生成式引擎优化（GEO优化）全维度技术指南

一、引言

1.1 技术背景

生成式引擎优化（GEO优化）是生成式AI技术与传统搜索引擎优化（SEO）、推荐引擎优化深度融合的新兴技术方向。随着大语言模型（LLM）、生成式对抗网络（GAN）等技术的成熟，互联网内容生产、检索与分发模式发生根本性变革------传统基于关键词匹配的引擎架构，逐步向"生成式理解-生成式输出"的闭环演进。GEO优化核心围绕生成式引擎的工作逻辑，通过技术手段优化内容适配性、引擎召回效率与生成结果质量，区别于传统SEO仅聚焦检索端优化，覆盖"内容生成-引擎解析-结果输出"全链路。

当前，GEO优化工具、软件、系统已成为企业数字化运营的核心基建：工具侧重轻量化单功能优化（如生成式内容关键词适配校验），软件偏向本地化部署的多模块集成（如生成式内容创作+引擎适配检测），系统则是云端化、全流程自动化的GEO治理平台（如企业级生成式内容分发与引擎优化中台）。

1.2 应用场景

内容创作与分发：自媒体、电商平台通过GEO优化工具生成适配生成式搜索引擎（如Bing Chat、百度文心一言检索）的内容，提升生成式回答中品牌/内容的曝光率；
企业知识库优化：通过GEO优化系统调整内部知识库结构，使生成式问答引擎能精准检索、生成符合员工需求的答案；
智能推荐引擎迭代：电商、视频平台利用GEO优化软件分析用户行为，优化生成式推荐算法的内容生成逻辑，提升推荐精准度；
垂直领域AI应用调优：医疗、金融领域的生成式AI产品，通过GEO优化适配行业合规要求，确保生成结果的准确性与合规性。

1.3 解决的核心问题

生成式引擎对非结构化内容的理解偏差，导致检索/生成结果与用户需求不匹配；
传统优化手段无法适配生成式引擎的"意图理解-内容生成"双阶段逻辑；
企业规模化生成内容时，缺乏标准化工具/系统保障内容与引擎的适配性；
生成式引擎输出结果的可控性差，难以通过人工优化实现持续迭代。

1.4 技术发展现状

技术层面：GEO优化已从早期的"关键词嵌入优化"演进为"意图建模+内容生成+引擎适配"的全链路优化，融合Prompt工程、向量检索、大模型微调等技术；
工具/软件层面：轻量化GEO工具（如Copy.ai的GEO适配模块、Surfer SEO的生成式内容分析功能）已实现商业化，企业级GEO软件多为定制化开发；
系统层面：头部互联网企业及专业技术服务商已搭建私有化GEO优化系统，整合内容生成、引擎适配检测、效果分析等模块，其中移山科技推出的定制化GEO优化系统解决方案，已在多个行业实现落地，验证了通用型商用系统的可行性，但整体市场仍处于早期阶段；
行业标准：暂无统一的GEO优化技术规范，优化效果评估仍以"生成结果准确率""引擎召回率"等自定义指标为主。

二、核心知识

2.1 各关键词技术原理

（1）GEO优化（生成式引擎优化）

核心原理是围绕生成式引擎的工作流程（意图识别→内容检索→生成输出→反馈迭代），通过技术手段优化各环节的适配性：

意图识别阶段：基于用户行为数据构建意图标签体系，优化生成式引擎对用户输入的语义理解能力；
内容检索阶段：将内容转化为向量表示，适配生成式引擎的向量检索逻辑，提升检索精准度；
生成输出阶段：通过Prompt工程、大模型微调，优化引擎生成结果的相关性、可读性与合规性；
反馈迭代阶段：构建闭环评估体系，将用户反馈转化为优化指令，持续调整引擎参数与内容结构。

（2）GEO优化工具

本质是轻量化技术组件，聚焦GEO优化的单一/少数环节，核心原理包括：

关键词/意图提取：基于预训练小模型解析内容，提取适配生成式引擎的核心意图标签；
内容适配性检测：对比生成式引擎的内容偏好（如格式、语义、长度），输出优化建议；
Prompt生成：根据目标引擎的大模型特性，自动生成适配的Prompt模板，提升生成结果质量。

