---
title: "Generative Engine Optimization（GEO）与 AI SEO：有依据的做法 - Łukasz Rogala"
description: "进入 AI 回答有两条路：搜索和模型记忆。我说明哪些 GEO 做法有证据、哪些被我的测试推翻，以及 34 个市场如何称呼 GEO、LLMO 和 AI SEO，供你对照检查。"
url: "https://rogala.pro/zh-hans/blog/geo-yu-ai-seo/"
language: "zh-Hans"
author: "Łukasz Rogala"
published: "2026-10-17T20:00:00+02:00"
modified: "2026-10-17T23:22:47+02:00"
---

[博客](https://rogala.pro/zh-hans/blog/)

# GEO 与 AI SEO：哪些做法有依据，哪些只是误区

[Łukasz Rogala](https://rogala.pro/zh-hans/#about) · 2026年10月17日 · 阅读时间 21 分钟

**品牌主要通过两条相互交叉的路进入 ChatGPT、Gemini、Perplexity 和 AI 概览的回答，而 GEO 就是同时在这两条路上做的工作：**

1. 通过搜索。模型在回答的过程中上网搜索，并引用它找到的部分页面。这里起作用的和 SEO 一样：爬虫能访问、页面在索引中、在关键词及其变体上有可见度，以及不看页面其余部分也能回答问题的片段。和 SEO 一样，效果要几周或几个月后才看得到。
2. 通过模型记忆。模型根据训练结束之前学到的内容回答，而这份记忆也会影响它上网搜索时提到谁。这里重要的是别人写了品牌什么，以及多个来源中一致的品牌描述。模型记忆的变化速度我没有测量过，所以在一个季度的范围内，我不对这里作任何承诺。

**大多数“GEO 技巧”没有证据，其中一部分我用自己的数据检验过。** llms.txt 文件和结构化数据，没有证据显示它们能带来引用。在我的测试中，更多的标题没有把页面推进前 3 名。“子查询的排名是否比主关键词的排名更能预测引用”这项测试没有得出结论，而我最初的结论又被交叉检查推翻了。每一句话的证据都在下文。

**在写这篇文章之前，我调查了 34 个市场的人如何称呼这项工作，在 57 个相关的 Google 搜索结果中，有 56 个出现了 AI 概览。** 我获取了 34 个市场中 105 个不同的 GEO 相关关键词的需求，每个市场 23 到 34 个关键词（共 871 组市场与关键词组合，其中 368 组有搜索量），以及这些关键词在 27 个市场的 57 个 Google 搜索结果，包括 AI 概览和“相关问题”板块的问题。统计结果时，不含含义不明确的关键词“aeo”“geo”和“what is geo”。数据来源：DataForSEO，2026年10月17日。搜索量取 12 个月的中位数，Google Ads 合并为同一个数字的变体（例如“ai seo”和“seo ai”）只算一次。获取这些数据的成本为 5.39 美元。

## 什么是 GEO？它还有哪些叫法？

**GEO 是让品牌出现在 AI 生成的回答中的工作，这些回答来自 Google 的 AI 概览和 AI 模式、ChatGPT、Gemini、Perplexity 和 Copilot。** 同一项工作有好几个名称，它们之间的差别主要在营销上：

| 名称 | 全称 | 在哪些市场的搜索中领先 |
|---|---|---|
| GEO | generative engine optimization，针对生成式搜索引擎的优化 | 我的博客所覆盖的 26 个市场中的 11 个，包括德国、法国和韩国；不计含义不明确的关键词“ai seo”，则是 26 个中的 25 个 |
| AI SEO | AI 搜索优化，各地也有自己的叫法 | 26 个中的 13 个，包括波兰和美国，主要靠关键词“ai seo”；在西班牙与 GEO 持平 |
| LLMO | large language model optimization，针对大语言模型的优化 | 日本 |
| AEO | answer engine optimization，针对答案引擎的优化 | 26 个市场中一个也没有（不含“aeo”这个本身含义很多的关键词） |

**GEO 这个名称源自一项学术研究，而这项工作的基础和 SEO 是同一个。** GEO 来自 2023 年 11 月的一篇论文，被 KDD 2024 会议接收。作者 Pranjal Aggarwal 等人在自己的测试集上证明，改动内容最多可以让来源在生成式回答中的可见度提高 40%（arXiv）。Google 在文档中写道，针对生成式搜索的优化仍然是 SEO（Google Search Central）。Zyppy 的 Cyrus Shepard，对“公司是否需要单独的 GEO 策略”这个问题，回答也类似：

