从 SEO 到 GEO：生成式引擎优化的原理、证据与骗局

一分钟摘要

GEO（Generative Engine Optimization，生成式引擎优化）不是营销造词。 它有明确的学术源头：Pranjal Aggarwal 等人的论文《GEO: Generative Engine Optimization》（arXiv:2311.09735，2023 年 11 月提交，KDD 2024 收录），第一次把「内容改动能否提升它在生成式答案里的可见度」做成可测量的实验。
论文最有价值的结论不是"提升 40%"，而是"什么有效、什么无效"。 加权威引语、加可核查统计量、加外部来源引用有效；关键词堆砌（Keyword Stuffing）在部分排名下是负收益。这条把 GEO 从"玄学"里拉了出来。
生成式引擎的底层大多是 RAG：先检索、再综合。 所以 GEO 的优化对象其实是两件事------「能不能进候选集」和「进来之后能不能被摘成引文」。
一个反直觉但关键的行业事实：Google 明确说它不用 llms.txt。 Ahrefs 对 13.7 万个发布 llms.txt 的域名做统计，97% 的文件整个 5 月一次请求都没收到；Search Engine Land 八个月对照实验的服务器日志里，GPTBot、ClaudeBot、PerplexityBot、Google-Extended 对 llms.txt 的访问为零。
当下的真实代价是"零点击"。 Datos 与 SparkToro 的口径下，美国 Google 搜索 58.5% 是零点击；出现 AI Overviews 时升到 83%。皮尤的样本里，用户点了 AI 答案内来源链接的比例约 1%。
可执行的部分很朴素：能被正常抓取和索引、正文在服务端 HTML 里、结构清晰可摘段、数据带来源、作者与出处明确。动作越朴素，越接近官方答案。

事实卡

每条都给出可点开的来源。「一手」指论文/官方文档；「三方」指第三方研究或媒体报道，数字口径以原文为准。

主题	事实	来源
概念提出	《GEO: Generative Engine Optimization》，Aggarwal、Murahari、Rajpurohit、Kalyan、Narasimhan、Deshpande，2023-11-16 提交、2024-06-28 修订，KDD 2024 收录	一手：arXiv:2311.09735
基准规模	GEO-bench：10,000 条查询、25 个领域、7 个类别	一手：arXiv 正文
核心可见度结论	恰当策略最高可将可见度提升约 40%（特定方法与领域的上界，非平均）	一手：arXiv 摘要
有效手段	Cite Sources 在排名第 5 的站点上相对可见度提升最高约 115.1%；Quotation Addition、Statistics Addition 亦靠前	一手：arXiv 正文
无效手段	Keyword Stuffing 在排名第 1 的站点上为 −6.0%	一手：arXiv 正文
九类被测方法	Authoritative、Statistics Addition、Keyword Stuffing、Cite Sources、Quotation Addition、Easy-to-Understand、Fluency Optimization、Unique Words、Technical Terms	一手：arXiv 正文
llms.txt 提案	Jeremy Howard（Answer.AI 联合创始人、fast.ai 联合创始人）于 2024-09-03 提出，规范挂在 llmstxt.org，属社区提案而非正式标准	一手：llmstxt.org
Google 对 llms.txt 的立场	Google 官方 AI 功能指南：Search（含 AI Overviews）不使用这类机器可读文件，有无既不帮助也不损害可见度	一手转述：Google AI features and your website
llms.txt 实测（大样本）	Ahrefs 分析 13.7 万域名：约 28% 发布了有效文件，其中 97% 在整个 5 月零请求；被读取的请求里仅约 19.5% 来自 AI 机器人	三方：Ahrefs llms.txt 研究（经媒体转述）
llms.txt 实测（对照）	Search Engine Land 2025-03 至 10 月八个月实验：8 月中至 10 月末，Google-Extended、GPTBot、PerplexityBot、ClaudeBot 对 llms.txt 的访问为零	三方：Search Engine Land
llms.txt 相关性	SE Ranking 对约 30 万域名统计：仅约 10.13% 部署 llms.txt，未发现其与 AI 引用频次有可测量相关性	三方：SE Ranking
零点击基线	Datos + SparkToro：美国 Google 搜索零点击约 58.5%；出现 AI Overviews 时约 83%	三方：Datos / SparkToro
来源点击率	皮尤研究中心（900 名美国成年人浏览数据）：出现 AI Overview 时用户点击其引用来源的比例约 1%	三方：Pew Research Center
出版商流量	DMG Media 向英国 CMA 报告：2025 年 6---7 月点击率最高下降 89%	三方：媒体报道 / UK CMA 提交材料
索引结构	AI Overviews 与 AI Mode 复用传统搜索同一套排名与质量体系，不存在独立的「AI 索引」	一手转述：Google 官方文档
垃圾政策边界	Google 在 2026 年 6 月 Spam Update 中明确：操纵或购买 AI 引用同样适用其垃圾内容政策	一手转述：Google 官方公告

