Kept AI

GEO 入门

GEO 101:写给品牌的 AI 搜索基⁠础⁠入⁠门⁠指⁠南

语言模型从哪里了解您的品牌?为什么有些页面能获得引用?哪些来源主导您的品类?又该如何⁠追⁠踪⁠这⁠一⁠切⁠?

从第一章开始阅读

章节

GEO 是什么(与 SEO、⁠AEO 有⁠何⁠不⁠同⁠)

生成式引擎优化(GEO)的目标,是让 AI 答案引擎更容易找到、理解并复述您的品牌。衡量成败的单位不再是结果页上的一条蓝色链接,而是生成答案里的一句话:ChatGPT、Gemini、Perplexity、Claude 或 Google AI Mode 是否提到了您的产品、描述是否准确、是否指向了您拥有或能够⁠影⁠响⁠的⁠来⁠源⁠。

SEO 优化的是一份排序列表,点击哪一条仍由人来决定。AEO(答案引擎优化)的范围更窄:争取那一个直接答案,就像精选摘要那样。GEO 建立在两者之上,因为生成答案是被「组装」出来的,而不是被检索出来的:模型先写一段话,再挑几个来源作为支撑,并且常常一次点名两三个品牌,而⁠不⁠只⁠是⁠一⁠个⁠。

所以您优化的是一组答案的分布,而不是一个固定排名位置。同一条提示词问两次,措辞、被提及的品牌和引用的来源都可能不同,因此 GEO 只能依靠一段时间内的采样来衡量,而不能凭一张截图下结论。传统搜索的基本功依然有效,因为检索仍然高度依赖开放网络⁠和⁠常⁠规⁠抓⁠取⁠。

AI 答案引擎如何认⁠识⁠您⁠的⁠品⁠牌

示例界面:按研究意图整理的三个买家问题
60 条回答3 个模型7 天

这里有两套机制在起作用,二者的表⁠现⁠差⁠别⁠很⁠大⁠。

  • 训练数据。模型在知识截止日期之前吸收的内容,决定了它对您所在品类的既有认知:哪些品牌是典型代表、它们以什么见长、谁和谁在竞争。这部分您无法直接改写,今天发布的内容也可能要很久才会进入下一次训练。
  • 实时检索。多数答案引擎会在回答时再搜索一次:系统把问题扩展成若干查询,抓取页面、读取片段,再写出带引用的答案。这一层是您能在数周内影响的部分,而不必等上几年。

面向消费者的 AI 产品大多会混用两者,具体配比随问题类型变化。凡是时效性强、需要横向比较或属于长尾的问题——定价、集成、替代品、评价、「哪款工具最适合 X」——检索的权重最高,而商业价值高的提示词恰好集⁠中⁠在⁠这⁠一⁠类⁠。

引用只是检索露出水面的部分,并不等于全部:一个页面可能影响了答案,却从未被链接。正因如此,才需要把品牌可见度(答案里出现了您的名称)和来源可见度(您的域名被使用或被引用)分开来看;Kept AI 会为每一条采样答案同时⁠记⁠录⁠这⁠两⁠项⁠。

什么样的页⁠面⁠会⁠被⁠引⁠用

没有哪家引擎会公布自己的选取逻辑,细节也时常变动。但被引用页面反复出现的那些特征,其⁠实⁠并⁠不⁠神⁠秘⁠。

  • 实体表述清晰。页面直接说明产品是什么、给谁用、多少钱、与常见替代品有何区别。模型只能复述它能在句子里定位到的说法。
  • 结构便于抽取。先给结论,再展开细节;标题对应用户真正会问的问题;比较用表格,步骤用列表。冗长、处处留有余地的行文很难被引用。
  • 经得起核对的具体信息。数字、限额、支持的平台、明确点名的集成。含糊的营销话术不会给模型留下任何可引用的内容。
  • 真实的更新状态。显示最近更新日期,价格与产品名称保持最新。凡是隐含「当前」语义的问题,读起来已经过时的页面会被悄悄跳过。
  • 权威性与第三方佐证。外部提及——评价、目录站、论坛帖、独立对比——通常比您自己域名下再加一个重复同样说法的页面更有分量。
  • 机器可访问性。如果 AI 爬虫被 robots.txt 拦截、被限速,或者必须等 JavaScript 执行完才能拿到内容,那么您的内容再好也可能根本不可见。

