B端企业做GEO优化，怎么做好获客型GEO的布局？

最近和一些ToB企业聊GEO，我发现一个越来越明显的问题：大家已经不太需要别人继续解释“GEO是什么”了。真正困扰企业的，是另外一件更现实的事——豆包、DeepSeek、元宝、千问这些AI入口都在起来，内容也发了，问题库也建了，甚至已经能够在部分回答里看到自己的品牌，可公司最后还是会追问一句：这些推荐，到底怎么变成客户？

这句话其实戳中了今天很多GEO项目最尴尬的地方。

企业愿意为GEO付费，心里真正期待的通常不是“AI里多出现几次名字”。一家做企业软件、工业设备、专业服务或者咨询业务的公司，不会因为这个月品牌提及从20次涨到80次，就天然觉得增长问题解决了。它最终还是会看：有没有更多符合业务方向的人开始了解公司，有没有客户带着更具体的问题进入官网，有没有人在第一次沟通之前就已经知道公司大概能解决什么问题，有没有原本需要反复解释的事情，在客户找到企业之前已经讲清楚。

所以悦增长在看ToB企业GEO时，一直有一个比较明确的判断：

GEO如果只解决“企业有没有被AI提到”，它更接近一种新的品牌可见度；只有当GEO开始影响客户提出什么问题、看到什么企业、依据什么继续了解，并最终愿不愿意进入下一步沟通，它才真正开始接近获客。

这也是为什么“获客型GEO”值得单独拿出来讨论。

这里说的获客型GEO，并不是在每篇文章后面放一个联系方式，也不是让AI回答里频繁出现“推荐某家公司”。它真正解决的是一条更长的链路：客户先带着业务问题进入AI，AI帮助他形成初步判断，企业在正确的问题里出现，公开信息能够支撑这种推荐，客户继续核验，最终产生进一步了解的意愿。

Forrester在2026年1月公布的一项B2B买家研究中提到，94%的受访B2B买家已经在采购过程中使用AI，而且生成式AI或对话式搜索被越来越多买家视为重要信息来源。这个数据真正值得ToB企业关注的地方，并不只是“大家都在用AI”，而是客户研究供应商的动作，已经开始前移到企业看不见的地方。

过去你至少知道客户搜了哪些关键词、访问了什么落地页。现在客户可能先跟AI聊十几轮，把行业、方案、风险、供应商都研究一遍，最后才第一次搜索你的品牌。

获客正在发生在企业看不到的地方。

这才是B端企业做获客型GEO时真正需要解决的问题。

第一：获客型GEO最大的误区，是把“被推荐”直接等同于“获得客户”

我们先把一个非常容易混淆的问题说透。

假设一家SaaS企业做了三个月GEO，监测工具显示品牌推荐率从15%涨到了65%。如果只看这张图，项目当然很好看。但真正到了公司复盘会上，负责人很可能继续问：这些推荐发生在哪些问题里？问这些问题的人是不是我们的目标客户？AI为什么推荐我们？客户看到品牌以后，有没有理由继续了解？这些问题如果回答不了，65%依然只是一个中间指标。

这和过去做SEO其实很像。

关键词排名第一，不代表一定有咨询。

网站流量翻倍，也不代表商机一定翻倍。

因为从“看到”到“联系”，中间始终存在一整套判断过程。

到了AI搜索时代，这个过程反而变得更长了。

客户以前搜索“供应链管理软件”，可能需要自己打开五六个网页慢慢比较。现在他可以直接问AI：“一家有三个工厂、供应商交期经常失控、ERP已经上线的制造企业，还需不需要单独做供应链管理系统？”接下来继续追问实施周期、失败原因、厂商差异、预算和案例。