一张图看懂整条链路

图里最要紧的一点：GEO 能作用的只有「进入候选集」和「被摘成引文」这两段。 模型怎么生成答案、引用谁，是引擎侧的黑盒；创作者手里的是内容本身与它的可访问性。把 GEO 讲成"控制 AI 推荐你"，从一开始就夸大。

一、先把三个词分开：SEO、AEO、GEO

这三个缩写经常被混着用，其实指向不同的东西。

SEO（Search Engine Optimization） 服务的是「十条蓝链」时代。目标是让页面在结果页排得更靠前，用户点进来。它的优化对象是爬虫与排名算法，核心指标是排名位置和自然点击。

AEO（Answer Engine Optimization） 早于大模型出现，对应的是"精选摘要"（featured snippet）这类直接给答案的形态------引擎把某段内容原样提到结果页顶部。AEO 的重点是"让某一段能被整段摘出去"。

GEO（Generative Engine Optimization） 处理的是第三种形态：引擎抓取多个来源，用大模型总结、改写、拼接 成一段连贯答案，并在答案下附引用。这里的关键差别是------内容不再是"被点击"或"被整段引用"，而是被喂进模型、被消化、可能只留下一个脚注。

一句话区分三者：SEO 争的是排名位置 ，AEO 争的是被整段摘出 ，GEO 争的是被检索采纳并正确引用。

值得警惕的是，这四个字母（还有 ASO、AAO）正在被当成营销标签批量生产。概念本身有区分价值，但"新词=新技术"是错觉------下面会看到，GEO 里真正有效的动作，大部分是 SEO 时代就该做好的基本功。

二、GEO 从哪来：一篇 2023 年的论文

GEO 不是某个代理商发明的。它的源头是一篇正经的学术论文。

Pranjal Aggarwal 等人 2023 年 11 月 16 日把《GEO: Generative Engine Optimization》挂上 arXiv（编号 2311.09735，2024 年 6 月 28 日修订），后被数据挖掘顶会 KDD 2024 收录。论文开篇的事实判断是：大语言模型带来了一类新的搜索引擎------它们用生成模型去收集和总结信息、直接回答用户查询。这极大提升了用户效用和引擎自身流量，却让第三方（网站与内容创作者）陷入被动：面对不透明、快速演进的引擎，创作者几乎无法控制自己的内容"何时、以何种方式"被展示。

作者做的事，是把"被展示"变成一个可测量的指标 （可见度，visibility），然后给出一套黑盒优化框架 ------创作者不需要知道引擎内部怎么实现，只需要调整内容、观察可见度变化。为了让这件事可复现，他们发布了基准数据集 GEO-bench：10,000 条查询、覆盖 25 个领域、7 个类别，以各查询的 Google 前五结果作为候选来源。

这篇论文最值得记住的不是"提升 40%"这个数字，而是它确立了一个方法论：内容改动对 AI 可见度的影响，是可以做对照实验的。 有了这条，后面所有的争论才有共同的裁判------包括用来打脸那些没做过实验的"AI 优化技巧"。

三、生成式引擎怎么"挑"内容：RAG 的两步

要理解 GEO 为什么有效，得先看引擎的工作流。目前主流产品普遍采用 RAG（Retrieval-Augmented Generation，检索增强生成） 架构，大致两步：

第一步，检索（Retrieval）。 引擎收到问题，从索引里召回一批候选网页。能不能进候选集，取决于域名权威度、历史可信度、内容与问题的语义相关度等。这一关决定的是"你有没有资格被读到"。

第二步，综合（Synthesis）。 引擎把召回的内容拆解、比对、浓缩，拼成一段自然语言回答。这一环节偏好**结构清晰、关键数据可提取、段落能独立成"引文"**的内容------一个很实用的经验事实是：引擎往往是"逐段评估"，而不是通读全文再理解。

