---
title: "AI SEO 與 GEO：哪些做法有效，哪些是迷思 - Łukasz Rogala"
description: "AI 的回答來自搜尋或模型記憶。我整理 GEO 與 AI SEO 哪些做法有證據、哪些被我的測試推翻，並附上 34 個市場怎麼稱呼這份工作的數據，讓你判斷該從哪裡開始。"
url: "https://rogala.pro/zh-hant/blog/ai-seo-geo-zenme-zuo/"
language: "zh-Hant"
author: "Łukasz Rogala"
published: "2026-10-17T20:00:00+02:00"
modified: "2026-10-17T23:20:59+02:00"
---

[部落格](https://rogala.pro/zh-hant/blog/)

# GEO 與 AI SEO：哪些做法真的有效，哪些只是迷思

[Łukasz Rogala](https://rogala.pro/zh-hant/#about) · 2026年10月17日 · 閱讀時間 21 分鐘

**ChatGPT、Gemini、Perplexity 與 AI 總覽的回答，品牌主要經由兩條彼此交織的路徑進入，而 GEO 就是同時處理這兩條路徑的工作：**

1. 透過搜尋。模型在回答的過程中上網搜尋，並引用它找到的部分頁面。這裡適用的和 SEO 相同：讓爬蟲進得來、進入索引、在關鍵字與其變體上有能見度，以及不看頁面其餘內容也能回答問題的段落。效果和 SEO 一樣，要幾週或幾個月才看得到。
2. 透過模型記憶。模型根據訓練結束前學到的內容回答，而這份記憶也會影響它在搜尋時提到誰。這裡重要的是別人怎麼寫這個品牌，以及多個來源中一致的品牌描述。我沒有量測過記憶更新的速度，所以在一季的時間範圍內，我不承諾任何結果。

**多數「GEO 撇步」沒有證據，其中一部分我用自己的數據檢驗過。** llms.txt 檔案與結構化資料，都沒有證據顯示能帶來引用。在我的測試中，更多標題並沒有讓頁面進入前 3 名。至於「子查詢的排名是否比主要關鍵字的排名更能預測引用」這項測試，沒有得出結論，而我的第一個結論還被交叉檢查推翻了。每個說法的證據都在下面。

**寫這篇文章之前，我調查了 34 個市場的人怎麼稱呼這份工作，而在針對它的 57 組 Google 搜尋結果中，有 56 組出現了 AI 總覽。** 我取得了 34 個市場中 105 個不同的 GEO 相關關鍵字的需求，每個市場 23 到 34 個關鍵字（共 871 組市場與關鍵字組合，其中 368 組有搜尋量），以及這些關鍵字在 27 個市場的 57 組 Google 搜尋結果，包括 AI 總覽和「其他人也問」區塊的問題。結果中不計入有多重含義的「aeo」、「geo」與「what is geo」。資料來源：DataForSEO，2026年10月17日。搜尋量是 12 個月的中位數，而 Google Ads 合併成同一個數字的變體（例如「ai seo」與「seo ai」）只計算一次。取得這些數據的成本為 5.39 美元。

## GEO 是什麼？跟 AI SEO 是同一件事嗎？

**GEO 是讓品牌出現在 AI 生成的回答裡的工作：包括 Google 的 AI 總覽與 AI 模式，以及 ChatGPT、Gemini、Perplexity 與 Copilot。** 同一份工作有好幾個名稱，它們之間的差別主要在行銷包裝：

| 名稱 | 全名 | 在搜尋量上領先的市場 |
|---|---|---|
| GEO | generative engine optimization，生成式引擎優化 | 我的部落格涵蓋的 26 個市場中有 11 個，包括德國、法國與南韓；排除有歧義的「ai seo」後是 26 個中的 25 個 |
| AI SEO | 針對 AI 回答的 SEO，也包括各市場的在地名稱 | 26 個中的 13 個，包括波蘭與美國，主要靠「ai seo」這個關鍵字；西班牙與 GEO 打平 |
| LLMO | large language model optimization，大型語言模型優化 | 日本 |
| AEO | answer engine optimization，答案引擎優化 | 26 個市場都沒有（不含「aeo」這個關鍵字本身，它另有其他含義） |

