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 生成式引擎回答查询时，会进入答案循环（Answer Loop），依次经过查询 → 检索 → 采信 → 生成。生成式引擎优化（GEO）并不是笼统地优化整个引擎，而是分别影响各个步骤：每一步都有可改进之处，也有各自的失败原因，页面可能因此错失入选机会。
- 零点击搜索 概念 零点击搜索指用户已经在结果页内获得答案，无需访问任何来源站点。这一现象早于 AI：生成式答案出现之前，多数 Google 搜索就已经没有点击。它说明了 GEO 为何必要，因为衡量价值的标准已从能否获得点击，转向内容能否被答案引用、品牌能否在答案中被提及。
- 生成式引擎 概念 生成式引擎接收查询并检索来源，再由 LLM 根据这些来源合成书面答案，并视情况标明出处。它与传统搜索引擎的根本区别不在界面，而在输出的是文档列表还是合成答案。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）是一组改善内容、结构、技术可访问性和权威信号的方法，旨在提高内容在生成式 AI 答案中的可见度，并增加内容被采用或引用、相关品牌和实体被提及的概率。对于使用联网检索的系统，这通常还要求内容能够被发现、抓取并用作答案依据。GEO 通常建立在 SEO 基础之上，但衡量重点从排名与点击扩展到了答案中的可见度、引用和影响。
- 引用、提及与链接 概念 AI 答案中的署名有三种形式：引用（内容被采用，并附可溯源标注）、提及（在正文里点名，但不附链接）、链接（列出来源链接，未必真的采用了该页面的内容）。内容是否被采信与来源是否被署名，是两个相互独立的事件；三种结果需要分别衡量，改善方法也各不相同。
- AEO vs GEO 概念 AEO 与 GEO 的日常工作基本相同。AEO 这一名称出现较早，更多对应 Featured Snippet 和语音助手等抽取式单段答案；生成式多源合成逐渐成为主流后，GEO 开始普及。两者的优化方法一致，只是名称反映了不同的技术阶段。
- AI 搜索时间线（2022 年至今） 概念 AI 搜索在 2022 年 11 月 30 日随 ChatGPT 公开上线而迅速成形，此后又经历四个阶段：震荡（Bing Chat、Bard）、碎片化（SGE、Claude、Perplexity；Aggarwal 在这一阶段提出生成式引擎优化（Generative Engine Optimization，GEO）这一名称）、主流化（AI Overviews、ChatGPT Search），以及稳态（AI Mode 月活突破 10 亿）。
- GEO 投资回报模型 概念 生成式搜索让点击与业务价值不再一一对应，传统 ROI 算法因此不能直接沿用。GEO 的回报可分为引用价值、替代流量价值和品牌权威价值，并按 B2B SaaS、B2C 电商、媒体三类业务分别估算。
- LLMO vs GEO 概念 LLMO 与 GEO 基本是同一回事。LLM 优化和 GEO 目标相同，业界公开定义所对应的实践也几乎一致；强调「模型层」只是观察角度不同，并不代表它是一门独立学科。只有把 LLMO 理解为设法进入训练语料，它才真正有别于 GEO，而这恰好是 GEO 主动排除的方向。
- SEO vs GEO 概念 SEO 与 GEO 的基础条件相同：内容可被抓取、具备真实的专业度、结构清晰，并获得有分量的提及。两者衡量成效的方式不同：SEO 以用户会点击的排序链接为目标，GEO 以合成答案中的引用或提及为目标。GEO 建立在 SEO 基础之上，并不取代 SEO。
信号
- 多模态信号 概念 AI 引擎依靠多模态信号理解图片、视频、音频和图表等非文本资产。截至 2026 年，无论采用索引集成还是实时调取，网页抓取主要读取的仍是 alt、说明、文字稿和 schema 等文本信息，并不会直接分析像素。
- 多语言 GEO 概念 多语言 GEO 关注查询、页面或引用跨越语言时，哪些环节会改变。GEO 循环的基本流程不变，但来源池、实体绑定、内容块的组织方式和可信来源池都会随语言变化。其中，不同语言对应的来源池差异，比 hreflang 这类基础规范更关键。
- 可引用性 概念 按照 GEO Wiki 的工作定义，可引用性指一段已被检索到的内容是否上下文充分、表达清楚，便于 AI 准确理解和使用。它不判断来源是否可信，也不保证内容一定会被选中、获得引用或链接。
- 内容新鲜度 概念 内容新鲜度包含两个不同概念：新近度（页面有多新）和现时有效性（页面所述内容是否仍然成立）。AI 引擎确实偏好较新的内容，但被引用页面的平均年龄仍约为 2.9 年。新鲜度的权重取决于查询类型，这并不意味着内容必须每周更新。
- 品牌提及 概念 无链接的品牌提及是 GEO 最关键的信号之一：品牌即使没有获得链接，只要在全网被点名，也会强化模型对这一实体的先验。这种先验会不断累积，并持续影响后续答案。提及和链接是两类不同的资产，不能简单认为提及的价值更低。
- 实体识别 概念 实体识别用于判断页面上的某个名称对应引擎已知的哪一个实体。只有将提及、引用或标记中的断言对应到正确的实体节点，相关信用才会记到应归属的实体名下；一旦解析失败，信用就会失去归属、被归到错误对象名下，甚至完全不被计入。
- 知识图谱中的实体存在度 概念 知识图谱中的实体存在度，是指 AI 引擎信任的图谱中是否收录了你的结构化节点，例如 Wikipedia 词条、Wikidata 条目或 Google 知识图谱条目。这样的节点会增强模型对你的初始认知，也有助于引擎区分同名实体，但不能直接让你的内容进入答案。节点也不能靠自我声明成立，必须得到外部权威认可。