> “For the vast majority of websites, almost certainly not.”
>
> Cyrus Shepard, Zyppy Signal, 2026年8月4日（“对绝大多数网站来说，几乎肯定不需要”）

**人们对这项工作也没有统一的叫法，这一点在 Google 的搜索结果中看得出来。** “AI 搜索优化叫什么？”这个问题，在波兰的搜索结果里出现在“相关问题”板块，在德国、西班牙和芬兰的结果里有对应的问题，而英文的“What is AI SEO called now?”出现在美国、瑞典和新加坡的结果里。关于 GEO（或 LLMO）与 SEO 区别的问题，出现在我检查的 27 个市场中的 9 个，从巴西到日本。

**20 个市场如何称呼 GEO**

20 个市场的横向条形图。每条把关于 GEO 的关键词每月需求分成五部分：GEO、AI SEO 与各地叫法、关键词“ai seo”本身、LLMO，以及其他（AEO、ChatGPT SEO）。旁边是每月搜索总量。

*12 个月搜索量的中位数，DataForSEO Labs，2026年10月17日。每个市场都含该市场语言的关键词和英文关键词；Google Ads 合并的变体只算一次；不含“aeo”“geo”和“what is geo”，它们还有其他含义。关键词“ai seo”单独显示，因为 Google 对它也会显示用 AI 做 SEO 的工具；不计它，GEO 在我的博客所覆盖、有搜索需求的 26 个市场中的 25 个领先，在日本则是 LLMO。图中显示每月至少 500 次搜索的市场。低于该门槛的有：匈牙利、罗马尼亚、乌克兰、挪威、希腊和沙特阿拉伯；在捷克，数据中没有搜索需求。*

**占主导的名称取决于市场。** 在日本，这个主题每月约 16,730 次搜索中有 72% 是 LLMO，仅关键词“llmo”就约有 12,100 次搜索，比美国的“ai seo”（约 6,600 次）还多。在德国和法国是 GEO 占主导（64% 和 66%），在韩国是 83%。在波兰，每月约 2,265 次搜索中有 58% 是 AI SEO，包括关键词“ai seo”和波兰语的说法（“pozycjonowanie ai”“pozycjonowanie w ai”），GEO 占 32%。在美国，AI SEO 和 GEO 不相上下：在每月约 25,400 次搜索中占 42% 和 39%，在西班牙则是持平（44% 和 44%）。在捷克，数据中这些名称都没有搜索需求。

**关键词“ai seo”的含义不明确，所以我把 AI SEO 的占比看作上限。** 搜索“ai seo”时，Google 除了讲 GEO 的文章，也会显示 AI 工具和“如何借助 AI 做 SEO”的教程：在美国，这占前 10 名的一半以上，在丹麦，8 个中至少有 6 个。不过，美国和丹麦针对这个关键词的 AI 概览，把 AI SEO 描述为针对 AI 回答的优化，所以 Google 把它当作这项工作的名称。不计这一个关键词，GEO 在我的博客所覆盖的 26 个市场中的 25 个领先，在日本则是 LLMO。在波兰，含义明确的波兰语说法（“pozycjonowanie ai”“pozycjonowanie w ai”）合计每月约 580 次搜索，GEO 约 725 次。关于 AI 的 SEO 工具，我会另写一篇。

**我不统计单独的关键词“aeo”，因为在波兰它主要指海关证书，在美国则有一部分结果是服装连锁品牌 American Eagle 的股价。** 在波兰的 Google 上搜索“aeo”，前四个结果中有三个是财政部门的页面。带全称的关键词，例如“answer engine optimization”，我计入“其他”系列。

**每个语言版本的文章，使用的都是该市场的人搜索的名称。** 日语版讲 LLMO，德语版和法语版讲 GEO，波兰语版讲“pozycjonowanie w AI”和 AI SEO。这个中文版讲 GEO 和 AI SEO，因为在新加坡的中文搜索中，GEO 领先（占 59%，每月共约 1,070 次搜索），AI SEO 占 41%。