**GEO 這個名稱源自學術論文，而這整份工作的基礎和 SEO 相同。** GEO 出自 2023年11月的一篇論文，並被 KDD 2024 會議接受。作者 Pranjal Aggarwal 等人在自己的測試集上證明，內容的調整最多可以讓來源在生成式回答中的能見度提高 40%（arXiv）。Google 在文件中寫道，針對生成式搜尋的優化仍然是 SEO（Google Search Central）。對於「公司是否需要獨立的 GEO 策略」這個問題，Zyppy 的 Cyrus Shepard 的回答也類似：

> 「For the vast majority of websites, almost certainly not.」
>
> Cyrus Shepard, Zyppy Signal, 2026年8月4日（「對絕大多數網站來說，幾乎肯定不需要」）

**人們對這份工作也沒有統一的稱呼，這在 Google 搜尋結果裡看得出來。** 「Jak nazywa się pozycjonowanie w AI?」（意思是「AI 優化叫什麼？」）這個問題出現在波蘭搜尋結果的「其他人也問」區塊，德國、西班牙與芬蘭的結果中有對應的問題，而英文的「What is AI SEO called now?」出現在美國、瑞典與新加坡的結果中。詢問 GEO（或 LLMO）和 SEO 差別的問題，出現在我檢查的 27 個市場中的 9 個，從巴西到日本都有。

**20 個市場怎麼稱呼 GEO**

20 個市場的橫向長條圖。每條長條把與 GEO 相關關鍵字的每月需求分成五部分：GEO、AI SEO 與在地名稱、單獨的「ai seo」關鍵字、LLMO，以及其他（AEO、ChatGPT SEO）。旁邊是每月搜尋總量。

*12 個月的每月搜尋量中位數，DataForSEO Labs，2026年10月17日。每個市場都計入該市場語言與英文的關鍵字；Google Ads 合併的變體只計算一次；不含同時有其他含義的「aeo」、「geo」與「what is geo」。「ai seo」單獨顯示，因為 Google 對它也會列出 AI 用於 SEO 的工具；不含它時，在我部落格涵蓋且有需求的 26 個市場中，有 25 個由 GEO 領先，日本則由 LLMO 領先。圖中是每月至少 500 次搜尋的市場。低於門檻：匈牙利、羅馬尼亞、烏克蘭、挪威、希臘與沙烏地阿拉伯；捷克在資料中沒有需求。*

**占主導地位的名稱因市場而異。** 在日本，這個主題每月約 16,730 次搜尋中有 72% 是 LLMO，光是「llmo」這個關鍵字就有約 12,100 次搜尋，比美國的「ai seo」（約 6,600 次）還多。在德國與法國是 GEO 占主導（64% 與 66%），在南韓則是 83%。在波蘭，每月約 2,265 次搜尋中有 58% 是 AI SEO，包括「ai seo」這個關鍵字與波蘭語的說法（「pozycjonowanie ai」、「pozycjonowanie w ai」），GEO 占 32%。在美國，AI SEO 與 GEO 不相上下：每月約 25,400 次搜尋中分別占 42% 與 39%，而西班牙則是打平（44% 與 44%）。在捷克，資料裡這些名稱都沒有搜尋需求。

**「ai seo」這個關鍵字有歧義，所以我把 AI SEO 的占比視為上限。** 搜尋「ai seo」時，Google 除了介紹 AI 優化的文章，也會列出 AI 工具，以及教你如何借助 AI 做 SEO 的教學：在美國，這類結果占前 10 名的一半以上，在丹麥，8 個結果中至少有 6 個。不過，美國與丹麥針對這個關鍵字的 AI 總覽，仍然把 AI SEO 描述為針對 AI 回答的優化，所以 Google 把它當作這份工作的名稱。排除這一個關鍵字後，在我部落格涵蓋的 26 個市場中，有 25 個市場由 GEO 領先，日本則由 LLMO 領先。在波蘭，沒有歧義的波蘭語說法（「pozycjonowanie ai」、「pozycjonowanie w ai」）加起來每月約 580 次搜尋，GEO 則約 725 次。AI 用於 SEO 的工具，我會另寫一篇文章。

