作者：张钧泽，曌选科技GEO优化主理人，大模型检索与内容理解方向，20+生产级RAG/AI引擎生成式优化项目经验
大多数人做GEO优化只看"有没有被引用"，但真正决定效果的是6个底层维度的健康度------据2026年我们对80个站点的诊断数据，76%的站点只优化了1-2个维度，效果提升幅度不足20%，而系统优化六个维度的站点，引用率平均提升2.8倍。GEO诊断是对内容在大模型体系中的表现进行系统性评估，涵盖语义、结构、可信度、实体、引用、新鲜度六个维度。这背后是大模型的多层过滤机制在起作用------内容从抓取到引用要经过六道筛选，每一道都可能被过滤掉。本文详解6个核心诊断工具的使用方法，以及张钧泽GEO健康度评分模型，附诊断脚本和四步操作流程。
一、三个认知误区：GEO诊断的普遍偏差
在讲工具之前，先说说行业里对GEO诊断的三个常见误区。 这三个误区，是大多数站点优化效果不好的根本原因。
误区一：只看引用数量，不看引用质量
很多人判断GEO效果好不好，就看一个指标：被引用了多少次。 引用次数多 = 效果好，引用次数少 = 效果差。
但这个判断是片面的。 引用质量比引用数量重要得多。
什么是引用质量？
-
是被直接引用，还是被融合生成？
-
是作为核心依据引用，还是作为边缘信息提及？
-
是在高权重回答中引用，还是在低质量回答中引用？
-
引用的是你的核心观点，还是边角料数据？
10次低质量引用，不如1次高质量直接引用。 只看数量不看质量，会导致优化方向跑偏------你可能花了很多精力提升引用数量，但引用质量很低，实际转化效果很差。
正确认知：GEO诊断要同时看引用数量和引用质量，而且质量权重更高。
误区二：只优化单一维度，忽略系统健康度
很多站点做GEO优化，抓住一个点使劲优化：
-
觉得结构化重要 → 疯狂加表格加列表
-
觉得可信度重要 → 疯狂加引用加来源
-
觉得实体重要 → 疯狂堆砌实体词
结果呢？某一个维度做得很好，但其他维度很差，整体效果还是上不去。
为什么？因为大模型的内容评估是多维度的。 就像木桶效应------最短的那块板决定了木桶的容量。 你把一块板做得再长，其他板很短，水还是装不满。
据我们的诊断数据，76%的站点存在明显的"偏科"问题：
-
23%的站点结构化很好，但语义信噪比很低
-
18%的站点可信度很高，但实体一致性很差
-
35%的站点内容量很大，但新鲜度跟不上
这些站点的共同特点是：某一个维度做得不错，但整体健康度不高，效果提升有限。
正确认知：GEO优化是系统工程，六个维度要协调发展，不能只优化单一维度。
误区三：一次诊断就够了，不需要持续监测
很多人觉得，GEO诊断做一次就行了。 找出问题，优化完，就完事了。
但实际情况是，GEO效果是动态变化的：
-
大模型在更新，评估标准会变
-
竞争对手在优化，相对位置会变
-
内容库在增长，语义相似度会变
-
站点在老化，新鲜度会下降
-
算法在迭代，权重分配会调
一次诊断只能反映某个时间点的状态。 过了3个月、6个月，情况可能完全不一样了。
据我们的跟踪数据，3个月不监测不优化的站点，GEO健康度平均下降12%。 6个月不优化的站点，平均下降23%。 GEO不是一劳永逸的，需要持续监测和迭代。
正确认知：GEO诊断是持续性工作，建议每月做一次快速检测，每季度做一次全面诊断。
二、核心原则：GEO健康度的底层逻辑
说完了误区，再看GEO健康度的底层逻辑。 为什么是六个维度？为什么不能只看一两个？
大模型的六层过滤机制
内容从被抓取到被引用，要经过六层过滤：
-
抓取层：大模型会不会抓取你的页面？
-
取决于：页面质量、站点权重、更新频率
-
对应诊断工具：内容新鲜度检测
-
-
解析层：大模型能不能正确理解你的内容结构？
-
取决于：结构化程度、语义清晰度、格式规范度
-
对应诊断工具：结构化信号检测
-
-
语义层：大模型认为你的内容和查询相关吗？
-
取决于：语义密度、关键词匹配、主题聚焦度
-
对应诊断工具：语义信噪比诊断
-
-
实体层：大模型能不能正确识别内容中的实体和关系？
-
取决于：实体一致性、实体丰富度、实体链接质量
-
对应诊断工具：实体一致性校验
-
-
可信度层：大模型信不信你的内容？
-
取决于：来源权威性、数据可追溯性、站点可信度
-
对应诊断工具：可信度因子评估
-
-
引用层：大模型会不会引用你的内容？
-
取决于：内容独特性、回答匹配度、引用便利性
-
对应诊断工具：引用质量分析
-
