百科
GEO 概念、术语、标准、公司、人物与事件的百科条目。
基础
- 答案循环 概念 生成式引擎回答每一个查询，都在运行同一个四步循环：查询 → 检索 → 采信 → 生成。GEO 不是笼统地优化整个引擎，而是在每一步上分别干预，因为每一步都有一个可推动的杠杆，也都有一种会让你直接出局的具体失误。
- 零点击搜索 概念 用户在结果页就拿到答案，不再点进任何来源站。它早于 AI：在生成式答案出现之前，多数 Google 搜索就已是零点击。这正是 GEO 成立的前提：价值的衡量从被点击，转向在答案里被引用或被提及。
- 生成式引擎 概念 生成式引擎接收一个查询，检索来源，再由 LLM 在这些来源之上合成一段书面答案，并视情况标注出处。它与传统搜索引擎的分野不在界面，而在产出单位：返回文档，还是合成答案。GEO 优化的正是这一类系统。
- 生成式引擎优化（GEO） 概念 生成式引擎优化（Generative Engine Optimization，GEO）：让内容能被 AI 答案（ChatGPT、Perplexity、Google AI Overviews、Gemini）检索到、被作为采信依据、并在答案里被引用或被提及。它是叠加在 SEO 之上的一层，而非替代。
- 引用 vs 提及 vs 链接 概念 AI 答案给你署名的形态有三种，并不等同：引用（内容被采用，并附可溯源标注）、提及（在正文里被点名，无链接）、链接（出现来源链接，未必对应正文真正用到的内容）。被采信和被署名是两件独立的事，三者各自对应不同的指标，也对应不同的杠杆。
- AEO vs GEO 概念 AEO 和 GEO 在实际做的事情上是同一回事。AEO 出现得更早，对应的是 Featured Snippet 和语音助手那一波抽取式单段答案；GEO 是生成式合成成为主流答案形态之后才流行起来的叫法。底层做的事情一样，只是名字换了一代。
- AI 搜索时间线（2022 年至今） 概念 AI 搜索不是一点点冒出来的：2022 年 11 月 30 日随 ChatGPT 一次成型，此后形态又换了四轮——震荡（Bing Chat、Bard）、碎片化（SGE、Claude、Perplexity，Aggarwal 在这一阶段把它命名为 GEO）、主流化（AI Overviews、ChatGPT Search）、稳态（AI Mode 月活突破 10 亿）。
- GEO ROI 模型 概念 在生成式搜索下，点击不再与价值清晰对应，传统 ROI 计算方法也随之失灵。本条目给出的框架：三种价值（引用价值、替代流量价值、品牌权威价值）× 三套行业模型（B2B SaaS、B2C 电商、媒体）。
- LLMO vs GEO 概念 LLMO 与 GEO 基本是同一回事。LLM 优化和 GEO 目标相同，业界公开给出的定义在实践中也几乎一致；说「模型层」只是换了个看问题的角度，并不是另立一门学科。唯一能让 LLMO 真正与 GEO 拉开差距的，是进入训练语料，而这恰好是 GEO 主动排除的一件事。
- SEO vs GEO 概念 SEO 与 GEO 共用同一套地基：可抓取、真实的专业度、清晰的结构、有分量的提及。分野只在于什么算成功：SEO 要的是一次被点击的排序链接，GEO 要的是合成答案里的一次引用或提及。GEO 不取代 SEO，而是叠在它之上的一层。
信号
- 多模态信号 概念 多模态信号，是 AI 引擎读取非文本资产（图片、视频、音频、图表）时所依赖的那一组信号。2026 年的网页抓取链路里，无论索引集成型还是实时调取型 AI，依然以文本通道（alt、说明、文字稿、schema）为主，而不是像素级视觉。
- 多语言 GEO 概念 多语言 GEO 关心的是：当一次查询、一个页面或一次引用跨越语言时，哪些环节会发生变化。GEO 循环的整体形态不变，但有四件事会随语言一同改变：来源池、实体绑定、内容块形态、信任来源池。其中按语言划分的来源池差异，比 hreflang 这类基础规范更关键。
- 可引用性 概念 可引用性指一段已被检索到的内容能不能被原样取用、完整放进 AI 答案，是一种结构属性，和这个来源本身是否可信无关。它对应采信中「内容形态」这一面，E-E-A-T 则对应「来源是否可信」那一面。
- 品牌提及 概念 无链接的品牌提及是 GEO 最关键的信号之一：在全网被点名（哪怕不带链接），会强化模型对你这个实体的先验，并在后续答案里持续累积。提及和链接是两类不同的资产，并不是提及比链接弱一截。