**我不計入單獨的「aeo」這個關鍵字，因為它在波蘭主要是指海關認證，而在美國有一部分結果是服飾連鎖店 American Eagle 的股票報價。** 在波蘭的 Google 搜尋「aeo」，前四個結果中有三個是財政部的網站。像「answer engine optimization」這樣的全名關鍵字，我歸在「其他」系列。

**每個語言版本的這篇文章，都使用該市場的人實際搜尋的名稱。** 日文版談的是 LLMO，德文與法文版談的是 GEO，而波蘭文版談的是「pozycjonowanie w AI」與 AI SEO。繁體中文版把 GEO 與 AI SEO 並列，並以 GEO 為主，因為在台灣，每月約 1,840 次相關搜尋中，GEO 占 51%、AI SEO 占 48%，而 LLMO 與 AEO 幾乎沒有搜尋量。

### 本文的其他語言版本 (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/)
- [简体中文GEO 与 AI SEO：哪些做法有依据，哪些只是误区](https://rogala.pro/zh-hans/blog/geo-yu-ai-seo/)
- [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 怎麼選擇回答的來源？

**模型的回答來自搜尋或記憶，而這決定了你究竟能改變什麼。** 模型上網搜尋時，會把問題拆成幾個查詢、取回結果、從中挑選段落，並引用其中一部分。Google 在文件中把這稱為「query fan-out」：系統針對子主題與不同來源，送出多個相關的搜尋（Google Search Central）。模型不搜尋時，則根據訓練期間學到的內容回答，這時頁面在 Google 的排名不會改變任何結果。

**這兩條路徑彼此交織，因為模型記憶也會影響它搜尋過後的回答。** Dejan 的 Dan Petrovic 寫道，品牌在回答內文中被提及，主要取決於模型先前的知識，單一頁面幾乎無法改變它（Dejan，2026年7月7日）。因此，我分別量測這兩條路徑，但同時處理它們。

**通往 AI 回答的兩條路徑**

四乘二的矩陣。欄：搜尋與模型記憶。列：模型從哪裡取得內容、你能改變什麼、什麼時候看到效果，以及如何檢查。

*同一個 AI 助理在回答某個問題時會上網搜尋，回答另一個問題時則憑記憶。兩條路徑彼此交織，因為記憶也會影響模型提到誰，但我分開量測它們。*

**模型多常上網搜尋，取決於模型本身：在我的測試中，94 個關鍵字裡從 10 個到 94 個不等。** 我用 API 在我經手專案的 94 個關鍵字上做了測試，包括英文與波蘭文，時間是 2026年10月3日至4日的夜間，並在早上再跑了第二次。在談 [SEO 策略](https://rogala.pro/zh-hant/blog/seo-celue-zenme-zuo/)的文章中，我用五個教學型問題描述了同樣的效應，這裡的樣本更大。

- 94 次中有 93 次Gemini 2.5 Flash 在第一輪使用搜尋的次數（第二輪是 94 次中的 94 次）。我的 API 測試，2026年10月3-4日
- 94 次中有 71 次Gemini 3.5 Flash 使用搜尋的次數（第二輪是 94 次中的 69 次）。我的 API 測試，2026年10月3-4日
- 84 次中有 25 次Gemini 3.1 Pro 使用搜尋的次數（有 10 次呼叫因超過額度限制而出錯；第二輪是 94 次中的 32 次）。我的 API 測試，2026年10月3-4日
- 94 次中有 10 次Gemini 3.8 Flash 使用搜尋的次數（第二輪是 94 次中的 15 次）。其餘的關鍵字它憑記憶回答。我的 API 測試，2026年10月3-4日

**在這個設定下，較新版本的 Gemini Flash 搜尋得較少，但 Gemini 3.1 Pro 不符合這個規律。** Pro 的版本號比 3.5 Flash 舊，卻比它搜尋得少。這只是一個模型家族、一種 API 設定，不是使用者看到的 Gemini 應用程式，所以我把這些數字當作訊號，而不是規則。不過這已足以讓我在每次量測時，檢查模型到底在多少個問題上有搜尋。

