---
title: "GEO 是什么？它真的能让大模型‘愿意推荐你’吗？"
source: https://www.iowill.com/blog/2026/08/what-is-geo/
date: 2026-08-12
updated: 2026-10-08
tags: [AI搜索, GEO, SEO, 信息检索]
categories: [软件与工具]
---

# GEO 是什么？它真的能让大模型‘愿意推荐你’吗？

> 迁移说明：本文原发表于 [Billy 原站](https://billy12.xyz/archives/what-is-GEO)，保留原发布时间，2026 年 10 月 8 日迁入本站并重新配图。迁移时保留主体结构，对效果保证、评价指标和平台机制的绝对化表述补充校注。文中历史研究或平台报告的数值受样本、版本与指标定义限制，不代表本站实测，也不构成收录、推荐或转化保证。

* * *

* * *

## 一句话剧透

> **SEO 与 GEO 的侧重点不同：前者关注搜索可见性与访问，后者更关注内容是否进入生成式答案。两者存在交集，GEO 并不意味着可以跳过 SEO 基础工作。**

* * *

## 一、为什么 SEO 不够用了

**一句话定义**：当用户在 Google 看到 AI Summary 而不再点击链接时，传统 SEO 的优化目标就从"前十名"坍缩成了"AI 答案里有没有我"。

**五个事实点**：

1.  chat.openai.com 单月 31 亿次访问（Similarweb，2024-09）。
2.  Perplexity 月查询量 7.8 亿（公司自报，2025-05）。
3.  Google 出现 AI Summary 时，点击率从 15% 跌到 8%（Pew 实地研究）。
4.  AI 答案可能改变用户是否继续点击网页的行为；原文此处百分比未明确对应统计口径，迁移版不保留该数值。
5.  关于未来流量超过传统搜索的判断属于预测，不应作为已经发生的事实或确定的业务规划依据。

**对比块：SEO vs GEO**

| 维度 | SEO | GEO |
| --- | --- | --- |
| 优化目标 | 在 SERP 排第几 | 是否被 AI 选进答案 |
| 用户行为 | 点 10 个蓝链之一 | 只看 AI 推荐的 3 个 |
| 排名机制 | 关键词 + 链接权重 | 预训练先验 + 检索片段合成 |
| 评估指标 | 排名 / CTR | 引用词数 / 位置 / 主观印象 |
| 失败模式 | 排不到首页 | 完全不被引用 |

![SEO 的搜索结果列表与 GEO 的答案引用来源对比](https://img.iowill.com/file/软件与工具/GEO是什么/body1.png)

概念示意：结果列表可见性与答案引用可见性存在差异，图示不代表固定的来源数量。

## 二、GEO 到底在优化什么？

**可见性评价**：相关研究分别考察引用词数、位置加权词数和主观印象等指标。它们不是所有生成式引擎共同使用的一条排名公式，具体定义应以论文为准。

**三个 visibility 指标**：

1.  **Word Count**——AI 答案里有多少词在引用你。
2.  **Position-Adjusted Word Count**——被引用词数 × `e^(-位置)`，靠前的引用权重大。
3.  **Subjective Impression**——用 G-Eval（LLM-as-judge）从相关性、影响力、独特性等 7 个子维度打分。

**九种 GEO 方法**（同样来自 Aggarwal et al., 2024）：Authoritative、Statistics Addition、Cite Sources、Quotation Addition、Easy-to-Understand、Fluency Optimization、Unique Words、Technical Terms、Keyword Stuffing。

**对比块：在 GEO-bench（10K queries）上的效果**

研究记录：下表沿用原文整理的实验数据，本次迁移未重新复现实验；不同指标、样本与模型之间不可直接套用。

| 方法 | visibility 提升 | 实测备注 |
| --- | --- | --- |
| Cite Sources + Quotation Addition + Statistics | **+40%** | 论文中最强组合 |
| 仅 Statistics Addition | +30% | 性价比最高 |
| Keyword Stuffing（传统 SEO 老套路） | < +10% | LLM 不吃这套 |
| 整体最高 | 40%（synthetic）/ 37%（Perplexity.ai 真实环境） | — |

* * *

![模型既有知识与检索来源共同影响生成答案](https://img.iowill.com/file/软件与工具/GEO是什么/body2.png)