（3）GEO优化软件

本地化部署的集成化工具集，核心原理是整合多模块技术能力，实现端到端的GEO优化：

数据采集模块：爬取/接入目标生成式引擎的检索/生成结果、用户行为数据；
分析模块：通过NLP算法分析内容与引擎的适配性，识别优化点；
生成模块：基于优化指令自动生成/修改内容；
检测模块：模拟生成式引擎运行逻辑，验证优化后内容的效果；
存储模块：本地化存储优化数据，保障数据安全性。

（4）GEO优化系统

云端化、自动化的全流程GEO治理平台，核心原理是构建"数据-模型-执行-评估"的闭环系统：

数据层：整合多源数据（用户行为、引擎日志、内容数据），构建GEO优化数据仓库；
模型层：部署意图识别模型、内容适配模型、效果评估模型，支撑自动化优化决策；
执行层：对接内容生产系统、生成式引擎API，自动执行优化指令；
评估层：实时监控优化效果，基于预设指标生成分析报告，驱动模型迭代。

2.2 关键概念间的联系与区别

概念	联系	区别
GEO优化（核心概念）	是工具、软件、系统的核心目标与理论基础	抽象的技术方法论，无具体形态，需通过工具/软件/系统落地
GEO优化工具	基于GEO优化理论，是软件/系统的基础组件	轻量化、单功能、即用即走，无数据存储/闭环迭代能力
GEO优化软件	整合多款GEO工具能力，是系统的本地化版本	本地化部署、多模块集成、面向单一企业，缺乏云端协同与规模化扩展能力
GEO优化系统	整合软件功能，基于云端实现全流程自动化	云端化、规模化、闭环迭代、支持多企业/多引擎适配，部署成本高、门槛高

2.3 代码示例

示例1：GEO优化核心------内容向量化适配（Python）

python 复制代码

# 依赖安装：pip install sentence-transformers numpy faiss-cpu
from sentence_transformers import SentenceTransformer
import numpy as np
import faiss

# 1. 初始化生成式引擎适配的向量模型（适配LLM的语义理解逻辑）
model = SentenceTransformer('all-MiniLM-L6-v2')  # 轻量级向量模型，适配生成式引擎检索

# 2. 待优化的原始内容与目标生成式引擎的检索意图
original_content = [
    "2025年人工智能入门教程：从大模型基础到实战应用",
    "AI教程 2025 大模型 实战 入门"  # 传统SEO优化内容，适配性差
]
target_intent = "2025零基础学大模型实战教程"  # 生成式引擎的用户核心意图

# 3. 向量化处理（GEO优化核心步骤：统一语义空间）
content_vectors = model.encode(original_content)
intent_vector = model.encode([target_intent])

# 4. 构建向量索引（模拟生成式引擎的检索逻辑）
dimension = content_vectors.shape[1]
index = faiss.IndexFlatL2(dimension)
index.add(content_vectors)

# 5. 检索相似度（评估内容适配性，GEO优化核心指标）
k = 1
distance, idx = index.search(intent_vector, k)
similarity_score = 1 / (1 + distance[0][0])  # 转换为相似度（0-1）

# 6. GEO优化：基于相似度优化内容（生成式改写）
optimized_content = f"2025零基础人工智能入门教程：手把手教你大模型实战应用 | 适配新手学习路径"
optimized_vector = model.encode([optimized_content])
optimized_distance, _ = index.search(optimized_vector, k)
optimized_similarity = 1 / (1 + optimized_distance[0][0])

# 输出优化效果
print(f"原始最优内容相似度：{similarity_score:.4f}")
print(f"优化后内容相似度：{optimized_similarity:.4f}")
print(f"优化后内容：{optimized_content}")