### 本文的其他语言版本 (26)

- [PolskiPozycjonowanie w AI: GEO, LLMO i AI SEO bez mitów](https://rogala.pro/blog/pozycjonowanie-w-ai/)
- [EnglishAI SEO and GEO Without the Myths: What Actually Works](https://rogala.pro/en/blog/ai-seo-geo/)
- [DeutschGEO und KI-SEO: Was bei der Optimierung für KI wirklich funktioniert](https://rogala.pro/de/blog/geo-seo/)
- [EspañolGEO y AI SEO sin mitos: qué funciona de verdad en la IA](https://rogala.pro/es/blog/geo-seo-ia/)
- [FrançaisGEO et SEO IA : ce qui marche vraiment, sans mythes](https://rogala.pro/fr/blog/geo-seo-referencement-ia/)
- [ItalianoGEO e AI SEO: cosa funziona davvero, senza miti](https://rogala.pro/it/blog/geo-seo-ai-seo-cosa-funziona/)
- [PortuguêsGEO e AI SEO (SEO para IA): o que funciona, sem mitos](https://rogala.pro/pt/blog/geo-seo-sem-mitos/)
- [NederlandsGEO en AI SEO zonder mythes: wat echt werkt](https://rogala.pro/nl/blog/geo-ai-seo/)
- [ČeštinaGEO a AI SEO bez mýtů: jak se dostat do odpovědí AI](https://rogala.pro/cs/blog/ai-seo-geo-co-funguje/)
- [DanskAI SEO og GEO uden myter: hvad der faktisk virker](https://rogala.pro/da/blog/ai-seo-geo/)
- [SvenskaAI SEO och GEO utan myter: vad som faktiskt fungerar](https://rogala.pro/sv/blog/ai-seo-geo/)
- [Norsk bokmålAI SEO og GEO uten myter: hva som faktisk virker](https://rogala.pro/nb/blog/ai-seo-og-geo/)
- [SuomiAI SEO ja GEO ilman myyttejä: mikä oikeasti toimii](https://rogala.pro/fi/blog/ai-seo-geo/)
- [RomânăAI SEO și GEO fără mituri: ce funcționează cu adevărat în AI](https://rogala.pro/ro/blog/ai-seo-geo/)
- [MagyarAI SEO és GEO mítoszok nélkül: mi működik valójában](https://rogala.pro/hu/blog/ai-seo-geo/)
- [ΕλληνικάGEO και AI SEO χωρίς μύθους: τι λειτουργεί πραγματικά](https://rogala.pro/el/blog/geo-seo-ai-horis-mythous/)
- [УкраїнськаAI SEO і GEO без міфів: що справді працює](https://rogala.pro/uk/blog/ai-seo-ta-geo/)
- [العربيةGEO وAI SEO دون أساطير: ما الذي ينجح فعلًا في إجابات الذكاء الاصطناعي](https://rogala.pro/ar/blog/geo-wa-ai-seo/)
- [עבריתAI SEO ו-GEO: קידום ב-AI בלי מיתוסים](https://rogala.pro/he/blog/kidum-be-ai-geo/)
- [TürkçeAI SEO ve GEO: Yapay Zeka Optimizasyonunda Gerçekten Ne İşe Yarıyor?](https://rogala.pro/tr/blog/ai-seo-geo/)
- [日本語LLMO・GEO・AI SEOとは？俗説を除いた、根拠のある対策だけを解説](https://rogala.pro/ja/blog/llmo-geo-taisaku/)
- [한국어GEO 최적화와 AI SEO: 미신 없이 정리](https://rogala.pro/ko/blog/geo-choejeokhwa-ai-seo/)
- [繁體中文GEO 與 AI SEO：哪些做法真的有效，哪些只是迷思](https://rogala.pro/zh-hant/blog/ai-seo-geo-zenme-zuo/)
- [ไทยAI SEO และ GEO: อะไรได้ผลจริง ไม่มีมายาคติ](https://rogala.pro/th/blog/ai-seo-geo/)
- [Tiếng ViệtAI SEO và GEO không lầm tưởng: điều gì thực sự hiệu quả](https://rogala.pro/vi/blog/ai-seo-geo/)
- [Bahasa IndonesiaGEO dan AI SEO tanpa Mitos: Apa yang Benar-Benar Berhasil](https://rogala.pro/id/blog/geo-dan-ai-seo/)

## AI 如何选择回答的来源？

**模型根据搜索或根据记忆回答，而这决定了你到底能改变什么。** 当模型上网搜索时，它会把问题拆成几个查询，获取结果，从中选出片段，并引用其中一部分。Google 在文档中把这称为“query fan-out”：系统会发出许多相关的搜索，涉及子主题和不同的来源（Google Search Central）。当模型不搜索时，它根据训练期间学到的内容回答，这时页面在 Google 的排名不会改变任何事。

**这两条路相互交叉，因为模型记忆也会影响模型上网搜索时给出的回答。** Dejan 的 Dan Petrovic 写道，品牌在回答正文中被提及，主要取决于模型事先的知识，单个页面几乎改变不了它（Dejan，2026年7月7日）。所以我把两条路分开测量，但并行地在两条路上工作。