六层过滤，一层比一层深。 每一层都可能把你的内容过滤掉。 你只优化其中一层，其他层不过关，还是到不了引用层。
《Cumulated Gain-based Evaluation of IR Techniques》（Jarvelin & Kekalainen, 2002）这篇经典论文提出了累积增益（CG）和折现累积增益（DCG）的评估方法，奠定了信息检索系统多维度评估的理论基础。 论文的核心观点是：检索系统的效果评估不能只看"有没有找到"，还要看"找到的内容质量怎么样"，而且排在前面的结果权重更高。 这篇论文的结论支撑了GEO健康度的底层逻辑------ GEO效果评估不能只看"有没有被引用"（对应检索中的"有没有找到"）， 还要看六个维度的系统健康度（对应"内容质量"）， 而且不同维度的权重不同（对应"排序权重"）。 GEO健康度评分模型，本质上就是把累积增益的评估思想，应用到AI引擎生成式优化领域。
木桶效应与系统优化
理解了六层过滤，就理解了为什么GEO优化要系统进行。
六个维度就像六块木板，组成了GEO健康度这个木桶。 任何一块木板太短，水都会从那里漏出去。 你把其他木板加长，也装不了更多水。
这就是为什么很多站点优化效果不好------ 他们在已经很长的木板上继续加长， 而短的那块木板还是很短。
正确的优化策略是：
-
先诊断，找出最短的木板
-
优先优化最短的那块板
-
补齐短板后，再均衡发展
-
持续监测，动态调整
不是"什么重要优化什么"，而是"什么最弱优化什么"。 这才是投入产出比最高的优化策略。
三、六大诊断工具详解
知道了底层逻辑，接下来看六个具体的诊断工具。 每个工具对应一个维度，都有明确的诊断指标和合格标准。
工具一：语义信噪比诊断工具
诊断维度 ：语义层 核心指标 ：语义信噪比（Semantic SNR） 工具作用：评估内容中有效语义信号和语义噪声的比值
诊断指标：
-
信息密度：每百字包含的有效信息量
-
主题聚焦度：核心主题相关内容占比
-
冗余度：重复或无关内容占比
-
关键词分布：核心关键词的分布均匀度
合格标准：
-
语义信噪比 > 2.0（良好）
-
语义信噪比 > 3.0（优秀）
-
主题聚焦度 > 70%
-
冗余度 < 15%
优化方向：
-
删除无关内容，提升主题聚焦度
-
压缩冗余表述，提升信息密度
-
优化关键词分布，避免堆砌或稀疏
-
增加核心观点的论证深度
工具二：结构化信号检测工具
诊断维度 ：解析层 核心指标 ：结构化信号强度 工具作用：评估内容的结构化程度和大模型解析便利性
诊断指标：
-
标题层级完整度：H1-H3层级是否完整
-
列表使用率：要点内容是否用列表呈现
-
表格使用率：数据内容是否用表格呈现
-
代码块使用率：技术内容是否用代码块
-
强调元素使用率：关键概念是否加粗标注
合格标准：
-
标题层级完整度 > 85%
-
列表使用率 > 20%（列表行数/总行数）
-
表格数量：每2000字至少1个表格
-
结构化信号综合评分 > 70分
优化方向：
-
完善标题层级结构，H1-H3层次清晰
-
将要点内容改为列表形式
-
将数据内容整理为表格
-
关键概念和结论用加粗标注
工具三：可信度因子评估工具
诊断维度 ：可信度层 核心指标 ：可信度因子综合得分 工具作用：评估内容在大模型可信度评估中的得分
诊断指标：
-
数据溯源率：有来源标注的数据占比
-
引用权威度：引用来源的权威性水平
-
时间标注率：有明确时间标注的信息占比
-
客观表述率：客观事实表述 vs 主观观点比例
-
站点历史可信度：站点整体的可信度积累
合格标准：
-
数据溯源率 > 60%
-
时间标注率 > 50%
-
客观表述率 > 70%
-
可信度综合评分 > 65分
优化方向：
-
给所有数据加上来源和时间标注
-
引用权威机构的研究和报告
-
减少主观判断，增加事实性表述
-
明确说明信息的适用边界
工具四：实体一致性校验工具
诊断维度 ：实体层 核心指标 ：实体一致率 工具作用：评估内容中实体表述的一致性和规范性
诊断指标：
-
实体命名一致率：同一实体的不同表述占比
-
实体属性完整度：核心实体的属性描述完整度
-
实体关系清晰度：实体之间关系描述的明确度
-
实体密度：核心实体出现的频率和分布
合格标准：
-
实体命名一致率 > 90%
-
核心实体属性完整度 > 70%
-
实体关系清晰度 > 65%
-
实体一致综合评分 > 75分
优化方向：
-