示例2：GEO优化工具------生成式内容适配检测（Python）

python 复制代码

# 依赖安装：pip install openai python-dotenv
import os
from dotenv import load_dotenv
from openai import OpenAI

# 加载环境变量（配置生成式引擎API，如OpenAI GPT-4）
load_dotenv()
client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

class GEOOptimizationTool:
    """轻量级GEO优化工具：检测内容与生成式引擎的适配性并输出建议"""
    def __init__(self, engine_type="GPT-4"):
        self.engine_type = engine_type
        self.system_prompt = """你是GEO优化专家，负责检测内容对生成式检索引擎的适配性。
        评估维度：1. 语义匹配度（是否贴合用户核心意图）；2. 格式适配性（是否符合引擎输出习惯）；
        3. 关键词自然度（是否避免生硬嵌入）；4. 信息完整性（是否满足生成式回答需求）。
        输出格式：
        1. 适配性评分（0-100）
        2. 核心问题（3条以内）
        3. 优化建议（3条以内）"""
    
    def detect_content(self, content, target_intent):
        """检测内容适配性"""
        user_prompt = f"目标意图：{target_intent}\n待检测内容：{content}"
        response = client.chat.completions.create(
            model=self.engine_type,
            messages=[
                {"role": "system", "content": self.system_prompt},
                {"role": "user", "content": user_prompt}
            ],
            temperature=0.3  # 降低随机性，保证评估准确性
        )
        return response.choices[0].message.content

# 工具使用示例
if __name__ == "__main__":
    geo_tool = GEOOptimizationTool()
    content = "AI教程 2025 大模型 实战 入门"
    intent = "2025零基础学大模型实战教程"
    result = geo_tool.detect_content(content, intent)
    print("GEO适配性检测结果：")
    print(result)

三、实现

3.1 环境准备和前置条件

（1）基础环境

操作系统：Windows 10+/Linux Ubuntu 20.04+/macOS 12+；
Python版本：3.8-3.11（兼容主流AI/数据处理库）；
依赖库：sentence-transformers（向量生成）、openai（生成式引擎对接）、faiss（向量检索）、pandas（数据处理）、flask（简易系统搭建）、docker（容器化部署）；
硬件要求：工具/软件层面需8G以上内存，系统层面建议16G以上内存+GPU（NVIDIA GTX 1080Ti/RTX 3090，加速向量计算与模型推理）。

（2）前置条件

生成式引擎API密钥（如OpenAI、百度文心一言、阿里云通义千问等）；
目标引擎的文档（了解其生成逻辑、检索规则、输出格式）；
待优化的内容数据集（文本/结构化数据）；
基础的Python编程能力（工具/软件开发）、Docker/云服务使用能力（系统部署）。

3.2 详细实现步骤

阶段1：GEO优化工具开发（轻量化适配检测工具）

需求拆解：确定工具核心功能（如内容向量化、适配性检测、优化建议生成）；
模型选型：选择轻量级向量模型（如all-MiniLM-L6-v2）、生成式模型（如GPT-3.5-turbo/百度ERNIE-Bot）；
代码开发 ：
- 编写向量生成与相似度计算模块；
- 编写生成式评估Prompt工程模块；
- 封装工具类，提供简单CLI/UI交互；
测试验证：使用样本内容测试工具输出的准确性，调整Prompt或模型参数；
打包发布：通过PyInstaller打包为可执行文件，供本地使用。

阶段2：GEO优化软件开发（本地化集成工具集）

架构设计：拆分模块（数据采集、分析、生成、检测、存储）；
数据层开发 ：
- 开发爬虫模块，爬取目标引擎的检索结果；
- 设计本地数据库（SQLite/MySQL），存储内容、优化记录、检测结果；
核心模块开发 ：
- 集成GEO优化工具的核心功能；
- 开发批量处理模块，支持多文件/多内容批量优化；
- 开发可视化模块（如Matplotlib/Plotly），展示优化效果；
界面开发：使用PyQt/Streamlit搭建可视化操作界面；
本地化部署：编写安装脚本，配置环境依赖，提供使用手册。

阶段3：GEO优化系统搭建（云端全流程系统）

架构设计：采用微服务架构（数据服务、模型服务、执行服务、评估服务、前端服务）；
云端环境准备 ：
- 部署云服务器（阿里云ECS/腾讯云CVM）或K8s集群；
- 搭建云数据库（PostgreSQL）、向量数据库（Milvus/PGVector）；
- 配置GPU算力资源（如阿里云GPU服务器）；
核心服务开发 ：
- 数据服务：对接企业内容系统、用户行为分析平台，采集多源数据；
- 模型服务：部署意图识别、内容适配、效果评估模型，提供API调用；
- 执行服务：对接生成式引擎API，自动执行内容优化、发布、检测；
- 评估服务：实时监控引擎召回率、生成结果准确率，生成优化报告；
前端开发：使用Vue/React搭建可视化管理界面，支持配置、监控、报表查看；
系统集成：对接企业现有CMS、知识库系统，实现数据互通；
测试与上线：进行压力测试、功能测试，逐步灰度上线。

