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
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
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：在一组跟踪的提示词中，您的品牌出现在答案里的频率。它是比率而非排名，只有在提示词集合保持稳定时才有意义。
- 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
- 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。
- 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。
- 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。
- 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。
- 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。
- 汇报。固定节奏：按周观察变化、按月做决策，并把可见度、排名位置、情感倾向与声量份额放在一起汇报。Kept AI 支持导出（CSV），也提供 API 和 MCP 服务，数据可以接入您的 BI 工具，或由 Agent 查询。
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。