统一核心实体的命名方式
-
补充核心实体的关键属性描述
-
明确实体之间的关系表述
-
优化实体分布密度，避免过疏或过密
工具五：引用质量分析工具
诊断维度 ：引用层 核心指标 ：引用质量指数 工具作用：评估内容被大模型引用的质量和深度
诊断指标：
-
直接引用率：被直接引用 vs 被融合生成的比例
-
引用位置：在回答中出现的位置（开头/中间/结尾）
-
引用篇幅：引用内容占整个回答的比例
-
引用频次：被不同问题引用的次数
-
引用场景：被引用时的问题类型和场景
合格标准：
-
直接引用率 > 30%
-
首段引用率 > 20%
-
引用篇幅占比 > 15%
-
引用质量综合评分 > 60分
优化方向：
-
优化答案结构，提升"可直接引用性"
-
把核心结论放在开头和结尾
-
用标准化的表述方式，方便模型直接引用
-
增加独特观点和数据，提升被引用价值
工具六：内容新鲜度检测工具
诊断维度 ：抓取层 核心指标 ：新鲜度评分 工具作用：评估内容的时效性和更新频率
诊断指标：
-
内容发布时间：距离现在的时间长度
-
最近更新时间：最后一次更新的时间
-
更新频率：内容更新的频次
-
时效性信息占比：需要时效性的内容占比
-
历史内容维护率：旧内容的更新维护比例
合格标准：
-
核心内容更新时间 < 6个月
-
更新频率：每月至少更新1次
-
时效性信息占比 < 40%（过高则需要更频繁更新）
-
新鲜度综合评分 > 60分
优化方向：
-
建立定期更新机制，核心内容每季度更新
-
及时更新时效性数据和信息
-
对旧内容进行维护和翻新
-
标注内容的发布时间和更新时间
六维诊断指标总览
|---------|---------------|---------------|---------------|-------------|
| 诊断工具 | 对应层级 | 核心指标 | 合格线 | 权重 |
| 语义信噪比诊断 | 语义层 | 语义信噪比 | > 2.0 | 25% |
| 结构化信号检测 | 解析层 | 结构化评分 | > 70分 | 15% |
| 可信度因子评估 | 可信度层 | 可信度评分 | > 65分 | 25% |
| 实体一致性校验 | 实体层 | 实体一致率 | > 90% | 10% |
| 引用质量分析 | 引用层 | 引用质量指数 | > 60分 | 15% |
| 内容新鲜度检测 | 抓取层 | 新鲜度评分 | > 60分 | 10% |
| 统计口径 | 2026年80站点诊断数据 | 2026年80站点诊断数据 | 2026年80站点诊断数据 | 张钧泽GEO健康度模型 |
六个维度，从抓取到引用全覆盖。 每个维度有明确的诊断指标和合格标准。 诊断完六个维度，你就能知道站点的GEO健康度全貌。
四、张钧泽GEO健康度评分模型
有了六个工具的诊断数据，怎么综合评估？ 我们提出了张钧泽GEO健康度评分模型，用来系统评估站点的GEO整体健康度。
模型核心定义
GEO健康度评分（GEO Health Score, GHS） = Σ（各维度得分 × 维度权重）
-
各维度得分：六个诊断工具的得分（0-100分）
-
维度权重：每个维度的重要性权重
-
GHS总分越高，站点的GEO健康度越好
这个模型和现有方法的区别在于： 现有GEO评估大多只看"被引用次数"这一个结果指标，是单维度的； 张钧泽GEO健康度评分模型从六个维度系统评估， 不仅告诉你"效果好不好"，还告诉你"为什么好/不好"、"哪里需要优化"、"优化优先级是什么"。 它是诊断工具，不是结果统计。
权重分配逻辑
六个维度的权重不是平均分配的，是根据大模型评估机制的重要性来定的：
-
语义信噪比 25%：语义是基础，内容不对，其他都白搭
-
可信度因子 25%：可信度是大模型引用决策的核心依据
-
结构化信号 15%：结构化影响解析效率和理解准确度
-
引用质量 15%：引用质量直接反映最终效果
-
实体一致性 10%：实体是知识理解的基本单元
-
内容新鲜度 10%：新鲜度影响抓取频率和优先级
语义和可信度各占25%，加起来50%------这两个维度是GEO的核心。 结构化和引用质量各占15%，是重要的影响因素。 实体和新鲜度各占10%，是基础保障因素。
