜像把每页平均 token 数压低了 64%，同时提升了信息密度。
  • 流量监测。AI 搜索、AI 索引、AI 训练——绝对数值、环比变化和来源分布，尽在一屏之内。

"别的工具告诉我'你可能有问题'。Agentic Page 告诉我'你有这 14 个问题，先修这 3 个，预期能带来这么多提升'。"

—— Linda Lin，市场营销负责人，1988 Coffee Estate

落地实施：把站点变成 LLM 的优先参考源

阶段 1——基线测量

在上线前的两周里，Agentic Page 在 ChatGPT、Perplexity、Claude 和 Gemini 上，追踪了全部 38 个目标页面的品牌出现率、引用次数和相关提示覆盖度。

阶段 2——镜像生成与审校

Agentic Page 自动检测、解析、分析并生成了每个镜像版本。团队逐项对照差异，确认关键事实——产地、海拔、处理法、风味笔记、冲煮参数——在结构化摘要里被完整保留。

阶段 3——在 Shopify 上做深度 JSON-LD 实体映射

每个商品页的豆子实体（品种、处理法）、地理实体（产区、海拔、庄园）和感官实体（风味轮、杯测分、推荐冲煮比例）都在代码层做了强绑定。结果是：当模型被问到"推荐一款来自 1900 米以上、水洗处理的埃塞俄比亚、带蓝莓调性的单一产地豆"时，它能闭合推理链路并直接引用 1988。

阶段 4——内容侧 EEAT 提升

重写了每个产地故事的开头段落、把核心事实前置，补充了作者简介和 Q-grader 杯测认证来强化 EEAT，并为每个在售豆子页面附上结构化 FAQ 区块。

成果：六周时间，每一项 AI 搜索 KPI 都出现了可量化的变化

  • AI 引用：+186%。镜像页面在 AI 答案中被引用的频次接近原来的 3 倍。
  • 提示覆盖度：+142%。1988 出现的提示数量从 47 个增长到 114 个。
  • 非品牌词品牌出现率：+320%。对于不含"1988"的提示——"适合手冲入门的豆子""有故事的精品咖啡品牌"——1988 被提及的频次超过原来的 3 倍。
  • ChatGPT 正面对比：+98%。与价位相近的同类精品品牌相比，1988 在 ChatGPT 中的相对出现率几乎翻了一倍。
  • ACCC 分数：58 → 89。四个维度全部跃入优秀档。
  • AI 来源转化：+44%。来自 AI 平台的访客，转化率明显高于传统渠道。

"我们不再去猜 AI 喜欢什么了。Agentic Page 给了我们一套可衡量、可复用、可持续改进的方法。"

—— Linda Lin，市场营销负责人，1988 Coffee Estate

给精品与故事驱动型品牌的关键启示

  • 敞开你的大门。审查 robots.txt、sitemap 以及 CDN/WAF 规则，放行 GPTBot、PerplexityBot、ClaudeBot 和 Google-Extended。
  • 让你的故事在服务端渲染。藏在客户端渲染组件里的产地故事和品牌文案，对 LLM 来说几乎等同于隐形。
  • 用 JSON-LD 绑定实体。在 Shopify 上，把产品 → 产地 → 风味属性做强映射，让 AI 能把推理链路闭合回你的商品详情页。
  • 把核心事实推进每页的前 20%。AI 爬虫的 token 预算有限——把最要紧的内容放在最前面。
  • 衡量点击后的信号，而不只是引用。停留时长和会话深度，能让你留在 RAG 检索池里。

相关阅读

JSON-LD

{
  "@context": "https://schema.org",
  "@graph": [
    {
      "@context": "https://schema.org",
      "@type": "Organization",
      "@id": "https://staging2.deeplumen.io/#organization",
      "name": "DeepLumen",
      "url": "https://staging2.deeplumen.io/",
      "inLanguage": "zh-CN",
      "logo": {
        "@type": "ImageObject",
        "url": "https://staging2.deeplumen.io/logo.png",
        "width": 200,
        "height": 200
      },
      "image": "https://staging2.deeplumen.io/og-image.png",
      "slogan": "面向商家侧的智能体商务层",
      "description": "DeepLumen 是一个智能体商务（agentic commerce）平台，帮助品牌和产品被 AI 智能体发现、推荐，并进入交易流程。",
      "sameAs": [
        "https://www.linkedin.com/company/deeplumen/",
        "https://x.com/Deeplumen0922"
      ],
      "knowsAbout": [
        "智能体商务",
        "AI 购物智能体",
        "生成式引擎优化",
        "AI 搜索优化",
        "产品结构化数据",
        "结构化数据",
        "llms.txt",
        "AI 推荐流量",
        "M2AI"
      ]
    },
    {
      "@context": "https://schema.org",
      "@type": "WebSite",
      "@id": "https://staging2.deeplumen.io/#website",
      "name": "DeepLumen",
      "url": "https://staging2.deeplumen.io/",
      "inLanguage": "zh-CN"
    },
    {
      "@context": "https://schema.org",
      "@type": "BreadcrumbList",
      "itemListElement": [
        {
          "@type": "ListItem",
          "position": 1,
          "name": "首页",
          "item": "https://staging2.deeplumen.io/zh/"
        },
        {
          "@type": "ListItem",
          "position": 2,
          "name": "博客",
          "item": "https://staging2.deeplumen.io/zh/blog/"
        },
        {
          "@type": "ListItem",
          "position": 3,
          "name": "1988 Coffee Estate 案例研究：借助 Agentic Page，AI 引用提升 186%、非品牌词品牌出现率在 AI 搜索中提升 320%",
          "item": "https://staging2.deeplumen.io/zh/blog/1988-coffee-estate-case-study/"
        }
      ]
    }
  ]
}

{
  "@context": "https://schema.org",
  "@graph": [
    {
      "@type": "BlogPosting",
      "headline": "1988 Coffee Estate 案例研究：借助 Agentic Page，AI 引用提升 186%、非品牌词品牌出现率在 AI 搜索中提升 320%",
      "description": "看 1988 Coffee Estate 如何用 Agentic Page 的 GEO 平台，让 AI 引用在 ChatGPT、Perplexity 与 Claude 上提升 186%、非品牌词品牌出现率提升 320%。免费案例研究，内含完整落地实操手册。",
      "inLanguage": "zh-CN",
      "datePublished": "2026-04-23",
      "dateModified": "2026-05-14T04:04:00.000Z",
      "author": {
        "@type": "Person",
        "name": "Joy"
      },
      "mainEntityOfPage": "https://staging2.deeplumen.io/zh/blog/1988-coffee-estate-case-study/",
      "image": "https://staging2.deeplumen.io/blog-assets/1988-coffee-estate-case-study-cover-0974b1713169b1ed.webp"
    }
  ]
}
Human