把这两步摊开，GEO 的作用点就清楚了：

针对检索：能被抓取、能被索引、语义上和问题相关、域名可信。
针对综合：段落自包含（脱离上下文也能读懂）、关键结论前置、数据带明确来源、实体名称写全。

这也解释了一个常见误解："给 AI 看"和"给人看"不矛盾。 引擎综合时偏好的结构（答案在前、证据在后、小标题清晰），恰好也是人类读者喜欢的结构。所谓"AI 文风"很多是伪概念------把文章写得清楚，本来就是写文章的目标。

四、论文里真正的硬结论：什么有效、什么无效

GEO-bench 上测试了九类内容改动。按相对基线的效果，可以把它们分成三档。

确实有效的一类：

Quotation Addition（添加权威引述）：把可核查的名人/机构原话放进去，让模型能直接摘取。这是单项增益靠前的一类。
Statistics Addition（补充带来源的统计量）：具体数字 + 出处，对"事实型"查询尤其有效。
Cite Sources（增加外部来源引用） ：论文报告，在排名第 5 的站点上，为内容添加对可信外部来源的引用，相对可见度提升最高约 115.1%。
Fluency Optimization / Easy-to-Understand（更流畅、更易懂）：文风层面的可读性改造也有可观增益。

无效甚至有害的一类：

Keyword Stuffing（关键词堆砌） ：在排名第 1 的站点上，相对可见度是 −6.0%。这是我最看重的一条结果，因为它直接证伪了"把 SEO 那套关键词技巧搬到 AI 时代"的做法。

要小心的解读：

那个广为流传的"40%"，论文口径是最高（up to）约 40% 的可见度提升，是特定方法与特定领域下的上界，不是平均值，更不等于流量或点击会同步增长。把"可见度 +40%"写成"流量 +40%"是行业里最常见的偷换。

还有一个更重要的结论常被忽略：策略因领域而异。 论文的核心发现之一是"不存在放之四海而皆准的模板"------事实型查询和观点型查询、财经和医疗，有效手段不一样。任何承诺"一套模板通吃"的服务，都可以拿这条去问。

五、GEO 与 SEO 的分水岭：排名 vs 被引用

既然有效手段这么"眼熟"，那 GEO 到底新在哪？

新在分发逻辑变了，而不是技巧变了。

SEO 时代，用户搜一个词，看到十条链接，点进其中一条。出版商争夺的是"位置"，商业模式建立在"点击"上。

GEO 时代，用户搜一个词，看到一段 AI 生成的答案，答案下面挂着几个来源链接。用户可能读完答案就走了。出版商争夺的从"位置"变成"被采纳进答案 + 被正确引用"，而这两件事都不保证带来点击。

Google 自己的文档把一件关键事实说得很清楚：AI Overviews 与 AI Mode 复用传统搜索那套排名与质量体系，不存在独立的"AI 索引"。 也就是说，AI 回答里引用的页面，就是正常搜索里能被索引、能被抓取、能拿摘要的那些页面。连正常搜索结果都进不去的站点，AI 答案里更不会有它。

这条推论很实用：GEO 的技术准入线，就是 SEO 的技术准入线。 可抓取、可索引、加载快、移动端正常、正文在服务端 HTML 里------这些没做到，后面全免谈。E-E-A-T（经验、专业、权威、可信）信号同时影响传统排名和 AI 引用选择，2026 年 5 月那轮核心更新后，被 AI Overviews 引用的页面其传统排名还出现了正向联动。

所以"从 SEO 到 GEO"更像是地基不变、评估维度增加：同一套可抓取、可索引的基础上，多出了"被摘取、被引用"这一层。

六、零点击时代：当下的真实影响

这一节是 GEO 之所以被热议的现实原因。数据不好看，而且是多方独立测出来的。

用户行为层面：

Datos 与 SparkToro 的口径下，美国 Google 搜索里零点击约占 58.5% ；当结果页出现 AI Overviews 时，这个比例升到约 83%。
皮尤研究中心基于 900 名美国成年人的浏览数据发现：出现 AI Overview 的页面里，用户点击其引用来源的比例约 1%。
印度商学院与卡内基梅隆大学的随机对照实验显示：AI Overviews 出现时自然点击下降约 38% ，零点击搜索相对增幅约 33%。

