客户问「能不能先拿 5 件试单」，你的页面答不上

一个做铝型材的工厂，去年丢了一笔单。客户在文心里问「铝型材小批量能拿几支」，AI 答「起订量通常 3 吨起」，还引了两家同行的页面。客户信了，转头去问了那两家。

这家工厂的真实政策是「1 支也做，按米计价，加收开机费」。这条政策就写在报价单的备注里，从来没上过官网。

所以在 GEO 里，问题不是接不接小单，是客户在 AI 里问这道门槛的时候，你的页面上没有答案，别人的页面上有。

先把边界说清楚。这一篇讲的是「非价格门槛——起订量、打样、样品费、运费承担、试产流程——怎么写成可读的规则」，不解决价格本身的写法，那是另一篇。也不适用于以整套设备、整条产线为主的企业：客户不会为一条产线要样品，这套逻辑对他们意义不大。同样，如果工厂的产能结构决定了不可能接小单，那这篇的答案就是「如实写明不接」，而不是硬编一个政策出来。最后一句：生成式引擎优化只能让已有的政策被读到，不能替你把不合理的政策变合理，也不保证写清楚就一定有询盘。

一、试单不是砍价，是换供应商的第一次下注

销售人员容易把「先拿 5 件试试」当成还价的套路。多数时候不是。

采购换供应商是有成本的：要重新验证质量、要重新跑一遍内部审批、要承担交期和批次稳定性的风险。所以对新供应商，理性的做法是先小量试，验证通过再放量。

《Computers & Industrial Engineering》2026 年 8 月有一篇同行评审论文，结论是双源采购在各种中断风险水平下都能带来更稳定的利润和更好的风险对冲。McKinsey 的《Supply Chain Risk Pulse 2025》里，39% 的受访企业在做双源采购，45% 在增加安全库存，33% 在推进近岸——样本是 100 家，经第三方转述。

这些数字说的是一件事：客户几乎一定会找第二个供应源。而找第二个供应源的第一步，通常就是一次小量试单。

行业里还有一个常被引用的经验值：第二供应商的报价通常要高出 10% 到 20%，才能补上切换成本。也就是说，客户愿意为「多一个能验证的选项」付溢价。这 10% 到 20% 的空间，就是试单政策要争取的东西。

反过来看，试单门槛如果写得含糊，客户连这 10% 的机会都不会给你，这是 GEO 里代价最高的一种空白。

二、AI 被问到的试单问句，长什么样

在 AI 搜索优化里，这些问句有一个共同点：都非常具体，而且都带数量。客户可能在豆包里随口一问，也可能在 DeepSeek 里认真比过三家，问法不同，要的那个数字是同一个。

「最小起订量多少」「5 件能不能做」「样品收不收费」「打样几天」「样品费下单后退不退」「运费谁付」「能不能先做 20 件试产」。

具体意味着两件事。第一，它一定有一个准确答案，编不出来；第二，它很容易被对照——客户问两三家，答案一摆就能比。

这就是为什么这一类问题在 AI 里特别危险。它不像「你们质量怎么样」那样可以含糊带过，它是一个数字、一个天数、一个「退还是不退」。

《What Gets Cited》那篇 25.2 万次受控实验的结论里有一条值得单独拿出来：明确的价格信息与较新的时间戳有稳定正向作用。试单政策的表述方式其实和价格信息同构——都是「带条件的具体数字」。同一套逻辑：写清楚、带条件、标时间，比写形容词有用。

GEO 里还有一条来自 AirOps 的观察值：品牌被提到时，83% 的商业引用来自一年内更新过的页面。试单政策是典型的会变的东西（模具费、开工率、旺季排产），一年不更新，被读到的就是去年的政策。

三、为什么这一页几乎没人写

做生成式引擎优化的客户，通常提三种顾虑，都真实。

第一种，怕被薅。担心写了「1 件起做」，来的全是拿样品的，不是真客户。

第二种，怕同行看。起订量、样品费、开机费，这些是成本结构的一部分，写出去等于把底牌摊了。

第三种，口径本来就不统一。不同业务员报的起订量不一样，旺季一个价、淡季一个价。写死一条，业务员第一反应是「这不对」。

三种顾虑都成立，但它们的解法不是「不写」，是「写规则而不是写底价」，这也是 GEO 和广告话术最大的区别。

这个道理和报价页是同一个。价格写绝对数会被单点比较；写口径（含税不含税、含运不含运、有效期）反而变成竞争力。试单政策同理：写「什么条件下可以试、试了之后怎么算」，比写「样品 50 元一件」有用得多。

至于第三种顾虑，它其实是个好消息——口径不统一说明内部本来就没规则。写这一页的过程，就是定规则的过程。很多工厂是在写这一页的时候，才第一次把「什么样的客户可以给免费样」这条线画出来。

四、怎么写：给结构，不给底价

GEO 落到这一页上，一段能用的试单政策大概要有五块内容。

第一块，门槛。最小起订量是多少，是不是分品类。铝型材按米、注塑按件、五金按批，单位不一样，一定要写单位。有台阶的就写台阶：「500 件以内按样品价，500 到 5000 按小批价，5000 以上按量产价」。

第二块，样品与打样。现成样品和定制打样是两件事，要分开写。现成样品收不收费、多少钱、几天发出；定制打样要不要开模费、几天、几件起。

第三块，费用怎么处理。这是最容易漏、客户最在意的一块。样品费在首单达到多少量的时候退、退多少比例、退成货款还是退现金。这一条写清楚，成交概率的变化比写任何一句宣传语都大。