你会发现，这时候企业真正需要争取的，已经不只是“供应链管理软件推荐”这种显性的品牌问题。

更重要的是前面那一长串业务判断问题。

谁能够持续出现在这些问题里，谁才有机会在客户还没有形成供应商名单的时候进入他的认知。

所以悦增长理解的获客型GEO，第一步其实不是研究“如何提高推荐率”。

而是回答：

我们到底希望在哪些客户问题里出现？

这个问题听起来简单，实际会直接决定后面所有投入。

一家做高端工业自动化的企业，与一家卖标准化设备的企业，都可以做“自动化设备GEO”。

但它们真正应该争取的问题完全不同。

前者可能应该关注：

旧生产线自动化改造为什么容易失败？

汽车零部件工厂做自动化改造需要哪些条件？

多设备、多品牌产线怎么统一改造？

非标自动化项目为什么容易延期？

后者可能更适合：

某类设备怎么选？

不同型号差别是什么？

采购设备应该看哪些参数？

同一个行业词，背后对应的是完全不同的人群、预算与采购阶段。

所以，如果一家ToB企业做GEO的第一件事，就是让工具批量生成500个问题，然后按照搜索量或者推荐难度开始做内容，我反而会比较谨慎。

因为问题库的规模不等于获客能力。

真正有价值的问题库，应该越来越接近企业希望争取的业务。

这也是获客型GEO和单纯品牌曝光最大的区别。

品牌曝光追求“多出现”。

获客型GEO更关心：

在哪里出现，为什么出现，出现以后客户会不会继续往下走。

第二：ToB企业真正应该抢的，并不是所有问题，而是客户开始认真花钱之前的“判断窗口”

做获客型GEO还有一个很容易被忽略的问题：

企业往往太喜欢采购词。

“ERP系统推荐。”

“工业软件哪家好。”

“GEO服务商排名。”

“企业培训平台哪个好。”

因为这些问题看起来离成交最近。

过去SEO时代，所有企业都喜欢抢这些词，也有一定道理。客户已经明确知道自己要买什么，商业意图强，转化路径相对短。

但AI搜索正在让这个逻辑发生一点变化。

客户越来越可能在知道“我要买什么”之前，就开始使用AI。

他甚至不会一开始就问产品名称。

他可能先问：

为什么仓库库存一直降不下来？

为什么工厂有ERP还是经常缺料？

为什么企业培训平台上线以后没人用？

为什么公司官网有流量却没有咨询？

这类问题表面上没有明确采购意图。

可对于ToB企业来说，它们反而非常重要。

因为一个客户从“我遇到了什么问题”，走到“我应该采购什么方案”，中间存在一个形成判断的阶段。

过去企业很难进入这个阶段。

因为客户通常自己搜索、自己阅读、自己判断。

AI开始承担越来越多研究工作以后，企业第一次有机会通过公开内容参与到这个判断过程中。

这也是Forrester提到的一个值得关注的变化：超过一半的B2B买家表示，生成式AI帮助他们考虑了更多或者不同的供应商。换句话说，AI并不只是把原来的采购名单重新展示一遍，它可能改变一家企业最初进入谁的视线。

站在悦增长的角度，这其实是GEO最值得ToB企业争取的一部分价值。

真正的获客窗口，可能正在从“客户已经决定购买什么”往前移动。

举个例子。

一家企业做员工培训SaaS。

过去它可能长期围绕：

企业培训系统哪家好？

培训平台推荐。

企业学习平台排行榜。

做SEO和投放。

现在如果做获客型GEO，我会更愿意向前多看几层：

新员工培训资料太乱怎么办？

全国门店培训内容怎么统一？

业务经验为什么很难沉淀？

培训做了很多但员工记不住怎么办？

门店员工流动快怎么降低培训成本？

你会发现，越往前走，问题越不像“营销词”。

可这些问题恰恰来自真实经营。

一个企业负责人如果正在认真问这些问题，背后已经可能存在预算，只是他还没有把问题定义成“我要买一个培训系统”。

谁能够在这个阶段提供有价值的解释，谁就更有机会进入后续选择。

所以获客型GEO不应该只围绕产品名称做一层问题库。

更合理的结构应该覆盖客户整个判断过程：

从问题发生，到理解原因，到寻找方案，到比较路径，到核验供应商，再到确认实施条件。

问题越靠前，企业负责教育市场和建立认知。

问题越靠后，企业负责证明自己适合。

这才是一条完整的GEO获客路径。

第三：如果企业官网接不住客户，GEO做得越好，浪费可能越大

这一点我觉得是目前很多GEO项目特别容易忽略的。

大家都在研究：

豆包怎么推荐我。

DeepSeek怎么引用我。

元宝怎么出现品牌。

但很少有人反过来问：

客户真的因为AI对我产生兴趣以后，到了官网会看到什么？

这个问题对于ToB企业尤其重要。

因为ToB客户很少会看到一次AI推荐就立刻提交联系方式。

他大概率还会继续查。

查官网。

查案例。

查解决方案。

查公司信息。

查具体产品。

甚至继续回到AI问：

这家公司靠谱吗？

它有没有做过类似项目？

跟另外两家公司有什么区别？

如果AI第一次给了你一次机会，官网却还是五年前那套企业宣传结构，这个机会很容易被浪费。

典型的ToB官网是什么样？

首页写：

“科技赋能未来。”