出版商流量层面：

DMG Media（旗下有《每日邮报》《地铁报》）向英国竞争与市场管理局表示，2025 年 6---7 月间点击率最高下降 89%，并把原因指向 AI Overviews。
Digital Content Next（代表彭博、美联社、《纽约时报》、康泰纳仕、Vox Media 等）透露，其 19 家成员 2025 年 5---6 月在谷歌来源流量下降 1% 到 25% 不等。
Similarweb 数据显示，《纽约时报》来自搜索的流量占比三年内从 44% 降到 35.5%。

但要给这组数字加一个平衡的注脚，否则就是危言耸听：

Google 仍是全球最大搜索引擎，StatCounter 2026 年 9 月的全球份额约 89.94%。
Ahrefs 统计 7.6 万个网站后的结论是：Google 发给网站的流量仍是 ChatGPT 的约 190 倍。
ChatGPT 每天约 25 亿次提示，Google 每天约 140 亿次搜索；按 SparkToro 与 Datos 的折算，ChatGPT 的提示里真正带搜索意图的只占约三成。
Google 高管反复强调"每周仍通过 AI 功能向网站发送数十亿次点击"------这句和"每次搜索剩下的出口更少"两句都不假，因为它们量的不是同一件事：一句数点击总数，一句数单次搜索的出口比例。

我从中读到的不是"搜索要完"，而是一个再分配：总量还在，但"读答案即走"的比例上升，留给单个页面的点击出口收窄。对内容方，这意味着"被引用"越来越难兑换成"被访问"，价值锚点得从流量往信任、往品牌直接检索、往邮件/订阅等自有渠道迁移。

七、可执行的工程清单（配真实可跑的 demo）

前面都是"为什么"，这一节是"做什么"。下面每一项都给了能直接落地的文件，放在本仓库 demo/ 目录下，可以下载即用。

7.1 结构化数据：JSON-LD

schema.org 的 JSON-LD 是目前少数"官方明确支持、且能被机器稳定解析"的信号之一。它不会单独让你被 AI 引用，但能让引擎准确读到实体、时间、作者、来源。

本仓库 $demo/jsonld-tech-article.json$ (file:///F:/0.开发项目/GEO详细说明博客/demo/jsonld-tech-article.json) 是一份可直接改用的 TechArticle + FAQPage 组合，包含 author、datePublished、about、citation 等字段。要点：

用 @type: TechArticle（或 Article）承载正文元数据；
用 FAQPage 把问答显式结构化------这正是生成式引擎最容易摘成答案的形态；
citation 字段挂真实的外部来源，让"引用可追溯"变成机器可读；
一个页面里可以放多个 JSON-LD 块，用数组或并列 <script> 均可。

7.2 robots.txt：分清「训练」与「搜索」两类爬虫

这是最多人做错的一项。同一家公司往往有多只爬虫，用途完全不同，robots.txt 按 User-agent 分组各自独立生效。以 OpenAI 为例，官方文档区分了三只：

User-agent	归属	用途	拦掉它的后果
`OAI-SearchBot`	OpenAI	搜索展示	从 ChatGPT 的搜索答案里消失
`GPTBot`	OpenAI	训练语料	内容不进训练集，不影响当下引用
`ChatGPT-User`	OpenAI	用户当场触发访问	AI 无法实时读取你指定的页面

Anthropic 侧对应 Claude-SearchBot（搜索）与 ClaudeBot（训练）；Perplexity 用 PerplexityBot；Google 的 Google-Extended 是用途控制项 （控制抓到的内容能否用于部分 Gemini 训练），它不是独立爬虫，服务器日志里通常不会出现这个名字。字节跳动的 Bytespider 同时用于国内 AI 助手的搜索与训练。

关键操作原则：要出现在 AI 搜索答案里，必须放行"搜索类"爬虫。 很多站点为了防训练，写了 User-agent: * / Disallow: /，结果把搜索类爬虫一起挡了，等于主动从 AI 答案里消失。本仓库 $demo/robots.txt$ (file:///F:/0.开发项目/GEO详细说明博客/demo/robots.txt) 给了一份"放行搜索、按需限制训练"的模板，并逐行注释了每条的作用。

一个诚实提醒：ChatGPT-User 这类用户实时访问，官方说明 robots 规则可能不适用，想挡只能靠服务器层或登录验证。UA 也可以伪造，真要较真得核对各家公布的 IP 段。