先查最后一条:它的验证成本最低,一旦不通过,上面所有努力都会失效。Kept AI 的 Agent 分析会显示哪些 AI 爬虫访问过您的站点、它们实际拿到⁠了⁠什⁠么⁠内⁠容⁠。

不同品类的 AI 答案⁠取⁠材⁠自⁠哪⁠里

示例界面:引用路径与对应的示例回答数
3 个来源查看证据先复核

来源构成因品类而异,在动笔写新内容之前,先摸清自己品类的构成往往最有价值。常见的规律⁠有⁠这⁠样⁠几⁠条⁠。

  • B2B 软件:厂商文档与定价页、评价平台、对比与「替代品」类文章,以及从业者讨论工具优劣的社区帖,后者的比重在上升。
  • 消费品:零售平台商品页、媒体盘点、视频测评,以及用户讲述购买后真实体验的论坛讨论。
  • 医疗、金融等敏感话题:机构、学术与政府来源占主导,品牌自有页面被引用时会谨慎得多。
  • 本地与旅行:地图与商户信息平台、用户评价、近期帖子,并明显偏好看起来足够新的内容。
  • 快速变动的新闻:新闻媒体与官方公告,且高度集中在最近几天的内容上。

不要凭印象假设,直接采样验证。Kept AI 会记录每一条采样答案背后的来源,您可以看到究竟是哪些域名在为您关心的提示词供料,以及哪些阵地上您完全⁠没⁠有⁠存⁠在⁠感⁠。

真正值得看的指标

GEO 工作只需要少数几个指标,它们各自回答一个⁠不⁠同⁠的⁠问⁠题⁠。

  • 可见度:在您追踪的提示词中,提及您品牌的回答所占比例。应将其视为比率而非排名,且只有在提示词集合稳定时才有意义。
  • 排名位置:您在答案中被提到的位置。对买家来说,作为第一个推荐,和排在列表第五位,观感完全不同。
  • 情感倾向:答案如何描述您——明确推荐、中性提及,还是带着保留地提及。提及量上升但情感倾向变差,并不算进展。
  • 声量份额:相对于您选定的竞争对手,您的可见度处于什么水平。它能把「我们变好了」和「整个品类被提及得更多了」区分开。
  • 品牌可见度与来源可见度:答案究竟是提到了您、引用了您,还是两者都有。「被引用却没被提名」和「被提名却没被引用」指向的是完全不同的改进方向。
  • 来源构成:您所在品类的答案由哪些域名供料,其中有多大比例来自您。这个指标最容易直接转化成行动清单。

两个习惯能让数字保持诚实:先确定提示词集合,再去看结果;比较时保持口径一致——相同的提示词、相同的模型、相同的语言与地区。Kept AI 按固定频率采样并保留历史记录,周与周之间的对⁠比⁠才⁠有⁠意⁠义⁠。

一套可落地的⁠六⁠步⁠工⁠作⁠流

示例界面:采集、复核与复测的三步示例记录
3 个节点保留记录7 天
  1. 提示词。从买家真正会输入的问法出发,而不是从关键词出发:品类认知、对比、替代品、使用场景、价格、顾虑。几十条精挑细选、并按漏斗阶段与用户画像打好标签的提示词,胜过几百条高度雷同的。
  2. 竞争对手。列一份简短而诚实的名单,把「没有指定品牌时模型默认会说出的那几家」也算进去。无论销售是否把它们视为对手,这些默认答案才是真正的基准。
  3. 模型。跟踪您的受众真正在用的引擎,并在所有引擎上运行同一套提示词。不同引擎在答案和来源偏好上的差异足够大,只看单一模型会得出误导性的结论。
  4. 来源。逐条提示词查看用到了哪些域名,并分成三类:您拥有的页面、您能影响的页面(评价、目录站、合作方文章、社区帖),以及您无法影响的页面。多数见效快的机会都藏在中间这一类里。
  5. 行动。把缺口转成数量有限的任务:解除对爬虫的拦截、重写那个本该被引用的页面、修正第三方资料里的错误信息、补上缺失的对比内容。每次只改动少数几项,才分得清是什么起了作用。
  6. 报告:确定节奏——每周观察变化,每月做出决策——并将可见度、声量份额、排名与情感放在一起查看。Kept AI 提供 CSV 导出、API 和 MCP 服务器,数据既可接入 BI 工具,也可由智能代理调用。