“行业领先数字化解决方案。”

“专注创新，为客户创造价值。”

服务页面写了一堆功能。

案例只有客户Logo。

新闻中心全是公司团建、领导参观和签约新闻。

站在公司内部看，信息似乎很多。

站在一个第一次了解你的客户面前，他真正想知道的事情却没有几个得到回答：

你最适合什么企业？

到底解决什么问题？

有没有类似项目？

项目是怎么做的？

最后发生了什么变化？

跟其他方案有什么不同？

有哪些限制？

大概需要什么前提？

如果这些问题没有答案，AI把客户带到官网，也只是把客户带到了下一次困惑。

所以我们看获客型GEO时，会把官网看得非常重。

原因不复杂：

AI推荐负责把企业带进客户的候选范围，官网负责让客户有理由继续研究。

这两个动作少一个都很难形成完整获客。

Gartner在2026年3月关于B2B网站与AI搜索的研究摘要里提出一个很值得注意的变化：随着买家越来越依赖AI参与采购研究，供应商网站可能面对更少的访问，但留下来的访问反而可能拥有更高的转化价值。这个判断对ToB企业很重要，因为未来企业可能会发现，网站总流量没有过去那么漂亮了，但真正进入官网的人，对企业已经有了更多前置认知。

所以未来评估官网，不能只问：

流量涨没涨？

还要问：

进入官网的人，是不是越来越接近我们真正想要的客户？

这也是为什么获客型GEO一定需要官网参与。

Google在2026年关于生成式AI搜索优化的官方说明里依然强调，SEO的基础能力继续有效，包括可抓取、可索引、内部链接、清晰文本、可靠内容和与页面一致的结构化数据。也就是说，即便搜索界面越来越AI化，企业自己的网站依然需要成为一块稳定、清晰、可访问的信息资产。

对于ToB企业，这意味着一个很现实的布局顺序：

AI外部推荐做得越积极，企业内部的信息承接越不能落后。

否则GEO只是在扩大一个漏斗最上面的入口。

下面漏得更快。

第四：获客型GEO真正需要建设的，是一套“客户能够继续判断”的内容资产

说到这里，会出现另一个问题。

那到底应该生产什么内容？

这也是GEO项目特别容易重新掉回“批量写文章”的地方。

很多企业一听要做内容，就开始规划：

一个月30篇。

一年360篇。

覆盖多少关键词。

覆盖多少问题。

数字很完整。

但如果你站在客户这一边，会发现他其实根本不关心你今年写了多少篇。

他只关心：

我现在这个问题，你有没有东西能让我继续判断。

所以悦增长在看获客型GEO时，更愿意把内容分成另外一种逻辑。

第一类，是问题内容。

它回答客户为什么遇到这个问题、问题有哪些典型原因、什么情况下值得处理。

第二类，是方案内容。

它帮助客户理解有哪些不同解决路径，每种路径适合什么情况。

第三类，是判断内容。

它回答客户如何比较方案，应该看什么，哪些条件容易被忽略。

第四类，是证明内容。

案例、项目记录、实施过程、数据、客户场景、产品能力都属于这里。

第五类，是边界内容。

什么企业适合，什么情况暂时不适合，哪些能力需要额外条件，哪些结果不能简单承诺。

你会发现，这五种内容对应的并不是五种SEO模板。

它们对应的是客户在整个决策过程中不断产生的问题。

如果企业能够持续补齐这些信息，内容数量不一定夸张，但企业的“可判断程度”会明显提高。

这也是我认为AI时代内容资产最大的变化。

过去企业写内容，很容易围绕“我要表达什么”。

今天做获客型GEO，更需要围绕：

客户需要什么信息才能继续往下判断。

这两种出发点看起来差别很小。

最后做出来的内容完全不同。

前者容易出现大量：

我们有什么优势。

我们的技术多么领先。

我们获得什么奖。

后者会逼着企业回答：

客户为什么会遇到这个问题？

什么情况下适合我们？

已经做过哪些类似场景？

哪些条件决定项目效果？

什么时候不建议选择我们？

后者更难。

但对AI和真实客户都更有价值。

Bing在2026年上线AI Performance时，也把页面深度、清晰结构、证据、内容新鲜度和减少歧义明确列为提升AI引用质量的重要方向，同时特别强调引用次数本身并不等于排名、权威性或页面在答案中的具体地位。