7.3 内容结构：答案前置、段落自包含

对应论文里"综合阶段偏好可摘取结构"这一条。具体做法：

每个小节开头先给结论，再给证据（倒金字塔）；
段落控制在能独立成"引文"的长度，避免"如上所述""这一点"这类离开上下文就失效的指代；
关键数据标注来源与时间；
H2/H3 用问句形式------它天然对齐用户的问题，也方便 FAQ 抽取。

7.4 llms.txt：做之前，先看证据

这一项单独拎出来，因为它是最典型的"概念真实、但被当成排名开关来卖"的案例。

llms.txt 是 Jeremy Howard 在 2024 年 9 月 3 日提出的社区提案（规范在 llmstxt.org），设想是在网站根目录放一份 Markdown，用 H1 写站点名、引用块写简介、H2 组织一组带说明的重要链接，再配一个 Optional 段和 llms-full.txt 内联全文。它的原始动机很具体：AI 编程助手读复杂 HTML 时，会被导航、广告、脚本消耗大量上下文窗口。

问题出在传播过程中的语义漂移。它被 SEO 工具标成"站点问题"、被营销当"AI 优化必备"、被服务商包装成"保证提升 AI 引用"。而证据是：

Google 官方在 AI 功能指南里写明：Search（含 AI Overviews）不使用这类文件，有它既不帮助也不损害排名或可见度。John Mueller 更早把它比作早已废弃的 meta keywords------一个因太容易被操纵而被放弃的自声明信号，并称其好处"纯属推测"。
Ahrefs 分析 13.7 万个发布 llms.txt 的域名：约 28% 发布了有效文件，其中 97% 在整个 5 月一次请求都没收到；仅有的读取流量里 96% 来自各类爬虫，真正来自 AI 工具的只占约 19.5%。
Search Engine Land 做了 2025 年 3---10 月为期八个月的对照实验：服务器日志显示，8 月中到 10 月末，Google-Extended、GPTBot、PerplexityBot、ClaudeBot 对 llms.txt 的访问均为零。
SE Ranking 对约 30 万域名统计：仅约 10.13% 部署了 llms.txt，且未发现它与 AI 引用频次有可测量的相关性。

那它到底有没有用？有一个真实但被搞错了对象 的用处：Cursor、GitHub Copilot、Claude Code 这类 AI 编程/文档助手确实会主动读它。 也就是说，llms.txt 的价值在"面向开发者的文档站"和"被 Agent 读取"（有人称之为 B2A，Business-to-Agent），而不在"提升 Google 的 AI 搜索可见度"。

我的结论：如果你有一个面向开发者的文档站，写一份 llms.txt 成本很低、对编程助手有实际好处，可以做；如果有人把"部署 llms.txt"列为进入 Google AI 收录的核心环节，直接问他------Google 哪份官方文件把它列为资格条件？截至 2026 年，官方结论恰好相反。本仓库 $demo/llms.txt$ (file:///F:/0.开发项目/GEO详细说明博客/demo/llms.txt) 给了一份符合规范的样例，并在文件头用注释写清了它的能力边界。

八、被夸大的部分：一份"伪需求"清单

Google 2026 年的官方指南除了否定 llms.txt，还划掉了几个更烧钱的玩法。把它们列出来，是因为很多还在被打包进服务报价：

内容切片：坊间说"AI 读不了长页面，要把内容切碎成单主题小页"。Google 回应：自己的系统能理解一个页面里的多个话题，并向用户展示相关部分，不需要切碎。页面该多长，取决于读者，不取决于 AI。
为 AI 重写文风：所谓"AI 友好文风"没有官方依据；把话说清楚本来就够。
AI 专用 Schema：不存在一套"给 AI 的"专有 schema；schema.org 是给人和机器共用的。
购买/操纵 AI 提及：这是最危险的一类。Google 在 2026 年 6 月的 Spam Update 中明确警告，操纵或购买 AI 引用同样适用其垃圾内容政策。