**通向 AI 回答的两条路**

四行两列的矩阵。列：搜索和模型记忆。行：模型从哪里获得内容、你能改变什么、何时看到效果，以及如何检查。

*同一个 AI 助手，在一个问题上上网搜索，在另一个问题上凭记忆回答。两条路相互交叉，因为记忆也会影响模型提到谁，但我分开测量。*

**模型多久上网搜索一次，取决于模型：在我的测试中，94 个关键词里从 10 个到 94 个不等。** 我通过 API 检查了我所负责项目中的 94 个关键词，包括英文和波兰语，在2026年10月3日夜至4日，并在早上重复了一次。在关于 [SEO 策略](https://rogala.pro/zh-hans/blog/seo-celue-zenme-zuo/)的文章里，我用五个教程类问题描述过同样的现象，这里用的是更大的样本。

- 94 个中 93 个Gemini 2.5 Flash 在第一轮中调用搜索的次数（第二轮是 94 个中 94 个）。我的 API 测试，2026年10月3-4日
- 94 个中 71 个Gemini 3.5 Flash 搜索的次数（第二轮是 94 个中 69 个）。我的 API 测试，2026年10月3-4日
- 84 个中 25 个Gemini 3.1 Pro 搜索的次数（10 次调用因达到限额而报错；第二轮是 94 个中 32 个）。我的 API 测试，2026年10月3-4日
- 94 个中 10 个Gemini 3.8 Flash 搜索的次数（第二轮是 94 个中 15 个）。其余关键词它凭记忆回答。我的 API 测试，2026年10月3-4日

**在这个配置下，较新版本的 Gemini Flash 搜索得更少，但 Gemini 3.1 Pro 不符合这个规律。** Pro 的版本号比 3.5 Flash 旧，却比它搜索得少。这是同一个模型系列、同一种 API 配置，不是用户看到的 Gemini 应用，所以我把这些数字当作信号，而不是规律。不过，这足以让我在每次测量时，都先检查模型在多少个问题上真的在搜索。

**模型对一个波兰新品牌的记忆很零散，其中一部分模型还编造了它的介绍。** 在同一个项目里，大约 500 个关于我所服务品牌的回答，由另一个模型盲评。这个样本中的一个波兰新品牌，所有受检模型都不认识，而在关于它的 12 个回答中，有 9 个的介绍是编造的。编造的比例因模型而异：在关于所有品牌的回答中，从 5% 到 77%。回答由一个模型担任评审，所以低于大约 10 个百分点的差异，我当作噪声。

**同一个域名可能在一条路上可见，在另一条路上不可见。** 有一个网站，在 Google 的 AI 模式中，13 组关键词里有 10 组被引用，而在不搜索的模型回答中一次都没有出现（13 组中 0 组）。这只是一个域名、13 组关键词，所以这是个例子，不是规律。

**在更大规模的研究中，也能看到相关的现象。** Dan Petrovic 转述了 Google Research 对 13 个模型和 2,150 条维基百科事实的研究：Gemini 3 Pro 和 GPT-5 这类顶尖模型，权重中有这些知识的 95-98%，却无法回忆起其中的 26-34%（Dejan，2026年8月17日）。这些是百科类事实，而不是关于品牌的知识，但对品牌的结论是相似的：信息出现在训练数据中，并不保证模型会说出来。

## 如何通过搜索进入 AI 的回答？

**在搜索这条路上，起作用的和 SEO 一样，只有一点不同。** Google 写道，要进入 AI 概览和 AI 模式，页面必须在索引中，并且能带着文字片段出现在搜索结果里，没有其他技术要求（Google Search Central）。不同之处在于，模型会同时发出几个查询，所以只在一个主关键词上可见的页面，被引用的机会比同时在它的变体上也可见的页面要少。另外，ChatGPT 有自己的搜索爬虫（下文会讲），所以在 Google 上的可见度不会直接转移到它那里。

### 爬虫的访问权限

**AI 搜索引擎的爬虫可能在网站所有者不知情的情况下被拦截。** 防火墙或内容分发网络（CDN）中的设置，可能会拦截它们，而且常常要等请求次数超过阈值之后才开始拦截，所以单次测试什么也看不出来。我会用 Google、OpenAI、Perplexity 和 Anthropic 的爬虫名称发出一连串请求，并把服务器的响应与普通浏览器得到的响应作比较。