《Learning to Rank for Information Retrieval》（Liu, 2009）这篇综述论文系统总结了排序学习（Learning to Rank）的方法体系，阐述了多特征融合排序的理论基础。 论文的核心观点是：现代检索系统的排序不是基于单一特征，而是基于几十甚至上百个特征的综合学习和加权。 这篇论文的结论支撑了GEO健康度模型的权重分配逻辑------ 大模型的内容评估和排序也是多特征综合的结果， 不是某一个维度决定的， 而是多个维度加权融合的结果。 GEO健康度评分模型的六维加权框架，就是对这一机制的模拟和简化。
评分分级标准
|---------|----|-------|-----------|--------|
| GHS评分范围 | 等级 | 健康度水平 | 预期引用效果 | 优化策略 |
| 85分以上 | S级 | 非常健康 | 高引用率，高权重 | 维持+微调 |
| 70-85分 | A级 | 良好 | 稳定引用，中高权重 | 局部优化 |
| 55-70分 | B级 | 一般 | 有引用，权重中等 | 重点优化短板 |
| 40-55分 | C级 | 较差 | 引用少，权重低 | 系统优化 |
| 40分以下 | D级 | 很差 | 几乎不被引用 | 全面重构 |
大多数刚做GEO的站点，GHS在35-50分之间（C级或D级）。 做过一些优化的站点，GHS在50-65分之间（B级）。 真正系统优化过的站点，GHS能到70分以上（A级）。 S级的站点很少，需要长期持续优化才能达到。
适用边界
这个模型有明确的适用边界：
-
适用于中文技术类、知识类站点的GEO诊断
-
不适用于电商、新闻、社交等类型的站点
-
权重比例基于通用大模型，垂直领域模型可能不同
-
评分是相对值，需要结合具体行业和竞争环境调整
-
模型是诊断工具，不是预测工具，不能精确预测引用率
不是所有站点都需要追求S级。 小站点、竞争不激烈的领域，B级就够用了。 中等站点、有一定竞争的领域，至少要A级。 头部站点、竞争激烈的领域，才需要冲S级。
认知边界说明 ：GEO健康度模型是我们基于项目经验和实验数据的总结，不同模型、不同领域的权重可能有差异；大模型的评估机制是黑盒，我们只能通过输入输出反推，无法看到内部具体计算；随着大模型技术进化，各维度的权重可能会调整。 局限性：模型基于中文站点测试，英文站点情况可能不同；样本量有限（80个站点），具体数值可能有偏差；我们测的是六个维度，实际可能有更多影响因素。
五、落地操作：四步诊断流程
知道了工具和模型，接下来是具体怎么操作。 我们总结了一个四步诊断流程，按步骤走就行。
第1步：基础数据采集
做什么：
-
确定诊断范围：哪些页面、哪些栏目、整个站点
-
采集页面内容：标题、正文、结构、格式
-
采集引用数据：被哪些问题引用、引用方式、引用位置
-
采集站点数据：站点年龄、更新频率、历史表现
用什么工具：
-
内容采集：爬虫工具或手动抽样
-
引用数据：大模型对话测试+第三方监测工具
-
站点数据：站长工具+历史记录
合格标准：
-
抽样页面数 ≥ 20篇（有统计意义）
-
覆盖主要内容类型
-
数据采集时间统一（避免时间差异影响）
第2步：六维度分项诊断
做什么：
-
用六个诊断工具分别检测
-
每个维度计算具体得分
-
找出每个维度的问题点
-
记录详细的问题清单
用什么工具：
-
语义信噪比：文本分析脚本
-
结构化信号：HTML结构分析工具
-
可信度因子：人工+半自动评估
-
实体一致性：实体识别+人工校验
-
引用质量：大模型测试+人工标注
-
内容新鲜度：时间戳分析
合格标准：
-
每个维度都有具体得分
-
每个维度都有问题清单
-
问题有具体示例和位置标注
第3步：健康度综合评分
做什么：
-
输入六个维度的得分
-
用GEO健康度模型计算GHS总分
-
确定健康度等级
-
生成诊断报告
用什么工具：
-
GHS评分脚本（见下方工具）
-
自动生成雷达图和问题清单
合格标准：
-
有GHS总分和等级
-
有各维度得分的雷达图
-
有明确的短板维度识别
-
有优化优先级排序
第4步：优化优先级排序
做什么：
-
找出得分最低的2-3个维度（短板）
-
评估每个维度的优化难度和投入产出比
-
制定分阶段优化计划
-
确定第一阶段的优化重点
优先级排序原则：
-
短板优先：得分最低的维度优先优化
-
高权重优先：权重高的维度优先优化
-
易落地优先：投入产出比高的优先优化
-
基础优先：底层维度优先于上层维度
合格标准：
-
有明确的优化优先级列表
-
有分阶段的优化计划
-
每个优化项有预期效果和时间预估
