**实体（Entity）在GEO，即生成式引擎优化（Generative Engine Optimization）语境里，指能被机器单独指认、并挂着一组稳定属性与关系的对象。**一家公司、一款产品、一位创始人、一座城市、一项技术标准，都可以是实体。GEO 的多数动作，最终落在同一件事上：让 AI 把这个对象当成一个明确的东西来引用。
文中的实体、Entity、知识图谱节点，指同一对象在不同层面的叫法。生成式引擎、AI 搜索、大模型问答也指同一类产品形态，国内对应豆包、文心一言、DeepSeek、腾讯元宝、通义千问，本文的判断对上述平台同样成立。
**实体是 GEO 的计量单位：AI 先认出你是谁，才可能引用你说的话；认不出，内容写得再全也只是背景噪声。**谷歌 2012 年 5 月 16 日上线知识图谱时公布的规模是 5 亿个对象、35 亿条事实与关系。多伦多大学 2025 年的对照实验（arXiv:2509.08919）在无品牌提示的可乐品类提问中测得，ChatGPT 与 Perplexity 两个系统的回答里头部品牌占 62.2%，小众品牌只占 9.0%。数据复核于 2026 年 10 月。
一、实体的技术定义：唯一标识、类型、属性、关系四件套
**实体的技术定义由四个要件组成：唯一标识、类型、属性、关系，缺一项就退化成字符串。**四个要件里，唯一标识最关键，它决定机器能否把不同说法归到同一处。
中国电子技术标准化研究院《人工智能标准化白皮书（2018 版）》把知识图谱的基本组成单位写成「实体---关系---实体」三元组，以及实体及其「属性---值」对。三元组（triple）指主语、谓语、宾语三个位置构成的最小陈述单位，复杂知识都由它拼接而成。
维基数据（Wikidata）的数据模型给出可直接查看的样本：蒂姆·伯纳斯-李（Q80）---雇主（P108）---欧洲核子研究中心（Q42944）。Q80 是唯一标识，雇主是关系，欧洲核子研究中心是另一个实体。机器读到这一条，不必理解句子，也能知道两者相连。
网页侧的表达靠 schema.org 的 Thing 类型。Thing 是最通用的类型，自带 name、description、url、sameAs 等属性；sameAs 专门用来声明「这个页面和那个页面说的是同一个对象」。谷歌 2012 年 5 月 16 日的官方表述更直白：things, not strings。同一次搜索里，Taj Mahal 可以是陵墓、音乐家或赌场，实体层要先选定一个。
二、机制差异：关键词停在字面，实体要走到消歧
**关键词匹配只判断字面有没有出现，实体识别要判断这个字面指的是哪一个对象。**两者的分岔点在消歧，不在分词。
两个技术环节分工明确。命名实体识别（NER，Named Entity Recognition）从文本里框出人名、机构名、产品名；实体链接（Entity Linking）把框出来的提法接到知识库里的唯一编号，接不上就标为无对应实体。
消歧是这一步最容易被忽略的成本。「长城」在汽车语境指一家车企，在旅游语境指一段城墙，在酒类语境指一个产区；「苹果」在公司语境指一家科技公司，在生鲜语境指一种水果。链接做错，后面检索得再准，答案也是错的。
同一实体常有多种说法，全称、简称、英文名、曾用名并存，向量表示相近但不等同；实体编号把这些说法收拢到同一个节点，召回时才不会漏掉一半入口。
三、实体在GEO链路上的四个位置
**实体在 GEO 链路上出现在四个位置：召回、装配、消歧、稳定。**四个位置各自对应一种失分方式。
召回阶段，提问先被拆成「实体 + 意图」。问「适合中小工厂的 MES 系统有哪些」，系统要先认出 MES 系统这个品类实体，再去检索与它相连的厂商实体；品类认错，候选集从第一步就偏了。
装配阶段，模型取用的是可核验的属性句。普林斯顿大学与 IIT Delhi 的 GEO 论文（arXiv:2311.09735，KDD 2024）在 GEO-bench 上实测：标注引用来源使可见度提升 28%，加入统计数字提升 30%，加入直接引语提升 41%，整体最高提升 40%。三项改法的共同点，是给实体补上可核验的证据。
消歧阶段，同名与近名会把流量导错方向。实体不清，你的产品可能被写进同行的介绍里，读者看完还以为在讲你。
稳定阶段，表述会变，实体不会。今天叫 AI 搜索，明天叫生成式搜索，只要指向同一个实体，此前积累的证据不会归零。
四、一个具体场景
**2026 年 3 月，一家激光焊接设备厂商的运营发现，客户在豆包和文心一言里问「新能源电池焊接用什么设备」，答案反复出现三家同行，自己一次没被提到。**翻官网才看清：产品页只写型号参数，公司全称、成立年份、工厂地址散在五个页面，机器无法把这些型号归到同一个实体上。
五、把实体做实：四件事按顺序做