这个区别非常重要。

被引用，是内容进入AI答案。

被客户接受，是内容帮助客户继续判断。

获客型GEO真正要解决的是后者。

第五：ToB企业最容易低估的一件事，是“证据”比品牌口号更接近获客

做GEO以后，很多企业会越来越明显地暴露一个以前不太被重视的问题：

企业说了很多话，却没有多少能够证明的话。

官网说：

“行业领先。”

AI会继续问：

依据是什么？

企业说：

“服务众多头部客户。”

能不能公开哪些客户类型？

企业说：

“提升企业效率。”

具体提升了什么？

企业说：

“拥有丰富行业经验。”

经验发生在哪些行业、哪些项目、哪些场景？

过去传统营销里，很多模糊表达可以作为品牌语言存在。

AI搜索越来越擅长综合信息以后，单纯口号的价值会继续下降。

因为AI需要形成答案。

一个答案要推荐某家公司，就需要能够找到理由。

这也是为什么我们会反复强调：

ToB GEO很大一部分工作，其实是在帮助企业把“我觉得自己很好”，逐渐变成“外部能够找到为什么我值得考虑”。

案例在这里就特别重要。

可很多企业的案例页面，实际上根本没有承担证明作用。

客户名称。

一张Logo。

合作愉快。

项目成功上线。

结束。

客户真正想知道的却是：

他原来遇到了什么问题？

为什么选择这种方案？

项目怎么推进？

遇到过什么困难？

做了哪些调整？

最后什么发生了变化？

企业在其中承担了什么能力？

这些内容过去可能只存在项目负责人脑子里。

或者散落在方案、PPT、汇报记录和群聊里。

如果不把它们转成公开的信息资产，AI没有办法凭空知道。

所以我越来越觉得，真正做深GEO以后，企业最后都会撞到一个有意思的问题：

GEO看起来是在优化AI搜索，做深以后却会逼企业重新整理自己的业务资产。

这也是获客型GEO比单纯做品牌出现更难的原因。

要让品牌出现，可以靠传播。

要让客户愿意继续了解，必须有东西支撑。

第六：获客型GEO还需要解决一个被忽略的问题：客户看到了你，下一步去哪里？

很多项目做到了这里，其实已经比普通GEO完整很多了。

问题库有了。

内容有了。

官网也调整了。

但依然可能没有产生明显咨询。

为什么？

因为客户的下一步动作没有被设计。

这不是说每篇文章都要放一句“立即联系我们”。

那样反而很像广告。

真正的问题是：

客户看完以后，有没有一个合理的下一步？

假设他正在研究：

企业什么时候值得开始做GEO？

看完一篇文章以后，他最大的疑问可能并不是“我要不要马上买服务”。

他更可能想知道：

我们公司现在在AI里到底是什么状态？

哪些问题已经有品牌？

哪些问题没有？

AI现在怎么介绍我们？

官网有没有明显的信息缺口？

这时候，一份GEO现状诊断，比一句“联系我们获得解决方案”自然得多。

再比如客户研究工业自动化项目。

看完内容以后，他可能想进一步确认：

我的产线适不适合改？

这种场景有没有类似案例？

需要提供哪些资料才能初步判断？

这时候下一步就应该围绕这些问题设计。

所以悦增长认为，获客型GEO里面应该有一个非常重要的概念：

下一步信息需求。

客户每看完一层内容，都会产生下一层信息需求。

企业要做的，就是让这条路径尽量不断。

问题内容后面接方案。

方案后面接案例。

案例后面接能力。

能力后面接诊断、资料、咨询或者进一步沟通。

整个过程不需要很强的销售味。

它只是顺着客户自己的判断往下走。

这也是为什么获客型GEO不能只交给内容团队做。

它最终一定会碰到官网结构、页面路径、案例、表单、资料、咨询入口以及客户反馈。

因为企业最终需要解决的是：

从AI第一次提到品牌，到客户真正愿意留下联系方式，中间还有哪些理由没有被补齐。

第七：真正的获客型GEO，必须把“咨询反馈”重新送回内容体系

这一点可能是整套方法里最重要，也最容易被忽略的一环。

很多企业做内容，是单向的。

市场写。

发布。

看流量。

