简答:GEO 是 generative engine optimization 的缩写,中文常叫「生成式引擎优化」。它要做的是两件事:让品牌有资格在 ChatGPT、Perplexity、Gemini、Claude、Grok 这类 AI 助手写出的回答里被提及、被引用、被推荐;同时诚实地衡量这件事到底有没有发生。它在技术基础上和 SEO 有重叠,但产出完全不同:答案引擎是把挑中的段落拼成一个回答,没有十个位置可以往上爬,只有你在不在回答里、以什么方式出现、依据的是谁的证据。
GEO 不能保证任何结果。助手每回答一次都会重新决定点名谁,引擎之外没有人能控制。GEO 能控制的,是你有没有资格被点名,以及引擎能找到的、关于你的证据质量如何。
理解 GEO,关键在「生成式」这三个字。搜索引擎把文档找出来,让你自己挑;生成式引擎把文档找出来之后,还要自己动笔写。GEO 跟 SEO 不一样的地方,几乎都来自这多出来的一步:它是拿段落而不是整页来写的,它点名的是寥寥几个品牌而不是十条结果,而且读者常常根本看不到来源。
GEO 想改变的是什么
「出现在 AI 回答里」其实是三种不同的结果,成因各不相同:
- 被提及:你的名字出现在回答里。主要取决于引擎能不能清楚地认出你是哪一个实体。
- 被引用:你的某个 URL 被标注为来源。取决于引擎能不能抓到你的页面、读懂它,并从中摘出一段。
- 被推荐:回答针对读者的处境主动建议选你。取决于关于你的、可比较的事实,并且有独立来源印证。
你的页面可能被当作来源引用,而回答推荐的是竞品;你也可能被推荐了,却一个链接都没有。好的 GEO 工作,以及任何关于它的报告,都要把这三者分开。这种拆分还顺便告诉你该找谁:「被引用」主要是网站和内容的问题,「被提及」「被推荐」则在很大程度上取决于别的网站怎么写你。
GEO 和 SEO:哪些变了,哪些没变
GEO 并不取代 SEO。抓不到、收录不了的页面,两边都会失败,大量技术基础是共用的。不同的是产出的单位、涉及的代理,以及什么算成功。
把同样的差别按行列出来,就是下面这张表:
| SEO | GEO | |
|---|---|---|
| 用户看到什么 | 一串排好序的链接 | 一个拼好的回答,有时附带来源 |
| 被使用的单位 | 整张页面 | 从页面里摘出来的一段 |
| 谁来抓取 | 主要是搜索引擎爬虫 | 每家厂商好几个代理,分别负责训练、搜索索引和用户触发的抓取 |
| JavaScript | 取决于搜索引擎 | 多数 AI 爬虫不执行 |
| 衡量什么 | 排名、曝光、点击 | 按引擎分别看出现、引用、推荐 |
| 流量 | 点击就是目标 | 多数回答被读完时并没有点击 |
最后一行决定了你该怎么评判结果。成为被引用的来源,往往是一个品牌结果而不是流量结果,所以必须在回答那一侧衡量,而不是在网站分析工具里。两者重叠的部分,GEO 与 SEO 这篇指南讲得更细。
答案引擎怎么决定说什么:目前能知道的部分
没有任何厂商公开过它的助手怎样挑选要点名的品牌,所以对声称掌握了「公式」的人要多留个心眼。有文档可查、或者能实际测出来的,是下面这些:
- 访问按用途拆分。OpenAI 的文档里,GPTBot 负责训练,OAI-SearchBot 负责 ChatGPT 搜索功能背后的索引,ChatGPT-User 负责用户要求的抓取;Anthropic 和 Perplexity 也有类似的拆分。Google 对应的控制项 Google-Extended 根本不是爬虫,而是对 Googlebot 已抓取内容的使用控制(见 OpenAI 的爬虫文档和 Google 的爬虫文档)。
- 各引擎表现不同。在我们自己的基准里,一个模型每条回答平均点名 3.5 个提供方,另一个只有 2.1 个。一个引擎上的结果,说明不了另一个引擎的情况。
- 各品类也不同。在我们 2026 Q3 覆盖 12 个品类、五个模型的基准里,有明确「默认答案」的三个品类全是商品品类;而我们测过的每一个本地服务品类,头名都不到 13%。
- 回答在轮次之间会波动。同一个问题,即使什么都没变,不同的日子也可能点名不同的品牌,所以单次检查证明不了什么。