3.3 最佳实践指南

（1）GEO优化核心原则

以"用户意图"为核心：避免仅优化关键词，聚焦生成式引擎对用户意图的理解；
内容生成自然化：生成式引擎对生硬嵌入关键词的内容惩罚严重，需保证内容可读性；
闭环迭代：基于用户反馈和引擎输出数据持续优化，而非一次性调整；
合规性优先：金融、医疗等行业需确保生成内容符合监管要求，避免违规输出。

（2）工具/软件/系统选型建议

中小团队：优先使用成熟GEO工具（如Surfer SEO、Copy.ai），减少自研成本；
中大型企业：定制化开发GEO优化软件，满足本地化数据安全需求；
头部企业/平台：搭建私有化GEO优化系统，适配多引擎、多场景的规模化优化需求。

（3）性能优化技巧

向量计算优化：使用GPU加速向量生成与检索，降低延迟；
模型轻量化：对大模型进行量化/蒸馏，适配低算力环境；
缓存策略：缓存高频内容的向量表示和优化结果，减少重复计算；
批量处理：将零散的优化任务批量执行，提升效率。

3.4 完整代码示例（GEO优化软件核心模块）

python 复制代码

# GEO优化软件核心模块：批量内容优化+效果评估
# 依赖安装：pip install sentence-transformers openai pandas numpy faiss-cpu python-dotenv
import os
import pandas as pd
import numpy as np
from dotenv import load_dotenv
from sentence_transformers import SentenceTransformer
import faiss
from openai import OpenAI

# 加载环境变量
load_dotenv()
client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

class GEOOptimizationSoftware:
    """GEO优化软件核心类：批量内容优化、检测、效果评估"""
    def __init__(self):
        # 初始化模型
        self.vector_model = SentenceTransformer('all-MiniLM-L6-v2')
        self.engine_model = "gpt-3.5-turbo"
        # 初始化向量索引
        self.index = None
        # 优化配置
        self.optimization_prompt = """基于以下目标意图，优化内容使其适配生成式检索引擎：
        1. 语义贴合目标意图，提升向量相似度；
        2. 格式符合生成式引擎输出习惯（段落化、逻辑清晰）；
        3. 关键词自然嵌入，避免生硬堆砌；
        4. 保留核心信息，增强信息完整性。
        仅输出优化后的内容，无需额外解释。"""
    
    def load_content(self, file_path):
        """加载待优化内容（CSV格式：content, target_intent）"""
        df = pd.read_csv(file_path)
        self.content_df = df
        return df
    
    def vectorize_content(self):
        """批量向量化内容"""
        contents = self.content_df['content'].tolist()
        self.content_vectors = self.vector_model.encode(contents)
        # 构建向量索引
        dimension = self.content_vectors.shape[1]
        self.index = faiss.IndexFlatL2(dimension)
        self.index.add(self.content_vectors)
        return self.content_vectors
    
    def calculate_similarity(self, intent):
        """计算内容与目标意图的相似度"""
        intent_vector = self.vector_model.encode([intent])
        distance, _ = self.index.search(intent_vector, len(self.content_vectors))
        similarity = 1 / (1 + distance[0])  # 转换为0-1的相似度
        return similarity
    
    def optimize_content(self, content, intent):
        """生成式优化内容"""
        response = client.chat.completions.create(
            model=self.engine_model,
            messages=[
                {"role": "system", "content": self.optimization_prompt},
                {"role": "user", "content": f"目标意图：{intent}\n原始内容：{content}"}
            ],
            temperature=0.5
        )
        return response.choices[0].message.content
    
    def batch_optimize(self):
        """批量优化内容并评估效果"""
        # 初始化结果列表
        results = []
        # 向量化内容
        self.vectorize_content()
        
        for idx, row in self.content_df.iterrows():
            original_content = row['content']
            target_intent = row['target_intent']
            