- AI 内容识别 概念 AI 引擎不会因为内容由 AI 完成就降低采信概率。真正受到惩罚的是低质量内容，以及批量生产中常见的各种模式，无论内容由 AI、人工还是两者共同完成。至于基于分类器的「AI 检测」，实际影响远没有市场宣传的那么大。
- E-E-A-T 概念 E-E-A-T 指经验、专业、权威、可信，是 Google 用于说明如何评估内容质量的一组经验准则，不是算法分数。在 GEO 语境中，它关注采信环节的来源可信度：一段内容已经被检索到、结构上也便于取用后，其来源是否足以支撑答案。E-E-A-T 与可引用性分别考察来源可信度和内容结构，两者彼此独立，缺一不可。
- GEO 作弊与操纵 概念 对抗性 GEO 已形成系统的研究领域，也已出现实际的商业活动。所有公开的攻击手法都只在单一攻击者的实验条件下测试过；实验中一旦出现第二个攻击者，原有优势就会缩小，甚至反转。四个攻击面中，有两个根本不在你的网站上。
基础设施
- 面向 AI 的 Schema.org 概念 Schema.org 标记既不是排名信号，也不是引用信号。它的作用是帮助模型识别页面背后的实体，并准确解析页面。依赖搜索索引的 AI（Google AI Overviews、Bing Copilot）会使用这些标记；实时抓取页面的对话引擎（ChatGPT、Perplexity）则只把 JSON-LD 当作普通正文读取。标记可以帮助系统识别实体，但不能让某段内容因此获得引用。
- AI 爬虫 概念 AI 爬虫按用途分为三类，放行后对站点的影响截然不同：训练类会把内容用于训练模型权重，检索类会为实时答案提供素材并建立答案索引，用户触发类则只在用户发起即时查询时获取页面。是否允许访问，应根据用途类别判断，不能只按爬虫名称逐个处理；对 GEO 而言，代价最高的错误，是为了拦截训练类而在 robots.txt 中用一条规则同时屏蔽检索类。
- ChatGPT-User 概念 ChatGPT-User 是 OpenAI 的用户触发取回器，只有当某位用户正在询问相关页面时，它才会取页。OpenAI 明确说明，robots.txt 规则对它未必适用，它也不参与决定内容能否出现在 ChatGPT 搜索中。屏蔽它会使正在提问的用户无法取得答案，却不能阻止搜索收录或训练抓取。
- Core Web Vitals：LCP、INP 与 CLS 概念 Core Web Vitals（LCP、INP、CLS）是 Google 的排名信号，并不是 AI 引擎自身使用的信号。它对 GEO 的影响有明确边界：直接影响 Google AI Overviews，部分影响 Bing Copilot，对 ChatGPT Search、Perplexity 和 Claude 几乎没有影响。AI 爬虫关注的是 SSR 就绪情况、TTFB 和抓取超时，这和 CWV 衡量的不是同一类性能问题。
- Google-Extended 概念 Google-Extended 是 robots.txt 中用于控制内容用途的令牌，并非爬虫。它决定 Google 抓取的内容能否用于官方列出的 Gemini 训练与采信，不影响 Google 普通搜索的收录或排名。若要控制内容能否在搜索 AI 中展示或被采信，则需使用另一项正在逐步开放的 Search Console 功能。
- GPTBot 概念 GPTBot 是 OpenAI 的训练爬虫，只收集可能用于训练未来模型的内容，不参与任何实时应答。它与 ChatGPT 搜索无关，屏蔽后也不会减少引用。屏蔽它也许会错过某种收益，但这种收益无法测量；即使确实存在，也要很久才会显现。决定是否屏蔽时，真正需要权衡的只有这一点。
- JSON-LD 标准 JSON-LD 是 Schema.org 的三种序列化格式之一，也是 Google 官方推荐的格式。它写在独立的 script 标签中，无需改动可见 HTML，维护更方便。采用既有搜索索引的 AI 会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文字读取。
- llms.txt 标准 llms.txt 是 Answer.AI 于 2024 年提出的一项发布约定：在 /llms.txt 提供一份经过筛选的 Markdown 文件，说明 LLM 应优先读取哪些页面。越来越多的站点已经采用它，但至今没有证据表明 AI 引擎确实会读取这个文件。它适合以低成本预先部署，将来仍可沿用，但不会直接带来引用。
- robots.txt 标准 robots.txt 遵循 RFC 9309，用于向爬虫声明站点的抓取规则，由爬虫自行选择是否遵守，不能作为访问控制措施。遵守协议的 AI 爬虫会依照各自文档跳过站点声明不希望抓取的路径；不遵守协议或伪造身份的爬虫则不会。应按训练、检索、用户触发三类制定策略，并通过网络层核实策略是否真正生效。
- Sitemap 与 IndexNow 标准 sitemap.xml（2005 年，拉取模式）与 IndexNow（2021 年，推送模式，目前只有 Bing、Yandex 等参与方采用）是两种 URL 提交协议。二者都要先进入搜索引擎自身的索引，才会间接影响 AI 搜索：AIO 使用 Google 索引，Bing Copilot 使用 Bing 索引；ChatGPT、Perplexity、Claude 均不读取这两份文件。
实践
- GEO 指标 概念 衡量 GEO 的 10 项核心 KPI：逐项说明定义、公式、对应的 SEO 指标，并比较 Profound、Otterly、Ahrefs、BrightEdge、Similarweb 的统计口径。这是 GEO Wiki 的综合梳理，并非行业标准。