继续写。

但客户真正提出的问题，其实一直在另外一个地方产生。

比如：

客户第一次沟通时最常问什么？

为什么有些客户看完方案以后迟迟不推进？

大家总把哪项能力理解错？

什么问题解释了很多遍？

哪些客户一开始以为适合，最后发现不适合？

什么案例一讲，客户立刻就明白？

这些信息才是企业最宝贵的问题库。

如果它们不能回到GEO内容体系，企业就只能永远靠猜客户在问什么。

所以获客型GEO真正成熟以后，会形成一个闭环：

AI和搜索帮助企业进入客户视线。

客户进入官网进一步研究。

部分客户开始咨询。

咨询暴露新的问题。

新的问题重新变成官网页面、案例和内容。

更新后的公开信息又进入下一轮AI搜索。

这套循环才是ToB企业真正可以长期积累的东西。

它和单纯“每个月交30篇文章”最大的区别就在这里。

前者会随着时间越来越懂客户。

后者有可能只是随着时间越来越多。

对高客单ToB业务来说，这个区别非常关键。

因为很多行业的客户数量本来就不大。

一年可能真正值得追的客户只有几百家。

企业根本不需要获得十万个泛流量用户。

它真正需要的是：

让那几百个有真实问题的人，在研究过程中更容易遇到企业，并且越来越容易确认这家公司值得继续了解。

这也是获客型GEO最适合ToB的原因。

ToC很多时候需要规模。

ToB更需要匹配。

第八：所以获客型GEO到底怎么布局？我会把它看成五层，而不是一个“发内容项目”

讲到这里，才能真正回答标题里的问题。

B端企业做GEO优化，到底怎么做好获客型GEO布局？

如果一定要把它压缩成一个比较清楚的结构，悦增长会把它理解成五层。

第一层是客户问题层。

找到企业真正希望争取的客户，在问题发生、理解原因、寻找方案、比较供应商、核验证据几个阶段分别会问什么。

第二层是企业事实层。

检查公司目前有哪些公开事实能够支撑AI推荐：产品、场景、案例、解决方案、资质、项目经验、行业经验、服务边界。

第三层是内容与信源层。

把这些事实变成官网页面、案例、文章、行业内容以及适当的外部公开信源，让AI和客户能够找到，并且不同来源之间尽量保持一致。

第四层是承接层。

当客户通过AI对企业产生兴趣以后，官网必须能够继续回答他的下一层问题，并提供合理的进一步了解路径。

第五层是反馈层。

持续观察AI在什么问题里提到企业、引用哪些页面、客户从哪里进入、咨询质量怎样，以及真实客户又产生了哪些新问题，然后重新修正前面四层。

这五层真正连起来以后，GEO才开始从“内容项目”变成“获客系统”。

这里还有一个特别重要的边界。

没有任何一家服务商能够保证某个AI平台在每一次回答里固定推荐某家公司。

Google自己的AI搜索文档也明确说明，满足技术要求和最佳实践，并不意味着一定会被抓取、索引或者展示；不同AI功能使用的模型和技术不同，结果也会变化。

所以获客型GEO真正能够被企业控制的，不是一次具体回答。

企业真正能够控制的是：

我们有没有覆盖正确的问题。

有没有足够的业务事实。

这些事实能不能被公开访问。

有没有持续补充证据。

客户来了以后能不能接住。

效果不好时能不能找到问题。

这才是值得长期投入的部分。

第九：衡量获客型GEO，最危险的做法，是拿一个漂亮数字解释所有结果

最后还要聊一个企业迟早会遇到的问题：

这件事情到底怎么考核？

如果只看品牌推荐率，很容易偏。

只看AI引用，也不够。

只看官网流量，也可能误判。

因为AI搜索正在改变流量本身的意义。

过去用户需要自己访问网站才能获得信息。

现在一部分基础答案直接在AI里完成。

所以未来ToB企业可能会发现一个看起来很矛盾的情况：

网站流量没有明显暴涨。

真正进入网站的人反而更认真。

Gartner在2026年的研究摘要里同样提到，AI参与采购研究后，供应商网站可能面临更少访问，但访问者的转化价值可能提高。Forrester也把这一趋势概括为B2B领域正在出现越来越明显的“零点击购买研究”。

