跳到主要内容
Zubnet AI › 学习 › Wiki › GEO
使用AI

GEO

别名:Generative Engine Optimization、生成式引擎优化、AEO、LLMO
让内容更容易被 ChatGPT、Perplexity 和 Google 的 AI Overviews 等 AI 回答引擎找到、引用和推荐的做法。

为什么重要

越来越多的问题由 AI 系统直接回答,用户什么都不用点。ChatGPT、Perplexity、Gemini 和 Claude 会搜索网络并总结找到的内容,Google 也在搜索结果上方显示 AI Overviews。皮尤研究中心 2025 年的一项研究发现,出现 AI 摘要时,用户只在 8% 的访问中点击了搜索结果,而没有摘要时是 15%。

对任何依赖“被人在网上找到”的人来说,问题从“我们排名靠前吗?”变成了“AI 提到我们了吗?它对我们的描述准确吗?”

深度解析

GEO 是 Generative Engine Optimization(生成式引擎优化)的缩写,是 SEO 在 AI 时代的同门兄弟。搜索引擎优化的目标是让页面在一列链接里排名靠前。GEO 的目标则是让你的内容被用在 AI 生成的答案里:被引述、被列为来源,或者被点名推荐。同样的想法也以 AEO(Answer Engine Optimization,答案引擎优化)和 LLMO(LLM Optimization)的名字出售。

这个术语来自 2023 年一篇由普林斯顿大学研究者牵头、发表于 KDD 2024 的研究论文,论文测试了各种改写网页的方法,看哪些能提高 AI 搜索引擎采用这些网页的频率。

AI 搜索如何挑选来源

大多数 AI 回答引擎都是 Agentic RAG 系统。模型把用户的问题拆成多个搜索查询(常被称为 query fan-out,查询扇出),从传统搜索索引里取回结果,阅读排名靠前页面中的段落,然后写出带引用的答案。由此带来两个结果。第一,传统搜索里的可见度仍然重要,因为在这些子查询下排不上名的页面根本不会被读到。第二,模型挑选的是段落,而不是页面,所以被引用的往往是一段清晰、能独立成立、回答了某个具体问题的文字。

模型本身也带着训练中得来的知识。一个在网络上被广泛提及的品牌,即使不经过搜索,也更容易被提到。

看起来有效的做法

  • 先给答案。 在每个小节靠前的位置放一个直接、能独立成立的答案,然后再展开。
  • 补充证据。 最初的 GEO 论文发现,加入统计数据、引语和注明出处的来源最多能把可见度提高约 40%,而堆砌关键词没有帮助。
  • 发布原创内容。 数据、基准测试和第一手经验让模型有理由引用你本人,而不是引用一篇关于你的摘要。
  • 在别处被提及。 AI 答案非常依赖第三方来源,比如 Reddit、维基百科、YouTube、点评网站和新闻报道。
  • 保持技术上可访问。 在 robots.txt 里放行相关的爬虫(例如 OAI-SearchBot、GPTBot、ClaudeBot 和 PerplexityBot),并以 HTML 形式提供主要内容,因为很多 AI 爬虫不执行 JavaScript。
  • 保持更新。 对时效性强的问题,日期和最近的更新很重要。

尚未证实的做法

llms.txt 是 Jeremy Howard 在 2024 年提出的一种文件,用来给模型提供网站的 Markdown 摘要。它很容易添加,但到目前为止几乎没有证据表明主流 AI 搜索引擎依赖它。对那些承诺“保证上榜”的工具也要同样警惕。

衡量很难

没有稳定的排名可以追踪。答案会因每次运行、用户、模型和措辞的不同而变化。追踪工具会抽样大量提示,报告某个品牌出现的频率,这作为趋势有用,作为精确数字则不可靠。来自 AI 助手的引荐流量会出现在分析工具里,但低估了实际影响,因为很多用户从不点击。

操纵问题

有人试图用针对模型的隐藏文字、批量生产的页面或在论坛里埋下的帖子来操纵 AI 答案。这其实就是换了个名字的提示注入,AI 搜索提供商把它当作垃圾信息处理。它还会加剧让整个网络变得更糟的 AI 垃圾内容。长久有效的办法是最朴素的那个:在这个问题上成为最好的信息来源。

← 所有术语
ESC