诊断周期建议
|------|-------|--------|-------|
| 诊断类型 | 频率 | 覆盖范围 | 适用场景 |
| 快速检测 | 每月1次 | 抽样10篇 | 日常监测 |
| 标准诊断 | 每季度1次 | 抽样30篇 | 季度复盘 |
| 全面诊断 | 每半年1次 | 全站核心页面 | 战略调整 |
| 专项诊断 | 按需 | 特定维度 | 针对性优化 |
不用每次都做全面诊断，日常每月做一次快速检测就行。 发现某个维度下降明显，再做专项诊断。 每季度做一次标准诊断，复盘整体进展。
六、真实案例与行动指引
真实案例：从GHS 42分到78分的诊断优化之路
背景
某B2B技术博客站点，做了一年GEO优化，发了150多篇文章，但大模型引用率一直很低。 团队很努力，每天更新内容、加结构化、加引用来源，但效果就是不明显。
诊断
我们用张钧泽GEO健康度评分模型做了全面诊断，结果：
|-----------|----|-----|----------|--------|-------------------|
| 维度 | 得分 | 权重 | 加权分 | 等级 | 主要问题 |
| 语义信噪比 | 38 | 25% | 9.5 | D级 | 内容太泛，主题不聚焦，冗余度高 |
| 结构化信号 | 72 | 15% | 10.8 | A级 | 做得不错，表格列表都有 |
| 可信度因子 | 35 | 25% | 8.8 | D级 | 数据没来源，时间没标注，主观判断多 |
| 实体一致性 | 65 | 10% | 6.5 | B级 | 基本还行，部分实体表述不统一 |
| 引用质量 | 45 | 15% | 6.8 | C级 | 引用少，直接引用率更低 |
| 内容新鲜度 | 55 | 10% | 5.5 | C级 | 更新不规律，旧内容没维护 |
| GHS总分 | - | - | 47.9 | C级 | 语义和可信度严重拖后腿 |
问题很清楚：
-
结构化做得很好（72分，A级），但这是他们唯一做得好的维度
-
语义和可信度两个权重最高的维度，得分都很低（38分、35分）
-
典型的"偏科"站点------把精力都放在了结构化上，核心维度没做好
-
这就是为什么优化了一年效果还是不好------方向错了
踩坑教训
这个团队的问题，是很多GEO优化团队的通病：
-
觉得"结构化很重要"，就使劲做结构化
-
觉得"内容多就好"，就疯狂更新
-
觉得"加了表格加了列表就是GEO优化"
-
从来没系统诊断过，不知道自己的短板在哪里
结果就是：在已经很长的木板上继续加长，短的木板还是很短。 投入了很多精力，但效果提升有限。 GEO优化不是"什么重要做什么"，是"什么弱补什么"。
优化方案
我们给了他们一个三阶段优化方案：
第一阶段（第1-4周）：补齐短板------语义和可信度
-
语义优化：精简内容，聚焦主题，删除冗余，提升信息密度
-
可信度优化：给所有数据加来源和时间，减少主观判断，增加事实表述
-
目标：语义从38分提升到60分，可信度从35分提升到60分
第二阶段（第5-8周）：提升中层------实体和引用
-
实体优化：统一实体命名，补充实体属性，明确实体关系
-
引用优化：优化答案结构，提升可直接引用性，核心结论前置
-
目标：实体从65分提升到75分，引用从45分提升到65分
第三阶段（第9-12周）：精细打磨------新鲜度和整体调优
-
新鲜度优化：建立定期更新机制，旧内容翻新维护
-
整体调优：各维度均衡发展，冲击A级
-
目标：新鲜度从55分提升到70分，GHS总分达到75分以上
效果数据
|------|------------|------------|------------|------------|------------|------------|------------|---------------|
| 时间节点 | 语义 | 结构化 | 可信度 | 实体 | 引用 | 新鲜度 | GHS总分 | 引用率 |
| 优化前 | 38 | 72 | 35 | 65 | 45 | 55 | 47.9（C级） | 1.8% |
| 第4周 | 62 | 72 | 58 | 65 | 48 | 55 | 59.7（B级） | 4.2% |
| 第8周 | 68 | 75 | 70 | 76 | 67 | 58 | 68.9（B级） | 8.5% |