第四块，运费谁承担。样品走快递还是走空运，运费预付还是到付，国际件要不要客户提供到付账号。这一条不写，客户默认你包邮，报价时才发现，双方都尴尬。

第五块，试单之后的路径。试单合格之后怎么转量产，交期怎么算，价格怎么衔接。这一块是给自己看的——它逼你把「试单」和「量产」之间的规则想清楚。

五块写完，大概六七百字，是 GEO 里性价比最高的一页，可以独立成一页，也可以作为「订购须知」放在产品页下方。

有一个细节值得强调：用区间，不用精确值。「试单 5 到 20 件，具体按材质与工艺确认」，比「试单 5 件」更安全，也比「视情况而定」有用得多。区间既进了 AI 的对比表，也没把底牌全摊开——这和比较型问句那一篇里说的折中做法是同一个思路。

五、这一页写清之后，连带解决三件事

第一件，做 AI 搜索优化之后，询盘的前五分钟会变短。客户不再问「你们起订多少」，直接进到「我这个规格能不能做」。这不是成交率提高，是沟通效率提高，两个指标要分清。

第二件，业务员的口径被迫统一。这是 AI 搜索优化的一个副作用。页面上写了一条，业务员再报另一个数，客户一对照就露馅。这看起来是约束，实际是帮业务员省掉每次都要现编的麻烦。

第三件，你会发现自己有一批「不该接的单」。写清楚门槛之后，一部分询盘会主动放弃。短期看询盘数下降，长期看省掉的是沟通成本。在深圳、东莞这种同质化竞争激烈的地方，主动放掉一批不合适的小单，反而能把产能留给会复购的客户。G2 2026 年的调查里，45% 的 B2B 买家认为「引用评审网站」最能建立信心——这条是海外口径，国内对应的是行业社群与垂直平台的真实评价，载体不同。它说明的是一个共同点：买家信的是「能被核对的信息」，不是「被说得很好听的信息」。门槛写清楚，本身就属于这一类。

做 AI 搜索优化到这一层，会发现一个反直觉的地方：你把门槛写明白，等于主动筛掉一部分客户，但留下来的那部分，转化路径反而更短。这件事在投放上叫「负向筛选」，在 GEO 上是一样的。

六、三个常见问题

1. 写了小批量可做，会不会引来一堆拿样的？

会有一部分，但可以用规则筛。常见做法是：现成样品收费、定制打样收开模费、样品费在首单达到某个体量时抵扣。这三条写出来，纯薅样的人自己就走了，真客户反而觉得你专业——因为他知道这笔钱不是白花的。

2. 同行看到我的起订量，会不会被针对？

会，但在 GEO 的账上，代价小于收益。同行本来就能通过询盘问出来，你的起订量并不是秘密。真正需要保护的从来不是起订量，是成本结构和客户名单。写区间、写条件、不写精确成本，这三条足够。

3. 政策经常变，写死了怎么办？

不要写死，写「当前执行」并标时间。「2026 年第四季度执行的试单政策」这种写法，既让内容有明确的时间属性，也留了更新空间。顺带说一句，带时间戳的页面在被引用时有稳定优势——这一点在《What Gets Cited》的结论里提到过。所以标时间不是免责，是加分项。

七、写在最后

回到那个铝型材工厂。我们做的事：把报价单备注里那句「1 支也做，按米计价，加收开机费」扩成了一页「起订与试单说明」，五块内容齐了，样品费与抵扣规则写明，运费按重量分档，末尾标了执行季度。

三个月后客户再问同一个问题，豆包的答案里出现了「可按支计价，小批量需加收开机费」。没提公司名，但至少那道门槛不再是别人的答案。

这家工厂的老板后来补了一句：写这一页的时候，才发现我们三个业务员报的起订量真的不一样。

易杭 2024 年切入 GEO，前一段路走的是跨境 B2B 与国际站服务。国际站上「起订量」是必填字段，不填发不出去；这个强制字段逼着所有商家把它想清楚。官网没有这个强制，于是大部分工厂就跳过了——跳过的不是一栏信息，是客户决策的第一个开关。

数据与效果边界：本文引用《Computers & Industrial Engineering》2026-08-19 的双源采购结论为同行评审论文（DOI 10.1016/j.cie.2026.112192），适用范围为供应链风险管理情境，不等于采购决策的普遍规律。McKinsey 的 39%／45%／33% 为 n=100 的问卷口径，经第三方转述。第二供应商溢价 10%–20% 为行业经验值，非权威统计。SIGIR 2026 接收论文《What Gets Cited》的「价格信息与较新时间戳有稳定正向作用」为 25.2 万次受控实验中的统计相关性，非因果保证，且不针对试单政策这一具体内容类型。AirOps 的 83% 与 G2 的 45% 均为厂商或平台自行发布的观察性统计，未经独立复核；G2 数据为海外口径，不直接适用于国内平台。本文所引数据均属机制说明与观察性统计，不代表任何企业的实际结果。所述方法的作用是让既有政策可被检索与摘取，不保证询盘数量或成交结果。

参考资料

1. 《Computers & Industrial Engineering》，2026-08-19，DOI 10.1016/j.cie.2026.112192（双源采购在各中断风险水平下带来更稳定利润与更优风险对冲；同行评审）
2. McKinsey：《Supply Chain Risk Pulse 2025》（39% 双源采购、45% 增库存、33% 近岸；n=100，经第三方转述）
3. MIT Sloan Management Review（多源采购的两类问题：备选常与主供应商同区域、双供应商管理成本更高）
4. SIGIR 2026 接收论文《What Gets Cited》（25.2 万次受控实验：主题相关性与上下文位置最关键，价格信息与较新时间戳稳定正向；同行评审）
5. AirOps：《State of AI Search》2026（83% 商业引用来自一年内更新的页面；厂商发布，观察性统计）
6. G2：2026 年 B2B 买家调研（45% 认为引用评审网站最能建立信心；平台自行发布，海外口径）