所以悦增长更愿意把获客型GEO拆成五个观察层级：

AI有没有引用和提及企业。

企业出现在哪些客户问题里。

哪些页面成为AI引用或客户进一步访问的入口。

AI相关访问、品牌搜索、直接访问有没有变化。

最终咨询的数量、质量以及客户对企业的前置认知有没有变化。

前面三层解决“有没有进入客户判断”。

后面两层开始接近“有没有产生商业价值”。

这五层不能保证每一次变化都有清晰因果。

但至少比拿一个“推荐率80%”解释整个项目更接近真实经营。

Bing在2026年推出AI Performance时，也明确提醒：引用次数反映的是内容被AI作为来源展示的频率，并不代表排名、权威性或者页面在单次回答中的位置。

这其实给整个GEO行业提了一个很好的醒：

能够测量，不代表已经解释。

企业真正需要的是从指标继续往下追。

为什么涨？

涨在哪里？

这些问题重要吗？

客户有没有继续行动？

如果没有，问题在哪里？

一套GEO体系能持续回答这些问题，它才真正具有经营价值。

第十：B端企业真正需要的获客型GEO，是让客户越来越少“从零认识你”

所以回到最开始那个问题。

B端企业为什么要做获客型GEO？

我觉得答案并不只是为了抢一波AI搜索红利。

如果只是把GEO理解成新的流量入口，企业最后很容易重新走回SEO早期那条老路：

抢词。

堆内容。

看排名。

追流量。

然后再问为什么没有转化。

AI搜索真正值得ToB企业认真研究的地方，是它正在进入客户做判断的前半程。

客户第一次联系我们之前，可能已经问过AI十几个问题。

已经知道行业有哪些方案。

已经研究过几个品牌。

已经大概了解某些优缺点。

甚至已经形成了一套初步判断。

这意味着企业未来获客会越来越出现一个新的分化。

有些客户第一次联系你时，还需要从头解释：

我们是谁。

我们能做什么。

为什么要做。

有什么价值。

另一些客户第一次联系你时，可能已经说：

我看到你们做过某类项目，我们现在也有类似问题，我想确认一下这个场景能不能做。

这两个客户对于ToB企业来说，价值完全不同。

后者的出现，并不一定全部来自GEO。

但GEO正在提供一种新的可能：

让企业在客户正式接触之前，就参与他对问题和供应商的理解。

这就是我理解的获客型GEO。

它不追求把每个看到内容的人都变成线索。

也不追求所有问题里都必须出现品牌。

真正重要的是，企业希望争取的客户，在越来越多关键问题上能够找到你；找到以后能够看到足够准确的业务信息；继续查的时候能够得到案例和证据；到了官网以后知道下一步可以了解什么。

长期下来，企业留下的也不应该只是一套AI推荐截图。

应该是一套越来越完整的客户问题库。

一批越来越扎实的产品与案例内容。

一个越来越能承接客户判断的官网。

一套越来越一致的公开信息。

以及一套能够持续从咨询反馈里更新内容的方法。

这也是悦增长一直更看重“官网+SEO+GEO+内容”一起工作的原因。

单独拿任何一环出来，都可以制造一个漂亮指标。

只有把它们连起来，才有机会真正影响获客。

所以如果一家B端企业今天准备开始做GEO，我反而不会首先问：

“我们要做多少篇文章？”

我会先问：

如果一个真正有需求的客户今晚打开豆包、DeepSeek或者千问，把困扰他很久的问题讲出来，我们希望AI在什么问题上想到我们？当AI真的把我们放进答案以后，互联网上又有没有足够的内容，让这个客户继续相信自己的判断？

这两个问题能够回答清楚，获客型GEO才真正有了起点。

剩下的优化、内容、信源、官网和监测，都只是把这个判断一点一点做实。

而这，可能也是AI搜索时代ToB企业真正需要重新理解的“获客”：

客户还没有联系你之前，竞争其实已经开始了。