技术总结|十分钟了解GEO

最近跟朋友聊天，他说他们公司官网的搜索流量掉了差不多三成，老板很着急。查了半天发现原因挺有意思：用户不是不搜了，而是直接去问 ChatGPT 和 Kimi 了，AI 直接把答案给了，官网连被点开的机会都没有。于是他问我：那以后内容还怎么做？最近在业内听到一个词叫 GEO，听说就是干这个的？

正好自己也在琢磨这个事，就顺手整理了一下。

1、从一个场景说起

先看一个很典型的变化。

以前用户想挑降噪耳机，会在百度里搜"1000元降噪耳机推荐"，然后点开前几个网页，自己对比、看评测、看评论，最后下单。整个过程可能要花半小时。

现在呢？直接打开豆包或者 Kimi：

"预算 1000 块以内，通勤用的降噪耳机有哪些推荐，帮我列个对比表。"

AI 几秒钟就吐出来一段答案，带对比、带优缺点，甚至还会附上"以上信息来自某某评测"。用户扫一眼，满意就直接去买了，那些被 AI 参考的网页，用户一个也没点。

这里就出现了一个新问题：你的内容，能不能被 AI 在答案里提到？

这就是 GEO 要解决的事情。

2、什么是 GEO

GEO 全称 Generative Engine Optimization，翻译过来叫"生成式引擎优化"。

名字挺学术，但意思很简单：

让你的内容更容易被 AI 问答系统理解、引用、总结和推荐。

这里说的"生成式引擎"，就是那些会直接生成答案的 AI 产品，比如：

• ChatGPT、Perplexity、Claude
• Google 的 AI Overviews、Bing Copilot
• 国内的 Kimi、豆包、通义、文心一言、DeepSeek
• 还有各家公司内部的 AI 知识库问答

它们和传统搜索引擎最大的不一样在于：传统搜索返回的是一堆链接，让你自己挑；生成式引擎直接给你一段话当答案。

所以目标也变了：

• 以前我们关心：网页排到第几？
• 现在我们关心：AI 回答的时候，会不会提到我？

3、GEO 和 SEO 到底有啥区别

很多人第一反应：这不就是换了个名字的 SEO 吗？

其实底子确实有重叠，但思路差得挺远。用一张表说明白：

对比项	SEO	GEO
对谁优化	百度、Google 这种搜索引擎	ChatGPT、Kimi 这种 AI 问答
用户怎么用	输关键词	说人话提问
出来的结果	一堆链接	一段答案
优化啥	关键词、外链、页面速度、权重	语义清晰、结构化、权威性、可引用
成功指标	排名、点击、流量	被 AI 引用次数、品牌提及率
想做啥	让用户点进来	让 AI 说出我

一句话讲清楚：

SEO 是让搜索引擎找到你并把你排在前面，GEO 是让 AI 在回答问题时愿意把你的内容当参考。

4、GEO 的底层原理：AI 是怎么"挑内容"的

要讲 GEO 为什么有用，得先搞懂一件事：AI 在两个环节会"挑内容"，一个是训练前，一个是回答时。 这两个环节都在筛"高质量内容"，你的内容能不能被 AI 记住、能不能被 AI 引用，全看能不能过这两道筛子。

4.1 第一道筛子：训练数据清洗

现在的大模型，比如 GPT、Claude、Llama、DeepSeek，训练数据基本都是从互联网上爬的，规模通常是几万亿 token。但是原始爬来的数据，能直接用的可能只有 10%～20%，剩下的都被筛掉了。

筛的过程大概是这样：

原始爬取数据 (100TB)
    ↓ 语言过滤（只要中文/英文等目标语言）
    ↓ 去重（URL 去重、文档级去重、段落级去重）
    ↓ 质量过滤（低质量/垃圾内容丢弃）
    ↓ 安全过滤（色情、暴力、隐私信息丢弃）
    ↓ 格式清洗（去除 HTML、广告、导航栏）
高质量训练数据 (10-20TB)

重点在"质量过滤"这一步。 主流做法（比如 Google 的 C4、Meta 的 Llama 数据、RedPajama、FineWeb）大致会用这些规则：

• 长度过滤：太短（几十个字）或者太长（几十万字纯文本）的丢掉；
• 重复度过滤：同一段话在文档里反复出现的丢掉，N-gram 重复率高的也丢掉；
• 困惑度过滤：用一个小模型给每段文字打分，读起来不通顺的（困惑度高）丢掉；
• 启发式规则：符号过多、全是列表没句子、结尾没标点的丢掉；
• 分类器过滤：训一个"维基百科风格 vs 网页垃圾"的二分类器，低分的丢掉；
• 格式信号加权：有清晰标题、段落、列表结构的内容，权重更高。