**禁止用于训练模型，和禁止用于搜索，是两个不同的决定。** OpenAI 把这两个角色分开：GPTBot 收集可能用于训练模型的内容，而 OAI-SearchBot 决定页面能否出现在 ChatGPT 的搜索结果中。OpenAI 写道，屏蔽 OAI-SearchBot 的网站不会出现在 ChatGPT 的搜索回答里，而屏蔽 GPTBot 不会改变这一点（OpenAI）。同样，Google-Extended 控制 Gemini 模型对内容的使用，但据 Google 说，它不影响页面在搜索中的收录或排名（Google Search Central）。如果用一个开关屏蔽所有 AI 爬虫，可能会失去在 ChatGPT 搜索中的露出，而这并不是你想放弃的。

### 关键词排名与子查询

**排名更高是否会提高被引用的机会，我不知道，因为我的数据没有定论。** 在关于 [SEO 策略](https://rogala.pro/zh-hans/blog/seo-celue-zenme-zuo/)的文章中，在“附置信度的假设”一节，我描述过一篇文章：在五个非常相近的关键词上，它只在其中一个关键词的 AI 概览中被引用，而且恰恰是它排名最低的那个。子查询由模型生成，每次回答都可能不同，所以不存在一份固定的“关键词 X 的子查询清单”。在我的 94 个关键词的样本中，模型在一轮里生成了 493 个不同的子查询，平均每个关键词超过五个。

**我检查了子查询的排名是否比主关键词的排名更能预测引用，而我最初的结果没有通过检查。** 在我所负责项目的“关键词-页面”组合上，我在计算结果之前，先写下了规则。衡量指标是 ROC 曲线下面积（AUC），也就是一个信号把被引用的页面和未被引用的页面区分开的程度（0.5 相当于抛硬币，1 表示完全区分）。如果子查询的面积至少大 0.10，就算子查询获胜。在留作 AI 概览测试的 29 个组合上，差值是 0.44，也就是测试“通过”。

**交叉检查显示，我比较的是两个精度不同的测量。** 从头重新计算一切的审阅者，精确复现了我的数字，但注意到：主关键词的排名，我取自一次 Google 搜索结果的获取，而引用取自五次。用同样这五次获取来计算排名之后，差值降到 0.04，置信区间为 -0.28 到 +0.36。所以，我既没有证明子查询比排名更好，也没有证明更差。两个信号都说明了一些事情，所以我两个都用。

**来自 DataForSEO 的一次排名获取，其实是对几种结果变体中的一种随机抽样。** 我把同样的 94 个关键词，每隔大约一小时获取三次，同一个关键词的两次获取，前 10 名中共同的网址，中位数很少：杰卡德指数（衡量两个集合一致程度的指标，范围 0 到 1）为 0.14-0.15。其中一部分变体很可能是人在浏览器里看不到的结果，因为在 5 个关键词上，浏览器与其中一种变体一致。AI 概览在这方面是稳定的：各次获取之间，它是否出现的一致率为 97-99%。因此，我现在把这个工具的排名，按同时发出的大约 10 次获取的占比来计算。其他工具我没有这样检验过。

### 能独立回答问题的片段

**模型通常不是使用整个页面，而是使用能回答它查询的片段。** 所以我这样写：每个片段不看页面的其余部分也能理解，答案放在标题下面的第一句，具体的数字附上分母和日期，用名称而不是“这个”和“那个”。这篇文章里的每个段落都以结论句开头，原因就在这里。这是一种也对读者有帮助的好写法，而不是专门针对 AI 的单独技巧。

**这并不意味着要把内容切成碎片，或者增加标题数量。** Google 明确写道，不需要为了让 AI 更好地理解而把内容拆成小片段（Google Search Central）。我也检查过，更多的标题是否有助于进入前 3 名。在美国一个企业软件细分领域的 119 个英文查询、前 10 名的 632 个页面上（2026年9月26日），优势比为 0.95（95% 置信区间：0.81-1.12），考虑文章长度之后为 1.00。在标题数量从最少到最多的三组中，进入前 3 名的页面占比几乎一样：32%、34% 和 32%。这与我在 SEO 策略文章里写的是同一项测试：一个细分领域、一天的测量。不过，这已经足以让我不再为了提高排名而增加标题：标题应该说明它下面的片段讲什么。

### 波兰语提问，英文子查询

**在我的样本中，针对波兰语问题的子查询，有一部分是英文的。** 针对波兰语关键词生成的 277 个子查询中，有 81 个没有波兰语的特征。例如，一个询问某类产品排行的波兰语问题，变成了名称里带年份的英文查询。这是在一个样本上的粗略经验判断，但足以让我在处理波兰品牌时，也检查英文来源怎么说它。