**模型對一個新的波蘭品牌的記憶很有漏洞，其中一部分模型還編造了品牌的描述。** 在同一個專案中，我針對我服務的品牌，取得約 500 個回答，並由另一個模型盲評。這批資料中有一個新的波蘭品牌，所有受測模型都不認識，而關於它的 12 個回答中，有 9 個的描述是編造的。編造的比例因模型而異：就所有品牌的回答而言，從 5% 到 77%。這些回答由單一模型擔任評審，所以我把低於約 10 個百分點的差異視為雜訊。

**同一個網域可能在一條路徑上看得見，在另一條路徑上卻看不見。** 其中一個網站在 Google 的 AI 模式中，13 組關鍵字配對裡有 10 組被引用，但在模型不搜尋的回答中，一次都沒有出現（13 組中的 0 組）。這是一個網域、13 組配對，所以只是舉例，不是規則。

**更大規模的研究也看得到相關的現象。** Dan Petrovic 轉述 Google Research 針對 13 個模型與 2,150 筆維基百科事實的研究：Gemini 3 Pro 與 GPT-5 這類頂尖模型，權重中有 95-98% 的這類知識，卻無法回想起其中的 26-34%（Dejan，2026年8月17日）。這些是百科事實，不是關於品牌的知識，但對品牌的結論相近：資訊存在於訓練資料中，並不保證模型會說出來。

## 怎麼透過搜尋進到 AI 的回答？

**在透過搜尋的這條路徑上，做的事和 SEO 相同，只有一個差別。** Google 寫道，要進入 AI 總覽與 AI 模式，頁面必須在索引中，並且能以文字摘要的形式出現在搜尋結果中，沒有額外的技術要求（Google Search Central）。差別在於模型會一次提出多個查詢，所以只在一個主要關鍵字上有能見度的頁面，被引用的機會比在其變體上也有能見度的頁面少。此外，ChatGPT 有自己的搜尋爬蟲（下面會談到），所以在 Google 的能見度不會直接轉移過去。

### 讓 AI 爬蟲進得來

**AI 搜尋爬蟲可能在網站所有人不知情的情況下被擋住。** 防火牆或內容傳遞網路（CDN）的設定可能會擋住它們，而且常常是在請求次數超過門檻之後才擋，所以只測一次什麼也看不出來。我會用 Google、OpenAI、Perplexity 與 Anthropic 的爬蟲名稱送出一連串請求，並把伺服器的回應和一般瀏覽器得到的回應比較。

**封鎖模型訓練，和封鎖搜尋是兩個不同的決定。** OpenAI 把這兩種角色分開：GPTBot 蒐集可能用於訓練模型的內容，而 OAI-SearchBot 決定網站是否出現在 ChatGPT 的搜尋結果中。OpenAI 寫道，封鎖 OAI-SearchBot 的網站不會顯示在 ChatGPT 的搜尋回答中，而封鎖 GPTBot 不會改變這一點（OpenAI）。同樣地，Google-Extended 控制 Gemini 模型如何使用內容，但根據 Google 的說法，它不影響網站在搜尋中的出現與排名（Google Search Central）。用一個開關封鎖所有 AI 爬蟲的人，可能會失去在 ChatGPT 搜尋中的能見度，而那並不是他原本想放棄的。

### 關鍵字排名與子查詢

**我不知道排名越高是否會提高被引用的機會，因為我的數據無法回答。** 在談 [SEO 策略](https://rogala.pro/zh-hant/blog/seo-celue-zenme-zuo/)的文章的假設一節中，我描述過一篇文章：在五個非常相近的關鍵字上，它只在其中一個的 AI 總覽中被引用，而且正是它排名最低的那個。子查詢是由模型產生的，每次回答可能都不同，所以並不存在一份固定的「關鍵字 X 的子查詢清單」。在我的 94 個關鍵字樣本中，模型在一輪裡產生了 493 個不同的子查詢，平均每個關鍵字超過五個。

**我檢驗了子查詢的排名是否比主要關鍵字的排名更能預測引用，而我的第一個結果沒有通過檢查。** 我在自己經手專案的「關鍵字與頁面」配對上，先寫下規則，再計算結果。衡量指標是 ROC 曲線下面積（AUC），也就是某個訊號把被引用與未被引用的頁面區分開的程度（0.5 相當於擲硬幣，1 是完全區分）。如果子查詢的面積至少大 0.10，子查詢就算勝出。在留給 AI 總覽測試的 29 組配對上，差距是 0.44，也就是測試「通過」。