一个判断技巧：任何 GEO 服务提案里，先看有没有这几类动作。有，让他解释依据；解释不通，删掉那行报价。省下来的钱投在内容质量、数据准确性和技术可访问性上。

九、争议与边界：这不是一个已经解决的问题

GEO 被热议，不全是好事。它带来几个真实的问题：

引用透明度。 引擎综合了多个来源，但引用给得往往不完整、不一致。创作者看不到"我的哪一段被用了"，也就没法评估效果。这是论文里"黑盒"二字的现实重量。

来源公平。 引擎选谁做引用，受域名权威度影响，容易形成头部集中。对长尾内容方，"内容质量高但域名弱"可能根本进不了候选集。

信息污染。 当"让 AI 引用你"变成一门生意，就会有投喂。中文语境里已经有对 GEO 滥用的公共讨论------有学者在央视节目里把 GEO 的运作拆成"针对检索环节投喂"和"针对生成环节引导"两类。工具本身中性，但"可测量地提升被引用概率"这个能力，天然会被用于制造虚假口碑、伪造统计量。论文里 Keyword Stuffing 是负收益，恰恰说明引擎对低级操纵有抗性；对高级操纵的抗性，还在攻防中。

平台差异。 别把 Google 的结论直接套到所有平台。Google 管的是 AI Overviews 和 AI Mode；ChatGPT、Perplexity、Claude、以及国内的豆包、元宝、Kimi、DeepSeek 各有各的信源偏好和爬虫规则。有研究比对三大平台被引用最多的前 50 个域名，三家都出现的只有 7 个，重叠率约 14%。一份"照顾 Google"的策略，不等于照顾了所有人。

十、未来：从"给答案"到"代执行"

不敢做预测，只写已经在发生的信号，以及它们对内容方的含义。

信号一，答案入口继续前移。 Google I/O 2026 宣布把 AI Overviews 与 AI Mode 合并为统一的 AI Search 体验，默认由 Gemini 驱动；Search Console 新增了 AI 表现报告，站长第一次能直接看到页面在 AI 摘要里的展示与点击。可测量的维度在增加，这对认真做内容的人是好事------有反馈才有迭代。

信号二，从"检索"到"代理"。 用户不再只问问题，而是让 Agent 代为比较、筛选、下单。这对内容方提了个新要求：机器能直接读出的准确状态 （价格、库存、参数、地点、履约信息）变得关键。一个采购经理把你的产品页丢进对话框让 AI 读一遍再给结论------这恰恰是 ChatGPT-User 这类"用户取页"爬虫的场景，也是 llms.txt 真正被读到的场景。

信号三，不可替代性回到"只有你有"的地方。 如果 AI 能凭公开信息在几十秒里复刻出跟你一样价值的内容，它就没有理由专门引用你。护城河从"写得多的通用科普"转向"第一手数据、原创研究、真实经验、清晰署名"。2026 年 5 月那轮更新后，这类内容在传统排名和 AI 引用两个场景里表现都更稳定------这是目前最值得押注的方向。

信号四，协议层在长。 robots.txt 是 1994 年 Martijn Koster 为"告诉爬虫哪些别碰"写的，三十一年没变过格式。llms.txt、面向 Agent 的机器可读约定、内容授权与分成机制，都是在补"告诉模型我是谁、你能怎么用我"这一层。它们里哪些会留下、哪些会像 meta keywords 一样废弃，取决于有没有不可自声明的验证机制------历史经验是：纯自声明的信号最终都会被操纵到失效。

十一、还没说清的事（诚实清单）

把这篇和上面所有数字的边界摊开，供你自己判断：

可见度 ≠ 流量 ≠ 收入。 论文测的是"被纳入答案/被引用的概率"，它和生意之间的关系高度依赖品类。别用可见度提升去承诺 ROI。
"40%""115.1%""−6.0%"是特定排名位、特定领域下的数字。 换到你的站点，几乎不可能复现同样的百分比。它们的方向性意义大于数值意义。
多数流量数据来自英文语境与海外平台。 Google、Ahrefs、Pew 的样本都是英文/美国为主。国内 AI 助手的抓取与引用行为，需要单独测，别照抄。
第三方研究之间口径不一致。 llms.txt 的部署率，Ahrefs 与 SE Ranking 给出的数字（约 28% vs 约 10.13%）差很多，因为样本和"有效文件"的判定标准不同。方向一致（相关性未证实），但具体数字要标明出处。
引擎行为随时在变。 今天的爬虫名单、今天的官方立场，几个月后可能不同。凡是"一次配置永久有效"的说法都要打折。
本文引用的部分媒体转述未能直连官方页面核实。 尤其 Ahrefs、SE Ranking、Search Engine Land 的具体百分比，来自二手转述；如果要写进正式报告，请回到原始报告复核。

