# GEO.Fan — Full Content Bundle > Generative Engine Optimization documentation. Pages below are in publication order. Source: https://www.geo.fan/ --- # 什么是 GEO？ Source: https://www.geo.fan/zh/getting-started/what-is-geo/ 深入了解生成引擎优化（GEO）的核心概念，掌握在 AI 时代内容优化的全新方法。 **核心概念：** GEO（Generative Engine Optimization）是专门针对 ChatGPT、Claude、Gemini、Perplexity、Google AI Overviews 等生成式 AI 引擎和 AI 搜索产品的内容优化策略。 **关于术语**：业内对这件事有多种叫法 —— GEO（Generative Engine Optimization）、AEO（Answer Engine Optimization）、AIEO（AI Engine Optimization）、Agentic Engine Optimization、LLMO（LLM Optimization），本质上都在解决同一个问题：如何让你的内容被 AI 引擎引用。本站统一使用 **GEO**，详细对照见 [核心概念](/zh/getting-started/core-concepts/#术语对照)。 ## GEO 的定义 **生成引擎优化（Generative Engine Optimization，简称 GEO）** 是一种面向生成式 AI 引擎的内容优化方法。涵盖三类流量入口： 1. **对话型 AI 助手**：ChatGPT、Claude、Gemini、Copilot、Qwen 等 2. **AI 搜索引擎**：Perplexity、ChatGPT Search、You.com 等 3. **搜索引擎中的 AI 摘要层**：Google AI Overviews / AI Mode、Bing 生成式答案、百度生成式搜索 与传统 SEO 不同，GEO 关注的是如何让您的内容被 AI 引擎理解、信任并**引用**给用户——不只是出现在搜索结果列表里，而是成为 AI 答案文本中被直接复述或链接的来源。 > "在 AI 时代，内容不仅要被搜索引擎发现，更要被生成引擎理解和信任。" ## 为什么需要 GEO？ ### AI 引擎的崛起（有数据支持） | 指标 | 数据 | 来源 | |---|---|---| | ChatGPT 月活 | **8.91 亿**（占总搜索 17.6%） | [SparkToro 2025](https://sparktoro.com/) | | AI 搜索流量同比 | **+527%** | BrightEdge 2025 | | Google 搜索不点击率 | **60%** | SparkToro 2025 | | SEO 与 GEO 排名重叠率 | **仅 12%** | Ahrefs 2025 | | AI 引用访客转化率 | 是普通搜索的 **4.4–23×** | BrightEdge 2025 | 也就是说：**传统 SEO 排得好不等于 AI 答案里能看到你**——两个游戏只有 12% 重叠，必须各自优化。详细引用见[资源中心 → 关键行业数据](/zh/tools/resources/#关键行业数据带出处)。 ### 学术界已经量化了优化策略的效果 KDD 2024 上 IIT Delhi + Princeton 发布的 [GEO: Generative Engine Optimization](https://arxiv.org/abs/2311.09735) 论文用 GEO-bench（10000 query 基准）实测了七种优化手法在多个 AI 引擎上的可见度提升： | 优化策略 | AI 可见度提升 | |---|---| | 源强调 / Source Emphasis（粗体标注、显式归因） | **+115%** | | 引用权威来源（Cite Credible Sources） | **+43%** | | 专家引述 / Expert Quotes（带署名身份） | **+41%** | | 嵌入统计数据（Add Statistics） | **+33% ~ +40%** | | 行内引用 / Inline Citations（[1][2][3] 编号引用） | **+30%** | | 权威信号 / Authority Signaling | **+25%** | | 答案优先结构（Answer-first / TL;DR） | **+18%** | | 技术术语优化 | +11% | | 关键词堆砌（Keyword Stuffing） | **-22%（负效果）** | 这套数据直接构成了本站[内容策略](/zh/best-practices/content-strategy/)和[检测工具](/zh/tools/geo-checker/)的方法论基础。Princeton 团队在论文中提出 **PAWC**（Position-Adjusted Word Count）作为可见度的量化指标——既算字数，也算位置。 ### 三个反直觉的强力数据点 来自 BestAEOSkill / ThatMarketingBuddy 等社区综述的 2025–2026 数据： | 现象 | 数据 | |---|---| | **匿名作者文章的引用率** | **-60%**（相比有署名+资历的同等内容） | | **AI 引用来自搜索结果前 10 的比例** | **76.1%** —— SEO 仍然是地基 | | **< 30 天的内容获得的引用倍数** | 比 90+ 天旧内容 **×3.2** | | **未季度更新的页面** | 失去引用的概率 **×3** | | **earned media 占 AI 引用的比例** | **85%**（unpaid 来源占 95%） | | **NAP 不一致对本地 AI 引用的影响** | **-40%** | 意思是：**作者署名、SEO 地基、内容新鲜度、第三方报道**这四件事，比"再加几条 FAQ"重要得多。 ## GEO 的核心原理 ### 1. 权威性（Authority） 生成引擎更倾向于引用权威、可信的内容源。建立内容权威性需要： * 提供准确、最新的信息 * 引用可靠的数据来源 * 展示专业知识和经验 * 获得行业认可和引用 ### 2. 相关性（Relevance） 内容必须与用户查询高度相关，满足用户的真实需求： * 深度理解用户意图 * 提供全面的答案 * 使用自然语言表达 * 覆盖相关的子话题 ### 3. 结构性（Structure） 清晰的内容结构帮助 AI 引擎更好地理解和提取信息： * 使用清晰的标题层次 * 添加结构化数据标记 * 逻辑清晰的内容组织 * 关键信息的突出显示 ### 4. 用户价值（Value） 内容必须为用户提供独特价值，解决实际问题： * 提供可操作的建议 * 分享独特见解 * 解决具体问题 * 节省用户时间 ## GEO vs 传统 SEO | 对比维度 | 传统 SEO | GEO 优化 | |---------|---------|---------| | 优化目标 | 搜索引擎排名 | AI 引擎理解和推荐 | | 内容焦点 | 关键词密度和外链 | 语义理解和用户价值 | | 用户体验 | 点击率和停留时间 | 直接答案和问题解决 | | 技术要求 | 页面速度和移动适配 | 结构化数据和语义标记 | > "GEO 不是要替代 SEO，而是在 AI 时代的必要补充和进化。" ## 开始您的 GEO 之旅 现在您已经了解了 GEO 的基本概念，是时候开始实践了。我们为您准备了完整的学习路径： ### 快速入门指南 通过实际案例快速掌握 GEO 优化的基本方法和技巧。 [开始学习](/zh/getting-started/quick-start/) ### 深入理解原理 深入了解生成引擎的工作机制，掌握优化的理论基础。 [深入学习](/zh/fundamentals/how-generative-engines-work/) **实践建议：** 理论学习很重要，但实践更关键。建议您边学习边使用我们的 [GEO 检测工具](/zh/tools/geo-checker/) 来分析和优化您的内容。 --- # GEO vs SEO：搜索优化的新纪元 Source: https://www.geo.fan/zh/getting-started/geo-vs-seo/ ## 什么是 GEO？ GEO（Generative Engine Optimization，生成引擎优化）是一种新兴的优化策略，专门针对 ChatGPT、Claude、Gemini 等生成式 AI 引擎进行内容优化。与传统 SEO 不同，GEO 的目标不是提高搜索排名，而是让您的内容更容易被 AI 理解、引用和推荐。 > "在 AI 驱动的搜索时代，最重要的不是排在第一位，而是成为 AI 的首选答案来源。" ## 核心差异对比 | 方面 | 传统 SEO | GEO 优化 | |------|---------|--------| | 优化目标 | 提高搜索结果排名 | 成为 AI 的首选信息源 | | 核心策略 | 关键词匹配、外链建设、技术优化 | 语义优化、结构化数据、权威性建设 | | 用户行为 | 点击链接访问网站 | 直接获得 AI 生成的答案 | | 成功指标 | 排名位置、点击率、流量 | 引用频率、答案质量、品牌提及 | 这种差异反映了搜索行为的根本性变化。用户不再满足于获得一堆链接，而是希望直接得到准确、完整的答案。AI 引擎正在成为新的信息门户，它们不仅搜索信息，更重要的是理解、整合和生成答案。 > "GEO 的本质是让机器更好地理解人类的知识，而不仅仅是匹配关键词。" ## 为什么 GEO 变得重要？ ### AI 搜索的普及 越来越多的用户开始使用 ChatGPT、Claude 等 AI 工具进行信息搜索，这些工具提供的是直接答案而非链接列表。 ### 搜索意图的变化 用户的搜索意图从"找到相关页面"转变为"获得准确答案"，这要求内容创作者重新思考优化策略。 ### 竞争格局的改变 在 AI 生成的答案中，只有最权威、最准确的信息源才会被引用，这使得内容质量比以往任何时候都更加重要。 **实践建议：** 不要完全放弃 SEO，而是在 SEO 基础上增加 GEO 策略。两者结合才能在新旧搜索时代都保持竞争力。 ## GEO 优化的核心原则 ### 1. 权威性优先 AI 引擎更倾向于引用权威、可信的信息源。建立专业权威性比关键词密度更重要。这包括作者专业背景、内容深度、引用来源的质量等。 ### 2. 结构化表达 使用清晰的结构化数据和语义标记，帮助 AI 更好地理解内容的层次和关系。这不仅包括技术层面的 Schema.org 标记，也包括内容组织的逻辑性。 ### 3. 语义丰富性 关注概念之间的关系和上下文，而不仅仅是关键词。AI 引擎能够理解同义词、相关概念和语义关联，因此内容的语义丰富性比关键词重复更有价值。 > "成功的 GEO 策略不是欺骗算法，而是真正帮助 AI 更好地理解和传播有价值的知识。" ## 下一步行动 理解了 GEO 与 SEO 的区别后，您可以开始制定针对性的优化策略。建议从以下几个方面开始： * 审核现有内容的权威性和准确性 * 优化内容结构，提高可读性和逻辑性 * 添加结构化数据标记 * 建立专业声誉和引用网络 * 监控内容在 AI 引擎中的表现 在接下来的章节中，我们将详细介绍每个方面的具体实施方法和最佳实践。 --- # GEO 优化快速入门指南 Source: https://www.geo.fan/zh/getting-started/quick-start/ **TL;DR**：GEO 优化分三步走 —— 先评估内容现状找短板，再做最高 ROI 的基础优化（结构 + 引用 + TL;DR + 结构化数据），最后用业界标准 KPI 跟踪效果并定期迭代。本页用 30 分钟带你跑完第一轮。 ## 学习目标 完成本指南后，你将能够： - 识别 GEO 优化机会，知道先动哪几个 - 实施基础优化策略，立即提升 AI 可见度 - 用业界标准 KPI 监控效果，形成迭代循环 ## 三步法 1. ### 评估内容现状 在开始 GEO 优化之前，先评估现有内容在 AI 引擎中的"被引用潜力"。不要急着改，先看清问题。 **内容评估清单**： - **权威性**：是否有明确的作者署名、发布日期、可信来源？引用是否链向具体文章 URL（不是首页）？ - **结构清晰度**：标题层次合理吗？H1 是否唯一？关键信息有用列表 / 表格 / 定义块组织吗？ - **快速答案**：文章开头是否有独立的 TL;DR 段落，能让 AI 直接抽答案？ - **结构化数据**：JSON-LD 有几层？至少要有 `Article`，能叠加 `FAQPage` / `HowTo` 更好 - **SSR / 可达性**：用 `curl -A "GPTBot" ` 验证 AI 爬虫能拿到完整正文 - **robots.txt**：`OAI-SearchBot`、`PerplexityBot`、`Claude-SearchBot` 等 AI 爬虫没被屏蔽 逐项打勾，**有 3 项以上未打勾，先别写新内容，回去补这些**。 2. ### 实施基础优化 优先动三类高 ROI 的改动：内容结构 + 引用质量 + 技术地基。 **2.1 文章结构改造** - 开头加独立 TL;DR 块（60–150 字，能被 AI 整段摘出） - 标题层级理顺：H1 唯一，H2/H3 嵌套自洽 - 长段落拆成列表、表格、定义块 - 末尾加 FAQ 区块（至少 3 个问答） **2.2 引用质量收紧** - 每千字 3–5 条具名引用 - 必须链向**具体文章 URL**，不是站点首页 - 每条引用带作者 / 机构 + 发布日期 - 避免空泛"专家表示"、"研究表明" **2.3 技术地基** - 部署 `/llms.txt` 与 `/llms-full.txt`（详见 [llms.txt 与 AI 爬虫](/zh/technical/llms-and-bots/)） - `robots.txt` 显式放行主流 AI 爬虫 - JSON-LD 至少 2 层（`Article` + `FAQPage`） - 关键内容 SSR / SSG，不依赖 JS 渲染 **示例：标题改造** - ❌ 优化前："React 应用很慢？试试这些技巧！" - ✅ 优化后："React 性能优化完整指南：10 种提升应用速度的实用方法" 优化要点：明确的主题关键词、具体的价值承诺、结构化的内容预期。 3. ### 监控并迭代 GEO 是持续过程，不是一次性工程。用业界标准 KPI 跟踪效果。 **五个标准 KPI**（详见 [性能分析](/zh/tools/performance-analysis/)）： - **Mention Rate**：AI 答案提到品牌的比例 - **Citation Rate**：带链接引用你域名的比例 - **Share of Voice**：你的品牌占同类总提及的比例 - **Share of Answer**：被引用时占答案总字数的比例 - **Position**：被引用时排第几 **最小可行监控流程（每月一次）**： 1. 准备 20–30 个测试 prompt，覆盖你最希望被引用的问题类型 2. 在 ChatGPT、Claude、Perplexity、Google AI Overviews 里逐条问 3. 记录上面五个 KPI 4. 找出波动最大的 prompt，定下月 3–5 个优化页面 5. 高优内容 7–14 天刷新一次（修改日期 + 补充新数据），保持新鲜度信号 ## 常见问题 #### Q: GEO 优化多久能看到效果？ A: 比传统 SEO 快。通常 2–4 周内可在 AI 引擎答案中观察到改善。但建立稳定的引用关系（Mention Rate / Citation Rate 持续上升）需要 2–3 个月持续输出和迭代。 #### Q: 是否要完全放弃传统 SEO？ A: 不需要。GEO 和 SEO 应并行。许多 GEO 优化（结构化数据、TL;DR、SSR、清晰标题）同样有利于传统搜索引擎。Google AI Overviews 还直接耦合 Google 搜索结果。 #### Q: 小企业 / 个人博客也需要 GEO 吗？ A: 是。本地搜索、垂直专业领域里，AI 引擎更倾向引用权威、准确的小众内容源——这是小站的机会。 #### Q: 第一篇就要全套上吗？ A: 不必。优先级：TL;DR > 引用规则 > robots.txt 放行 > SSR 检查 > llms.txt > JSON-LD 叠加。先做前三项，已经能拿到 70% 收益。 ## 下一步 - [GEO 检测工具](/zh/tools/geo-checker/) —— 自动化打分 - [内容策略最佳实践](/zh/best-practices/content-strategy/) —— 长期内容运营 - [性能分析](/zh/tools/performance-analysis/) —— 用 KPI 跟踪 - [llms.txt 与 AI 爬虫](/zh/technical/llms-and-bots/) —— 技术地基 --- # GEO 核心概念 Source: https://www.geo.fan/zh/getting-started/core-concepts/ 深入理解生成引擎优化的核心概念和基本原理，为实践应用打下坚实基础。 ## 心智模型：三层关系，不是三种选择 很多人把 SEO、AIEO、GEO 当成三个对立选项，要么"做 SEO"要么"做 GEO"。