看到这你应该有感觉了------那些 GEO 推荐的写法（结构清晰、定义明确、不堆关键词、不重复废话），本质上就是在过这些质量过滤器。 这不是玄学，是实打实的工程规则。

反过来看那些"SEO 垃圾文"------标题党、关键词堆砌、同一句话换着说三遍------正好踩中了"重复度高"、"困惑度异常"、"分类器打低分"这些规则，直接被筛掉，连进训练集的机会都没有。

4.2 第二道筛子：RAG 检索时的相关性打分

但是现在的 AI 产品，光靠训练数据还不够。像 Perplexity、豆包、Kimi 这种"AI 搜索"，回答问题的时候是实时去网上找内容的，这套流程叫 RAG（Retrieval-Augmented Generation，检索增强生成），大概长这样：

用户提问
    ↓
改写成检索 query（可能拆成多个子问题）
    ↓
去搜索引擎 / 向量库捞回 Top-K 相关文档（K 通常 10~50）
    ↓
对每段内容做相关性打分（Rerank）
    ↓
取 Top-N（N 通常 3~10）喂给大模型
    ↓
大模型基于这几段内容生成答案

能不能被 AI 在答案里"提到"，其实就卡在打分和 Top-N这两步。打分靠什么？主要是三个维度：

• 语义相关性：你这段内容跟用户的问题，语义向量夹角大不大；
• 信息密度：同样长度，你比别人多讲了多少有用的事；
• 可引用性：能不能直接拎出一句话当答案，不需要模型再去理解上下文。

其中"可引用性"是 GEO 最吃香的点。举个例子，用户问"向量数据库是什么"，RAG 系统捞回来两段：

A 段：

"在如今这个 AI 时代，随着大模型的发展，我们迎来了全新的数据存储需求。那么什么是向量数据库呢？让我们一起来看看。向量数据库的概念其实非常有意思......"

B 段：

"向量数据库是一类专门用于存储、索引和检索向量数据的数据库，常用于语义搜索、推荐系统和 RAG 应用。"

A 段绕了 50 个字没说到重点，B 段一句话就给了定义。Rerank 模型给 B 段的分会显著高，最终塞进 prompt 的就是 B 段，答案里引用的也是 B 段。A 段的作者可能文章写了 3000 字，但一个字都没进 AI 的答案里。

4.3 为什么"知识积木"这么重要

把上面两个机制串起来看，你会发现一个规律：

AI 不是在读文章，AI 是在抽知识单元。

不管是训练阶段的数据清洗，还是推理阶段的 RAG 检索，AI 处理内容的粒度都是"段落"甚至"句子"，不是"整篇文章"。一篇文章里只要有几个段落写得好，这几个段落就有机会被 AI 记住、被 AI 引用，剩下的内容可能直接被丢掉。

这就是为什么 GEO 反复强调：

• 每段只讲一件事：方便被独立抽取；
• 先结论后解释：第一句就是可直接引用的知识点；
• 别用"它"、"这个"：代词一多，段落脱离上下文就看不懂，Rerank 分数会掉；
• 用表格和列表：结构化内容在训练数据里权重高，在 RAG 里也容易命中；
• 定义、对比、边界：这三种句式是 AI 答案里出现频率最高的，写好了就容易被抽。

说白了，GEO 就是顺着 AI 筛内容的机制去写东西，不是玄学。

5、拿个例子看就懂了

光说概念太抽象，举个具体的。假设你要写一篇关于"向量数据库"的文章。

SEO 写法

标题大概是这样：

向量数据库是什么？原理、应用场景和选型指南

正文里会反复出现"向量数据库"、"向量数据库原理"、"向量数据库选型"这些词，关键词密度拉满，再塞一堆外链，搜索引擎看了挺爽。

GEO 写法

一上来就给定义，不废话：

向量数据库是一类专门用来存储、索引和检索向量数据的数据库，常用于语义搜索、推荐系统、RAG 应用和多模态检索。

然后给一个对比表：

类型	适合什么数据	怎么查	典型场景
关系型数据库	结构化数据	SQL 精确查询	订单、用户、财务
搜索引擎	文本	关键词匹配	站内搜索、日志检索
向量数据库	Embedding 向量	相似度检索	语义搜索、AI 知识库