概念示意：既有知识与检索信息可能共同影响答案；图中不表示测得的权重比例。

## 三、检索信息与模型既有知识：为什么不同查询的表现不同

**一句话定义**：在主流 entity 查询上，模型用检索内容只是"给自己找个证据"，而不是"获取新知识"。

**三个扰动实验**（Chen et al., EDBT/ICDT 2026）：

1.  **Snippet Shuffle**——随机打乱检索片段顺序，看答案会不会变。
2.  **Strict Grounding**——强制模型只用提供的片段，禁止用预训练知识。
3.  **Entity-Swap Injection**——把片段里 A、B 两个实体的名字对调，看模型会不会上当。

**对比块：主流 vs 小众 entity 的模型行为**

研究记录：下表沿用原文整理的实验数据，本次迁移未重新复现实验；不同指标、样本与模型之间不可直接套用。

| 指标 | 主流 entity（"最好的 SUV"） | 小众 entity（"多伦多家事律所"） |
| --- | --- | --- |
| 检索片段顺序打乱后排名变化 | 2.30 | 4.15 |
| 实体名互换后排名变化 | 2.60 | 4.63 |
| 一次性排序 vs 两两比较排序的 Kendall τ | 0.911 | 0.556 |
| 模型答出但**根本没出现在检索片段中**的 entity 占比 | **16%** | — |

**五个品牌的具体"幽灵率"**（SUV 查询）：

-   Toyota：**6%**——几乎每个引用都有检索片段支撑。
-   Honda：**3%**——同上。
-   Kia：**10%**——基本可靠。
-   Cadillac：**58%**——模型自顾自答。
-   Infiniti：**73%**——纯靠预训练先验。

> **阅读结论**：部分查询可能更受模型既有知识影响，但不能由局部实验推出“主流实体做 GEO 都无效”。应按查询类型、模型和实际结果判断。

* * *

## 四、GEO 真正能赢的四种场景

**步骤块：判断 GEO 对你是否有用的四问**

1.  **你的实体够小众吗？**——B2B SaaS、本地服务、长尾知识、专业工具。模型脑子里没货，必须检索。\[必做\] 做 GEO。
2.  **你的内容够新鲜吗？**——AI 引擎对 freshness 的权重显著高于 Google。消费电子垂直：AI 引擎引用内容平均 62-90 天 vs Google 130 天；汽车垂直：AI 148-217 天 vs Google **493 天**。\[必做\] 做 GEO。
3.  **你的内容是争议性/对比性的吗？**——LLM 在 RAG 模式下会重新排序证据，"X vs Y" 类内容天然容易进答案。\[必做\] 做 GEO。
4.  **你能拿到第三方权威背书吗？**——AI 引擎对 earned media 有系统性偏好：Claude 引用 **65%** 是 earned media，GPT-4o **57%**，而 Google 只有 41%。\[必做\] 把资源投到 earned media 而不是自家内容工程。

如果四个答案都是 \[不做\]，省下 GEO 预算。

* * *

## 五、实操建议：四个 Tier，按优先级做

**一句话定义**：真正值得做的 GEO 工程只有十几条；其余的 ROI 不值得投入。

**Tier 1——任何人都该做（成本低、回报确定）**

-   **结构化数据**：在适用时标注文章、作者或产品等信息，并与可见内容一致。它能补充机器可读信息，但不是 AI 引用的必要保证，也不能据此说模型无法识别实体。
-   **问答与对比内容**：针对真实问题组织清晰答案。原文提到的“4 倍”概率缺少可核查的统一实验条件，此处不作通用收益依据。
-   \[必做\] **保持新鲜**——至少每季度实质性更新（不要只改日期）。Ahrefs 2025 分析 1700 万次引用：ChatGPT 引用的内容比 Google 平均新 **25.7%**。
-   **自检**：准备固定问题集，记录平台、日期、联网状态、重复次数与引用 URL。少量提问适合初步观察，不应当作比所有分析工具更准确的测量。