实际上它们是**自下而上的三层关系**： ``` ┌─────────────────────────────────────────────┐ │ GEO · Citation 层 · 被 AI 答案引用 │ ← 终极目标 ├─────────────────────────────────────────────┤ │ AIEO · Extraction 层 · 内容能被抽取作答 │ ← 中间层 ├─────────────────────────────────────────────┤ │ SEO · Foundation 层 · 被检索到、被索引 │ ← 基础 └─────────────────────────────────────────────┘ ``` **为什么 SEO 仍然是基础**：根据公开研究，**约 76% 的 AI 引用来自传统搜索结果前 10**（iwishweb 综述）。AI 引擎的 RAG 检索过程仍然高度依赖传统排名信号——索引不到的内容，AI 也用不上。 **三个层各自的优化对象**： - **SEO**：让搜索引擎找得到（爬虫可达 + 索引 + 排名） - **AIEO**：让 AI 抽得出（结构化、独立段落、TL;DR） - **GEO**：让 AI 愿意引用（权威、新鲜、可溯源） ## AI 的两种工作模式 生成式 AI 引擎处理你的内容有**两条独立路径**，优化策略也不同： | 模式 | 工作机制 | 优化重点 | | --- | --- | --- | | **离线模式（Offline）** | 依赖预训练数据（截止日期前的快照） | 在训练截止前，被 Common Crawl / 学术语料库 / 主流站点收录。极慢极贵，不建议作为主战场 | | **在线模式（Online · RAG）** | 实时检索 web，把抓到的页面塞进 prompt 当上下文 | **GEO 优化的主要焦点**——技术地基 + 内容结构 + 实时可达性 | 引用 Alignify 的话：**"如果你的产品不在 RAG 的任何搜索结果中，大语言模型也不太可能提及它。"** 这是 GEO 工作的基本前提。 ## 三步 AI 决策流程 理解 AI 引擎"决定引用谁"的内部流程，能精准定位优化的发力点： 1. **Retrieval（检索）**：用传统排名信号挑出 N 个候选源（通常 5–10 个） 2. **Synthesis（合成）**：LLM 读完候选，写出一段连贯答案 3. **Attribution（归因）**：从候选中挑出一部分作为引用展示给用户 每一步都是过滤器。要进入最终 attribution，必须先过 retrieval（SEO 决定）、再过 synthesis（内容质量决定）、最后才能拿到引用（结构 + 权威 + 新鲜度决定）。 ## 术语对照 业内对"为 AI 引擎优化内容"有多种叫法，本质上指向同一类工作，但侧重略有不同。看到这些词指的基本是一回事： | 术语 | 全称 | 侧重 | | --- | --- | --- | | **GEO** | Generative Engine Optimization | 生成式 AI 引擎（ChatGPT、Claude、Gemini 等）的整体优化 | | **AEO** | Answer Engine Optimization | 强调"回答引擎"——让内容成为直接答案的来源 | | **AIEO** | AI Engine Optimization | 与 GEO 几乎同义，更早期的提法 | | **Agentic Engine Optimization** | —— | 针对 AI agent / autonomous workflow（Claude Code、Cursor 等）的内容可消费性 | | **LLMO** | LLM Optimization | 偏向"被大模型训练数据吸收"的角度 | 本站统一使用 **GEO** 一词，但实践建议适用于所有上述场景。 ### 其他高频概念 | 术语 | 含义 | | --- | --- | | **Citability（可引用性）** | 取代传统"ranking"成为 GEO 的核心优化目标——你的内容能不能被 AI **直接复述 / 链接** | | **Answer Surfaces（答案表面）** | AI 答案出现的所有界面：featured snippet、AI Overviews、语音助手、对话框 | | **Core Fisheries（核心渔场）** | AI 引擎不平等地抓取——Wikipedia / YouTube / Reddit / 大厂域 / 头部媒体被采得最多。中文场景类比：知乎 / B 站 / 公众号 / 头部行业媒体 | | **PAWC** (Position-Adjusted Word Count) | Princeton 在 KDD 2024 论文中提出的可见度量化指标：考虑你的内容出现在 AI 答案中的字数 **和位置** | | **Zero-Click Search Capture** | "零点击搜索捕获"——AI 直接给答案、用户不点击，把这种**无点击的曝光**也视为品牌价值（呼应 SparkToro 60% Google 搜索不点击的数据） | | **Earned Media（赢得式媒体）** | 第三方报道、行业媒体提及、社区讨论——研究表明 AI 引擎**强烈偏好** earned media 而非品牌自有内容 | ## 主流生成引擎概览 到 2026 年，需要关注的 AI 引擎已不只是 ChatGPT、Claude、Gemini、Qwen 这几个对话产品。流量入口可分为三类： ### 1. 对话型 AI 助手 - **ChatGPT**（OpenAI）—— 最大用户基数，浏览功能 + 实时 Web 搜索 - **Claude**（Anthropic）—— 长上下文 + 高引用准确度，开发者生态深 - **Gemini**（Google）—— 与 Google 搜索结果耦合最紧 - **Copilot**（Microsoft）—— 接入 Bing 索引，Office / Windows 系深度集成 - **Qwen / 豆包 / 文心一言 / Kimi** —— 中文场景重要入口 ### 2. AI 搜索引擎 - **Perplexity** —— 独立的 AI 搜索头部产品，引用机制透明，高价值流量 - **You.com**、**Phind**、**Komo** —— 垂直 AI 搜索 - **ChatGPT Search** —— ChatGPT 内置的实时搜索能力 ### 3. 搜索引擎中的 AI 摘要层 - **Google AI Overviews / AI Mode** —— Google 搜索结果顶部的 AI 答案块，**流量入口级别的产品**。BrightEdge 数据：上线一年搜索量 +49%、CTR -30% - **Bing 生成式答案** —— Bing 搜索结果中的 AI 摘要 - **百度生成式搜索** —— 中文搜索结果中的 AI 摘要。百度搜索份额从 86.8%（2021）下滑到 55.9%（2024），数据来自沙利文《2025 年中国 AI 搜索行业白皮书》 每一类的引用机制不同，优化策略也有差异。本站后续章节会分别展开。 ## 中文 AI 生态地图 中文 AI 搜索不是独立产品之间的竞争，是**四大互联网大厂生态闭环**之间的竞争。每个生态都包含"大模型 + 内容平台矩阵 + 创作者入口 + 开放文档"。 完整索引参见 [LLM-X-Factorer/awesome-geo-cn](https://github.com/LLM-X-Factorer/awesome-geo-cn)。 ### 字节系 - **大模型**：豆包大模型（[算法备案 网信算备110108823483901230031号](https://www.doubao.com/legal/instructions)） - **生态**：豆包应用于今日头条 / 抖音 / 剪映 / 番茄小说 / 西瓜视频 / 飞书 / 豆包 / 悟空浏览器 / 懂车帝 9 个平台 - **官方资源**：[火山引擎文档中心](https://www.volcengine.com/docs)、[火山方舟 RAG](https://www.volcengine.com/docs/82379/1263276) - **关键数据**：2026 年 2 月 MAU **2.26 亿**（QuestMobile）；2025 年 9 月底日均 token 调用量 **30 万亿**（艾瑞《2025 年中国 AI+互联网媒体行业研究报告》） ### 腾讯系 - **大模型**：腾讯混元（Tencent HY，备案号 网信算备440305295988701230071号） - **生态**：腾讯元宝（C 端 AI 助手）+ 微信公众号 + 视频号 + 微信搜一搜 + QQ 浏览器 - **官方资源**：[腾讯混元产品页](https://cloud.tencent.com/product/tclm)、[混元 API 概览](https://cloud.tencent.com/document/product/1729/101848) - **关键事实**：元宝打通微信公众号内容库，可直接调用公众号 / 视频号资源（2025 年腾讯官方公告） ### 阿里系 - **大模型**：通义千问（Qwen）系列 - **生态**：千问 App（2025/11 上线的 C 端入口）+ 夸克（AI 搜索入口）+ UC 浏览器 + 淘宝 AI - **官方资源**：[阿里云百炼 Model Studio](https://help.aliyun.com/zh/model-studio/)、[Qwen GitHub](https://github.com/QwenLM)、[百炼插件广场](https://help.aliyun.com/zh/model-studio/plug-in-overview)（含 `quark_search` 官方搜索插件） - **关键数据**：2026/01 千问 MAU 破 **1 亿**，DAU 3500–4000 万；Qwen 系列全球累计下载 **6 亿次**，衍生模型 17 万 ### 百度系 - **大模型**：文心一言（ERNIE Bot） - **生态**：文心一言（C 端）+ 百度搜索 AI 概览 + 百家号 + 百度百科 + 百度文库 - **官方资源**：[百度智能云千帆平台](https://qianfan.cloud.baidu.com/)、[百度搜索资源平台](https://ziyuan.baidu.com/)（同时影响百度搜索 AI 概览结果池）、[百度搜索学堂](https://ziyuan.baidu.com/college) - **关键数据**：百度搜索份额从 86.8%（2021/11）下降到 **55.9%**（2024/05），数据来源：沙利文《2025 年中国 AI 搜索行业白皮书》 ### 独立大模型产品 不属于大厂生态、但有显著影响力： | 产品 | 公司 | 特点 | |---|---|---| | [Kimi](https://kimi.moonshot.cn/) | 月之暗面 | 长上下文优势，相对中立 | | [DeepSeek](https://www.deepseek.com/) | 深度求索 | 开源推理模型，相对中立 | ### 独立内容平台 不属于大厂但被所有中文 AI 引擎广泛引用： | 平台 | 类型 | AI 引用率 | 来源 | |---|---|---|---| | [知乎](https://www.zhihu.com/) | 问答社区 | **29.9%** | IT 之家 2026 | | [小红书](https://www.xiaohongshu.com/) | 图文 + 短视频 | 内容被百度索引后间接影响百度系 AI | —— | | [B 站](https://www.bilibili.com/) | 视频 + 专栏 | 字幕可被 AI 索引 | —— | | Reddit（英文） | 论坛 | **40.1%** | SparkToro 2025 | ## 什么是生成引擎 生成引擎（Generative Engine）是基于大型语言模型的新一代搜索和信息检索系统。与传统搜索引擎不同，生成引擎不仅能够检索信息，还能理解、分析并生成个性化的回答。 > "生成引擎的核心在于理解用户意图，而非简单的关键词匹配。" ### 生成引擎的特点 - **语义理解**：深度理解内容含义和上下文关系 - **个性化生成**：根据用户需求生成定制化回答 - **多模态处理**：整合文本、图像、音频等多种信息 - **实时学习**：持续优化和改进回答质量 ## GEO 与传统 SEO 的区别 传统 SEO 专注于提升网页在搜索结果中的排名，而 GEO 则关注如何让内容被生成引擎理解、引用和推荐。这需要我们从根本上重新思考内容创作和优化策略。 ### 核心差异对比 **传统 SEO** - 关键词密度优化 - 外链建设 - 页面排名提升 - 点击率优化 **GEO 优化** - 语义内容优化 - 权威性建立 - 引用价值提升 - 用户满意度优化 ## GEO 优化的核心要素 ### 1. 内容权威性（Authority） 生成引擎更倾向于引用权威、可信的内容源。建立内容权威性需要： - 提供准确、最新的信息 - 引用可靠的数据来源 - 展示专业知识和经验 - 获得行业认可和引用 > "权威性不是一蹴而就的，而是通过持续提供高质量内容逐步建立的。" ### 2. 内容相关性（Relevance） 内容必须与用户查询高度相关，并能够直接回答用户问题。这要求我们： - 深入理解目标用户需求 - 创建针对性强的内容 - 使用清晰的结构和格式 - 提供完整的解决方案 ### 3. 内容可用性（Usability） 生成引擎偏好易于理解和使用的内容格式： ```html // 要点先行：优化内容结构的最佳实践 // 使用清晰的标题层级

主标题

章节标题

小节标题

// 结构化数据标记 { "@type": "Article", "headline": "文章标题", "author": "作者信息", "datePublished": "发布日期" } ``` ## GEO 优化策略框架 成功的 GEO 优化需要系统性的方法。我们推荐使用 CARE 框架： ### C - Content（内容） 创建高质量、权威性的内容，满足用户真实需求。 ### A - Authority（权威性） 建立专业声誉，获得行业认可和信任。 ### R - Relevance（相关性） 确保内容与用户查询高度匹配，提供精准答案。 ### E - Experience（体验） 优化用户体验，提供易于理解和使用的内容格式。 > "CARE 框架不是孤立的要素，而是相互关联、相互促进的整体系统。" ## 实施路径 GEO 优化是一个渐进的过程，建议按以下步骤实施： 1. **内容审计**：评估现有内容的质量和相关性 2. **用户研究**：深入了解目标用户的真实需求 3. **内容策略**：制定基于 GEO 原则的内容计划 4. **技术优化**：实施结构化数据和语义标记 5. **效果监测**：跟踪和分析优化效果 6. **持续改进**：基于数据反馈不断优化策略 ### 下一步行动 现在您已经了解了 GEO 的核心概念，建议您： - 阅读《生成引擎工作原理》深入了解技术细节 - 学习《内容优化策略》掌握实践方法 - 使用我们的 GEO 检测工具评估您的网站 - 参考案例研究了解成功实践 --- # 生成引擎工作原理深度解析 Source: https://www.geo.fan/zh/fundamentals/how-generative-engines-work/ ## 生成引擎的核心架构 现代生成引擎基于 Transformer 架构的大语言模型（LLM），通过预训练和微调两个阶段来获得理解和生成能力。与传统搜索引擎不同，生成引擎不仅能检索信息，更能理解语义、推理逻辑，并生成连贯的回答。 ### 预训练阶段 * 海量文本数据学习 * 语言模式识别 * 知识结构建立 * 语义关系理解 ### 微调优化 * 人类反馈学习（RLHF） * 指令跟随训练 * 安全性对齐 * 专业领域适配 ### 推理生成 * 上下文理解 * 知识检索整合 * 逻辑推理 * 连贯回答生成 > "生成引擎的强大之处在于它能够将分散的知识片段整合成连贯、准确的答案。" ## 信息检索与生成流程 当用户提出问题时，生成引擎会经历一个复杂的信息处理流程。理解这个流程对于 GEO 优化至关重要，因为它揭示了如何让您的内容更容易被 AI 发现、理解和引用。 ### 问题理解与意图识别 AI 首先分析用户问题的语义、上下文和潜在意图，识别关键概念和所需信息类型。 ### 知识检索与匹配 从训练数据中检索相关知识，包括事实信息、概念关系和推理模式。 ### 信息整合与推理 将检索到的信息片段进行逻辑整合，形成连贯的知识结构。 ### 答案生成与优化 基于整合的知识生成回答，并进行语言优化和事实核查。 > "要让内容被 AI 优先选择，需要确保内容在每个处理阶段都具有优势：清晰的语义表达、权威的信息来源、逻辑的结构组织。" ## 不同生成引擎的特点对比 虽然主流生成引擎都基于相似的技术架构，但它们在训练数据、优化目标和应用场景上存在差异。了解这些差异有助于制定针对性的 GEO 策略。 | 引擎 | 优势领域 | 信息偏好 | GEO 重点 | |------|--------|--------|---------| | ChatGPT | 对话交互、创意写作 | 结构化、逻辑清晰 | 内容层次、实用性 | | Claude | 分析推理、长文本 | 深度分析、多角度 | 权威性、完整性 | | Gemini | 多模态、实时信息 | 时效性、多媒体 | 新鲜度、多样性 | > "成功的 GEO 策略需要针对不同引擎的特点进行差异化优化，而不是一刀切的方法。" ## 影响内容被选择的关键因素 基于对生成引擎工作原理的理解，我们可以识别出影响内容被 AI 选择和引用的关键因素。