然后循环往复。多数改动需要数周才会体现出来:页面要被重新抓取,每次运行的答案本身也有波动。这里的耐心不是美德问题,而是测量⁠本⁠身⁠的⁠要⁠求⁠。

常见误区

  • 一上来就跟踪几百条提示词。规模大看着全面,实则多半只是噪声,您也不可能针对每一条采取行动。
  • 把一条答案当作证据。单次运行只是一个样本,结论必须建立在跨天数、跨模型的重复采样之上。
  • 只跟踪包含自家品牌名的提示词。结果当然是您一家独大,却学不到任何关于「您是如何被发现的」的信息。
  • 为模型而不是为人写页面。堆砌单薄的问答内容很快就会过时,也几乎换不来第三方提及。
  • 忽视不属于自己的阵地。如果您的品类主要靠评价站和论坛供料,再多发自有页面也很难带动数字变化。
  • 无意中拦截了 AI 爬虫。机器人规则、防火墙和过于激进的限速,是可见度流失中常见却看不见的原因。
  • 把 GEO 当成 SEO 的替代品。检索依然依赖可抓取、可信的页面,两项工作的地基大部分是共用的。

常见问题

几乎每次 GEO 启动会上都会被问到⁠的⁠五⁠个⁠问⁠题⁠。

GEO 只是换了个⁠名⁠字⁠的 SEO 吗⁠?

不是,尽管两者的重叠程度比双方通常承认的都要高。地基是共用的:页面可抓取、主张表述清楚、有可信的第三方报道。差别在于衡量单位:SEO 统计的是查询词对应的排名位置;GEO 统计的是提及、引用与情感倾向,而这些答案从来不会两次完全一致。把两项工作都保留下来、并且不再合并成一个数字来汇报的团队,通常决⁠策⁠质⁠量⁠更⁠高⁠。

多久能看⁠到⁠效⁠果⁠变⁠化⁠?

取决于您影响的是哪一套机制。走实时检索这条路的改动——解除爬虫访问限制、发布或重写页面、修正第三方资料——通常在页面被重新抓取之后就能显现,一般是数天到数周。而依赖训练数据、或依赖真实第三方报道的改动,速度要慢得多。由于每次运行的答案本就有波动,请把连续数周的趋势当作信号,把单独一天的结⁠果⁠当⁠作⁠噪⁠声⁠。

需要专门为 AI 写⁠内⁠容⁠吗⁠?

基本上不需要。为提问的人写作,同时把页面结构做好,方便机器从中抽取答案:直接结论放在靠前的位置,标题写成真实问法,比较内容用表格,事实只陈述一次并且表述精确。被引用的内容,往往也正是一位懂行的人会推荐的内容——文档、诚实的对比,以及具体⁠的⁠操⁠作⁠指⁠南⁠。

要不要加 llms.txt 文件?

它是一项提议中的约定,用来为语言模型指出一份经过整理的站点索引,并不是已经确认的排名因素,各家的支持程度也不一致。如果您的文档本来就组织良好,加一份成本很低、也没有坏处,但它替代不了「爬虫真正能抓取和读取的页面」。请先解决访问与结构问题,把 llms.txt 当作可选的补充,而不⁠是⁠一⁠个⁠抓⁠手⁠。

相比手动逐条检查答案,Kept AI 多⁠做⁠了⁠什⁠么⁠?

可重复、可比较、有历史。Kept AI 会按设定的频率在多个模型上采样您的提示词,记录每条答案中出现的品牌和背后的来源,跟踪排名位置与情感倾向,并与您选定的竞争对手做对比。Agent 分析会显示 AI 爬虫如何访问您的站点,结果可以导出(CSV),也可以通过 API 与 MCP 服务获取。手动检查只能告诉您某个模型某一次说了什么;持续采样才能告诉您情况有⁠没⁠有⁠在⁠变⁠化⁠。

五道题检⁠查⁠您⁠的⁠理⁠解

每题选择一个答案,即时查看解释。不收集个人资料,答案仅保留⁠在⁠当⁠前⁠页⁠面⁠。

答对题数: 0 / 5

一条回答提及您的品牌,您能得出什么结论?

回答提及品牌,但链接指向别处。哪项表述准确?

一篇实用指南向预期爬虫返回 403,应先做什么?

怎样让每周比较更有意义?

您已更正一项产品说法,下一步应做什么?

可保存的学习清单

按学习进度勾选。清单仅保存在此浏览器,无需⁠账⁠号⁠或⁠邮⁠箱⁠。