近期GEO优化论文精读（三）：AutoGEO如何自动学习生成式引擎偏好

GEO优化正在从“人工总结技巧”，走向“自动学习不同AI平台偏好”。

这不是说企业可以破解AI搜索算法，而是说：不同生成式引擎在引用、组织、压缩和表达来源时，确实可能有稳定偏好。如果这些偏好能被观察、抽象和复测，GEO就能少一些玄学，多一些工程化。

2025年10月13日提交的论文《What Generative Search Engines Like and How to Optimize Web Content Cooperatively》提出AutoGEO，试图自动学习生成式引擎偏好规则，并用这些规则指导网页内容改写。

AutoGEO想解决什么问题

早期GEO方法往往依赖人工设计的改写策略，例如添加统计、添加引用、提高权威表达、简化语言、增加术语。

这些策略有用，但有两个问题。

第一，它们不一定适合所有平台。Gemini、Claude、GPT、Perplexity，以及国内的豆包、通义千问、Kimi、DeepSeek等平台，检索入口、引用方式和答案风格都可能不同。

第二，它们不一定适合所有领域。研究型问题、电商问题、本地服务问题、B2B采购问题，对证据和结构的要求不同。

AutoGEO的核心思路是：不要只靠人工猜规则，而是让模型从大量生成式引擎表现中学习偏好，再把偏好转成内容优化规则。

它怎么学习生成式引擎偏好

论文描述了一个偏好规则学习流程。

AutoGEO先让前沿LLM解释生成式引擎为什么更偏好某些文档。然后把这些解释抽取成简洁洞察，再合并成候选规则，最后过滤成可用的偏好规则。

换句话说，它把大量“为什么这个来源在答案里更可见”的观察，压缩为可操作规则。

论文案例中提到的规则包括Conclusion First、Logical Structure、Comprehensive coverage、In-depth等。直观理解就是：先给结论，结构清楚，覆盖充分，解释原因和机制，而不是只替换几个技术词。

这和企业内容经验吻合。AI答案更容易吸收那些结构明确、结论前置、证据完整、边界清楚的内容，而不是只写营销口号或堆关键词的页面。

AutoGEO API和AutoGEO Mini有什么区别

论文提出两种应用方式。

AutoGEO API把偏好规则作为上下文工程，交给前沿LLM直接改写内容。这种方式不需要训练新模型，比较接近企业今天可落地的工作流：先有规则，再用大模型辅助改稿。

AutoGEO Mini则把偏好规则变成奖励信号，训练一个更小、更低成本的GEO模型。论文使用冷启动数据和GRPO等方法，让小模型学习如何按偏好规则改写内容。

企业不一定需要训练自己的Mini模型，但这个方向值得关注。随着GEO工作量变大，内容团队可能不只需要“会写文章的模型”，而是需要“理解品牌问题集、平台偏好和合规边界的专用工作流”。

为什么论文同时看GEO和GEU

AutoGEO论文一个重要特点，是不只看GEO指标，也看GEU，也就是Generative Engine Utility。

GEO指标关注内容是否获得更多可见性，例如答案里出现多少、位置如何。GEU关注生成式引擎的回答质量、可靠性和有用性是否被保留。

这点非常关键。企业不能为了让品牌出现，就牺牲答案质量。过度优化、隐藏指令、误导性描述、数据污染，都可能短期影响AI答案，但长期会损害平台、用户和品牌信任。

论文报告AutoGEO在三个数据集上平均提升GEO指标，同时维护生成式引擎效用；还提到AutoGEO Mini在成本上约为AutoGEO API的0.0071倍。这个数字来自论文实验环境，不能直接换算成企业成本承诺，但它说明了一个趋势：GEO优化会从高成本人工和大模型调用，逐步走向规则化、自动化和低成本复测。

对企业做平台差异化GEO的启发

第一，不要假设所有AI平台喜欢同一种内容。

论文观察到，引擎偏好会随领域和LLM变化。企业做GEO时，应该分别看国内平台、国际平台、购物场景、研究场景、本地服务场景，而不是用一个内容模板覆盖所有问题。

第二，要把“偏好规则”沉淀为团队资产。

例如，某平台更容易引用带清晰小标题的FAQ；某平台更看重第三方权威来源；某平台在电商问题里更需要价格、规格、库存和售后；某平台在B2B问题里更重视案例、集成方式和风险边界。

第三，内容改写要和效用一起评估。

如果改写后品牌出现更多，但答案更片面、更夸张、更容易误导用户，这不是健康的GEO。企业应同时看可见性、准确性、来源归因、竞品关系和合规风险。

第四，自动化不能替代复测。

偏好规则会随平台升级、检索源变化、用户问题变化而漂移。企业需要持续监测，而不是一次性建立规则后长期不更新。

GEO Radar适合放在什么位置

见川GEO / GEO Radar不是训练AutoGEO模型的工具，而是品牌AI可见性分析平台，适合承担“观测、对比、复测、报告”的部分。

企业可以在 https://www.georadar.top 建立固定问题集，比较豆包、通义千问、百度/文心一言、智谱清言、Kimi、DeepSeek、腾讯元宝、ChatGPT、Claude、Gemini、Grok等平台里的品牌提及、推荐位置、引用来源和竞品共现。

当团队根据某类偏好规则修改官网、案例页、FAQ或第三方内容后，再用同一组问题复测，观察不同平台是否出现可解释变化。

AutoGEO给企业最大的启发不是“把规则交给AI自动改稿”，而是把GEO做成一个闭环：观察平台偏好，抽象内容规则，小步改写，复测结果，再更新规则。

这篇文章的资料来源

• arXiv，2025年10月13日提交，What Generative Search Engines Like and How to Optimize Web Content Cooperatively：https://arxiv.org/abs/2510.11438
• arXiv HTML全文，AutoGEO框架、实验结果、GEO/GEU指标与附录案例：https://arxiv.org/html/2510.11438v1
• GitHub，AutoGEO代码入口：https://github.com/cxcscmu/AutoGEO