一位做工业测量的朋友最近接了个奇怪的咨询。客户在 AI 里问：「你们那个 XX-200 型号，量程是多少？」AI 答了一个数字，还附了精度。
问题是，那个数字是别家的。客户拿着 AI 的答案过来对质，说你们官网上的参数不一致，怀疑是虚标。
他们去查了一下，发现真正的原因很朴素：参数只写在一张图片和一份 PDF 附件里。网页上从头到尾没有一行能读的文字参数。
不是 AI 算错，是它没读到你写的那张表
AI 读取内容，靠的是文本结构和伴随的文字信息——HTML 里的文字、表格、标题层级，以及图片的文字说明。而参数恰恰是很多制造业网站上最”不具文本形态”的内容：做成图片贴上去，塞进 PDF 附件，或者在宣传册里排版。
把这些内容放在图片和 PDF 里，对人没有损失，但对机器来说等于没写。
同一个参数，写在三种地方，结果差很多
这不是说图片不重要。产品实拍、结构图、接线图都有价值，但它们解决的是”人信不信”，不是”机器读不读得到”。
把参数写成「可以逐字段引用」的样子
客户用 AI 选型时，问的都是具体到字段的问题。对照下面三列改一遍，效果最直接：
| 客户会问的 | 现在常见的写法 | 改成这样 |
|---|---|---|
| 量程、精度、防护等级分别多少 | 一张参数图片，或者一份 PDF 附件 | 一张网页表格，一个型号一行，每个字段一列 |
| 这个型号能不能测某种介质 | 写在宣传册里，或者只在销售话术里 | 在型号页单独写一段：「适用介质 / 不适用介质」 |
| 和上一代型号差在哪 | 没有对比，或者散落在两页之间 | 一行对比表：替换型号、关键差异、适配工况 |
还有一条容易被忽略：把口径写完整。精度只写「±0.5%」是不够的，要写清是满量程还是读数、在什么温度下、包含不包含重复性误差。口径含糊的参数，AI 要么不敢引用，要么引错。
三类内容建议分开成页
仪器仪表的提问可以归成三类，混在一页里谁都读不透：
- 选型页：回答”我这个工况该用哪个型号”，给出判断条件而不是只列型号。
- 参数对比页：把同系列型号的差异做成一张表，方便被逐行抽取。
- 口径与误差说明页：把精度、温漂、重复性、标定方式讲清楚，这类页面最容易被专业买家引用。
为什么这个行业格外要重视
仪器仪表的采购决策链很长：工程师选型、采购比价、技术验证、再走审批。这条链上的每一环都在用 AI 提问，而且问得非常具体——具体到型号和字段。
问题在于：一旦 AI 把参数说错了，错的不只是那一个数字。它很可能把别家的型号和参数一起讲给你客户听，顺便完成了一次竞品推荐。
发布前的自查清单
- 核心型号的量程、精度、输出、接口、防护等级，网页上有没有文字表格；
- 参数是不是只存在于图片或 PDF 里；
- 精度有没有写清口径（满量程/读数、温度条件、包含项）；
- 有没有「适用 / 不适用介质」这类边界说明；
- 同系列型号之间有没有一张对比表；
- 图片有没有写清 alt，说明这张图是什么型号的什么参数。
常见问题
参数是我们的技术秘密，全公开会不会被同行抄
抄不走的是工艺和产能。真正该公开的是「客户用来选型的那一层」：量程、精度、输出方式、接口类型、防护等级。行业里更稳的做法是公开型号族的参数，把定制部分留在询价环节。
我们参数表本来就是 PDF，客户也看习惯了
给客户看 PDF 没问题，但要在网页上再写一遍 HTML 表格。机器读的是网页里的文字结构，PDF 和图片恰恰是它最不擅长的地方——同一份参数，换个地方写，被读到的完整度差很多。
型号太多，每个都做一页太费劲
按「型号族」做，不做单品。一个系列一页参数表，加一张型号对比表，基本上能覆盖八成的选型提问。
怎么知道 AI 有没有说错我们的参数
固定一批型号问题（比如「XX 型号的量程、精度、防护等级」），逐平台记录 AI 的回答，再和官网口径比对。哪一项错了，通常说明那一项在网页上没写清楚。
延伸阅读
参数写在图片里，客户看得见，机器看不见。而下一个替你报价的人，往往就是那个机器。