## 如何进入模型的记忆？

**光靠你自己的网站改变不了模型记忆：重要的是别人怎么写你。** 模型从训练结束之前收集的大量文本中学习。如果品牌主要是自己在写自己，而别人的来源陈旧或相互矛盾，模型就会重复陈旧或矛盾的形象。模型记忆多快更新，我没有测量。我假设要等到后续的版本，所以在一个季度的范围内，我不对这里作任何承诺。

**在我自己的品牌上，我同时看到了两种错误来源。** Gemini 用现在时描述我，说我在几年前的雇主那里工作，并把 rogala.pro 描述为“建设中”的网站。模型对我重复最多的两条描述，一字不差地来自我在一家行业网站上的简介，而那个页面在以我的姓名搜索时，在 Google 上排名很靠前。至于那位雇主被写成现任雇主，我在以我的姓名搜索的结果里检查的 26 个页面，没有一个这样写，所以这个错误很可能出在模型记忆中。等简介更新之后，我会用同样的问题再检查一遍。

**模型对品牌记得什么，你可以自己检查，不需要 AI 可见度工具。** 在不能上网搜索的条件下向模型提问，最稳妥的方式是用不带搜索工具的 API。问品牌是做什么的、面向谁、从什么时候开始运营，每个问题问三次。然后把回答与事实对照，并分别记录哪些是最新的，哪些已经过时，哪些是编造的。

**没有一致的品牌定义，提及就会重复旧的描述，所以我从身份开始。** 我的顺序：

- 一个品牌定义，在网站、个人资料和别人网站上的简介里保持一致；
- 带标识符的结构化数据，标识符我手动核对过；
- 在 Wikidata 这类知识库中的条目，只在有来源能证实的地方建立；
- 然后才是在由别人编辑的地方的提及和发表。

**标识符要先打开读一遍，再放进页面代码。** 2026年10月5日，我注意到，从前一天起放在 rogala.pro 结构化数据里的知识图谱标识符，指向的是一位与我同名同姓的演员的资料面板。大约一天的时间里，我的网站向搜索引擎声明我是演员。检查只需要一分钟：在 google.com/search?kgmid= 后面加上标识符，就能看到它真正属于谁。

**Wikidata 买不来没有来源支撑的位置。** Wikidata 对在世人物的信息要求有来源，所以不能在里面声明一个除你之外没有别人写过的专长。因此，我在自己这里是从在由别人编辑的地方发表内容开始，而不是从知识库条目开始。

## GEO 的哪些做法有效，哪些是误区？

**我按证据的强弱来划分关于 GEO 的说法。** “有文档依据”指搜索引擎的文档证实了它，“我的测量”是我重复进行的、来自一种配置的结果。“被推翻”和“未证实”是我在自己的数据上检验过、没有通过或没有得出结论的说法。“没有证据”是流行的建议，背后没有测量，有时甚至有相反的证据。

**GEO 的哪些做法有证据，哪些没有**

六张卡片，对应六种关于 GEO 的说法。每张都有证据强度的评级（有文档依据、我的测量、被我的测试推翻或未证实、没有证据）、证据，以及我据此怎么做。

*有文档依据：搜索引擎的文档证实了它。我的测量：来自一种配置、我重复进行的结果。被推翻与未证实：我在自己的数据上检验过，没有通过或没有得出结论。没有证据：没有任何测量能证实。*

**没有证据显示，llms.txt 文件和 Markdown 版本的页面有助于进入 AI 的回答。** Google 写道，要出现在它的搜索中，不需要创建新的机器用文件、给 AI 用的文本文件、标记或 Markdown（Google Search Central）。2026年7月，我检查了我项目组合中的 10 个域名，没有一个向 AI 代理提供 Markdown 版本。在 rogala.pro 上，从10月8日起，每个页面都有 Markdown 版本和 llms.txt 文件，而到11月8日之前，我在服务器日志中测量有没有人下载它们。在波兰，关键词“llms txt”每月约有 720 次搜索，所以我会单独写这个主题。

**结构化数据向搜索引擎描述品牌，但没有证据显示它们能带来引用。** Google 写道，生成式搜索不要求结构化数据，也没有需要添加的特殊 schema.org 标记（Google Search Central）。Seer Interactive 的 Matt Buxbaum 分析了 8,500 个带 AI 概览的关键词，以及在其中获得第一次引用的 6,354 个页面：schema 和 E-E-A-T 信号与获胜的关联最弱，而 FAQ 和 HowTo 标记最多的页面，表现差了大约 10 倍（Seer Interactive，2026年5月28日）。这是相关性，所以我不知道标记是否有害，但我不把这些数据读作有益的证据。我使用结构化数据来描述实体（谁、什么、在哪里、带哪些标识符），因为它就是为此而设。关于它对 AI 回答的影响，我自己的测试还没有完成。