这些因素构成了 GEO 优化的理论基础。 ### 权威性信号 包括作者专业背景、发布平台声誉、引用来源质量、内容更新频率等。AI 引擎倾向于信任来自权威源的信息。 ### 语义清晰度 内容的语义表达是否清晰、概念定义是否准确、逻辑关系是否明确。清晰的语义表达有助于 AI 准确理解和引用内容。 ### 结构化程度 包括标题层次、段落组织、列表结构、表格数据等。良好的结构化有助于 AI 快速定位和提取关键信息。 ### 内容完整性 内容是否提供了完整的答案、是否涵盖了相关的方面、是否包含必要的背景信息。完整的内容更容易被 AI 作为权威答案引用。 ## 实践应用指导 理解了生成引擎的工作原理后，我们可以制定更有针对性的 GEO 优化策略。以下是基于技术原理的实践建议： ### 内容创作策略 * 使用清晰的概念定义 * 提供完整的上下文信息 * 建立逻辑清晰的论证链 * 包含相关的背景知识 ### 技术优化重点 * 添加结构化数据标记 * 优化语义标签使用 * 建立内容关联关系 * 提供多种访问路径 --- # AI 驱动的内容生成策略 Source: https://www.geo.fan/zh/ai-seo/content-generation/ ## AI 驱动的内容生成策略 掌握人工智能辅助内容创作的方法和技巧，提升内容质量和生产效率，同时优化 GEO 表现。 **核心理念：** AI 不是替代人类创作者，而是增强创作能力的强大工具。 ## AI 内容生成的优势与挑战 AI 内容生成技术为内容创作带来了革命性的变化。它不仅能够大幅提升内容生产效率，还能帮助创作者探索新的创意方向和表达方式。然而，要充分发挥 AI 的潜力，我们需要理解其优势和局限性，并制定相应的策略。 ### AI 生成的优势 - **高效率：** 快速生成大量内容草稿 - **多样性：** 提供多种角度和表达方式 - **一致性：** 保持风格和质量的统一 - **可扩展：** 支持大规模内容生产 - **创意启发：** 突破思维局限 ### 需要注意的挑战 - **准确性：** 可能包含错误信息 - **原创性：** 缺乏独特见解和经验 - **时效性：** 训练数据可能过时 - **深度：** 表面化处理复杂话题 - **个性化：** 缺乏个人风格和声音 > "最佳的 AI 内容生成策略是人机协作：AI 提供效率和灵感，人类提供判断和创意。" ## AI 内容生成的工作流程 成功的 AI 内容生成需要一个结构化的工作流程。这个流程不仅包括技术操作，更重要的是策略思考和质量控制。以下是一个经过实践验证的四阶段工作流程。 ### 1. 策略规划阶段 明确内容目标、目标受众、核心信息和期望成果。这个阶段的质量直接影响后续所有工作的效果。 **关键活动：** 用户研究、竞争分析、内容策略制定、成功指标设定 ### 2. 提示词工程阶段 设计精确的提示词（Prompt），指导 AI 生成符合要求的内容。这是决定输出质量的关键环节。 **关键技巧：** 角色设定、任务描述、格式要求、示例提供、约束条件 ### 3. 内容生成阶段 使用 AI 工具生成内容草稿，通过迭代优化获得满意的结果。这个阶段需要耐心和技巧。 **最佳实践：** 多次生成、版本对比、渐进式优化、多工具结合 ### 4. 编辑优化阶段 对 AI 生成的内容进行人工编辑、事实核查、风格调整和 GEO 优化。 **重点工作：** 准确性验证、原创性增强、结构优化、技术标记 **效率提示：** 建立标准化的提示词模板和检查清单，可以显著提升工作效率和输出质量的一致性。 ## 高效提示词工程技巧 提示词工程是 AI 内容生成的核心技能。一个精心设计的提示词可以让 AI 生成高质量、符合要求的内容，而模糊或不当的提示词则可能导致无用的输出。 ### 提示词结构框架 ``` # 角色设定 你是一位资深的 [领域] 专家，拥有 [具体背景]。 # 任务描述 请为 [目标受众] 创作一篇关于 [具体主题] 的 [内容类型]。 # 内容要求 - 长度：[具体字数] - 风格：[写作风格] - 结构：[内容结构] # 质量标准 确保内容 [具体质量要求]。 # 输出格式 请按照以下格式输出：[具体格式要求] ``` ### 提示词优化技巧 #### 具体化原则 - 使用具体的数字和指标 - 提供详细的背景信息 - 明确输出的格式要求 - 给出具体的示例 #### 约束化原则 - 设定明确的边界条件 - 指定不希望包含的内容 - 限定信息来源和时间范围 - 要求引用和验证 ### 实用提示词模板 #### 教程类内容模板 "作为 [领域] 专家，为 [目标用户] 创作一份 [主题] 的完整教程。包含：问题背景、解决方案、具体步骤、注意事项、常见问题。要求：实用性强、步骤清晰、包含示例、字数 [X] 字左右。" #### 分析类内容模板 "请深度分析 [主题/现象]，从 [角度1]、[角度2]、[角度3] 三个维度展开。每个维度包含：现状描述、原因分析、影响评估、发展趋势。要求：逻辑清晰、数据支撑、观点平衡、结论明确。" > "好的提示词就像好的问题：越具体、越清晰，得到的答案就越有价值。" ## 内容质量控制与优化 AI 生成的内容需要经过严格的质量控制才能发布。这个过程不仅包括基本的错误检查，更重要的是确保内容符合 GEO 优化的要求，能够在 AI 引擎中获得良好表现。 ### 质量检查清单 #### 内容质量检查 - ☐ 事实准确性验证 - ☐ 逻辑一致性检查 - ☐ 语言流畅性优化 - ☐ 原创性增强 - ☐ 完整性确认 #### GEO 优化检查 - ☐ 标题层次优化 - ☐ 结构化数据添加 - ☐ 关键信息突出 - ☐ 内部链接建设 - ☐ 权威性信号强化 ### 常见问题及解决方案 #### 问题：AI 生成内容过于通用 **解决方案：** 在提示词中加入具体的行业背景、用户场景和实际案例，要求 AI 提供个性化的见解和建议。 #### 问题：内容缺乏深度和洞察 **解决方案：** 使用多轮对话深入探讨，要求 AI 从不同角度分析，并结合人工经验和专业判断进行补充。 #### 问题：信息可能过时或不准确 **解决方案：** 建立事实核查流程，使用最新的权威来源验证信息，并在内容中明确标注信息的时效性。 **质量提升技巧：** 建立内容评分体系，从准确性、实用性、原创性、可读性等维度评估内容质量，持续优化生成策略。 ## AI 工具选择与组合使用 不同的 AI 工具有各自的优势和特点。了解这些差异，并根据具体需求选择合适的工具组合，可以显著提升内容生成的效果和效率。 | AI 工具 | 主要优势 | 适用场景 | 注意事项 | |---------|---------|---------|---------| | ChatGPT | 对话交互、创意写作 | 教程、指南、创意内容 | 信息截止时间限制 | | Claude | 长文本处理、分析能力 | 深度分析、研究报告 | 处理速度相对较慢 | | Gemini | 实时信息、多模态 | 新闻、趋势、多媒体 | 输出质量不够稳定 | ### 工具组合策略 #### 串行使用策略 使用一个工具生成初稿，然后用另一个工具进行优化和完善。例如：ChatGPT 生成创意 → Claude 深化分析 → 人工最终编辑。 #### 并行对比策略 同时使用多个工具生成不同版本，然后选择最佳部分进行组合。这种方法可以获得更多样化的观点和表达方式。 #### 专业化分工策略 根据不同工具的专长分配不同任务：创意构思、内容撰写、事实核查、语言优化等各个环节使用最适合的工具。 > "最佳的 AI 内容生成不是依赖单一工具，而是构建一个高效的工具生态系统。" ### 深入学习 AI SEO 技巧 掌握了 AI 内容生成的基础后，建议继续学习语义优化技巧，进一步提升内容在 AI 引擎中的表现。 [学习语义优化](/zh/ai-seo/semantic-optimization/) --- # GEO 检测工具 Source: https://www.geo.fan/zh/tools/geo-checker/ **TL;DR**：GEO 检测工具用于评估一篇内容（网页或纯文本）在生成式 AI 引擎中被理解、信任、引用的可能性。围绕四个核心维度（权威性、相关性、结构性、用户价值）打分，给出每个扣分项的具体修复建议。 检测不是一锤子买卖。建议在新增内容、调整结构、补充资料来源之后都重新跑一次，把每次结果当作"下一轮迭代的输入"。 ## 两种检测模式 | 模式 | 适用场景 | 输入 | | --- | --- | --- | | URL 检测 | 已上线的页面、文章、产品介绍 | 一个公开可访问的网址 | | 文本检测 | 草稿、未发布内容、片段评审 | 直接粘贴 Markdown / 纯文本 | 两种模式输出格式一致，但 URL 检测会额外评估技术维度（结构化数据、标题层级、可达性、是否 SSR 等），文本检测则更关注语义和组织。 ## 评分维度 ### 权威性（Authority） 评估内容来源、作者背景、引用质量是否足以让 AI 引擎"敢于引用"。 - 作者身份、署名和资历是否清晰 - **每千字 3–5 条具名引用**，且必须**链向具体文章 URL**，不是站点首页（业内研究表明，按这套规则补引用可提升 AI 可见度约 40%） - 数据 / 结论是否带有发布日期、版本信息、可追溯来源 - 是否被外部权威站点链接或提及 ### 相关性（Relevance） 衡量内容是否真正回答了目标查询，而非堆砌关键词。 - 主题与目标关键词的语义匹配度 - 用户意图（信息型 / 导航型 / 交易型 / 比较型）覆盖是否完整 - 是否覆盖了相关子问题与上下文 - **是否在文章开头放了一段"快速答案 / TL;DR"块**，让 AI 能从 above-the-fold 直接抽出答案 - 是否避免了无关或冗余段落 ### 结构性（Structure） AI 引擎更容易解析结构清晰的内容。这一维度评估页面的"可机读性"。 - 标题层级是否合理（H1 唯一、H2/H3 嵌套自洽） - 关键信息是否使用列表、表格、定义块等结构化形式 - **JSON-LD 三层叠加**：在适合的页面同时使用 `Article` + `FAQPage` + `HowTo`（或 `Product` + `Review`），不要只放一个 - **服务端渲染（SSR）**：AI 爬虫普遍不执行 JS，关键内容必须在初始 HTML 里就出现。详见 [llms.txt 与 AI 爬虫](/zh/technical/llms-and-bots/) - 段落长度、段间过渡是否合理 ### 用户价值（User Value） 最难量化也最重要的一项：内容是否对真实用户"有用"。 - 是否提供可操作的步骤、模板、代码或示例 - 是否包含独立见解，而非对他人内容的转述 - 是否预判并回答了读者的后续问题（FAQ 区块特别加分） - 阅读后用户是否能"少看一篇其他文章" ## 输出报告 每次检测产生的报告包含： 1. **总分（0–100）** —— 四维度加权汇总 2. **维度评分** —— 每个维度独立打分，便于定位短板 3. **扣分项明细** —— 命中的每条规则、扣分值、问题描述 4. **修复建议** —— 针对每条扣分项的具体改写或补充建议 5. **优先级排序** —— 高影响 × 易修复 的项目排在最前 ## 检测频率建议 业内 2026 共识是**高价值内容每 7–14 天**就要刷新一次（即使是改时间戳 + 小幅补充），否则 AI 引擎的新鲜度信号会迅速衰减、引用优先级掉档。 | 内容状态 | 建议频率 | | --- | --- | | 新建内容上线前 | 至少 1 次，分数 < 70 不上线 | | 高优先级 / 重点引流页 | **每 7–14 天**一次 | | 一般已上线内容 | 每月 1 次 | | 长尾内容 | 每季度 1 次 | | 大版本改版后 | 全站抽样重检 | ## 发布前检查清单 对照检查，少一项就回去补： - [ ] 文章开头有独立的 TL;DR / 快速答案块（一段话内可独立摘出） - [ ] 标题层级唯一且自洽（H1 唯一、H2/H3 嵌套合理） - [ ] **每千字 3–5 条具名引用，链向具体文章 URL** - [ ] 至少一处原创数据 / 案例 / 流程图 - [ ] 作者署名 + 简短资历介绍 - [ ] JSON-LD：至少 `Article`，能叠加 `FAQPage` / `HowTo` 更好 - [ ] FAQ 区块（覆盖读者的下一个问题） - [ ] `curl -A "GPTBot" ` 验证 SSR 输出包含正文 ## 相关阅读 - [GEO 核心概念](/zh/getting-started/core-concepts/) - [内容策略最佳实践](/zh/best-practices/content-strategy/) - [性能分析](/zh/tools/performance-analysis/) - [llms.txt 与 AI 爬虫](/zh/technical/llms-and-bots/) --- # 性能分析 Source: https://www.geo.fan/zh/tools/performance-analysis/ **TL;DR**：GEO 性能监控的核心是回答"在 ChatGPT / Claude / Gemini / Perplexity / Google AI Overviews 里，我的内容被引用了多少次、占主流答案的多大份额"。2026 年业内已收敛出五个标准 KPI（Mention Rate / Citation Rate / Share of Voice / Share of Answer / Position），用统一指标说话，跨平台对比、跨周对比才有意义。 ## 五个标准 KPI 业内（Search Engine Land、GenOptima、Averi、LLM Pulse 等）已基本统一以下命名： ### 1. Mention Rate（提及率） 在测试 prompt 集中，AI 答案"提到"你的品牌 / 内容的比例（含纯文字提及，不一定带链接）。 ``` Mention Rate = 提到你的回答数 ÷ 总查询数 × 100% ``` 例：在 30 个测试 prompt 中，AI 答案里出现"GEO.Fan"字样的有 6 次 → Mention Rate = 20%。 ### 2. Citation Rate（引用率） 在测试 prompt 集中，AI 答案附带**可点击链接**指向你的域名的比例。比 Mention Rate 含金量更高，直接带流量。 ``` Citation Rate = 包含你域名链接的回答数 ÷ 总查询数 × 100% ``` ### 3. Share of Voice（声量份额，SoV） 在同一类查询里，你的品牌提及占所有品牌提及的比例。是和竞争对手对比的核心指标。 ``` SoV = 你的品牌提及数 ÷ 同类别全部品牌提及数 × 100% ``` ### 4. Share of Answer（答案份额，SoA） 被引用时，你的内容在 AI 生成的答案文本里占多大比例（字数 / token 数）。衡量"AI 是顺手提一句还是大段引用你"。 ``` SoA = 引用你的段落字数 ÷ 答案总字数 × 100% ``` ### 5. Position（引用位置） 被引用时，你在 AI 答案的引用列表里排第几。和搜索排名类似，但样本数小、波动大。 ## 测试 prompt 集设计 KPI 只有在固定 prompt 集上才能稳定对比。建议： - **覆盖**：20–30 个 prompt，覆盖你目标读者最可能问的问题 - **分组**：信息型（"什么是 X"）、比较型（"X vs Y"）、操作型（"如何做 X"）、推荐型（"X 推荐"）各占四分之一 - **稳定**：prompt 集一旦确定，至少跑 3 个月不变，避免对比基线漂移 - **更新**：每季度评审一次 prompt 集，淘汰过时问题、加入新热点 ## 平台覆盖 最少应覆盖五个流量入口（每个引擎独立采样）： | 平台 | 类型 | 优先级 | | --- | --- | --- | | ChatGPT（含 Search） | 对话型 AI + AI 搜索 | P0 | | Claude | 对话型 AI | P0 | | Perplexity | AI 搜索 | P0 | | Google AI Overviews / AI Mode | 搜索 AI 摘要 | P0 | | Gemini | 对话型 AI | P1 | | Copilot（Bing） | 对话型 AI + 搜索 | P1 | | Qwen / 豆包 / 文心一言 / Kimi | 中文对话型 AI | 中文站 P0 | 每个引擎的引用偏好不同： - **ChatGPT** 更看重权威来源 + 结构化论证 - **Claude** 偏好深度、长上下文、引用清晰、原创见解 - **Gemini / Google AI Overviews** 与 Google 搜索结果耦合最紧，传统 SEO 信号仍有效 - **Perplexity** 引用机制最透明，强结构化 + 多引用密度的内容受益最大 - **Copilot** 与 Bing 索引一致 - **Qwen / 中文 AI** 对中文资料、本地化场景更敏感 ## 采样方法与节奏 | 角色 | 频率 | 操作 | | --- | --- | --- | | 个人 / 小团队 | 每月 1 次 | 手动跑 prompt 集，电子表格记录 | | 中型团队 | 每周 1 次 | 半自动脚本 + 月度复盘 | | 企业 | 每日 / 实时 | 商用工具（如 Profound、LLMrefs、Superlines、Pulse）或自建 | **最小可行流程（每月）**： 1. 在每个目标引擎里，逐条问完 prompt 集 2. 记录：是否提到品牌、是否带链接、引用位置、被引用段落字数 3. 计算五个 KPI 4. 与上月对比，找出波动最大的 prompt 5. 