再顺手回答一个高频问题：

向量数据库适合什么场景？ 语义搜索、RAG 知识库、图片音视频相似检索、个性化推荐、大模型长期记忆等。

再说说边界：

如果业务就是主键查询、事务处理或者结构化报表，压根不需要向量数据库，传统关系库更合适。

发现区别了吗？GEO 的内容是一块一块的"知识积木"，AI 能直接拎起来用；SEO 的内容是连续的"文章流"，关键词多但 AI 抽取起来费劲。

6、GEO 内容到底要怎么写

总结下来就六条，一条一条看。

6.1 先把"是什么"说清楚

别绕圈子，别铺垫半天。开头第一段就把定义给了。

比如写 GEO，第一句就应该是：

GEO 是面向 AI 搜索和 AI 问答系统的内容优化方法，目标是提高内容在 AI 答案里的可见性。

这种句子 AI 看到就能直接复述，不用再帮你总结一遍。

6.2 结构要清楚

AI 模型在抽内容的时候，特别喜欢有层级的东西。所以多用：

• 标题分级（一级、二级、三级）
• 列表和表格
• FAQ
• 步骤
• 对比维度

比一大坨文字强太多。

6.3 按问题组织，不是按关键词

传统 SEO 会列一堆关键词，GEO 反过来------列一堆用户真实会问的问题。

比如写 GEO，问题清单应该是：

• GEO 是什么？
• 和 SEO 有啥区别？
• 会不会取代 SEO？
• 小公司值不值得做？
• 怎么衡量效果？

然后每个问题底下给一段自带结论的回答，AI 抽起来非常顺手。

6.4 有对比，也要讲边界

AI 特别爱回答"A 和 B 有什么区别"、"什么时候不适合"这类问题。

主动写清楚边界，比吹得天花乱坠有用多了。比如：

GEO 不会完全取代 SEO。SEO 还是传统搜索流量的主要入口，GEO 更适合 AI 问答和答案可见性的场景。未来大概率是两者并存。

这种带边界的内容，AI 更愿意引用，因为它显得"靠谱"。

6.5 权威性要有

AI 在选引用来源的时候，会倾向于可信度高的内容。可信度来自：

• 作者背景
• 机构或品牌
• 数据来源
• 具体案例
• 专业术语用得准
• 内容有在更新

泛泛而谈、没案例没数据的文章，AI 看一眼就划走了。

6.6 别堆关键词，要讲完整

这个是老生常谈了，但是 GEO 尤其忌讳。

反例：

GEO 优化很重要，GEO 可以提升 AI 搜索表现。（啥也没说）

正例：

GEO 通过优化内容结构、语义表达、事实依据和问答覆盖度，让生成式 AI 在回答用户问题时更容易识别主题、提取关键信息，并把它纳入最终答案。

后一种 AI 直接能拿去用。

7、一个简单的实操清单

如果你想把一篇现有文章"改造"成 GEO 友好的，可以按这个清单过一遍：

基础层

• 开头有没有直接回答主题是什么？
• 有没有废话和营销话术？
• 小标题够不够清晰？
• 有没有总结性结论？

结构层

• 有没有列表、表格、FAQ？
• 有没有覆盖用户常问的问题？
• 有没有步骤化说明？
• 有没有说"适合什么/不适合什么"？

可信层

• 有没有真实案例？
• 有没有数据或来源？
• 有没有标更新时间？
• 结论有没有夸大？

AI 友好层

• 每段是不是只表达一个观点？
• 代词和"这个、那个"是不是太多了？
• 品牌和产品名有没有明确写出来？
• 内容是不是能拆成独立的知识点？

8、一个有意思的类比

帮助理解一下两者的差异：

• SEO 像是在图书馆里想办法让你的书摆在显眼位置，让读者自己走过来挑；
• GEO 像是让图书管理员在回答读者问题时，愿意主动把你的书推荐出去。

一个是"争入口"，一个是"争答案"。

9、一些还没想明白的问题

GEO 虽然讲起来挺有道理，但是实际做的时候，还有一些问题值得继续琢磨：

（1）怎么量化 GEO 的效果？被 ChatGPT 引用了一次，但它不一定告诉你，这个"答案可见性"怎么测？

（2）不同 AI 产品的偏好不一样，ChatGPT 喜欢的内容，豆包不一定喜欢，要不要针对不同引擎做差异化？

（3）如果内容被 AI 改写后失真了怎么办？原作者能不能保护语义？

（4）企业内部知识库的 GEO 怎么做？这块和公网 SEO/GEO 又是另一套逻辑；

（5）GEO 会不会演变成"给 AI 投喂"的军备竞赛，最后所有内容都长一个样？

这些问题暂时没有标准答案，有想法的朋友欢迎交流。

参考

（1）en.wikipedia.org/wiki/Genera...

（2）princeton-nlp.github.io/GEO/

（3）arxiv.org/abs/2311.09... （GEO 原始论文）

（4）arxiv.org/abs/1910.10... （C4 数据集与 T5，Google 的训练数据清洗范式）

（5）arxiv.org/abs/2306.01... （RefinedWeb，Falcon 的数据清洗流程）

（6）huggingface.co/datasets/Hu... （FineWeb，开源高质量训练数据集及清洗规则）