**交叉檢查發現，我比較的是兩種精確度不同的量測。** 審閱者從頭重新計算，一個數字不差地重現了我的結果，但發現我的主要關鍵字排名只取自一次 Google 搜尋結果的取得，而引用卻取自五次。用同樣五次的取得重新計算排名後，差距降到 0.04，信賴區間是 -0.28 到 +0.36。所以我沒有證明子查詢比排名好，也沒有證明它更差。兩個訊號都說明了一些事，所以我兩者都用。

**用 DataForSEO 一次取得的排名，結果其實是從幾種搜尋結果變體中抽出一種。** 我把同樣的 94 個關鍵字，每隔約一小時取得三次，同一個關鍵字的兩次取得，在前 10 名中的共同網址，中位數很少：Jaccard 指數（衡量兩個集合一致程度的指標，介於 0 與 1）只有 0.14-0.15。其中一部分變體可能是人在瀏覽器中看不到的結果，因為在 5 個關鍵字上，瀏覽器的結果和其中一種變體吻合。AI 總覽則很穩定：它是否出現，在各次取得之間有 97-99% 一致。因此，我現在把這個工具的排名，算成約 10 次同時送出的取得中的占比。其他工具我沒有這樣檢驗過。

### 不看其餘內容也能回答的段落

**模型通常不用整個頁面，只用能回答它查詢的段落。** 所以我寫作時，讓每個段落不看頁面其餘內容也能理解：標題下的第一句就是答案、數字附上分母與日期，以及用名稱而不是「這個」和「那個」。這篇文章的每個段落都以結論句開頭，原因就在這裡。這是對人也有幫助的好寫作習慣，不是專門針對 AI 的另一套技巧。

**這不代表要把內容切成小碎片，或增加標題。** Google 明確寫道，沒有必要為了讓 AI 更容易理解而把內容拆成小段（Google Search Central）。我也檢驗過，更多標題是否有助於進入前 3 名。在英文企業軟體利基的 119 個查詢、前 10 名的 632 個頁面上（美國，2026年9月26日），勝算比是 0.95（95% 信賴區間：0.81-1.12），考慮文章長度後是 1.00。依標題數量從少到多分成的三組，前 3 名的占比幾乎相同：32%、34% 與 32%。這和我在 SEO 策略那篇文章中提到的是同一項測試：一個利基、一天的量測。不過這已足以讓我不再為了改善排名而增加標題：標題的作用，是說明它底下的段落在談什麼。

### 波蘭語問題，英文子查詢

**在我的樣本中，波蘭語問題的部分子查詢是英文。** 針對波蘭語關鍵字產生的 277 個子查詢中，有 81 個不具波蘭語的特徵。例如，一個關於某類別產品排行的波蘭語問題，變成了名稱裡帶年份的英文查詢。這是在單一樣本上的粗略判斷，但足以讓我在處理波蘭品牌時，也檢查英文來源怎麼說它。

## 怎麼進到模型的記憶裡？

**光靠自己的網站改變不了模型的記憶：重要的是別人怎麼寫你。** 模型從訓練結束前蒐集的大量文字中學習。如果品牌的相關文字主要是它自己寫的，而別人的來源又過時或互相矛盾，模型就會重複過時或矛盾的形象。我沒有量測模型記憶多快更新。我假設要等到下一代版本，所以在一季的時間範圍內，我不承諾任何結果。

**在我自己的品牌上，我同時看到這兩種錯誤來源。** Gemini 用現在式描述我，並把我幾年前的雇主當成現任雇主，還把 rogala.pro 說成「建置中」的網站。模型對我最常重複的兩段描述，字句上就來自我在一個產業網站上的簡介，那個網站在我的姓名搜尋中排名很高。至於現任雇主，我在姓名搜尋結果中檢查的 26 個頁面，沒有一個把那位雇主寫成現任，所以這個錯誤很可能出在模型記憶。等簡介更新後，我會用同樣的問題再檢查。