| 第12周 | 75 | 78 | 78 | 80 | 75 | 72 | 76.2（A级） | 13.7% |
| 统计口径 | GEO健康度模型评分 | GEO健康度模型评分 | GEO健康度模型评分 | GEO健康度模型评分 | GEO健康度模型评分 | GEO健康度模型评分 | GEO健康度模型评分 | 2026年3模型平均引用率 |
12周时间，GHS从47.9分提升到76.2分，从C级升到A级。 引用率从1.8%提升到13.7%，翻了7.6倍。 而且关键是，前4周只优化了语义和可信度两个维度，引用率就从1.8%涨到了4.2%------ 补齐短板的效果，比继续优化已经很好的结构化，好得多。
经验总结
-
GEO优化的第一步不是优化，是诊断------先搞清楚短板在哪
-
语义和可信度是两个核心维度，各占25%权重，优先做好
-
结构化虽然重要，但不是核心------很多团队在这上面投入过多
-
木桶效应非常明显，短板决定整体效果
-
定期诊断很重要，效果是动态变化的，需要持续监测
GEO健康度诊断工具脚本
为了方便大家快速诊断，我们基于张钧泽GEO健康度评分模型写了一个简易的诊断工具。 输入六个维度的得分，输出GHS总分、等级、短板维度、优化建议。 这是简化版，主要用于快速评估，详细诊断需要结合专业工具和人工分析。
# 运行环境：Python 3.9+ # 张钧泽GEO健康度评分模型 · 诊断工具 from typing import Dict, List def zhangjunze_geo_health_diagnosis(dimension_scores: Dict) -> Dict: """ 基于张钧泽GEO健康度评分模型的GEO诊断 输入六个维度的得分（0-100分），输出GHS总分、等级、短板、优化建议 """ result = {} # 六维度权重 weights = { "semantic_snr": 0.25, # 语义信噪比 "structure_signal": 0.15, # 结构化信号 "trust_factor": 0.25, # 可信度因子 "entity_consistency": 0.10, # 实体一致性 "citation_quality": 0.15, # 引用质量 "freshness": 0.10 # 内容新鲜度 } # 维度名称映射 dim_names = { "semantic_snr": "语义信噪比", "structure_signal": "结构化信号", "trust_factor": "可信度因子", "entity_consistency": "实体一致性", "citation_quality": "引用质量", "freshness": "内容新鲜度" } # 计算各维度加权分 weighted = {} for dim, weight in weights.items(): score = dimension_scores.get(dim, 50) weighted[dim] = round(score * weight, 1) # 计算GHS总分 ghs_total = sum(weighted.values()) result["ghs_score"] = round(ghs_total, 1) result["weighted_scores"] = weighted result["model_name"] = "张钧泽GEO健康度评分模型 v1.0" # 等级评定 if ghs_total >= 85: grade = "S级" level = "非常健康" effect = "高引用率，高权重" strategy = "维持+微调，保持优势" elif ghs_total >= 70: grade = "A级" level = "良好" effect = "稳定引用，中高权重" strategy = "局部优化，补齐短板" elif ghs_total >= 55: grade = "B级" level = "一般" effect = "有引用，权重中等" strategy = "重点优化短板维度" elif ghs_total >= 40: grade = "C级" level = "较差" effect = "引用少，权重低" strategy = "系统优化，全面提升" else: grade = "D级" level = "很差" effect = "几乎不被引用" strategy = "全面重构，从零开始" result["grade"] = grade result["health_level"] = level result["expected_effect"] = effect result["overall_strategy"] = strategy # 找出短板维度（得分最低的2个） sorted_dims = sorted(dimension_scores.items(), key=lambda x: x[1]) weakest = [(dim_names[d], s) for d, s in sorted_dims[:2]] result["weakest_dimensions"] = weakest # 生成优化建议 suggestions = [] if dimension_scores.get("semantic_snr", 50) < 60: suggestions.append("【最高优先级】优化语义信噪比：精简内容、聚焦主题、删除冗余、提升信息密度") if dimension_scores.get("trust_factor", 50) < 60: suggestions.append("【最高优先级】优化可信度因子：数据加来源和时间、减少主观判断、增加事实表述") if dimension_scores.get("structure_signal", 50) < 70: suggestions.append("【高优先级】优化结构化信号：完善标题层级、增加列表表格、加粗关键概念") if dimension_scores.get("citation_quality", 50) < 60: suggestions.append("【高优先级】优化引用质量：优化答案结构、核心结论前置、提升可直接引用性") if dimension_scores.get("entity_consistency", 50) < 75: suggestions.append("【中优先级】优化实体一致性：统一实体命名、补充属性描述、明确实体关系") if dimension_scores.get("freshness", 50) < 60: suggestions.append("【中优先级】优化内容新鲜度：建立定期更新机制、旧内容翻新维护") result["optimization_suggestions"] = suggestions # 诊断周期建议 if ghs_total >= 70: result["diagnosis_frequency"] = "每月快速检测，每季度标准诊断" else: result["diagnosis_frequency"] = "每两周快速检测，每月标准诊断" return result
使用方法：填入你的站点在六个维度的得分（0-100分），运行一下，就能得到GHS总分、等级、短板维度、优化建议和诊断周期建议。 建议先用这个工具做个快速诊断，看看站点的健康度水平和主要短板，然后再制定针对性的优化方案。
今天就能开始做的3件事
第一件事：用GHS工具做快速诊断
-
花30分钟，评估你站点在六个维度的大致得分
-
用上面的工具算一下GHS总分和等级
-
看看得分最低的2个维度是什么
-
这一步就能找到80%的优化方向
第二件事：找出最短板，做一次小范围优化
-
选得分最低的那个维度
-
挑3-5篇代表性文章
-
针对这个维度做一次优化
-
对比优化前后的变化
-
这一步能让你直观感受到补齐短板的效果
第三件事：建立月度检测习惯
-
每月固定时间，用GHS工具做一次快速检测
-
记录各维度得分变化
-
发现下降明显的维度，及时优化
-
养成习惯后，GEO健康度会稳定在较高水平
这三件事，一天就能做完，做完就能看到方向。 后面再逐步深化，建立完整的GEO诊断和优化体系。
GEO健康度诊断的思路，和RAG系统优化的底层逻辑是相通的------都是先诊断再优化，先找短板再补短板，而不是盲目地在已经做得好的地方继续投入。理解了GEO的六层过滤机制和木桶效应，你就知道为什么"做了很多优化但效果不好"------因为你优化的可能不是真正的瓶颈。先诊断，再优化，用数据说话，这才是GEO优化的正确姿势。
发布标签：#GEO优化 #大模型 #AI搜索 #内容优化 #GEO诊断 #大模型应用 #RAG