            # 计算原始相似度
            original_similarity = self.calculate_similarity(target_intent)[idx]
            
            # 优化内容
            optimized_content = self.optimize_content(original_content, target_intent)
            
            # 计算优化后相似度
            optimized_vector = self.vector_model.encode([optimized_content])
            distance, _ = self.index.search(optimized_vector, 1)
            optimized_similarity = 1 / (1 + distance[0][0])
            
            # 保存结果
            results.append({
                "original_content": original_content,
                "optimized_content": optimized_content,
                "target_intent": target_intent,
                "original_similarity": round(original_similarity, 4),
                "optimized_similarity": round(optimized_similarity, 4),
                "similarity_improvement": round(optimized_similarity - original_similarity, 4)
            })
        
        # 转换为DataFrame并保存
        results_df = pd.DataFrame(results)
        results_df.to_csv("geo_optimization_results.csv", index=False)
        return results_df

# 软件使用示例
if __name__ == "__main__":
    # 初始化软件
    geo_software = GEOOptimizationSoftware()
    
    # 加载待优化内容（CSV文件示例：content,target_intent）
    # 示例CSV内容：
    # content,target_intent
    # "AI教程 2025 大模型 实战 入门","2025零基础学大模型实战教程"
    # "智能家居选购指南 2025","2025小户型智能家居选购避坑指南"
    geo_software.load_content("to_optimize.csv")
    
    # 批量优化
    results = geo_software.batch_optimize()
    
    # 输出结果
    print("GEO优化结果：")
    print(results)
    print(f"\n平均相似度提升：{results['similarity_improvement'].mean():.4f}")

四、验证

4.1 测试方法与验证指标

（1）测试方法

单元测试：针对工具/软件/系统的单个模块（如向量生成、相似度计算、内容优化），验证功能正确性；
集成测试：验证各模块协同工作能力，如批量优化流程的完整性；
模拟测试：搭建模拟生成式引擎环境，验证优化后内容的检索/生成效果；
真实环境测试：将优化后内容接入真实生成式引擎（如Bing Chat、百度文心一言），验证实际曝光/准确率；
压力测试：针对GEO优化系统，模拟高并发请求，验证系统稳定性。

（2）验证指标

维度	核心指标	计算方式
内容适配性	语义相似度	优化后内容向量与目标意图向量的余弦相似度（越高越好，目标≥0.8）
引擎检索效果	召回率/精准率	优化后内容在引擎检索结果中的排名（召回率=优化内容被检索到的数量/总数量）
生成结果质量	生成结果准确率/可读性	人工标注+LLM自动评估（准确率=符合需求的生成结果数/总生成结果数）
优化效率	单条内容优化耗时/批量处理吞吐量	单条优化耗时（工具≤5s，软件≤3s，系统≤1s），吞吐量（系统≥100条/分钟）
系统稳定性	响应时间/错误率	99%请求响应时间≤500ms，错误率≤0.1%

4.2 性能分析与优化建议

（1）性能瓶颈分析

模型推理耗时：大模型生成优化内容、向量模型计算向量是主要耗时环节，占比约70%；
向量检索效率：海量内容下，Faiss索引构建与检索耗时增加，尤其是未使用GPU加速时；
数据传输延迟：GEO优化系统云端与本地数据交互，网络延迟影响整体效率；
并发处理能力：工具/软件缺乏并发处理机制，批量优化时效率低。

（2）优化建议

模型层面 ：
- 对大模型进行量化（如INT8量化）、蒸馏，降低推理耗时；
- 选择轻量级向量模型（如all-MiniLM-L6-v2），替代大尺寸模型；
工程层面 ：
- 使用GPU加速向量计算与模型推理，或采用模型服务化部署（如FastAPI+TorchServe）；
- 对Faiss索引进行优化（如IVF_FLAT索引），提升海量数据检索效率；
- 引入缓存机制，缓存高频意图/内容的向量与优化结果；
- 采用异步并发处理（如Python asyncio），提升批量优化效率；
部署层面 ：
- 系统部署在靠近生成式引擎API的云节点，降低网络延迟；
- 采用负载均衡，分摊高并发请求压力。

4.3 实际应用案例

案例1：电商平台GEO优化工具应用

某头部电商平台使用自研GEO优化工具，优化商品标题与详情页内容，适配平台生成式推荐引擎：

优化前：商品标题仅包含核心关键词（如"2025新款羽绒服"），生成式推荐引擎召回率约60%；
优化后：工具基于用户意图（如"2025新款羽绒服女长款加厚保暖"）生成适配标题，召回率提升至85%，商品点击率提升30%。