**模型記得品牌的什麼，不需要 AI 能見度工具，你自己就能檢查。** 在不能搜尋的情況下，向模型提出關於品牌的問題，最穩妥的辦法是用沒有搜尋工具的 API。問它品牌做什麼、服務誰、從什麼時候開始營運，每個問題問三次。然後把回答和事實對照，分別記下哪些是正確的、哪些過時、哪些是編造的。

**沒有一致品牌定義的提及，只會重複舊的描述，所以我從身分開始。** 我的順序：

- 一個品牌定義，在網站、個人檔案，以及他人網站上的簡介中都相同；
- 附有我手動檢查過的識別碼的結構化資料；
- 在 Wikidata 這類知識庫中建立條目，而且只在有來源能證實的地方建立；
- 最後才是在由他人編輯的地方發布提及與文章。

**識別碼要先打開、讀過，才能放進網站程式碼。** 2026年10月5日我發現，前一天才加進 rogala.pro 結構化資料的 Knowledge Graph 識別碼，指向一位同名演員的資訊面板。大約一天的時間裡，我的網站向搜尋引擎宣告我是演員。檢查只要一分鐘：在網址 google.com/search?kgmid= 後面加上識別碼，就能看到它實際屬於誰。

**Wikidata 買不到沒有來源支持的位置。** Wikidata 對在世人物的資訊要求提供來源，所以無法在裡面宣告一項除了你之外沒人寫過的專長。因此我從在他人編輯的地方發表開始，而不是先寫知識庫的條目。

## GEO 哪些做法有效，哪些只是迷思？

**我依證據的強度，把關於 GEO 的說法分類。** 「有文件記載」是指搜尋引擎的文件確認；「我的量測」是我在單一設定下得到、並會重複的結果。「被推翻」與「未證實」是我用自己的數據檢驗後，沒有通過或沒有得出結論的說法。「沒有證據」是指沒有量測支持的流行建議，有時甚至有相反的證據。

**GEO 哪些有證據，哪些沒有**

六張關於 GEO 的說法卡片。每張標示證據強度（有文件記載、我的量測、被我的測試推翻或未證實、沒有證據）、證據，以及我怎麼做。

*有文件記載：搜尋引擎的文件確認。我的量測：單一設定下的結果，我會重複。被推翻與未證實：我用自己的數據檢驗後沒有通過，或沒有得出結論。沒有證據：沒有任何量測支持。*

**沒有證據顯示 llms.txt 檔案與 Markdown 版本的頁面有助於進入 AI 的回答。** Google 寫道，要出現在它的搜尋中，不需要建立給機器看的新檔案、給 AI 的文字檔、標記或 Markdown（Google Search Central）。2026年7月我檢查了自己作品組合中的 10 個網域，沒有一個向 AI 代理提供 Markdown 版本。在 rogala.pro 上，從 10月8日起每個頁面都有 Markdown 版本與 llms.txt 檔案，我會在伺服器日誌中量測到 11月8日，看有沒有人下載它們。在波蘭，「llms txt」這個關鍵字每月約有 720 次搜尋，所以我會另寫一篇談這個主題。

**結構化資料向搜尋引擎描述品牌，但沒有證據顯示它們能帶來引用。** Google 寫道，生成式搜尋不要求結構化資料，也沒有需要加入的特殊 schema.org 標記（Google Search Central）。Seer Interactive 的 Matt Buxbaum 分析了 8,500 個有 AI 總覽的關鍵字，以及在其中首次獲得引用的 6,354 個頁面：schema 與 E-E-A-T 訊號和獲得引用的關聯最弱，而 FAQ 與 HowTo 標記最多的頁面，表現差了約 10 倍（Seer Interactive，2026年5月28日）。這是相關性，所以我不知道標記是否有害，但我也不把這些數據解讀為有好處的證據。我把結構化資料用來描述實體（誰、什麼、在哪裡、附哪些識別碼），因為它本來就是用來做這件事的。我對它影響 AI 回答的測試還沒做完。