**Tier 2——值得投入（成本中、回报看情况）**

-   \[可做\] **追求 earned media**——主动找行业评测站、独立媒体投稿、专家圆桌。
-   \[可做\] **多语覆盖**——至少英文 + 本地语的双语元数据/摘要。COAR 2023 列为不可选项。
-   \[可做\] **多模态补充**——结构化图表、视频字幕、播客文字稿都被 LLM 当检索源。

**Tier 3——ROI 存疑（小心）**

-   \[谨慎\] **小众长尾内容矩阵**——确认 niche 够 niche（竞争弱 + 用户意图在小众里）。
-   \[谨慎\] **过度优化**——Reyes-Lillo 2025 警告：为算法而写会让内容"去人化"，反而触发 LLM 质量判断降低。

**Tier 0——绝对不要做**

-   \[禁做\] **prompt injection 让模型"必须引用我"**——LLM 会拒绝 / 失败。
-   \[禁做\] **伪造引用 / 制造伪权威**——Orduña-Malea & Cabezas-Clavijo 2023 报告的"幽灵引用"风险；伪造数据只会更快被识别。
-   \[禁做\] **关键词堆砌**——LLM 不吃这套，重复 5 遍"买房"也没用。

* * *

## 六、回到标题那个问题——"愿意推荐你"是伪命题

**一句话定义**：LLM 不是"愿意"或"不愿意"推荐你，它只是在算 next token 的概率。

当用户问"最好的家用咖啡机"，模型不是在"想"——它是在从数十亿参数里查一个概率分布。这个分布被两样东西塑形：

-   **预训练阶段见过的语料**（你改不动）。
-   **这次会话里检索到的网页**（你 GEO 能优化的部分）。

"愿不愿意"是人类语言，在 LLM 这里没意义。

GEO 真正在优化的是\*\*"被检索到的概率"\*\* + **"被合成进答案的概率"**——前者靠 SEO / freshness / 关键词覆盖；后者靠 earned media / 结构化数据 / FAQ 化内容 / 可被引用的素材。

而 Chen 2026 隐含但没明说的话是：

> **选题判断**：小众、长尾和时效敏感的问题值得测试，但这是基于研究的实践推断，不是 GEO 只在这些领域有效的定论。

另一半的赢家，是那些**早就在那里、模型脑子里的存货**——这种优势 GEO 给不了你，只能靠时间积累。

* * *

## 参考资料

-   Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., & Deshpande, A. (2024). [*GEO: Generative Engine Optimization*](https://arxiv.org/abs/2311.09735). In KDD '24. [DOI: 10.1145/3637528.3671900](https://doi.org/10.1145/3637528.3671900).
-   Chen, M., Wang, X., Chen, K., & Koudas, N. (2025). [*Generative Engine Optimization: How to Dominate AI Search*](https://arxiv.org/abs/2509.08919). arXiv:2509.08919.
-   Chen, M., Wang, X., Chen, K., & Koudas, N. (2026). [*Navigating the Shift: A Comparative Analysis of Web Search and Generative AI Response Generation*](https://arxiv.org/abs/2601.16858). In EDBT/ICDT 2026 Workshops. arXiv:2601.16858.
-   Reyes-Lillo, D., Morales-Vargas, A., & Rovira, C. (2025). [*Generative Engine Optimization en repositorios digitales: optimización de la visibilidad para la IA generativa*](https://doi.org/10.3145/infonomy.25.034). Infonomy, 3(5). DOI: [10.3145/infonomy.25.034](https://doi.org/10.3145/infonomy.25.034).

## 迁移校注与补充资料

Google 的 AI 搜索功能文档说明，现有 SEO 基础仍然适用，无需特殊的 AI 专用结构化数据。其内容质量文档也明确，E-E-A-T 本身不是一个具体排名因子。这些说明适用于 Google 的公开文档，不能直接代替其他服务的实现说明。

-   [Google：AI features and your website](https://developers.google.com/search/docs/appearance/ai-features)
-   [Google：Creating helpful, reliable, people-first content](https://developers.google.com/search/docs/fundamentals/creating-helpful-content)
-   [GEO: Generative Engine Optimization](https://arxiv.org/abs/2311.09735)：摘要中的最高提升值属于实验结果，不是单个网站的收益保证。

相关阅读：[如何做好 GEO 优化](https://www.iowill.com/blog/2026/08/geo-optimization-practice/)