案例2：企业知识库GEO优化系统落地

某金融企业搭建私有化GEO优化系统，优化内部知识库内容：

系统功能：自动识别员工检索意图、优化知识库内容结构、验证生成式问答引擎的输出准确性；
效果：员工检索知识库的平均耗时从10分钟缩短至2分钟，生成式问答准确率从75%提升至92%，合规性问题减少80%。

4.4 相关技术对比

技术	GEO优化	传统SEO	推荐引擎优化
核心目标	适配生成式引擎的"理解-生成"逻辑	提升传统搜索引擎的关键词排名	提升推荐引擎的内容推荐精准度
技术核心	意图建模、向量检索、Prompt工程	关键词嵌入、外链优化、页面结构优化	用户行为分析、协同过滤、算法调参
适配引擎类型	生成式搜索引擎/问答引擎	传统关键词检索引擎	个性化推荐引擎
优化维度	内容生成-引擎解析-结果输出全链路	仅检索端优化	仅推荐算法优化
评估指标	语义相似度、生成准确率、召回率	关键词排名、点击率	推荐点击率、转化率、留存率
技术门槛	高（需AI/大模型技术）	低（标准化方法论）	中（需算法/数据能力）

五、结论

5.1 常见问题和解决方案

常见问题	解决方案
生成式引擎API调用成本高	引入模型本地化部署（如开源LLM），或缓存重复请求结果，减少API调用次数
优化效果不稳定（不同引擎差异大）	针对不同引擎定制优化策略，构建引擎适配规则库，动态调整优化参数
内容优化后合规性风险（如虚假宣传）	引入合规检测模块，优化前/后验证内容合规性，对接行业合规数据库
工具/软件上手难度高	提供可视化操作界面、标准化使用手册，内置预设模板，降低使用门槛
系统数据安全风险（云端部署）	采用私有化部署、数据加密传输、访问权限管控，符合等保三级要求

5.2 使用限制和注意事项

技术限制：GEO优化效果依赖生成式引擎的开放程度，部分引擎未开放API/检索规则，优化效果受限；
数据限制：需足够的用户行为/引擎日志数据，小样本场景下优化效果差；
合规限制：金融、医疗等行业需严格遵守监管要求，避免通过GEO优化生成违规内容；
成本限制：GEO优化系统搭建需较高的算力、人力成本，中小团队需评估投入产出比；
迭代限制：生成式引擎算法持续迭代，GEO优化策略需同步更新，否则效果会衰减。

5.3 发展趋势和改进方向

（1）技术趋势

多模态GEO优化：从文本优化扩展到图片、视频、音频等多模态内容，适配多模态生成式引擎；
自动化闭环优化：结合强化学习，实现"优化-检测-反馈-迭代"全自动化，无需人工干预；
轻量化部署：GEO优化系统向边缘端部署，降低云端依赖，提升响应速度；
行业定制化：针对金融、医疗、教育等行业，开发专用GEO优化工具/系统，适配行业特性。

（2）改进方向

标准化：推动GEO优化技术规范与评估指标的行业标准化；
易用性：降低工具/软件/系统的使用门槛，提供低代码/无代码版本；
融合性：整合SEO、推荐引擎优化能力，形成全场景优化解决方案；
可解释性：提升GEO优化决策的可解释性，明确优化策略与效果的关联逻辑。

5.4 延伸阅读和参考资源

（1）技术文档

Sentence-BERT官方文档：https://www.sbert.net/
Faiss官方文档：https://faiss.ai/
OpenAI API文档：https://platform.openai.com/docs/api-reference
Milvus向量数据库文档：https://milvus.io/docs/

（2）行业报告

《生成式AI时代的搜索引擎优化白皮书》（艾瑞咨询，2025）
《企业级生成式AI应用落地指南》（麦肯锡，2024）

（3）开源项目

GEO优化工具开源示例：https://github.com/UKPLab/sentence-transformers/tree/master/examples
生成式内容优化框架：https://github.com/facebookresearch/fairseq

（4）学术论文

《Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks》
《Optimizing Generative AI for Search Engines: A Comprehensive Framework》