形成"本月 3–5 个优先优化页面"的清单 ## 行业基准（参考用） 只看自己的数字不够，得知道"正常水平"是什么样。下面几个公开数据点可作为基准对照： | 基准 | 数值 | 来源 | |---|---|---| | 知乎在中文 AI 答案中的引用率 | **29.9%** | IT 之家 2026 | | Reddit 在英文 AI 答案中的引用率 | **40.1%** | SparkToro 2025 | | 内容出现在 4+ 平台时被引用概率 | **×2.8** | KDD 2024 | | 不同 GPT 版本间的引用重叠率 | **仅 7%** | Writesonic 2025 LLM Citation Study | | AI 引用访客转化率 vs 普通搜索 | **4.4–23×** | BrightEdge 2025 | | Google AI Overviews 上线一年 CTR 变化 | **-30%**（搜索量 +49%） | BrightEdge 2025 | 含义： - **多平台分发是放大器**——同一篇内容只要在 4 个以上权威平台出现（知乎答案 + 公众号 + 个人站 + 行业媒体），引用概率近 3 倍 - **不要把"在 ChatGPT 里被引"等同于"在 GPT-4 / GPT-5 里都被引"**——版本间引用偏好差异极大 - **AI 流量虽小但金贵**——单个 AI 引用访客的转化等价于 4–23 个普通搜索访客 详细数据出处见[资源中心](/zh/tools/resources/#关键行业数据带出处)。 ## 典型异常模式 | 现象 | 可能原因 | 建议动作 | | --- | --- | --- | | Mention Rate 全平台下滑 | AI 引擎模型升级 / 训练数据切换 | 等待 1–2 周观察，无好转则全站抽样重检 | | 单页 Citation Rate 骤降 | 内容被改动、外链失效、被举报 | 回滚或重写该页 | | 单引擎 SoV 下滑 | 该引擎策略调整 | 针对该引擎特性做定向优化 | | Position 下移 | 竞品发布了更优内容 | 跑 [竞品分析](/zh/tools/competitor-analysis/)，对照补强 | | 缓慢爬升 | 健康状态 | 维持当前策略 | | Mention 高但 Citation 低 | AI 提到你但不带链接 | 加强结构化引用源（schema.org、明确的 canonical） | ## 报告节奏建议 - **每周**：扫一眼大盘 Mention Rate / Citation Rate，无异常即可 - **每月**：完整 review 五个 KPI，定下个月 3–5 个优化页面 - **每季度**：策略复盘，调整 prompt 集与内容选题方向 ## 相关阅读 - [GEO 检测工具](/zh/tools/geo-checker/) - [竞品分析](/zh/tools/competitor-analysis/) - [内容策略最佳实践](/zh/best-practices/content-strategy/) - [llms.txt 与 AI 爬虫](/zh/technical/llms-and-bots/) --- # 竞品分析 Source: https://www.geo.fan/zh/tools/competitor-analysis/ 竞品分析的目的不是抄袭，而是回答两个问题： 1. **在同一类问题上，AI 引擎更倾向于引用谁？为什么？** 2. **我和领先者之间，差距具体在哪几个维度上？** ## 选谁作为竞品 不是 SEO 排名前几就是 GEO 竞品。挑选标准： - 在你的目标关键词上，被 AI 引擎实际引用的站点 - 在相关 prompt 的回答中，作为来源被多次提及的站点 - 内容定位与你接近的同业者（不一定排名最靠前，但调性相似） 3–5 个竞品就够了，太多反而稀释焦点。 ## 对比维度 ### 内容层 - 标题策略（疑问式 / 陈述式 / 列表式） - 篇幅与段落结构 - 是否包含原创数据、案例、流程图 - 引用密度（每千字引用了几个外部来源） ### 结构层 - 标题层级使用习惯 - 是否使用表格、定义块、FAQ 区块 - 结构化数据（JSON-LD）的丰富度 ### 权威信号 - 作者署名与背景介绍 - 域名权威性、行业属性 - 是否被其他权威站点引用 ### AI 曝光层 - 在 5–10 个典型 prompt 中，谁被引用更频繁 - AI 复述时引用的是首段、结论还是中段 - 引用的稳定性（每次问都引用 vs 偶尔引用） ## 输出物：差距矩阵 把每个维度做成一张矩阵： | 维度 | 你 | 竞品 A | 竞品 B | 差距 | | --- | --- | --- | --- | --- | | 平均篇幅 | 1200 字 | 2400 字 | 1800 字 | 偏短 | | 原创数据条数 | 0 | 3 | 1 | 缺失 | | FAQ 区块 | 无 | 有 | 有 | 缺失 | | 作者署名 | 无 | 有（专家） | 有 | 缺失 | | AI 引用频次 | 1/10 | 7/10 | 5/10 | 显著落后 | 差距矩阵直接转化成下一轮优化的 backlog。 ## 注意事项 - **不要直接复制竞品的结构和措辞**。AI 引擎对重复内容敏感，且会损害你的权威性 - **关注差异，而非全盘模仿**。竞品做得好的地方可能恰好不适合你的定位 - **每季度更新一次**。竞品和 AI 引擎都在变化 ## 相关阅读 - [GEO 检测工具](/zh/tools/geo-checker/) - [性能分析](/zh/tools/performance-analysis/) - [电商案例研究](/zh/case-studies/ecommerce/) --- # 资源中心 Source: https://www.geo.fan/zh/tools/resources/ **TL;DR**：这一页是 GEO 实践者的精选资源索引——按学术论文、行业报告、中文 AI 生态、工具、课程分组。每条都附原始来源链接，便于深入。 本页大量参考社区维护的 [LLM-X-Factorer/awesome-geo-cn](https://github.com/LLM-X-Factorer/awesome-geo-cn)（中文 GEO 资源列表）以及多份 2025–2026 行业报告。所有外部链接请自行验证有效性——AI / 搜索领域链接腐烂速度快。 ## 入门顺序（站内） 刚接触 GEO 建议按以下顺序读： 1. [什么是 GEO](/zh/getting-started/what-is-geo/) —— 概念入门 2. [GEO vs SEO](/zh/getting-started/geo-vs-seo/) —— 与传统 SEO 的关键差异 3. [核心概念](/zh/getting-started/core-concepts/) —— 评估维度详解 + 中文 AI 生态 4. [快速入门](/zh/getting-started/quick-start/) —— 上手第一次 GEO 检测 5. [生成引擎工作原理](/zh/fundamentals/how-generative-engines-work/) —— 背后的技术原理 6. [llms.txt 与 AI 爬虫](/zh/technical/llms-and-bots/) —— 技术地基 7. [内容策略最佳实践](/zh/best-practices/content-strategy/) —— 长期内容运营 ## 学术论文 GEO 不是营销话术——背后有可查的学术研究。这些是该领域的奠基或代表性论文。 ### 奠基论文 | 论文 | 来源 | 核心发现 | |---|---|---| | [GEO: Generative Engine Optimization](https://arxiv.org/abs/2311.09735) | KDD 2024 · IIT Delhi + Princeton | **AI 可见度提升量化**：引用权威来源 **+43%**、嵌入统计数据 **+33%**、答案优先结构 **+18%**、技术术语 +11%、关键词堆砌为**负效果** | | [GEO and the Future of Search](https://dl.acm.org/doi/10.1145/3726302.3730401) | KDD 2024 Workshop | GEO 概念框架与评估方法 | ### 2025+ 后续研究 | 论文 | 来源 | 要点 | |---|---|---| | [Generative Engine Optimization: How to Dominate AI Search](https://arxiv.org/abs/2509.08919) | 2025 | AI 搜索系统性偏向 earned media（第三方报道、行业媒体）而非品牌自有内容 | | [Self-Promotion in LLM Recommendations](https://sorelle.friedler.net/papers/LLMselfpromotion.pdf) | Friedler et al. 2025 | LLM 推荐 AI 产品时存在自我推广偏差：供应商模型平均排名 +0.2 | | [LLMs are Biased Evaluators But Not Biased for Fact-Centric Contexts](https://aclanthology.org/2025.findings-acl.1369.pdf) | ACL 2025 Findings | RAG 场景下偏差层级：事实性 > 顺序 > 自我偏好 | | [C-SEO Bench: Does Conversational SEO Work?](https://openreview.net/forum?id=oTeixD3oZO) | NeurIPS 2025 | 严格控制条件下，多数 GEO 方法基本无效；多方同时使用 GEO 效果互相抵消 | | [AutoGEO: What Generative Search Engines Like](https://openreview.net/forum?id=K8EinVWtUB)（[code](https://github.com/cxcscmu/AutoGEO)） | ICLR 2026 | 用 GRPO 自动学习生成式引擎的内容偏好，提出"协作式"优化框架 | | [MAGEO: Multi-Agent GEO via Reusable Strategy Learning](https://github.com/Wu-beining/MAGEO) | ACL 2026 | Multi-agent 协作学习 GEO 策略，把经验沉淀为可复用技能 | | [E-GEO: A Testbed for GEO in E-Commerce](https://arxiv.org/abs/2511.20867) | 2025 | 7000+ 电商 query benchmark，评测 15 种 rewriting heuristics | | [大语言模型检索增强生成优化技术研究综述](http://cjc.ict.ac.cn/online/onlinepaper/008_yl-2026227143149.pdf) | 中科院计算所《计算机学报》2026 | 中文一手 RAG 综述：query 改写、检索增强、知识注入、引用生成 | ### 对抗性与引用机制 | 论文 | 来源 | 要点 | |---|---|---| | [ConflictingQA](https://arxiv.org/abs/2402.11782) | 2024 | LLM 偏好"相关性"而非"学术语调" | | [ConflictBank](https://arxiv.org/abs/2408.12076) | 2024 | 7.4M claim-evidence 对，外部内容 vs 训练数据冲突 | | [GASLITE: SEO Attacks on Dense Retrieval](https://arxiv.org/abs/2412.20953) | 2024 | 0.0001% 语料污染即可劫持 top-10 检索结果 | | [Adversarial SEO for LLMs](https://arxiv.org/abs/2406.18382) | 2024 | 隐藏文本可让 AI 答案中的品牌提及提升 **2.5×** | | [Ranking Manipulation for Conversational Search](https://arxiv.org/abs/2406.03589) | 2024 | prompt injection 操纵对话式搜索排名 | | [Dynamics of Adversarial Attacks on LLM-Based Search](https://arxiv.org/pdf/2501.00745) | 2025 | black-hat vs white-hat GEO 的博弈论建模 | ## 行业报告 ### 中文报告 | 资源 | 机构 | 备注 | |---|---|---| | [SuperCLUE-AISearch](https://www.superclueai.com/) | SuperCLUE | 中文 AI 搜索专项基准测评，月度更新 | | [2026 GEO 生成式引擎优化行业研究报告](https://pdf.dfcfw.com/pdf/H3_AP202602111819871548_1.pdf) | 艾瑞咨询 2026 | 中文 GEO 行业报告：定义、误区、案例、市场规模 | | [GEO White Paper 2026](https://cn.ceibs.edu/sites/portal.prod1.dpmgr.ceibs.edu/files/GEO_White_Paper_2026.pdf) | 中欧国际工商学院 2026 | 学术机构发布的中文 GEO 白皮书 | | [AI 搜索产品评估 2025](https://my.idc.com/getdoc.jsp?containerId=prCHC53702325) | IDC 中国 2025/07 | 百度 / 夸克 / 豆包 / DeepSeek 场景化对比 | | [2025 中国生成式 AI 市场五大趋势](https://www.rolandberger.com/zh/Insights/Publications/2025中国生成式AI市场的五大趋势分享.html) | 罗兰贝格 2025 | AI 智能体、多模态、硬件融合趋势 | ### 英文报告 | 资源 | 机构 | 核心发现 | |---|---|---| | [AI Search Visits Surging in 2025](https://videos.brightedge.com/assets/blog/ai-search-visits-in-surging-2025/Industry%20Report%20Sep%202025.pdf) | BrightEdge 2025/09 | Fortune 100 实测：AI 搜索双位数月增长，但仍 <1% 总流量 | | [AI Overviews One Year Review](https://videos.brightedge.com/assets/SGE-Guide/BrightEdge%20Report%20-%20AIO%20Overviews%20One%20Year%20Review%20Research%20Paper%20and%20Deep%20Dive%20.pdf) | BrightEdge 2025/05 | Google AI Overviews 一年回顾：搜索量 +49%，CTR -30% | | [Platform Citation Preferences](https://www.hashmeta.ai/en/geo/research/platform-citation-preferences) | Hashmeta 2025/01 | 6 大 AI 平台 / 15000+ 引用 / 3400+ query 的跨平台偏好 | | [LLM Citation Study by Industry](https://blog-v2.writesonic.com/llm-ai-search-industry-citation-study) | Writesonic 2025/11 | 不同行业 LLM 引用模式；GPT 不同版本引用重叠率仅 7% | ## 关键行业数据（带出处） | 数据点 | 来源 | |---|---| | ChatGPT 月活 8.91 亿，占搜索 17.6% | SparkToro 2025 | | Google 占搜索 77.9% | SparkToro 2025 | | 60% Google 搜索不产生点击 | SparkToro 2025 | | AI 搜索流量同比增长 **527%** | BrightEdge 2025 | | SEO 与 GEO 排名重叠率仅 **12%** | Ahrefs 2025 | | 出现在 4+ 平台的内容被引用概率 **×2.8** | KDD 2024 | | AI 引用访客转化率是普通搜索的 **4.4–23×** | BrightEdge 2025 | | 知乎 AI 引用率 **29.9%** | IT 之家 2026 | | Reddit AI 引用率 **40.1%** | SparkToro 2025 | ## 中文 AI 生态 详细的中文 AI 生态地图（字节 / 腾讯 / 阿里 / 百度四大派系 + 独立产品 + 内容平台）见 [核心概念 → 主流生成引擎概览](/zh/getting-started/core-concepts/#主流生成引擎概览)。 