- 实体识别 概念 实体识别这一层负责判断：页面上的某个名称究竟指向引擎已知的哪一个实体。提及、引用或标记里的断言，只有被对应到正确的实体节点才生效；一旦解析不出来，那份信用就会流失、错配，甚至被直接丢弃。
- 知识图谱存在度 概念 知识图谱存在度，是指 AI 引擎所信任的几张图谱里有一个属于你的结构化节点，比如 Wikipedia、Wikidata 或 Google 知识图谱里的一条条目。它扮演的是放大器，而不是把你写进答案的那一步：它会提高模型对你的初始印象，也方便引擎遇到同名实体时把你识别出来；但仅凭自我宣告并不算数，必须先由外部权威承认。
- AI 内容识别 概念 AI 引擎并不会因为你用了 AI 而下调采信权重，真正会被惩罚的，是低质量产出和批量生产时常见的那套内容模式，不管这些模式由 AI、人工、还是两者结合做出来。所谓基于分类器的「AI 检测」，并不像市场上说的那样是一个有效杠杆。
- E-E-A-T 概念 E-E-A-T 指经验、专业、权威、可信，是 Google 用来描述质量评估的一组经验准则，不是算法分数。在 GEO 里，它对应采信这一步的可信那一面：一段已经被检索到、结构上也能取用的内容，其来源是否值得被用来支撑答案。它与可引用性（结构那一面）是两条独立的线，缺一不可。
基础设施
- 面向 AI 的 Schema.org 概念 Schema.org 标记不是排名信号，也不是引用信号。对 AI 而言它是地基：让模型识别出你是谁、是什么，让页面能被可靠解析。被索引集成的 AI（Google AI Overviews、Bing Copilot）会用到它；实时抓取的对话引擎（ChatGPT、Perplexity）只把 JSON-LD 当普通正文来读。标记让一个实体可被识别，并不能让一段内容被引用，这是两回事。
- AI 爬虫 概念 AI 爬虫不是单一一类，按用途分成三类，访问后果彼此相反：训练类喂养模型权重，检索类支撑实时答案并构建答案索引，用户触发类只为某个用户的即时查询取页。访问决策应按类别而非按单个爬虫做出；GEO 上代价最高的失误，就是为了挡训练类而用一行 robots.txt 把引用类一并封死。
- Core Web Vitals（LCP/INP/CLS） 概念 Core Web Vitals（LCP/INP/CLS）是 Google 的排名信号，不是 AI 引擎自己的信号。GEO 上的作用有边界：在 Google AI Overviews 上直接生效，在 Bing Copilot 上部分生效，在 ChatGPT Search、Perplexity、Claude 上几乎可忽略。AI 爬虫端的性能是另一类问题，要走另一条优化路径（SSR 就绪、TTFB、抓取超时），与 CWV 无关。
- JSON-LD 标准 JSON-LD 是 Schema.org 的三种序列化格式之一，Google 官方推荐：它写在独立的 script 标签里，不触动可见 HTML，便于维护。走索引一侧的 AI 按结构化数据解析它；实时抓取的对话引擎则把它当作页面上的普通正文来阅读。
- llms.txt 标准 llms.txt 是一项发布约定（Answer.AI 于 2024 年提出）：在 /llms.txt 放一个经过筛选的 markdown 文件，告诉 LLM 优先读哪些页面。站点端的采纳确实在上升，但 AI 引擎端是否会真的去读，至今未获证实。它是一项向前兼容的押注，算不上一条引用通道。
- robots.txt 标准 robots.txt 即 RFC 9309，是一项自愿性请求，并非访问控制。遵守协议的 AI 爬虫会按各自的文档绕开你声明的路径；不遵守的、或伪造身份的不会。按类别（训练 / 检索 / 用户触发）把策略定下来，能否真正生效要靠网络层核实。
- Sitemap 与 IndexNow 标准 sitemap.xml（2005，pull 模式）与 IndexNow（2021，push 模式，只有 Bing 与 Yandex 阵营消费）是两种 URL 提交协议。它们对 AI 搜索的作用都要走宿主搜索索引这一道：AIO 沿用 Google 的索引，Bing Copilot 沿用 Bing 的索引；ChatGPT、Perplexity、Claude 不读这两份文件。
实践
- GEO 指标 概念 衡量 GEO 的 10 项核心 KPI：定义、公式、对应的 SEO 指标，以及 Profound、Otterly、Ahrefs、BrightEdge、Similarweb 各家的口径差异。这是 GEO Wiki 的综合梳理，并非行业标准。