跳到主要內容
Zubnet AI › 學習 › Wiki › GEO
使用AI

GEO

別名:Generative Engine Optimization、生成式引擎最佳化、AEO、LLMO
讓內容更容易被 ChatGPT、Perplexity 和 Google 的 AI Overviews 等 AI 回答引擎找到、引用和推薦的做法。

為什麼重要

越來越多的問題由 AI 系統直接回答,使用者什麼都不用點。ChatGPT、Perplexity、Gemini 和 Claude 會搜尋網路並總結找到的內容,Google 也在搜尋結果上方顯示 AI Overviews。皮尤研究中心 2025 年的一項研究發現,出現 AI 摘要時,使用者只在 8% 的造訪中點擊了搜尋結果,而沒有摘要時是 15%。

對任何依賴「被人在網路上找到」的人來說,問題從「我們排名靠前嗎?」變成了「AI 提到我們了嗎?它對我們的描述準確嗎?」

深度解析

GEO 是 Generative Engine Optimization(生成式引擎最佳化)的縮寫,是 SEO 在 AI 時代的同門兄弟。搜尋引擎最佳化的目標是讓頁面在一列連結裡排名靠前。GEO 的目標則是讓你的內容被用在 AI 生成的答案裡:被引述、被列為來源,或者被點名推薦。同樣的想法也以 AEO(Answer Engine Optimization,答案引擎最佳化)和 LLMO(LLM Optimization)的名字出售。

這個術語來自 2023 年一篇由普林斯頓大學研究者主導、發表於 KDD 2024 的研究論文,論文測試了各種改寫網頁的方法,看哪些能提高 AI 搜尋引擎採用這些網頁的頻率。

AI 搜尋如何挑選來源

大多數 AI 回答引擎都是 Agentic RAG 系統。模型把使用者的問題拆成多個搜尋查詢(常被稱為 query fan-out,查詢扇出),從傳統搜尋索引裡取回結果,閱讀排名靠前頁面中的段落,然後寫出帶引用的答案。由此帶來兩個結果。第一,傳統搜尋裡的可見度仍然重要,因為在這些子查詢下排不上名的頁面根本不會被讀到。第二,模型挑選的是段落,而不是頁面,所以被引用的往往是一段清晰、能獨立成立、回答了某個具體問題的文字。

模型本身也帶著訓練中得來的知識。一個在網路上被廣泛提及的品牌,即使不經過搜尋,也更容易被提到。

看起來有效的做法

  • 先給答案。 在每個小節靠前的位置放一個直接、能獨立成立的答案,然後再展開。
  • 補充證據。 最初的 GEO 論文發現,加入統計資料、引語和註明出處的來源最多能把可見度提高約 40%,而堆砌關鍵字沒有幫助。
  • 發布原創內容。 資料、基準測試和第一手經驗讓模型有理由引用你本人,而不是引用一篇關於你的摘要。
  • 在別處被提及。 AI 答案非常依賴第三方來源,比如 Reddit、維基百科、YouTube、評論網站和新聞報導。
  • 保持技術上可存取。 在 robots.txt 裡放行相關的爬蟲(例如 OAI-SearchBot、GPTBot、ClaudeBot 和 PerplexityBot),並以 HTML 形式提供主要內容,因為很多 AI 爬蟲不執行 JavaScript。
  • 保持更新。 對時效性強的問題,日期和最近的更新很重要。

尚未證實的做法

llms.txt 是 Jeremy Howard 在 2024 年提出的一種檔案,用來給模型提供網站的 Markdown 摘要。它很容易加入,但到目前為止幾乎沒有證據表明主流 AI 搜尋引擎依賴它。對那些承諾「保證上榜」的工具也要同樣警惕。

衡量很難

沒有穩定的排名可以追蹤。答案會因每次執行、使用者、模型和措辭的不同而變化。追蹤工具會抽樣大量提示,報告某個品牌出現的頻率,這作為趨勢有用,作為精確數字則不可靠。來自 AI 助理的引薦流量會出現在分析工具裡,但低估了實際影響,因為很多使用者從不點擊。

操縱問題

有人試圖用針對模型的隱藏文字、大量生產的頁面或在論壇裡埋下的貼文來操縱 AI 答案。這其實就是換了個名字的提示注入,AI 搜尋供應商把它當作垃圾訊息處理。它還會加劇讓整個網路變得更糟的 AI 垃圾內容。長久有效的辦法是最樸素的那個:在這個問題上成為最好的資訊來源。

← 所有術語
ESC