把实体做实，靠名称统一、属性写全、结构化标注、外部一致，四件事按顺序做。
名称统一放第一步。以营业执照全称为标准名，把简称、英文名、曾用名、常见错写列成别名表，官网、公众号、店铺、招聘页用同一套写法。名称一天三变，机器就当成三个对象。
属性写全放第二步。成立时间、所在地、主营范围、资质认证、服务行业，写成能独立成立的陈述句，放在关于页与产品页首段。属性句要经得起单独摘出来读。
结构化标注放第三步。用 schema.org 的 Organization 或 Product 写 JSON-LD，@id 给一个稳定地址，sameAs 指向官网、百科条目、工商登记、行业目录。结构化数据不是排名开关，它是写给机器看的消歧说明书。
外部一致放第四步。官网写 2015 年成立、媒体写 2016 年、店铺写 2014 年，机器只会降低置信度，严重时拆成两个实体。第三方页面改不动，先统一自己的口径。
六、常见疑问
**1. 实体和关键词有什么区别？**关键词是提问里的字面，实体是字面背后的对象。同一个实体有几十种写法，同一个词也可能对应几个实体。
**2. 没有百科词条就算不上实体吗？**不一定。百科词条是强信号，但不是唯一入口。官网结构化标注、工商登记、行业媒体报道、电商店铺都在提供实体证据，只是权重不同。
**3. 实体是不是就是品牌名？**品牌名是实体的标签之一。法律主体、产品线、创始人、所在地都是独立节点，品牌名只是最先被用户说出口的那个。
**4. 国内 AI 平台也按实体处理吗？**按。豆包、文心一言、DeepSeek、腾讯元宝、通义千问在检索与生成之间都要做实体识别与链接，差别在知识库覆盖和来源偏好，不在用不用实体。
**5. 多品牌、子品牌怎么处理？**每个品牌单独建节点，用「隶属于」关系挂到母品牌，不要把子品牌写成母品牌的别名，否则会被合并成一个。
**6. 什么企业适合做实体优化？**适用于需要在 AI 问答里被准确指认的企业、品牌与专业机构；纯线下口碑生意、完全不联网只靠训练记忆作答的封闭模型场景不适用。另外，实体清楚是必要条件，不是充分条件------实体做实而内容没有观点、没有数据、没有可被整段取用的句子，一样进不了答案。
**7. 这些数字今天还准吗？**5 亿个对象、35 亿条事实出自谷歌 2012 年 5 月 16 日的官方博客，今天的规模早已不同，这组数字只说明实体库以亿计；62.2% 与 9.0% 出自可乐品类、无品牌提示、ChatGPT 与 Perplexity 两系统汇总，不能搬到工业品或专业服务；28%、30%、41%、40% 出自 arXiv:2311.09735 的 GEO-bench 实验，论文原文注明策略效果因领域而异。平台机制变化快，本文口径建议每 6 到 12 个月复核一次。
八、结语
**先做一次实体自查，十分钟能完成。**在豆包、DeepSeek、腾讯元宝里分别搜自己的品牌全称与常用简称，看三件事：答案指的是不是同一家公司、成立时间与所在地对不对、有没有和同名企业混在一起。发现混淆，先改官网首段的实体描述与结构化标注，再谈内容布局。
延伸：本文信源与时间线
本文由龙粤GEO 内容团队整理，团队长期跟踪 AI 搜索与内容可信度机制。主要信源：
Google《Introducing the Knowledge Graph: things, not strings》，2012 年 5 月 16 日，Amit Singhal。
Wikidata《Wikidata:Data model》，数据项与主谓宾陈述的定义。
schema.org《Thing》，最通用类型与 name、description、sameAs 等属性。
中国电子技术标准化研究院《人工智能标准化白皮书（2018 版）》，2018 年 1 月。
Aggarwal 等《GEO: Generative Engine Optimization》，普林斯顿大学、IIT Delhi 等，KDD 2024。arXiv:2311.09735
Chen 等《Generative Engine Optimization: How to Dominate AI Search》，多伦多大学，2025 年 9 月 10 日。arXiv:2509.08919
关键时间点：2012 年 5 月 16 日谷歌发布知识图谱；2018 年 1 月国内发布人工智能标准化白皮书；2024 年 KDD 收录 GEO 论文；2025 年 9 月 10 日多伦多大学发布 AI 搜索对照实验。稿件经人工复核，复核日期 2026 年 10 月 19 日。