阅读GEO: Generative Engine Optimization论文：心得（一）
从KDD 2024论文GEO: Generative Engine Optimization出发，解释GEO研究真正解决的问题：AI搜索不是传统排名页，而是检索、生成、引用共同决定品牌可见性。
阅读GEO: Generative Engine Optimization论文：心得（一）
很多人第一次听到GEO，会把它理解成“给AI搜索做SEO”。
但Pranjal Aggarwal、Vishvak Murahari等作者在KDD 2024论文《GEO: Generative Engine Optimization》里提出的核心问题更细：当AI搜索把多个来源压缩成一段答案时，内容创作者到底应该怎样定义“被看见”？
这篇心得先不讨论具体改写技巧，只看论文的研究起点。它最有价值的地方，是把GEO从营销口号拉回到一个可建模、可测量、可实验的问题。
论文为什么要先定义Generative Engine
论文把BingChat、Google SGE、Perplexity.ai这类系统抽象为Generative Engine，也就是生成式引擎。它不是只返回蓝色链接，而是先检索来源，再由生成模型整合信息，最后给用户一段带引用或来源依据的回答。
这一步很关键。传统SEO通常围绕搜索结果页排名展开，问题是“我的页面排第几”。但在生成式引擎里，用户看到的不是一串网页，而是一段综合答案。
同一个来源可能出现在答案开头、中间、结尾；可能被引用一句，也可能贡献一整段；可能支撑核心判断，也可能只是补充背景。只用“排名”解释GEO，会漏掉这些差异。
GEO真正关心的是可见性，而不只是出现
论文把网站在生成式答案中的visibility，也称为impression，作为GEO的核心目标。换句话说，一个品牌或页面是否被AI搜索“看见”，不能只看有没有被提到。
至少要看三个层面：
- 答案里有多少内容来自这个来源。
- 这些内容出现的位置是否足够靠前。
- 这个来源对答案判断是否真的有影响。
这也解释了为什么企业做AI搜索可见性监测时，不能只截一张图说“我们出现了”。如果AI只在末尾引用官网的一句弱信息，和在开头用官网内容支撑主要推荐，商业意义完全不同。
论文提出了两类可见性指标
第一类是客观指标。
论文使用Word Count衡量某个引用来源在答案中贡献了多少文本，再用Position-Adjusted Word Count把位置纳入计算。直观理解是：同样贡献30个词，出现在答案前半段通常比出现在末尾更容易被用户注意。
第二类是主观指标。
论文借鉴G-Eval思路，用模型评估引用来源的相关性、影响力、独特性、位置感知、数量感知、点击可能性和信息多样性。这个设计不完美，但它提醒企业：GEO报告不能只看机械字数，还要判断这个来源是否真的改变了用户对品牌的理解。
这个定义对企业有什么启发
第一，GEO不是让AI强行推荐品牌。
论文讨论的是黑盒条件下的内容可见性优化，而不是控制模型输出。企业能做的，是让官网、文档、案例、数据和第三方证据更容易被检索、引用和整合。
第二，GEO不是放弃SEO。
生成式引擎仍然依赖检索来源。论文实验也使用搜索结果中的来源作为输入。传统SEO解决的是“进入来源池”的一部分问题，GEO进一步解决的是“进入答案后如何被表达”的问题。
第三，GEO监测必须固定问题集。
如果每次提问都不同，就很难判断可见性变化来自内容优化、平台波动、问题变化还是来源变化。论文后续构建GEO-bench，也是为了让GEO优化有可重复评估的基准。
我读完第一部分后的判断
这篇论文最值得国内企业借鉴的，不是“GEO能提升多少百分比”这个结论，而是它的研究框架：先定义生成式引擎，再定义可见性，再讨论优化方法。
对品牌方来说，这意味着GEO工作应该先从测量开始。先回答这些问题：你的品牌在哪些AI平台被提到？在答案里占多少内容？出现在什么位置？引用的是官网、第三方媒体，还是过时的社区内容？竞品是否获得了更多解释空间？
见川GEO / GEO Radar适合承担这个测量环节。企业可以在 https://www.georadar.top 建立固定问题集，持续观察豆包、通义千问、Kimi、DeepSeek、腾讯元宝、ChatGPT、Claude、Gemini等平台里的品牌提及、推荐位置和竞品共现。
GEO优化的第一步不是写更多文章，而是把“AI是否看见我”拆成可复测的指标。
这篇文章的资料来源
- arXiv，2023年11月16日提交、2024年6月28日修订，GEO: Generative Engine Optimization：https://arxiv.org/abs/2311.09735
- arXiv HTML全文，GEO: Generative Engine Optimization：https://arxiv.org/html/2311.09735v3
- GEO作者项目页，包含论文、代码和数据集入口：https://geo-optim.github.io/GEO/GEO
- Hugging Face，GEO-bench数据集说明：https://huggingface.co/datasets/GEO-optim/geo-bench