品类的形状决定了活怎么干。一个品牌已经出现在四分之一以上的回答里时,光是「出现」不够,现实的目标是去回答一个它答得不好的细分问题,比如某个预算区间、某个限制条件、某个使用场景,而不是在头部词上硬碰。没有哪个品牌占优的地方,比如我们测过的本地服务品类,是一片空地,赢下来也便宜得多。还有些缺口是绕不过去的:xAI 没有公开文档化的爬虫 User-Agent,所以没法按名字给 Grok 放行或封锁,你唯一能做的,是让页面对通用抓取保持可读。
GEO 的五块工作,按顺序做
每一块都是下一块的前提,所以顺序很重要。前两块偏技术,通常归开发;第三块归写页面的人;第四块要走出你自己的网站;第五块,是你弄清楚前面这些到底有没有用的办法。
- 爬虫访问。放行你需要的搜索代理和用户触发代理,训练代理单独决定;并用真实的 User-Agent 实测,因为防火墙返回 403 就是封锁,不管 robots.txt 怎么写。见 AI 爬虫访问指南。
- 可读的 HTML。重要内容要在初始 HTML 里。要等客户端渲染才完整的页面,对多数 AI 爬虫就是空壳;返回 200 但正文为空,应当算失败。
- 可摘取的写法。每个小标题下先给答案,名字写全,事实带单位和日期,让一段话被摘走之后依然读得懂。做法见为可摘取而写作。
- 清晰的实体,加上外部印证。在你能控制的地方统一名字和介绍,加上带 sameAs 的 Organization 标记,并确保独立来源写的是同样的事实。模型要在相互独立的地方看到同一个事实,才会有把握地说出来。去哪里找这些来源,见第三方印证。
- 诚实的衡量。一组固定的买家问题,在每个引擎上分别跑,先分项报告,再谈平均。
衡量 GEO,别骗了自己
GEO 项目最容易在衡量这一步走偏,因为最容易产出的数字,往往也是最好看的数字。下面几条规则,都是我们在自己的产品里犯过错之后才定下的:
- 排除题面里带品牌名的问题。有一组由 LLM 生成的问题集,15 道题里有 13 道带品牌名,可见度分数显示 13%,而诚实的数值是零。
- 只数回答正文里标注出来的来源。把引擎检索到的所有页面都算进去,曾让引用数字虚高了两到四倍。
- 数竞品要和数自己用同一把尺子。不对称的判定曾让一个品牌显示声量份额 31%、排名第二,对称地重测之后是 0% 和倒数第一。
- 没测到的绝不显示成零,口径不同的两轮也绝不放在一起比。有一次开启联网检索,某站点从 3% 跳到 13%,而站点什么都没做。
还有一条凌驾于以上各条:先按引擎分别报告,再谈平均;先写明问题集、引擎和时间范围,再给任何发现。没有分母的百分比不是发现,是装饰。把这些整理成一套可执行的方法,见 GEO 衡量框架。
关于 GEO 的常见误解,以及从哪里开始
- 「GEO 就是加一个文件。」llms.txt 成本很低,Shopify 现在还默认提供 /agents.md 并镜像到 /llms.txt。但本文引用的爬虫文档里,没有一份说过生成回答时会读这个文件。把它当作整理工作就好。
- 「schema 标记是关键杠杆。」标记有助于消除「你是谁」的歧义,但本文引用的爬虫文档里,没有一份说过它能提高被引用的几率。
- 「可以在 ChatGPT 里排第一。」拼出来的回答里没有第一名。谁在卖「保证排名」,卖的就是引擎根本不提供的东西。
- 「封掉 AI 爬虫保护内容,没有代价。」封训练代理是一个站得住的选择;封 OAI-SearchBot 这类搜索代理,就会从对应的回答里消失。
从哪里开始
逐个代理名读一遍你的 robots.txt;不用浏览器取一次你最重要的三张页面,看关键句子在不在;然后写十个买家在不知道你存在时会问的问题,在你关心的每个引擎上跑一遍。这个基线会告诉你,五块工作里先做哪一块。简短的定义见词汇表的 GEO 条目;如果不想手动跑这些检查,InsightWonder 可以把衡量这部分自动化。
资料来源
- OpenAI,OpenAI 爬虫概览。
- Google,Google 通用爬虫(含 Google-Extended)。
- Shopify,llms.txt.liquid 模板。
- InsightWonder 2026 Q3 基准(12 个品类、五个模型),以及我们 2026 年 7 月至 9 月的检测事故记录。