十二、FAQ

Q1：GEO 是不是就是新的 SEO 换皮？

地基是同一套，评估维度多了一个。Google 官方明确：AI Overviews 与 AI Mode 复用传统搜索的排名与质量体系，没有独立的 AI 索引。所以"可抓取、可索引、E-E-A-T"这些 SEO 基本功，同时也是 GEO 的准入线。区别在分发：SEO 争排名点击，GEO 争被检索采纳并正确引用，而且被引用不保证带来点击。

Q2：GEO 那个"提升 40%"可信吗？

要看口径。论文说的是"恰当策略最高可将可见度提升约 40%"，是特定方法与领域下的上界，不是平均值，更不等于流量增长 40%。把它写成"流量 +40%"是最常见的偷换。

Q3：llms.txt 到底要不要做？

分对象。为了进 Google 的 AI Overviews------不用做，Google 明确说它不用这个文件，大样本实测也显示绝大多数文件零请求。为了面向开发者的文档站、让 Cursor / Copilot / Claude Code 这类编程助手更高效地读你------可以做，成本低，且这些工具确实会读。把 llms.txt 当"AI 搜索可见度开关"来投入预算，没必要。

Q4：我该在 robots.txt 里放行还是屏蔽 AI 爬虫？

先分清两类。想被 AI 搜索引用，必须放行搜索类（OAI-SearchBot、Claude-SearchBot、PerplexityBot）；不想内容进训练集，可以单独限制训练类（GPTBot、ClaudeBot、Bytespider）。最糟的做法是 User-agent: * / Disallow: /------那会把搜索类一起挡掉，让你直接从 AI 答案里消失。

Q5：结构化数据（JSON-LD / schema.org）对 GEO 有用吗？

有用，但别神化。它是少数"官方支持、机器能稳定解析"的信号，能帮引擎准确读到作者、时间、实体、引用关系。它不会单独让你被引用，但缺失它可能让引擎读错你。存在争议的是"要不要为 AI 做一套专用 schema"------目前没有官方依据支持"AI 专用 schema"这种说法。

Q6：关键词堆砌在 AI 时代还有用吗？

论文的直接结论是：在排名第 1 的站点上，Keyword Stuffing 让相对可见度下降约 6.0%。不但无效，还倒扣。这和 Google 把操纵类行为纳入 spam 政策的方向一致。

Q7：小站点做 GEO 有意义吗？

有意义，但打法不同。头部域名在检索准入上有天然优势，小站很难在"权威度"上硬拼。更现实的路径是做那些模型无法自行生成的东西：第一手数据、原创测量、真实案例、细分领域的准确参数。与其追大词，不如在窄问题上成为唯一可引用的来源。

Q8：怎么验证 GEO 到底有没有效果？

三条可落地的度量：一是服务器日志，看搜索类爬虫的真实访问（注意 UA 可伪造，重要结论要核对官方 IP 段）；二是 Search Console 新增的 AI 表现报告，看页面在 AI 摘要里的展示与点击；三是自己做引用抽查------在多个引擎问同一组目标问题，记录你是否被引用、被怎样引用。别用单一平台的单次结果下结论。

参考来源

一手（论文与官方文档）：

GEO: Generative Engine Optimization --- arXiv:2311.09735（Aggarwal 等，2023-11-16 提交，KDD 2024）
llmstxt.org --- llms.txt 提案规范（Jeremy Howard，2024-09-03）
Google Search Central --- AI features and your website
OpenAI --- 爬虫文档（GPTBot / OAI-SearchBot / ChatGPT-User）

三方（研究与媒体，数字以原文为准，部分为二手转述，正式引用前请回原始报告复核）：

Ahrefs llms.txt 研究（13.7 万域名，97% 零请求）
Search Engine Land llms.txt 八个月对照实验（2025-03 至 2025-10）
SE Ranking 约 30 万域名统计（部署率约 10.13%）
Pew Research Center（900 名美国成年人浏览数据，来源点击约 1%）
Datos + SparkToro（零点击 58.5% / AI Overviews 时 83%）
印度商学院 + 卡内基梅隆大学随机对照实验（自然点击 −38%）
DMG Media 向英国 CMA 提交材料（点击率最高 −89%）
StatCounter 2026-09 全球搜索份额（Google 约 89.94%）