**提及和引用是兩回事，而許多報告把它們混為一談。** Petrovic 區分三種事件：系統為了回答而取回的頁面、被引用的頁面（也就是被顯示為來源的頁面），以及被提及的品牌（也就是出現在使用者讀到並記住的回答內文中的品牌名稱）（Dejan，2026年7月7日）。品牌可能被引用卻沒有在內文中被提及，也可能被提及卻沒有頁面被引用。因此，我分開量測這兩件事，不把它們加總成一個「AI 能見度分數」。

**想知道你的品牌經由哪條路徑進入 AI 的回答，又沒有經由哪條嗎？** 請寫下你所在的產業，以及你希望回答客戶的哪些問題。我會回覆從哪裡開始。

[寫信給我](https://rogala.pro/zh-hant/#contact) · [LinkedIn](https://www.linkedin.com/in/lukaszrogala/?locale=zh_TW) · [WhatsApp](https://wa.me/48570081225)

## 怎麼確認 GEO 有沒有效？

**沒有起始基準，就無法把效果歸因於任何一項改動，所以我在第一次修改之前就先記錄。** 起始基準包括逐字記下的問題、模型的名稱與版本、日期與市場。問題是根據需求數據與 Search Console 擬定的，其中大多不含品牌名稱，因為問題裡的品牌名稱本身就會提示模型答案。依兩個排名區段擬定問題組的做法，我寫在談 [SEO 策略](https://rogala.pro/zh-hant/blog/seo-celue-zenme-zuo/)的文章中。

**我分開量測五件事，因為每一件都可能朝不同的方向走：**

1. 品牌在回答內文中的提及。
2. 頁面作為來源被引用。
3. 模型到底有沒有上網搜尋，也就是把搜尋與記憶分開看。
4. 分析工具中來自 AI 助理的流量，它永遠只是下限，因為有一部分造訪沒有來源資訊。
5. 同一時期來自 Google 的流量，以免針對 AI 的改動，是以犧牲一般搜尋結果為代價。

**聊天機器人的回答是隨機的，所以同一個問題我會同時問三次。** AI 總覽很穩定，取得一次就夠了。AI 能見度工具給出的數字，我一律連同分母一起看：它是我這組問題中的占比，而不是沒有人知道的「AI 市場占有率」。

## 我在自己的網站做了什麼，還有什麼不知道？

**我從 2016年起就公開談論搜尋中的 AI，但自己的品牌還沒有出現在 AI 的回答中，我的實驗就是從這裡開始的。** 2026年7月26日的起始基準：rogala.pro 在我用 Ahrefs 針對波蘭檢查的 7 個 AI 介面上，一次引用都沒有；在三個平台上的 6 次檢查中，針對不含我姓名的問題，沒有任何模型提到我。直接用我的姓名詢問時，模型重複的是幾年前的描述。這只是一次量測，而且沒有 ChatGPT，因為我蒐集回答所用的工具沒有為它回傳結果，所以我把它當作起點，而不是證據。

**工作順序依據數據：先身分，後觸及。** 我統一了各個個人檔案中的一個定義（LinkedIn 上有 30 個語言版本），檢查了結構化資料中的識別碼（演員的失誤就是這樣發現的），並架設了網站與 27 種語言的部落格，且附有 Markdown 版本。觸及，也就是在他人媒體上的發表與提及，要等這些完成後才進行。

**我還不知道這些有沒有效。** 我預計從 2026年11月1日起第一次重測 AI 的回答，Markdown 檔案的量測結果會在 11月8日之後出來。我會把結果補進這篇文章，即使結果是零。

## 關於 GEO 的常見問題

### GEO 還有哪些名稱？

**最常見的是 GEO（generative engine optimization）、AI SEO、LLMO 與 AEO。** 它們在實務上是同一份工作，名稱則依市場而異。如果不計有歧義的「ai seo」這個關鍵字，在我部落格涵蓋的 26 個對這個主題有搜尋需求的市場中，有 25 個最常被搜尋的是 GEO，日本則是 LLMO。在台灣，常見的搜尋寫法還有「ai seo」、「geo seo」與「生成式引擎優化」。