**提及和引用是两回事，很多报告把它们混为一谈。** Petrovic 区分了三个事件：系统获取来作为回答素材的页面；引用，也就是作为来源显示的页面；提及，也就是回答正文中的品牌名称，用户会读到并记住它（Dejan，2026年7月7日）。品牌可能被引用却没有在正文中被提及，也可能被提及却没有页面被引用。所以我把这两件事分开测量，不把它们加总成一个“AI 可见度得分”。

**想知道你的品牌通过哪条路进入 AI 的回答，又在哪条路上缺席吗？** 请写下你所在的行业，以及你希望回答客户的哪些问题。我会回复我从哪里开始。

[写信给我](https://rogala.pro/zh-hans/#contact) · [LinkedIn](https://www.linkedin.com/in/lukaszrogala/?locale=zh_CN) · [WhatsApp](https://wa.me/48570081225)

## 如何检查 GEO 有没有效果？

**没有基线，就无法把效果归因于任何一项改动，所以我在第一次修改之前先记录它。** 基线包括逐字记录的问题、模型的名称和版本、日期和市场。问题我根据需求数据和 Search Console 来拟定，其中大多数不含品牌名称，因为问题里的名称本身就会给模型提示答案。来自两个排名区段的问题组，我写在关于 [SEO 策略](https://rogala.pro/zh-hans/blog/seo-celue-zenme-zuo/)的文章里。

**我分别测量五件事，因为每一件都可能朝不同的方向走：**

1. 品牌在回答正文中的提及。
2. 页面作为来源被引用。
3. 模型到底有没有上网搜索，也就是把搜索和记忆分开看。
4. 分析工具中来自 AI 助手的流量，它永远只是下限，因为一部分访问不带来源信息。
5. 同一时期来自 Google 的流量，以确保针对 AI 的改动不是以牺牲普通搜索结果为代价。

**聊天机器人的回答是随机的，所以同一个问题我会同时问三次。** AI 概览是稳定的，对它获取一次就够了。AI 可见度工具给出的数字，我一定连同分母一起读：它是在我的问题组中的占比，而不是没有人知道的“AI 市场占有率”。

## 我在自己的网站上做了什么，还有哪些我不知道？

**我从 2016 年起就公开谈论搜索中的 AI，但我自己的品牌还没有出现在 AI 的回答里，我的实验就是从这里开始的。** 2026年7月26日的基线：在 Ahrefs 针对波兰检查的 7 个 AI 平台上，rogala.pro 一次引用都没有；在三个平台上进行的 6 次检查中，问题里不带我的姓名，没有一个模型提到我。当有人以我的姓名提问时，模型重复的是几年前的介绍。这只是一次测量，而且没有包括 ChatGPT，因为我用来收集回答的工具没有返回它的结果，所以我把它当作起点，而不是证据。

**工作的顺序来自数据：先身份，后覆盖面。** 我统一了个人资料中的一个定义（在 LinkedIn 上有 30 个语言版本），核对了结构化数据里的标识符（演员的失误就是这样发现的），并搭建了网站和 27 种语言的博客，附带 Markdown 版本。覆盖面，也就是在别人的媒体上发表和被提及，要等这些做完之后才进行。

**我还不知道这是否有效。** 我计划从2026年11月1日起进行第一次 AI 回答的重复测量，Markdown 文件的测量结果会在11月8日之后出来。我会把结果补充到这篇文章里，即使结果是零。

## 关于 GEO 的常见问题

### GEO 有哪些叫法？

**最常见的是 GEO（generative engine optimization）、AI SEO、LLMO 或 AEO。** 这在实践中是同一项工作，名称取决于市场。如果不计含义不明确的关键词“ai seo”，在我的博客所覆盖、且这个主题有搜索需求的 26 个市场中，有 25 个市场搜索最多的是 GEO，在日本则是 LLMO。在新加坡的中文搜索中，人们也常用“geo seo”和“geo 优化”这类说法。

### GEO 会取代 SEO 吗？

**不会，因为搜索这条路建立在 SEO 之上。** AI 概览和 Google 的 AI 模式，从 Google 索引里的页面中挑选来源，而 Google 之外的 AI 助手则在自己或别人的搜索引擎中搜索。GEO 给 SEO 增加的，是在别人的来源中打造品牌描述的工作，以及另一种测量方式。关于 GEO（或 LLMO）与 SEO 区别的问题，在我检查的 27 个市场中，有 9 个市场的 Google 搜索结果里反复出现，而我的回答是：它是扩展，不是替代。