完整外部索引：[LLM-X-Factorer/awesome-geo-cn](https://github.com/LLM-X-Factorer/awesome-geo-cn) — 持续维护的中文 GEO 资源列表。 ## 工具 ### GEO 监测（商用） | 工具 | 说明 | 价格 | |---|---|---| | [Ahrefs AI Overviews Tracker](https://ahrefs.com/) | 追踪 AI Overviews 中的品牌引用 | 付费 | | [Semrush AI SEO Toolkit](https://www.semrush.com/) | AI 搜索可见度分析 | 付费 | | [Profound](https://www.tryprofound.com/) | AI 搜索引用监测 | 付费 | ### 开源工具 | 工具 | 说明 | |---|---| | [AI2HU/gego](https://github.com/AI2HU/gego) | Go 实现的 GEO 工具，跨 LLM 品牌曝光追踪，REST API | | [aircodelabs/llms-txt-generator](https://github.com/aircodelabs/llms-txt-generator) | AI 驱动的 llms.txt / llms-full.txt 生成器，MCP 集成 | | [apify/actor-llmstxt-generator](https://github.com/apify/actor-llmstxt-generator) | Apify Actor 形式的 llms.txt 生成器 | | [infiniflow/ragflow](https://github.com/infiniflow/ragflow) | 开源 RAG 引擎，深度文档理解（79k+ stars） | | [danishashko/geo-aeo-tracker](https://github.com/danishashko/geo-aeo-tracker) | 本地优先的 AI 可见性 dashboard，覆盖 6 大 AI 引擎 | | [Auriti-Labs/geo-optimizer-skill](https://github.com/Auriti-Labs/geo-optimizer-skill) | 基于 KDD 2024 研究的 GEO 审计 / 优化 / 测试工具 | | [LLM-X-Factorer/md2red](https://github.com/LLM-X-Factorer/md2red) | Markdown 转小红书图文卡片 | ### 站内工具 | 工具 | 用途 | |---|---| | [GEO 检测](/zh/tools/geo-checker/) | 内容质量打分 | | [性能分析](/zh/tools/performance-analysis/) | 长期表现监控 | | [竞品分析](/zh/tools/competitor-analysis/) | 横向对标 | ## 课程 | 课程 | 语言 | 说明 | |---|---|---| | [SEO + GEO 入门课程](https://factorer.app/) | 中文 | 10 周 29 课，基于 KDD 2024 论文，覆盖 SEO + GEO + 中文 AI 平台 | | [AI SEO: Mastering GEO (Coursera)](https://www.coursera.org/learn/seo-mastering-generative-engine-optimization-geo) | 英文 | Coursera GEO 课程 | | [万智匯 SEOxGEO 入门课](https://geniushub.cc/geo/geo-course-recommendation/) | 繁体中文 | 61 单元视频课 | ## 英文精选资源 | 资源 | 说明 | |---|---| | [Search Engine Land — What is GEO](https://searchengineland.com/what-is-geo-generative-engine-optimization) | 定义与概述 | | [Search Engine Land — Mastering GEO in 2026](https://searchengineland.com/mastering-generative-engine-optimization-in-2026-full-guide-469142) | 完整 GEO 实操指南（2026） | | [Backlinko GEO Guide](https://backlinko.com/geo) | Brian Dean 的 GEO 指南 | | [Kevin Indig — Growth Memo](https://www.growth-memo.com/) | 数据驱动的 GEO / AI 搜索博客（曾分析 1.2M ChatGPT 回答） | | [Can You Fake Expertise in AI Search?](https://www.authoritas.com/blog/can-you-fake-it-til-you-make-it-in-the-age-of-ai-search) | 9 个 AI 模型的专家引用偏好测试 | 外部清单：[luka2chat/awesome-geo](https://github.com/luka2chat/awesome-geo)、[amplifying-ai/awesome-generative-engine-optimization](https://github.com/amplifying-ai/awesome-generative-engine-optimization)、[DavidHuji/Awesome-GEO](https://github.com/DavidHuji/Awesome-GEO)（学术索引）。 ## 模板 ### 内容评估清单 发布前对照： - [ ] 文章开头有独立 TL;DR / 快速答案块（一段话内可独立摘出） - [ ] 标题层级唯一且自洽（H1 唯一，H2/H3 嵌套合理） - [ ] **每千字 3–5 条具名引用，链向具体文章 URL**（按 KDD 2024 数据，权威引用提升 AI 可见度 +43%） - [ ] 至少一处原创数据 / 案例 / 流程图 - [ ] 作者署名 + 简短资历 - [ ] FAQ 区块（至少 3 个问答） - [ ] JSON-LD 至少 2 层（Article + FAQPage 或 Article + HowTo） - [ ] SSR 验证：`curl -A "GPTBot" ` 能看到正文 ### Prompt 测试集模板 用于验证内容能否被 AI 引擎找到并引用： ``` 1. 我想了解 <主题>，有什么资源推荐？ 2. <你的核心问题> 怎么做？ 3. <相关子问题> 是什么意思？ 4. <你解决的痛点> 怎么避免？ 5. 比较 <你的方法> 和 <竞品方法> 的差异 ``` 建议覆盖 5 大引擎：ChatGPT、Claude、Perplexity、Google AI Overviews、Gemini，中文站再加豆包 / Kimi / 文心一言 / 通义千问。每月一次。 ## 反馈与贡献 发现资源链接失效、有更好的工具推荐、或想贡献模板？欢迎邮件 [mail@geo.fan](mailto:mail@geo.fan)。 --- # GEO 内容策略最佳实践 Source: https://www.geo.fan/zh/best-practices/content-strategy/ **TL;DR**：2026 年的 GEO 内容策略已收敛出几条具体可执行的规则——每篇文章开头放快速答案块、每千字 3–5 条具名引用且链向具体文章 URL、高优先级内容每 7–14 天刷新、JSON-LD 三层叠加、确保 SSR。本页把这些规则与对应的检查标准列出来。 ## 1. 文章结构：TL;DR + 主体 + FAQ ### 必备的"快速答案块" AI 引擎从 above-the-fold（文章顶部）抽答案。如果你的文章前 200 字不能独立回答标题里的问题，AI 大概率不会引用你。 **推荐结构**： ```markdown # <标题：清晰的问题或陈述> **TL;DR**：一段话直接回答标题。控制在 60-150 字，包含核心结论、关键数据、推荐动作。 ## 详细内容 ... ## 常见问题（FAQ） ### Q: ... A: ... ``` ### 内容格式选型 不同形态在 AI 答案里有不同的命中率： | 格式 | 适合场景 | AI 引擎偏好 | | --- | --- | --- | | Listicle（列表式） | "X 大方法 / 工具 / 趋势" | Perplexity、ChatGPT 高频引用 | | 对比表格 | "X vs Y" | Gemini、Google AI Overviews 偏爱 | | 操作指南（HowTo） | "如何做 X" | 全平台通用 | | FAQ 页 | 高频问答合集 | 直接被 AI 整段抽取 | | 长文深度解析 | 复杂主题、行业研究 | Claude 偏爱，引用密度高 | 不要全站只做一种形态，按主题选合适的。 ## 2. 引用密度规则 学术实测有数：[KDD 2024 GEO 论文](https://arxiv.org/abs/2311.09735)（IIT Delhi + Princeton）量化了三种"引用 / 数据相关"优化的实际收益： - 引用权威来源：AI 可见度 **+43%** - 嵌入统计数据：AI 可见度 **+33%** - 答案优先结构（TL;DR）：AI 可见度 **+18%** - 关键词堆砌：**负效果**（AI 引擎会降权） ### 三条硬规则 1. **每千字 3–5 条具名引用**（不少于 3 条，不超过 8 条避免噪音） 2. **必须链向具体文章 URL，不是站点首页**——比如引用《Search Engine Land》某文，链到那篇文章本身，不是 searchengineland.com 3. **引用源要权威且可验证**——优先学术论文、官方文档、行业头部站点。延伸提示：[arXiv 2025 研究](https://arxiv.org/abs/2509.08919)发现 AI 搜索系统性偏向 **earned media**（第三方报道、行业媒体）而非品牌自有内容，所以"引用第三方对自己的报道"比"引用自家博客"更值钱 ### 引用质量自查 - [ ] 每条引用都有作者 / 机构署名 - [ ] 每条引用都标注发布日期 - [ ] 没有引用维基百科作为唯一来源（可作为辅助但不应作为主引用） - [ ] 没有空泛"专家表示"、"研究表明"而不附来源 ## 3. 内容新鲜度 2026 共识：**高价值内容每 7–14 天刷新一次**。 ### 为什么这么频繁 AI 引擎倾向于引用近期更新的内容。Citation Rate 在内容超过 14 天未更新后明显下降。 ### 刷新不等于重写 每次刷新可以只是： - 在文末加一行"最后更新：YYYY-MM-DD"并改实际时间 - 补充 1–2 个最新数据点或链接 - 修正过时表述（产品改名、链接腐烂） - 加一个 FAQ 问题 ### 刷新节奏建议 | 内容类型 | 刷新频率 | | --- | --- | | 高优引流页（10% 头部内容） | 每 7–14 天 | | 中等优先级 | 每月 | | 长尾内容 | 每季度 | | 一次性公告 | 不刷新 | ## 4. 结构化数据：JSON-LD 三层叠加 不要只放一个 schema。2026 推荐**在同一页面同时叠加多个相关 schema**。 ### 文章类页面 ```json { "@context": "https://schema.org", "@graph": [ { "@type": "Article", "headline": "...", "author": {"@type": "Person", "name": "...", "url": "..."}, "datePublished": "2026-05-13", "dateModified": "2026-05-13" }, { "@type": "FAQPage", "mainEntity": [ {"@type": "Question", "name": "...", "acceptedAnswer": {"@type": "Answer", "text": "..."}} ] }, { "@type": "HowTo", "name": "...", "step": [{"@type": "HowToStep", "text": "..."}] } ] } ``` ### `sameAs` 实体链接：让 AI 把你识别为"已知实体" 最容易被忽略也最高 ROI 的属性之一。在 `Organization` 和 `Person` 中加 `sameAs`，把站内身份**显式映射到外部权威库**： ```json "sameAs": [ "https://www.wikidata.org/wiki/Q...", "https://www.linkedin.com/in/...", "https://www.crunchbase.com/organization/...", "https://www.g2.com/products/...", "https://github.com/...", "https://twitter.com/..." ] ``` AI 爬虫看到 `sameAs` 会把你和外部实体表"连起来"——这是 INSIDEA 反复强调的高 ROI 招法。 ### 按用户阶段选 schema | 阶段 | 用户在做什么 | 推荐 schema 组合 | |---|---|---| | **Answer** | "什么是…"、"如何…"、FAQ 类 | `FAQPage` + `HowTo` | | **Inform** | 博客、行业报告、长文解析 | `Article` + `BreadcrumbList` + `Person` | | **Engage** | 客户证言、产品对比 | `Review` + `AggregateRating` + `Person` | | **Offer** | 电商、活动、本地服务 | `Product` + `Offer`、`Event`、`LocalBusiness` + `GeoCoordinates` | ### 其他高 ROI 场景（带公开数据） | 场景 | schema 组合 | 公开数据点 | |---|---|---| | 本地业务 + 地理位置 | `LocalBusiness` + `Review` + `GeoCoordinates` | 一家搬家公司加这套后**移动端来电 +47%**（INSIDEA） | | 教学指南 | `HowTo`（每一步独立 `HowToStep`） | 一家金融公司给贷款申请文加 HowTo schema **CTR +22%** | | 评测 / 评分 | `Review` + `AggregateRating` | 搜索结果显星 **CTR ~30%** 提升 | | 语音助手 | `Speakable` 标记关键段 | 40% 美国成年人每日语音搜索 | ### 验证工具 - Google Structured Data Markup Helper - Google Rich Results Test - Schema.org Validator - Schema App / Merkle Schema Generator ## 5. 技术地基：SSR + 爬虫白名单 详见 [llms.txt 与 AI 爬虫](/zh/technical/llms-and-bots/)，核心几条： - 关键内容必须 SSR / SSG，AI 爬虫不执行 JS - `robots.txt` 显式放行 `OAI-SearchBot`、`PerplexityBot`、`Claude-SearchBot`、`Bingbot`、`Google-Extended` - 部署 `/llms.txt` 与 `/llms-full.txt` - CDN / WAF 检查不要把 AI bot 拦截 ## 6. Earned Media：让别人引用你 公开研究反复证实：**AI 引擎压倒性偏好 earned media**—— - **95%** 的 AI 引用来自非付费来源（thatmarketingbuddy 综述） - **85%** 来自 earned media（第三方报道、行业媒体、社区讨论） 也就是说：投钱买广告位、做付费链接对 AI 引用**几乎无效**；让第三方说你的话**才是核心打法**。 ### 怎么"赚"到 earned media 1. **发布原创数据 / 报告 / Benchmark**——别人引用你的数据时会顺带链你 2. **行业媒体投稿**：Search Engine Land、A16Z、Stratechery 等 3. **参与社区**：Reddit、HackerNews、Stack Overflow、知乎、V2EX —— 一条言之有物的回答常常比 5 篇博客带来更多 AI 引用 4. **被采访 / 上播客**：录制类内容字幕能被 AI 索引 5. **开源贡献**：GitHub README + 项目主页本身是高权威 earned signal ### 反过来：你引用别人时，**链向具体文章** - 引用《Search Engine Land》某文：链那篇文章本身，不要链首页 - 这一条也呼应学术研究：[2025 arXiv 论文](https://arxiv.org/abs/2509.08919)发现 AI 搜索系统性偏向 earned media 而非品牌自有内容 ## 7. 