### GEO 會取代 SEO 嗎？

**不會，因為透過搜尋的這條路徑是建立在 SEO 之上。** Google 的 AI 總覽與 AI 模式，是從 Google 索引中的頁面挑選來源，而 Google 以外的 AI 助理則在自己或別人的搜尋引擎中搜尋。GEO 在 SEO 之上多了兩件事：處理品牌在他人來源中的描述，以及不同的量測方式。詢問 GEO（或 LLMO）和 SEO 差別的問題，在我檢查的 27 個市場的 Google 搜尋結果中，有 9 個一再出現，而我的回答是：它是延伸，不是替代。

### GEO 要花多少錢？

**沒有獨立的價目表，因為這大多是和 SEO 與公關相同的工作。** 量測本身很便宜：針對四個 AI 介面（ChatGPT、Google 的 AI 模式、Gemini 與 Perplexity）跑 14 個問題，共 56 個回答，我只付了 0.82 美元的 API 費用。花錢的是時間：起始基準、技術修正、內容，以及在他人媒體上的發表。量測與計畫我按顧問諮詢計費，每小時 70 歐元（未稅），工時取決於問題與市場的數量，詳見談 [SEO 顧問諮詢](https://rogala.pro/zh-hant/blog/seo-guwen-shenme-shihou/)的文章。執行的費用取決於範圍：修正、文章與發表的數量。對於只賣「提升 AI 能見度分數」、卻沒有附上商業指標的方案，我會謹慎看待。

### 怎麼出現在 ChatGPT 的回答中？

**透過搜尋這條路徑：讓 OAI-SearchBot 進得來，並檢查你的頁面是否在你客戶所問問題的回答來源中。** 透過記憶這條路徑：確保由他人編輯的、內容最新的來源在寫你的品牌。用同一個問題重複三次來檢查結果，因為 ChatGPT 的單次回答是隨機的。

### llms.txt 檔案對 GEO 有幫助嗎？

**沒有證據。** Google 寫道，要出現在它的搜尋中，不需要建立給 AI 的文字檔，也不需要 Markdown 版本。我從 2026年10月8日起在 rogala.pro 測試 llms.txt 與 Markdown 版本，結果會在 11月8日之後出來。

### 結構化資料有助於在 AI 回答中被引用嗎？

**沒有證據。** Google 寫道，生成式搜尋不要求結構化資料，而在 Seer Interactive 的分析中，schema 與 AI 總覽中的首次引用關聯最弱。結構化資料仍然向搜尋引擎描述品牌，所以我把它用來描述實體。

### GEO 要等多久才看得到效果？

**透過搜尋這條路徑，時間和 SEO 一樣：幾週到幾個月。** 透過模型記憶這條路徑，我沒有速度的量測，並假設至少要等到下一個版本的模型，因為模型必須在訓練資料中看到新的來源。所以我把這兩條路徑分開回報。

## 要從哪裡開始？

**前三個步驟除了時間，不花任何錢。** 檢查 AI 搜尋爬蟲是否進得了你的網站。把你客戶會問的幾個問題，不含你的品牌名稱，同時問三次，並記下誰被提及、誰被引用。讀一讀 Google 搜尋結果中，只搜尋你品牌名稱時的內容，因為模型用的是同一批來源。如果結果讓你意外，就很適合做一次[顧問諮詢](https://rogala.pro/zh-hant/#contact)。

外部來源（2026年10月17日查證）：

- 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)

自有數據：DataForSEO Labs（34 個市場，105 個關鍵字）與 Google 即時搜尋結果（57 組查詢，27 個市場），2026年10月17日；API 測試為 2026年9月26日與 10月3-7日。

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

SEO 策略師暨 SEO 顧問

Łukasz Rogala 是 SEO 策略師暨 SEO 顧問，現任 VerticalSEO 執行長，也是 Linko 共同創辦人。他自 2014 年起從事 SEO，提供 360° 全方位 SEO 優化服務：SEO 策略與診斷、技術 SEO、內容、反向連結建設（link building）、Google Discover、語意 SEO，以及品牌在 AI 搜尋中的能見度（GEO）。

[關於我](https://rogala.pro/zh-hant/#about) · [演講與媒體](https://rogala.pro/zh-hant/#featured)

延伸閱讀

[SEO 策略怎麼做？一步一步建立](https://rogala.pro/zh-hant/blog/seo-celue-zenme-zuo/)