### GEO 要多少钱？

**没有单独的价目表，因为这在很大程度上是和 SEO、公关相同的工作。** 测量本身很便宜：在四个 AI 平台（ChatGPT、Google 的 AI 模式、Gemini 和 Perplexity）上跑一遍 14 个问题，共 56 个回答，我的 API 费用是 0.82 美元。花钱的是时间：基线、技术修改、内容，以及在别人的媒体上发表。测量和计划我按咨询来计费，每小时 70 欧元净价，小时数取决于问题和市场的数量；详见关于 [SEO 顾问咨询](https://rogala.pro/zh-hans/blog/seo-guwen-shenme-shihou/)的文章。执行的费用取决于范围：修改、文章和发表的数量。对于那些只卖“提高 AI 可见度得分”，旁边却没有业务指标的报价，我持谨慎态度。

### 如何出现在 ChatGPT 的回答中？

**在搜索这条路上：放行 OAI-SearchBot 爬虫，并检查你的页面是否在你的客户所问问题的回答来源之中。** 在模型记忆这条路上：确保由别人编辑的、最新的来源在写这个品牌。用同一个问题重复三次来检查结果，因为 ChatGPT 的单次回答是随机的。

### llms.txt 文件对 GEO 有帮助吗？

**没有这方面的证据。** Google 写道，要出现在它的搜索中，不需要创建给 AI 用的文本文件或 Markdown 版本。我从2026年10月8日起，在 rogala.pro 上测试 llms.txt 和 Markdown 版本，结果会在11月8日之后出来。

### 结构化数据对 AI 引用有帮助吗？

**没有这方面的证据。** Google 写道，生成式搜索不要求结构化数据，而在 Seer Interactive 的分析中，schema 与 AI 概览中的第一次引用关联最弱。结构化数据仍然向搜索引擎描述品牌，所以我用它来描述实体。

### GEO 要多久才看得到效果？

**在搜索这条路上，和 SEO 一样：几周到几个月。** 在模型记忆这条路上，我没有速度的测量，我假设至少要等到模型的下一个版本，因为模型必须在训练数据中看到新的来源。所以这两条路，我分开汇报。

## 从哪里开始？

**前三步除了时间，不花任何钱。** 检查 AI 搜索引擎的爬虫能否拿到你的网站。把你的客户会问的几个问题，不带你的品牌名称，同时问三次，并记录谁被提及、谁被引用。读一读 Google 在只搜索你的品牌名称时的结果怎么说你的品牌，因为模型使用的是同样的来源。如果结果让你吃惊，这就是适合做[咨询](https://rogala.pro/zh-hans/#contact)的话题。

外部来源（2026年10月17日核实）：

- arXiv: GEO: Generative Engine Optimization (Aggarwal et al.) (arxiv.org)
- Google Search Central: Optimizing for generative AI search (developers.google.com)
- Google Search Central: AI features and your website (developers.google.com)
- Google Search Central: Google's common crawlers (developers.google.com)
- OpenAI: Overview of OpenAI crawlers (developers.openai.com)
- Zyppy Signal, Cyrus Shepard: These SEO strategies drive 90% of your AI visibility (signal.zyppy.com)
- Seer Interactive, Matt Buxbaum: What it takes to rank in Google's AI Overviews in 2026 (seerinteractive.com)
- Dejan, Dan Petrovic: Grounding source ≠ citation ≠ mention (dejan.ai)
- Dejan, Dan Petrovic: AI models encode brand data but fail to recall a third of it (dejan.ai)

自有数据：DataForSEO Labs（34 个市场，105 个关键词）与 Google 实时搜索结果（57 个查询，27 个市场），2026年10月17日；2026年9月26日与10月3-7日的 API 测试。

[Łukasz Rogala](https://rogala.pro/zh-hans/#about)

SEO 策略师兼 SEO 顾问

Łukasz Rogala 是 SEO 策略师兼 SEO 顾问，现任 VerticalSEO 首席执行官，也是 Linko 联合创始人。他自 2014 年起从事 SEO，提供 360° 全方位 SEO 优化服务：SEO 策略与审计、技术 SEO、内容、外链建设（link building）、Google Discover、语义 SEO，以及品牌在 AI 搜索中的可见度（GEO）。

[关于我](https://rogala.pro/zh-hans/#about) · [演讲与媒体](https://rogala.pro/zh-hans/#featured)

延伸阅读

[SEO 策略怎么做？一步一步制定](https://rogala.pro/zh-hans/blog/seo-celue-zenme-zuo/)