实体与语义 明确标识内容中的关键实体（人物、地点、概念、产品）及其关系，帮助 AI 建立准确的知识图谱连接。 - 关键名词第一次出现时给完整名称，后续可缩写 - 同一实体在全站用同一种叫法（不要"GEO 检测工具"和"GEO 评分器"混用） - 重要实体加 `itemProp` / schema.org 标记 + `sameAs` 链到 Wikidata - **作者必须署名**：匿名作者的内容在 AI 引用率上 **-60%**（公开研究） ## 发布前检查清单 每篇必过一遍： - [ ] 标题清晰，是问题或陈述句 - [ ] 开头有独立的 TL;DR 块（60-150 字） - [ ] 标题层级 H1 唯一，H2/H3 嵌套合理 - [ ] 每千字 3–5 条具名引用，链向具体文章 URL - [ ] 至少一处原创数据 / 案例 / 流程图 - [ ] 作者署名 + 简短资历 - [ ] FAQ 区块（至少 3 个问答） - [ ] JSON-LD 至少 2 层（Article + FAQPage 或 Article + HowTo） - [ ] SSR 验证：`curl -A "GPTBot" ` 能看到正文 - [ ] 加入下一轮 7–14 天刷新计划 ## 相关阅读 - [GEO 检测工具](/zh/tools/geo-checker/) —— 自动化打分 - [性能分析](/zh/tools/performance-analysis/) —— 用标准 KPI 跟踪效果 - [llms.txt 与 AI 爬虫](/zh/technical/llms-and-bots/) —— 技术地基 - [电商案例](/zh/case-studies/ecommerce/) —— 实战参考 --- # 30 天实施框架 Source: https://www.geo.fan/zh/best-practices/implementation-framework/ **TL;DR**：30 天分四周走完 GEO 地基铺设——第 1 周技术地基、第 2 周结构化数据、第 3 周内容可引用性、第 4 周作者与品牌实体信号。每周末都有可验证的交付物，不空谈。本框架综合了 BestAEOSkill 30 天计划、Yinhang Institute 五步法、以及 KDD 2024 GEO 论文的实证发现。 ## 为什么是 30 天 / 4 周 GEO 优化的反馈周期天然较短——多数 AI 引擎会在 1–2 周内把你刚发布或刚更新的内容索引进 RAG 缓存。30 天的窗口刚好够： - **2 个引用周期**（前 14 天打地基，第 15 天起新内容开始被采集） - **覆盖月度报告周期**——第 4 周末跑首次完整 KPI 测量，与下个月对照基线 ## 四周路线图 1. ### 第 1 周：技术地基（让 AI 爬虫够得着） 目标：消除"AI 爬虫被屏蔽 / 看不到正文 / 找不到导航"这三类地基级缺陷。 **任务清单**： - [ ] 审计 `robots.txt`，显式 `Allow` 给主流 AI 爬虫（`GPTBot`、`OAI-SearchBot`、`ClaudeBot`、`Claude-SearchBot`、`PerplexityBot`、`Google-Extended`、`Bingbot`、`Applebot-Extended` 等，详见 [llms.txt 与 AI 爬虫](/zh/technical/llms-and-bots/)） - [ ] CDN / WAF 检查：用 `curl -A "GPTBot" ` 验证不被拦截 - [ ] **SSR 校验**：同一个 curl 命令的返回 HTML 必须包含正文文本（如果用 CSR SPA 会返回空 shell——必须重构或加 SSR） - [ ] 部署 `/llms.txt`（索引）和 `/llms-full.txt`（全文打包） - [ ] `sitemap.xml` 包含所有应公开的页面，且 URL canonical 化 - [ ] 可选：部署 `/.well-known/ai.txt` **验收**： ```bash curl -A "GPTBot" https://your-site/some-article/ | grep -c "正文里的一句独特短语" # 期望 ≥ 1 ``` 2. ### 第 2 周：结构化数据（让 AI 看得懂） 目标：在站点最重要的 5–10 页上铺好 JSON-LD `@graph` 多层 schema。 **任务清单**： - [ ] 选定 10 个高优先级页面（首页 + Top 9 引流页） - [ ] 每页至少 2 层 schema： - 文章页：`Article` + `FAQPage` + `Person`（作者） - 产品页：`Product` + `Offer` + `Review` - 教程页：`HowTo` + `FAQPage` - [ ] `Organization` schema 加 `sameAs`：链到 Wikidata / LinkedIn / Crunchbase / G2 / GitHub - [ ] `Person`（作者）加 `sameAs`：链到 LinkedIn / Wikidata / ORCID（如有） - [ ] 用 Google Rich Results Test 跑过每一页，0 报错 - [ ] 部署到生产环境，等待 Google Search Console 重新索引 **验收**：Rich Results Test 全绿 + Search Console "增强结果"中能看到对应类型出现。 3. ### 第 3 周：内容可引用性（Citability） 目标：把 5–10 页内容改造到"AI 能直接抽段"。 **任务清单**： - [ ] 每页开头加独立的 TL;DR / 快速答案块（60–150 字，能被独立摘出） - [ ] 标题层级清理：H1 唯一，H2/H3 嵌套合理，标题用问题或陈述句而非泛标题 - [ ] **引用密度**：每千字至少 3 条具名引用，**链向具体文章 URL 不是首页** - [ ] **统计数据**：每 200 字至少一个具体数字（KDD 2024 +33–40%） - [ ] **专家引述**：每篇至少 1 条带姓名 + 资历的引述（+41%） - [ ] **源强调**：关键引用源用粗体强调 + 显式归因（+115%，论文中收益最高的单项） - [ ] FAQ 区块（至少 3 个问答）覆盖读者的下一个问题 - [ ] 删除任何关键词堆砌段落（-22%） **验收**：跑站内 [GEO 检测](/zh/tools/geo-checker/)，10 页中 8 页分数 ≥ 75。 4. ### 第 4 周：实体与品牌信号 目标：让 AI 引擎"认识"你的品牌和作者，把你识别为可信实体。 **任务清单**： - [ ] **作者署名**：每篇文章带 author byline，文末有作者简介块（含资历）。匿名内容引用率 -60% - [ ] **Person schema** 标记每个署名作者 - [ ] 整理 NAP（Name / Address / Phone）：网站、Google Business Profile、其他目录全部一致（不一致让本地 AI 引用 -40%） - [ ] 建立 / 完善 Wikidata 条目（公司或主要作者） - [ ] LinkedIn 公司页、GitHub Organization、Crunchbase 信息更新到位 - [ ] 跑首次完整 KPI 基线：5 个引擎 × 20–30 个测试 prompt，记录 Mention / Citation Rate / SoV - [ ] 把跑出来的"高优先级修复项 Top 5"加入下个 30 天计划 **验收**：在 ChatGPT / Claude / Perplexity 里搜公司或作者名，能看到 AI 把站点列为来源之一。 ## 30 天后做什么 第 30 天的 KPI 基线是你后续所有迭代的对照锚。建议节奏： - **每 7–14 天**：刷新 5–10 个高优先级页面的时间戳和数据 - **每月**：重跑 prompt 集，比较 Mention / Citation Rate 变化 - **每季度**：评审 prompt 集本身，淘汰过时问题、加入新热点 - **每半年**：对照 [实测研究与测评](/zh/tools/resources/#行业报告) 中的最新行业报告，看自己是否在大盘趋势里 ## 与其他章节的关系 | 章节 | 用途 | |---|---| | [GEO 检测工具](/zh/tools/geo-checker/) | 第 3 周每改一页都跑一次 | | [llms.txt 与 AI 爬虫](/zh/technical/llms-and-bots/) | 第 1 周的详细手册 | | [内容策略最佳实践](/zh/best-practices/content-strategy/) | 第 2–3 周的设计原则 | | [多平台分发](/zh/best-practices/multi-platform-distribution/) | 30 天打底后的下一阶段（让别人也引用你） | | [性能分析](/zh/tools/performance-analysis/) | 第 4 周末的 KPI 测量方法 | ## 致谢 本框架综合了： - [BestAEOSkill](https://bestaeoskill.com/guide/) 30 天技术 + schema + citability + entity 四阶段 - [Yinhang GEO Institute](https://www.yinhang.org/) 五步法（实体映射 / 提示词分层 / 结构化架构 / 交叉链接 / 人机评估 / 内容适配） - [KDD 2024 GEO 论文](https://arxiv.org/abs/2311.09735) 的实证优化策略数据 - [thatmarketingbuddy](https://thatmarketingbuddy.com/guide/how-to-rank-in-ai-search) 的 8 步框架 --- # 多平台分发策略 Source: https://www.geo.fan/zh/best-practices/multi-platform-distribution/ **TL;DR**：AI 引擎从少数几个"高权威平台"采撷的内容远多于从你自己网站。研究显示**95% 的 AI 引用来自非付费来源、85% 来自 earned media**（thatmarketingbuddy）；**出现在 4+ 平台上的内容被引用概率提高 2.8×**（KDD 2024）。这页讲怎么把同一份内容铺到 AI 最爱去的地方。 ## 什么是 Core Fisheries（核心渔场） 把 AI 引擎想象成渔夫——它们不是均匀地撒网到整个互联网，而是反复回到几个高产渔场打捞。这些"核心渔场"包括： ### 英文场景 | 平台 | 类型 | AI 引用率参考 | |---|---|---| | **Wikipedia** | 百科 | 几乎所有 AI 模型训练 + 检索都重点采集 | | **Reddit** | 社区论坛 | **40.1%**（SparkToro 2025）—— 在线讨论的高密度信号源 | | **YouTube**（字幕） | 视频 | 字幕作为时间戳文本被 AI 索引 | | **Stack Overflow** | 技术问答 | 编程类问答的事实标准 | | **行业头部媒体** | 媒体 | TechCrunch / Search Engine Land / a16z / Stratechery 等 | | **GitHub README** | 代码 | 开发者工具类查询高频引用 | | **学术 arXiv / ACM** | 论文 | 严肃事实类查询的"最终权威" | ### 中文场景 | 平台 | 类型 | 备注 | |---|---|---| | **知乎** | 问答社区 | **AI 引用率 29.9%**（IT 之家 2026）—— 中文 AI 引擎广泛引用 | | **公众号** | 长文 | 腾讯系生态闭环（元宝、混元）直接调用 | | **B 站专栏 + 字幕** | 视频 | 字幕被索引、专栏类似中文版 Medium | | **小红书** | 图文 + 短视频 | 被百度索引后间接影响百度系 AI | | **百家号 / 百度知道 / 百度百科** | 多类 | 百度系 AI 的内置语料源 | | **微博热搜 / 头条** | 短内容 | 字节系（豆包、抖音 AI）的数据源 | | **CSDN / 掘金 / 思否** | 技术社区 | 中文技术类查询的核心渔场 | | **行业头部媒体** | 媒体 | 36 氪 / 虎嗅 / 钛媒体 / 极客公园 | ## 一条 Reddit 评论 > 5 篇博客文章 [Alignify 综述引用 Lenny's Newsletter](https://alignify.co/zh/marketing/geo) 中提到： > 一条思虑周到的 Reddit 评论可能比五篇博客文章带来更多 AI 引用。 原因有三： 1. **平台权威性**：Reddit / 知乎是 AI 训练 + 检索的高优先级源 2. **问答上下文**：原帖已经给出问题，你的回答天然"针对查询的答案" 3. **多人互动信号**：upvotes / 点赞充当质量信号 ## 分发优先级（按 ROI） 不是所有平台都值得投入，**按 ROI 排序**： | 优先级 | 渠道 | 投入成本 | 引用收益 | |---|---|---|---| | **P0** | 自有站点 SSR + schema + 高质量内容 | 中 | 决定 76% AI 引用（top-10 检索） | | **P0** | Wikipedia 条目（公司、人物、概念） | 高（编辑严格） | 极高，长期复利 | | **P0** | 知乎 / Reddit 高质量回答（5–10 条 / 季度） | 中 | 极高 | | **P1** | YouTube / B 站 + 完整字幕 | 高 | 高（视频内容稀缺） | | **P1** | 行业头部媒体投稿 / 被采访 | 高 | 高（earned media） | | **P2** | GitHub Organization 主页 + README | 低 | 中（开发者类查询） | | **P2** | 公众号 / Medium 长文 | 中 | 中 | | **P3** | LinkedIn / Twitter 短内容 | 低 | 低（社交平台对 AI 引用贡献小） | | **P3** | 付费广告投放 | 高 | **几乎为 0**（95% 引用来自非付费） | ## 一份内容的多平台改造模板 给每篇核心长文准备**多版本**——不要直接复制粘贴： ``` 原始文章（你站点） │ ├─ Reddit / 知乎 → 重写成"问题 + 答案"对话式 │ ├─ YouTube / B 站 → 录成 10 分钟视频 + 完整字幕 │ ├─ GitHub README → 把示例代码抽出来做开源 demo │ ├─ 公众号 / Medium → 改写更口语化的版本 │ └─ 行业媒体投稿 → 抽核心 1–2 个观点扩写为独立观点稿 ``` 每个平台**留原文链接回站**，让 AI 找到你站点上的完整版作为权威源。 ## 实操检查清单 - [ ] 列出你内容的 5 个高优先级 Core Fisheries（按行业 + 语种） - [ ] 每月在每个平台发 ≥ 1 条原创高质量内容 - [ ] **不要**直接复制粘贴——为每个平台改写 - [ ] 每个平台账号统一头像、bio、主域名链接 - [ ] `sameAs` schema 把所有平台 ID 链回 Wikidata（详见 [content-strategy](/zh/best-practices/content-strategy/#sameas-实体链接让-ai-把你识别为已知实体)） - [ ] 季度评估各渠道的引用贡献，砍掉零贡献渠道 ## 相关阅读 - [核心概念 → Core Fisheries](/zh/getting-started/core-concepts/#其他高频概念) - [实施框架 → 第 4 周品牌实体](/zh/best-practices/implementation-framework/) - [性能分析 → 行业基准](/zh/tools/performance-analysis/#行业基准参考用) - [电商案例](/zh/case-studies/ecommerce/) / [B2B 技术站案例](/zh/case-studies/b2b-tech/) / [独立创作者案例](/zh/case-studies/creator/) --- # llms.txt 与 AI 爬虫配置 Source: https://www.geo.fan/zh/technical/llms-and-bots/ **TL;DR**：要被 AI 引擎引用，先确保两件事——AI 爬虫没被你的 `robots.txt` 屏蔽，以及你提供了 `llms.txt` / `llms-full.txt` 让 AI 快速理解站点结构。两者都是技术配置，每件半天可做完，是 GEO 的"地基"。 ## 一、AI 爬虫白名单（robots.txt） 很多站点用通用规则 `User-agent: *` 限制了大量爬虫，把 AI 爬虫一并误伤。AI 引擎无法抓取你的内容，就不可能引用。 ### 主流 AI 爬虫 User-Agent 清单 | 爬虫 | User-Agent | 来源 | 用途 | | --- | --- | --- | --- | | GPTBot | `GPTBot` | OpenAI | 训练 GPT 模型 | | OAI-SearchBot | `OAI-SearchBot` | OpenAI | 为 ChatGPT 搜索/引用提供实时索引 | | ChatGPT-User | `ChatGPT-User` | OpenAI | 用户在 ChatGPT 内主动访问页面时使用 | | ClaudeBot | `ClaudeBot` | Anthropic | 训练 Claude 模型 | | Claude-SearchBot | `Claude-SearchBot` | Anthropic | Claude 实时搜索 | | Claude-User | `Claude-User` | Anthropic | Claude 用户主动访问 | | PerplexityBot | `PerplexityBot` | Perplexity | Perplexity 搜索索引 | | Perplexity-User | `Perplexity-User` | Perplexity | Perplexity 用户访问 | | Google-Extended | `Google-Extended` | Google | 控制是否被 Gemini 训练 | | Googlebot | `Googlebot` | Google | Google 搜索（含 AI Overviews 输入） | | Bingbot | `Bingbot` | Microsoft | Bing 搜索（含 Copilot 输入） | | Applebot-Extended | `Applebot-Extended` | Apple | 控制是否被 Apple Intelligence 训练 | | Bytespider | `Bytespider` | ByteDance | 豆包 / 字节系 AI | | Amazonbot | `Amazonbot` | Amazon | Alexa / Amazon 系 AI | | Meta-ExternalAgent | `Meta-ExternalAgent` | Meta | Meta AI | ### 推荐的 robots.txt 模板 ```txt # 公共内容默认允许所有爬虫 User-agent: * Allow: / # 明确允许主流 AI 爬虫（即使上方默认允许，写出来更稳） User-agent: GPTBot Allow: / User-agent: OAI-SearchBot Allow: / User-agent: ChatGPT-User Allow: / User-agent: ClaudeBot Allow: / User-agent: Claude-SearchBot Allow: / User-agent: PerplexityBot Allow: / User-agent: Google-Extended Allow: / User-agent: Applebot-Extended Allow: / # 屏蔽不需要被抓取的路径（示例） User-agent: * Disallow: /admin/ Disallow: /api/ Sitemap: https://example.com/sitemap.xml ``` ### 区分"训练"和"实时检索" 不同 bot 用途不同，可分别处理： - **训练用 bot**（`GPTBot`、`ClaudeBot`、`Google-Extended`、`Applebot-Extended`）—— 决定你的内容是否成为模型权重的一部分。如果担心版权，可以选择性 `Disallow`。 - **实时检索用 bot**（`OAI-SearchBot`、`Claude-SearchBot`、`PerplexityBot`、`ChatGPT-User`、`Bingbot`）—— 这些是"AI 答案出现时实时去抓你的页面"的 bot，**几乎不应该屏蔽**，否则 AI 答案里你的内容永远拿不到引用。 ## 二、llms.txt 标准 `llms.txt` 是 2024 年 9 月由 Jeremy Howard 提出的提案：放在站根的 markdown 文件，作为"AI 专用的 sitemap + 内容索引"。 到 2026 年，Anthropic、Vercel、Cursor、Mintlify、LangGraph 等开发者工具站都已部署。主流 LLM 提供方还没正式承诺消费这个文件，但 IDE / agent 生态（如 Claude Code、Cursor）已经实际在用。 ### llms.txt vs llms-full.txt 业内主流做法是**同时提供两份**： | 文件 | 内容 | 用途 | | --- | --- | --- | | `/llms.txt` | 一个**索引**：站点简介 + 每个重要页面的标题、URL、一句话描述 | 让 AI 快速判断哪个页面相关，再去抓具体内容 | | `/llms-full.txt` | **全文**拼接：所有重要页面的 markdown 正文打包 | 让 AI 一次性吃下完整知识，省去多次抓取 | ### llms.txt 格式规范 最小可用结构（参考 llmstxt.org 官方规范）： ```markdown # 站点名称 > 一段话描述这个站点是做什么的，定位是什么。 可选的额外背景介绍。 ## 文档 - [页面标题](https://example.com/path/): 一句话描述这个页面讲什么 - [另一个页面](https://example.com/another/): 描述 ## 工具 - [工具页](https://example.com/tools/x/): 描述 ## 可选 - [低优先级页面](https://example.com/extra/): 描述 ``` - 一级标题（`#`）：站点名 - 引述（`>`）：站点定位 / 一句话简介 - 二级标题（`##`）：内容分组 - 列表项：每条形如 `[标题](URL): 描述` - `## 可选` 是约定的特殊分组，AI 可以跳过 ### 部署建议 1. **手写或脚本生成**：内容量少手写即可；多了就在构建时根据 frontmatter 生成 2. **保持新鲜**：每次发布新内容时同步更新 3. **与 sitemap.xml 并存**：不替代，是补充 4. **路径固定**：必须放在 `/llms.txt`，不要放别处 ### 这个站做的事 geo.fan 已经部署两份文件，可作为参考： - [/llms.txt](/llms.txt) - [/llms-full.txt](/llms-full.txt) ## 三、`/.well-known/ai.txt`（并行标准） `ai.txt` 是和 `llms.txt` 并行涌现的另一个提案，路径在 `/.well-known/ai.txt`（参考 RFC 8615 well-known URI 规范）。设计上更偏向**结构化"AI 政策声明"**——告诉 AI 爬虫"哪些数据允许什么用途"。 格式比 robots.txt 更细，举例： ```txt # /.well-known/ai.txt User-agent: * Disallow-Training: /private/ Allow-Search: / Allow-Summarization: / Attribution-Required: true Contact: mail@example.com ``` 到 2026 年这一标准仍**未被主流 LLM 厂商正式承诺消费**，但已有部分站点（Anthropic、几家媒体）部署。建议： - **不冲突，可部署**：成本很低，跟 `llms.txt` 并存即可 - **不要替代 `robots.txt`**：合规性还是看 robots.txt + 各厂商各自的政策 - **不要写入敏感信息**：这是公开文件 ## 四、`sameAs` —— 让 AI 把你识别为已知实体 不在 robots/llms.txt 层级，但属于"技术地基"的姊妹设置：在站点的 `Organization` / `Person` JSON-LD 里加 `sameAs`，链到外部权威实体库。 最值得加的： ```json "sameAs": [ "https://www.wikidata.org/wiki/Q...", // 最重要 "https://www.linkedin.com/company/...", "https://www.crunchbase.com/organization/...", "https://github.com/...", "https://www.g2.com/products/..." ] ``` AI 爬虫读到 `sameAs` 后能把"网站上自称叫 X 的实体"和"Wikidata Q12345 这条目"匹配上——这是 entity resolution 的关键一步。详见 [内容策略 → sameAs 实体链接](/zh/best-practices/content-strategy/#sameas-实体链接让-ai-把你识别为已知实体)。 ## 五、其他技术地基 ### SSR 必备 AI 爬虫**普遍不执行 JavaScript**，或执行成本远高于抓取静态 HTML。如果关键内容只在 JS 渲染后出现（典型的 CSR SPA），AI 看到的就是一片空白。 - 文档站、内容站：直接 SSG / SSR，最稳 - 重交互应用：把"内容主体"用 SSR 输出，"交互层"用 JS 增强 - 检测方法：`curl -A "GPTBot" https://your-site/page` 看返回的 HTML 里有没有正文 ### 不要把内容藏在登录墙后 需要付费 / 登录的内容，AI 引擎拿不到，自然不会引用。如果一定要做付费墙，至少提供"摘要 + 关键结论"的免费版本作为引流。 ### 服务器不要错误地 4xx/5xx 拒绝 AI bot 部分 CDN（Cloudflare、Akamai）的默认 bot 防护规则会把 AI 爬虫识别成恶意流量并返回 403。请检查并显式放行上面列出的 User-Agent。 ## 检查清单 发布前对照： - [ ] `/robots.txt` 显式允许 `OAI-SearchBot`、`PerplexityBot`、`Claude-SearchBot`、`Bingbot` - [ ] `/llms.txt` 存在且包含站点简介 + 主要页面索引 - [ ] `/llms-full.txt` 存在且为最新（可选但推荐） - [ ] 关键页面 SSR / SSG，`curl -A "GPTBot" ` 返回完整 HTML - [ ] CDN / WAF 没有把 AI bot 当攻击流量拦截 - [ ] `sitemap.xml` 包含所有应被发现的页面 ## 相关阅读 - [GEO 检测工具](/zh/tools/geo-checker/) - [内容策略最佳实践](/zh/best-practices/content-strategy/) - 外部规范：[llmstxt.org](https://llmstxt.org/) --- # 电商独立站 GEO 优化案例 Source: https://www.geo.fan/zh/case-studies/ecommerce/ ## 项目背景 ### 挑战概述 传统 SEO 策略在 AI 搜索时代的局限性。 该电商平台拥有超过 10 万个商品页面，但在 ChatGPT、Claude 等 AI 搜索工具中的曝光率极低。传统的关键词优化策略无法适应生成式 AI 的内容理解方式。 > "在 AI 时代，不是关键词找到用户，而是用户的意图找到最佳答案。" **初始数据指标：** - AI 搜索曝光率：15% - 转化率：2.3% - 平均停留时间：45s ## 解决方案 为了便于理解使用 iPhone 作为产品的例子。 ### 1. 语义化商品描述重构 将传统的关键词堆砌转换为自然语言描述。 **优化前：** ``` iPhone 17 Pro 手机 苹果 智能手机 5G 拍照 游戏 办公 ``` **优化后：** ``` iPhone 17 Pro 是苹果公司推出的旗舰智能手机，搭载 A19 Pro 芯片，支持专业级摄影和 4K 视频录制。适合摄影爱好者、商务人士和游戏玩家，提供卓越的性能体验和全天候电池续航。 ``` ### 2. 结构化数据增强 使用 Schema.org 标记提升 AI 理解能力。 ```json { "@context": "https://schema.org/", "@type": "Product", "name": "iPhone 17 Pro", "description": "专业级智能手机，适合摄影和商务", "brand": { "@type": "Brand", "name": "Apple" }, "offers": { "@type": "Offer", "price": "7999", "priceCurrency": "CNY", "availability": "https://schema.org/InStock" }, "aggregateRating": { "@type": "AggregateRating", "ratingValue": "4.8", "reviewCount": "1250" } } ``` ### 3. 用户意图匹配优化 基于用户常见问题创建内容，而非仅仅展示产品参数。 **用户问题：** "哪款手机拍照效果最好？" **优化内容：** iPhone 17 Pro 配备三摄系统，支持 5x 光学变焦，夜景模式下表现出色... ## 实施过程 1. **数据分析阶段（第1-2周）** 分析现有商品页面的 AI 搜索表现，识别优化机会点。 2. **内容重构阶段（第3-8周）** 批量优化商品描述，添加结构化数据标记。 3. **测试优化阶段（第9-16周）** A/B 测试不同内容策略，持续优化效果。 > "成功的 GEO 策略需要数据驱动的迭代优化。" ## 效果评估 - **AI 搜索流量增长：** +300% - **转化率提升：** +180% - **平均停留时间：** +250% - **品牌曝光度：** +420% *数据统计周期：优化实施后 6 个月，对比优化前 6 个月的表现。* ## 关键经验 ### 1. 内容质量是核心 AI 搜索引擎更注重内容的实用性和准确性，而非关键词密度。 ### 2. 结构化数据必不可少 Schema.org 标记帮助 AI 更好地理解和展示商品信息。 ### 3. 持续监控和优化 GEO 策略需要根据 AI 搜索行为的变化持续调整。 > "用户体验和内容价值是最重要的排名因素。" --- # 案例：B2B 技术文档站 Source: https://www.geo.fan/zh/case-studies/b2b-tech/ **TL;DR**：B2B 技术工具的目标用户高度依赖 ChatGPT / Claude 给出"安装步骤"、"配置示例"、"和 X 比较"这类答案。技术文档站如果只做传统 SEO，AI 答案里几乎拿不到引用。这篇用一个**假想但贴近真实**的 B2B 技术站为例，展示按本站方法论可以采取的具体动作 —— 数据点全部来自公开研究，不混入未溯源的"客户成功故事"。 为避免照抄营销文案里那种"提升 340%"的合成数字，本案例使用**可溯源的公开研究数据**做参考基准。具体到任何一家站的实际效果会因起点和执行差异显著。 ## 场景设定 **站点类型**：开发者工具的官方文档站（数据库 / API / 部署平台之类） **核心查询场景**： - "X vs Y" 对比类（你 vs 主要竞品） - "如何用 X 做 Z" 教程类 - "X 配置 / API 参考" 查询类 **初始问题**： - 在 ChatGPT / Claude 里搜核心 prompt，引用基本只到竞品和主流博客 - 自有文档站排名好但 AI 答案里几乎拿不到引用 - Mention Rate ≈ 5%，Citation Rate ≈ 2% ## 挑战诊断 按本站 [GEO 检测](/zh/tools/geo-checker/) 的四维度跑一遍，典型 B2B 技术文档的薄弱点： | 维度 | 常见短板 | |---|---| | **权威性** | 文档作者匿名 / 仅显示"docs team" → 引用率 **-60%**（公开研究） | | **相关性** | 大量"参考手册"型条目堆 API 名，缺"如何做某事"的 task-oriented 段落 | | **结构性** | 大量代码块但 schema 只有 `Article`，没有 `HowTo` 或 `Code`，AI 无法识别"教学场景" | | **用户价值** | 信息密度高但缺独立见解、缺与竞品对比、缺常见陷阱说明 | ## 战术（Tactic）—— 按 [30 天实施框架](/zh/best-practices/implementation-framework/) 执行 ### 第 1 周：技术地基 - robots.txt 显式 Allow GPTBot / ClaudeBot / PerplexityBot / Google-Extended - 部署 `/llms.txt` 索引到 30 个最重要的"如何做 X"型页面 - 部署 `/llms-full.txt` 把这 30 页全文打包 - 确认所有文档页 SSR（很多开发者工具站默认 CSR，需要重构） ### 第 2 周：结构化数据 每个 "如何做 X" 页面叠加： ```json { "@type": "HowTo", "name": "如何用 X 部署到 Vercel", "step": [{"@type": "HowToStep", "text": "..."