提问短，但条件硬
本地提问通常包含三样：位置（附近、某个区域）、场景（复诊、带小孩、周末）、顾虑（排队、售后、方便与否）。内容里没有这些词，模型就缺少把这家店归进答案的理由。
先做信息收敛，再做内容
门店基础信息的一致性是前置条件。地址写法、营业时间、可做项目、价格区间、分院之间怎么分工，这些在点评、地图、公众号、官网上往往是五个版本。模型面对互相矛盾的数据，通常选择整体不引用。
把服务流程写出来
到店类提问里，「方不方便」的出现频率高于「便不便宜」。需要提前多久预约、能不能改期、复诊走什么流程、有没有异地分院能接——这些描述得越具体，越容易被写进回答的建议部分。
分店要单独处理
多门店品牌常犯的错误是只有一份总店介绍。城市或区域层面的提问需要按门店粒度回答，所以每家分院都得有自己的基础信息与适用场景描述，并且口径同源。