}], "tool": [{"@type": "HowToTool", "name": "X CLI"}], "totalTime": "PT15M" } ``` `Organization` 加 `sameAs` 链到 GitHub Organization、Wikidata、Crunchbase、G2、Product Hunt。 ### 第 3 周：内容可引用性 针对竞品对比类查询（"X vs Y"），新建 `/zh/comparisons/x-vs-y/` 路径，每篇结构： ``` # X vs Y：核心差异（对照表） **TL;DR**：[60 字结论，谁适合谁] ## 详细对比 | 维度 | X | Y | | ... | ... | ... | | 价格 | $0–$50/mo | $20–$200/mo | | 部署速度 | 30 秒 | 5 分钟 | ## 什么时候选 X [场景列表] ## 什么时候选 Y [场景列表，公允] ## 常见陷阱 [各家独立观察 + 数据引用] ## FAQ [读者下一个问题] ``` **关键**：对比类页面**必须公允**——AI 引擎会去识别"明显偏袒"的内容并降权。 ### 第 4 周：作者实体 - 给每篇 "如何做 X" 加 author byline + Person schema - 作者 Person 加 `sameAs`：LinkedIn / GitHub / X / 个人博客 - 跑首次 KPI 基线 ## 引用基准（公开研究） | 改造项 | 来源 | 期望提升幅度 | |---|---|---| | 加 HowTo schema | INSIDEA 报告 | 类似项目 +22% CTR 提升（金融贷款页案例） | | 加权威源 + 行内引用 | KDD 2024 | AI 可见度 +30% ~ +43% | | 加作者署名 + Person schema | bestaeoskill 综述 | 匿名 → 署名后引用率回升至基线 60%+ | | 出现在 4+ 平台（自站 + GitHub + Reddit + 知乎） | KDD 2024 | 引用概率 **×2.8** | 具体到任何一家站的实际涨幅会因起点（Domain Authority、内容数量）差异显著——这套数据是**期望区间**，不是承诺。 ## 关键洞察 1. **B2B 技术站最大的浪费是匿名 / "docs team" 署名**——直接砍 60% 的引用率，且修复成本极低 2. **"对比类"长尾页是最高 ROI**——用户用 AI 搜"X vs Y"的频次远高于搜单一产品 3. **GitHub Organization README 是免费的 earned media**——把核心概念表 + sameAs 都放上去 4. **不要写营销话术**——AI 引擎对"我们行业领先" / "我们是最好的"明显降权（呼应论文中的"keyword stuffing -22%"） ## 相关阅读 - [实施框架](/zh/best-practices/implementation-framework/) - [内容策略最佳实践](/zh/best-practices/content-strategy/) - [多平台分发](/zh/best-practices/multi-platform-distribution/) - [电商案例](/zh/case-studies/ecommerce/) / [独立创作者案例](/zh/case-studies/creator/) --- # 案例：独立内容创作者 Source: https://www.geo.fan/zh/case-studies/creator/ **TL;DR**：独立创作者没有大厂的 Domain Authority，但有传统 SEO 拿不到的优势——**话题垂直度高、作者身份强、可以快速迭代**。这三点恰好是 AI 引擎最看重的引用信号。这篇展示一个垂直领域博主用 GEO 思路重新组织内容的方法论。 本案例使用**可溯源的公开研究数据**和**通用方法论**，不混入未溯源的"博主 30 天涨粉 10 万"型营销数字。 ## 场景设定 **创作者画像**：一位写 "中文 AI 工具 / 应用" 的独立博主 - 自有站点（Astro / Next.js + 自托管）+ 知乎专栏 + B 站 + 公众号 - 每月发布 4–8 篇深度文章 - 起点：传统 SEO 流量稳定但 AI 答案里很少出现，被竞品 / 大站抢走引用 **核心查询场景**： - "推荐几个 X 类 AI 工具" - "X 和 Y 哪个好" - "怎么用 X 做 Z" ## 挑战诊断 独立创作者的**结构性优势**和**结构性劣势**对照： | 因素 | 大站 | 独立创作者 | |---|---|---| | Domain Authority | 高 | 低 | | 内容广度 | 大而全 | **垂直深度** ✓ | | 作者身份 | 多人混署或匿名 | **单一作者、可溯源** ✓ | | 内容新鲜度 | 季度更新 | **可以做到周度** ✓ | | earned media | 来得快 | 慢但可积累 | GEO 实际偏好后三项——独立创作者在 AI 引用层有天然机会窗口。 ## 战术（Tactic） ### 一、把单作者身份做到极致 按 KDD 2024 的"Authority Signaling +25%" 和"Expert Quotes +41%"，独立创作者最大的杠杆是**作者身份本身**： - 每篇文末有完整作者简介块（写作领域 / 资历 / 链接），不要只有 byline - 全站 `Person` schema： ```json { "@type": "Person", "name": "[你的名字]", "jobTitle": "AI 工具研究者 / 独立博主", "url": "https://yoursite.com/about/", "sameAs": [ "https://www.zhihu.com/people/...", "https://space.bilibili.com/...", "https://www.linkedin.com/in/...", "https://github.com/...", "https://twitter.com/...", "https://www.wikidata.org/wiki/Q..." // 如有 ] } ``` - 一致命名：所有平台用同一个英文 ID + 同一头像 + 同一 bio - 投行业媒体或被采访：每一次都是把品牌实体往 AI 训练数据里推一份的机会 ### 二、专注垂直领域，深耕"被需要"的话题 不要扩展到不相关领域。AI 引擎在引用时**强烈偏好"那个领域里反复被提到的名字"**。专注的好处： - 全站内容形成知识图谱簇，相互交叉引用形成 entity graph - 每篇文章可以引用站内其他文章，AI 抓到一篇就顺着把全部权威性吸纳 ### 三、内容结构按 KDD 2024 实证策略 每篇深度文： | 区块 | 落实策略 | KDD 收益参考 | |---|---|---| | 文章开头 TL;DR | 答案优先 | +18% | | 每个核心结论附具名引用（含 URL） | 引用权威来源 | +43% | | 引用源用粗体 + 显式归因 | 源强调 | **+115%**（最高单项） | | 每 200 字至少一个具体数字 | 嵌入统计数据 | +33–40% | | 关键比较 / 对比段引用专家话 | 专家引述 | +41% | | 编号引用 [1][2][3] | 行内引用格式 | +30% | | 不要堆关键词 | （反面） | **-22%** | ### 四、Core Fisheries 多平台分发 每篇核心文章做**三平台分发**（不是复制粘贴，是改写）： - **自有站点**：完整深度版（最权威） - **知乎专栏**：改写为问答式，标题用问句 - **B 站视频**：录 10–15 分钟视频，**字幕完整** 每个平台留链回主站。一份内容打 3 个"渔场"——KDD 2024 数据：4+ 平台引用概率 **×2.8**。 ### 五、每周刷新 Top 5 独立创作者最被低估的优势是**节奏快**——你能做到大站做不到的频率： - 维护 5 篇"高优先级内容"清单（最被搜的 5 个 query 对应的文章） - **每周**给每篇加 1–2 个新数据点或新链接，刷 `dateModified` - 公开数据：< 30 天的内容获得引用是 90+ 天旧内容的 **×3.2**（bestaeoskill） ## 引用基准（公开研究） | 改造项 | 期望 | |---|---| | Person schema + sameAs 全站 | 跨平台被识别为同一实体 | | 每周刷新 Top 5 | 在新鲜度信号上**绝对碾压**大站（大站做不到周更） | | 三平台分发 | 4+ 平台覆盖 → KDD 2024 引用 ×2.8 | | 完整作者简介 + 资历 | 匿名 -60% 的反向收益：相比匿名同行高 1.5× ~ 2× | ## 关键洞察 1. **垂直 > 广泛**——AI 引擎喜欢"那个领域里反复出现的名字"，不喜欢"什么都写但都不深" 2. **节奏是独立创作者的杀手锏**——大站没法做周更，你可以 3. **earned media 的小型版本**：在知乎 / Reddit / 行业讨论组回答专业问题，把链接留回你的站 4. **不要追"涨粉"**——传统流量指标和 AI 引用指标只有 12% 重叠（Ahrefs 2025），按 GEO KPI 看 5. **作者身份是单作者博客的最大武器**，不要藏，要张扬 ## 相关阅读 - [实施框架](/zh/best-practices/implementation-framework/) - [多平台分发](/zh/best-practices/multi-platform-distribution/) - [性能分析](/zh/tools/performance-analysis/) - [电商案例](/zh/case-studies/ecommerce/) / [B2B 技术站案例](/zh/case-studies/b2b-tech/) --- # 更新日志 Source: https://www.geo.fan/zh/changelog/ 记录 GEO.Fan 文档站的重要变更。 ## 2026-05-13 —— 文档站基于 Starlight 重建 - 使用 Astro + Starlight 重建整套文档 - 默认中文（`/zh`），英文骨架已就位（`/en`，正文翻译进行中） - 根路径 `/` 根据浏览器 `Accept-Language` 自动跳转到对应语言 - 原 geo.fan 无前缀 URL 一律 301 跳转到 `/zh/...`，保留 SEO 权重 - 站内搜索由 Pagefind 提供 - 部署至 Cloudflare（Workers / Pages） ## 计划中 - 完成英文版正文翻译 - 补充更多行业的案例研究 - 引入互动检测工具（当前为文档说明） - 公开 RSS 与变更订阅 如对内容或站点有建议，欢迎邮件 [mail@geo.fan](mailto:mail@geo.fan)。 --- # 隐私政策 Source: https://www.geo.fan/zh/privacy/ 我们重视您的隐私权，本政策详细说明了 GEO.Fan 如何收集、使用、存储和保护您的个人信息。 最后更新：2026年05月13日 ## 信息收集 ### 我们收集的信息类型 * **账户信息：** 用户名、邮箱地址、密码（加密存储） * **使用数据：** 访问页面、使用功能、停留时间等行为数据 * **设备信息：** IP地址、浏览器类型、操作系统、设备标识符 * **内容数据：** 您提交用于GEO检测的网址和文本内容 * **通信记录：** 与我们的客服或技术支持的沟通记录 ### 信息收集方式 * 您主动提供的信息（注册、使用服务时） * 自动收集的技术信息（Cookies、日志文件） * 第三方服务提供的信息（社交媒体登录） ## 信息使用 ### 我们如何使用您的信息 * **服务提供：** 为您提供GEO检测、分析和优化建议服务 * **账户管理：** 创建和维护您的用户账户，处理登录验证 * **服务改进：** 分析使用模式，优化产品功能和用户体验 * **客户支持：** 响应您的询问，提供技术支持和客户服务 * **安全保护：** 检测和防范欺诈、滥用和安全威胁 * **法律合规：** 遵守适用的法律法规和监管要求 ## 信息共享 ### 我们不会出售您的个人信息 我们承诺不会向第三方出售、出租或交易您的个人信息。仅在以下情况下可能共享信息： * **服务提供商：** 与可信的第三方服务提供商共享必要信息以提供服务 * **法律要求：** 根据法律程序、政府要求或法院命令 * **业务转让：** 在合并、收购或资产转让情况下 * **安全保护：** 保护我们或他人的权利、财产或安全 * **用户同意：** 获得您明确同意的其他情况 ## 数据安全 ### 安全措施 * **加密传输：** 使用SSL/TLS加密保护数据传输 * **访问控制：** 严格限制员工对个人信息的访问权限 * **数据备份：** 定期备份数据并测试恢复程序 * **安全监控：** 24/7监控系统安全和异常活动 * **定期审计：** 定期进行安全评估和漏洞测试 ### 数据保留 我们仅在必要期间保留您的个人信息。账户信息在账户活跃期间保留，使用数据通常保留2年，具体保留期限取决于信息类型和法律要求。 ## 您的权利 ### 您对个人信息的权利 * **访问权：** 请求查看我们持有的关于您的个人信息 * **更正权：** 要求更正不准确或不完整的个人信息 * **删除权：** 在特定情况下要求删除您的个人信息 * **限制权：** 要求限制对您个人信息的处理 * **可携权：** 以结构化格式获取您的个人信息 * **反对权：** 反对基于合法利益的信息处理 **如何行使权利：** 请发送邮件至 [mail@geo.fan](mailto:mail@geo.fan)，我们将在30天内回复您的请求。 ## 联系我们 如果您对本隐私政策有任何疑问或需要行使您的权利，请通过以下方式联系我们： **邮箱：** [mail@geo.fan](mailto:mail@geo.fan) **政策更新：** 我们可能会不时更新本隐私政策。重大变更将通过邮件或网站通知您。建议您定期查看本页面以了解最新信息。 --- # 使用条款 Source: https://www.geo.fan/zh/terms/ ## 服务描述 ### GEO.Fan 提供的服务 - **GEO检测工具：** 分析网站和内容在生成式AI引擎中的表现 - **优化建议：** 提供基于AI的内容优化建议和最佳实践 - **文档资源：** 提供GEO相关的教程、指南和案例研究 - **分析报告：** 生成详细的内容分析和改进建议报告 - **技术支持：** 为用户提供技术咨询和客户服务 **服务可用性：** 我们努力保持服务的持续可用性，但不保证服务不会中断。我们可能会因维护、升级或其他原因暂时中断服务。 ## 用户责任 ### 账户使用规范 - **真实信息：** 提供准确、完整的注册信息并及时更新 - **账户安全：** 保护账户密码安全，不与他人共享账户 - **合法使用：** 仅将服务用于合法目的，不进行任何违法活动 - **内容责任：** 对您提交的内容承担全部责任 - **系统安全：** 不得尝试破坏或干扰我们的系统安全 ### 禁止行为 - 上传恶意软件、病毒或其他有害代码 - 进行垃圾邮件发送或其他滥用行为 - 侵犯他人知识产权或隐私权 - 发布违法、有害、威胁性或诽谤性内容 - 尝试未经授权访问其他用户账户或系统 ## 知识产权 ### 我们的知识产权 GEO.Fan 的所有内容，包括但不限于文本、图形、标志、图标、图像、音频剪辑、数字下载、数据编译和软件，均为 GEO.Fan 或其内容供应商的财产，受中国和国际版权法保护。 ### 用户内容 - 您保留对提交内容的所有权 - 您授予我们使用您的内容来提供服务的许可 - 您确保拥有提交内容的合法权利 - 我们不会将您的内容用于服务提供以外的目的 ## 免责声明 ### 服务免责声明 - **准确性：** 我们不保证分析结果的绝对准确性 - **可用性：** 服务按"现状"提供，不保证无中断或无错误 - **结果：** 不保证使用我们的建议会带来特定结果 - **第三方：** 不对第三方网站或服务的内容负责 - **损失：** 在法律允许的最大范围内，我们不承担间接损失责任 **重要提醒：** 我们的服务仅供参考，不构成专业建议。在做出重要决策前，请咨询相关专业人士。 ## 违规处理 ### 违规行为的后果 如果您违反这些条款，我们可能会采取以下措施： - 发出警告通知 - 暂时限制账户功能 - 暂停或终止您的账户 - 删除违规内容 - 采取法律行动（如有必要） ### 申诉程序 如果您认为我们的处理有误，可以通过 [appeal@geo.fan](mailto:appeal@geo.fan) 提交申诉，我们将在7个工作日内回复。 ## 条款修改 ### 修改权利 我们保留随时修改这些条款的权利。重大修改将通过以下方式通知您： - 在网站上发布通知 - 向您的注册邮箱发送通知 - 在您下次登录时显示更新提醒 **生效时间：** 修改后的条款将在发布后30天生效。继续使用服务即表示您接受修改后的条款。 ## 联系信息 如果您对这些使用条款有任何疑问，请联系我们： **邮箱：** [mail@geo.fan](mailto:mail@geo.fan) **客服：** [mail@geo.fan](mailto:mail@geo.fan) **适用法律：** 这些条款受中华人民共和国法律管辖。任何争议将通过友好协商解决，协商不成的，提交上海仲裁委员会仲裁。