WHITE PAPER · 全文文字版

铭文鼎成 GEO 平台白皮书 v1.0 —— 当 AI 成为新搜索时,你的品牌如何被「看见、说对、推荐」

以下为白皮书全文文字版,便于检索、引用与无障碍阅读;上方为 PDF 排版版。欢迎引用其中观点、方法与数据(请注明来源:《铭文鼎成 GEO 平台白皮书 v1.0》,geo.mwdc.info)。

WHITE PAPER · 2026

当 AI 成为新搜索时

你的品牌如何被「看见、说对、推荐」

铭文鼎成 GEO 平台白皮书

基于 KDD 2024 论文方法 · 9 维加权评分 · 6 平台真实节点采样

「让 AI 推荐你,从让 AI 准确理解你开始。」

v0.8 · 2026 年 05 月

杭州铭文鼎成信息科技有限公司 · geo.mwdc.info · bd@mwdc.info

EXECUTIVE SUMMARY

执行摘要

过去 24 个月,中国主流 AI 助手(豆包、DeepSeek、Kimi、通义千问、秘塔、腾讯元宝)的合计月活从约 1,200 万跃升至 3.8 亿。这意味着对越来越多的用户来说,「先问 AI」已经取代「先搜百度」成为获取专业建议、对比产品、做购买决策的第一动作。

这是一场和 PC 互联网、移动互联网类似量级的范式迁移。但与那两次不同的是:在 AI 搜索时代,用户看到的不再是「10 条候选链接 + 用户自选」,而是「AI 直接给出的一段答案」。你的品牌出现在那段答案里,客户决策就向你倾斜;不在,几乎等于不存在。

「在 AI 搜索时代,你的品牌不在答案里,几乎等于不存在。」

本白皮书的核心论点

GEO(生成式引擎优化)不是 SEO 的「升级版」,而是与 SEO 并行的全新基建。两者优化对象、衡量指标、内容策略均不同,需要独立工具与方法。
单维度评估不可信。AI 答案漂移、个性化、平台差异、信源动态 — 必须从 9 个维度加权,才能得到可指导运营决策的指数。
API 取数无法替代真实节点采样。客户用 App 看到的答案 ≠ API 返回的答案,差异主要来自联网检索、cookies 个性化、平台风控等环节。
KDD 2024 论文给出了实证有效的方法。本白皮书第 2 章详述 8+1 种方法及其在中文 AI 平台的落地实践。
GEO 不是「开关一键见效」。它是持续的内容运营动作,需要监测 → 诊断 → 生产 → 发布 → 追踪完整闭环,通常 4-12 周可观察到指数变化。

适合读这份白皮书的人

本白皮书面向:① 中小企业市场负责人(评估是否启动 GEO 项目);② 内容运营从业者(寻找新方法学和工具);③ AI / SaaS / 营销技术从业者(理解新基建机会);④ 投资人(理解 GEO 赛道格局)。

关于数据真实性:本白皮书中提及的具体客户案例数字(如「60 天评级 D 提升至 B」)均为脱敏匿名样本,实际效果受企业资料完整度、内容投入频次、所在行业基线、监测周期等多个因素影响,不构成对任何具体效果的承诺。引用的论文数据以原论文为准(KDD 2024,arXiv:2311.09735)。

第 1 章

AI 搜索时代:一场已经发生的范式迁移

当一个三十多岁的产品经理在豆包里问「找一家做 SaaS 选型咨询的公司」,她不会再看 10 条蓝色链接,然后打开前 3 个详细比较。她会直接相信 AI 给的推荐,并基于那段答案做出决策。这一幕,正发生在今天的中国数千万次/天。

1.1 数字告诉的故事

行业公开数据估算,2024 Q1 时中国主流 AI 助手的合计月活约为 1,200 万。到 2025 Q4,这个数字突破 3.4 亿。在 2026 Q1,达到 3.8 亿,且仍在加速。

这个增长速率,等同于 2012 年的微信、2017 年的抖音。但更值得关注的是:AI 助手不只是流量入口,它是「决策中介」 — 用户问完 AI,直接基于 AI 给的答案行动。不像搜索引擎给链接还要用户判断,AI 在客户和服务方之间充当了「信任代理」。

1.2 SEO 时代 vs GEO 时代:四个根本变化

维度

SEO 时代

GEO 时代

搜索结果

10 条候选链接

一段直接答案

决策步骤

看链接 → 打开 → 比较 → 选择

看答案 → 信任 → 行动

优化对象

关键词排名

AI 语义引用

衡量指标

点击率 / 跳出率

提及率 / 引用强度 / 信源被引

内容策略

关键词密度 / H1 / 反链

权威信源 / 数据具体 / 结构清晰

排名重要性

第几位是核心

是否被提及、是否首选

用户决策路径

主动比较

依赖 AI 推荐

1.3 一个常被忽略的事实:GEO 与 SEO 并行,不替代

我们经常被问:「SEO 是不是要被 AI 完全取代?」答案是:不会。原因有三:

搜索引擎本身正在融合 AI:百度搜索、Google AI Overview、Bing Copilot 都把 AI 答案放在蓝色链接上方,SEO 与 GEO 在同一界面共存。
不同决策阶段不同入口:用户在认知/对比阶段更依赖 AI(快速答案);在最终决策/查证阶段仍依赖搜索引擎(详细资料、官方信息)。
AI 自身也「做搜索」:Kimi、秘塔等联网型 AI 调用搜索结果作为信源 — 你的 SEO 排名仍然间接影响 AI 引用率。

「 GEO 与 SEO 并行,而非替代。但它们是两套独立工具与方法。」

1.4 真正的挑战:AI 的「黑盒」特性

比起 SEO,GEO 面临三个新挑战:

挑战 1 · 答案漂移

同一个问题,同一个 AI,问 10 次可能得到 4-6 种不同答案。原因是大模型的采样温度、联网检索的实时变化、平台个性化层。这意味着单次截图判断 GEO 效果是错的。

挑战 2 · 黑盒推荐

AI 不像搜索引擎有公开的排名算法。它的推荐逻辑无法被外部直接观察,只能通过大量采样反推。

挑战 3 · 多平台差异

豆包的答案逻辑、Kimi 的引用风格、秘塔的信源偏好都不同。一个 GEO 优化的内容,在 6 平台上的效果可能差异显著,需要分平台监测、分平台优化。

本章小结:AI 搜索时代不是即将到来,而是已经到来。GEO 不是 SEO 的升级,而是与之并行的新基建。它面临答案漂移、黑盒推荐、多平台差异等新挑战,需要专门的工具与方法学。

第 2 章

GEO 方法论:KDD 2024 论文的实证基础

2024 年 8 月,Aggarwal 等学者在 KDD 2024 发表了一篇被广泛引用的论文 — 《GEO: Generative Engine Optimization》。它做了一件此前没人系统做过的事:通过实证实验,量化 9 种内容优化方法对 AI 引用率的具体影响。这是 GEO 从「经验」走向「科学」的分水岭。

2.1 论文背景与数据

论文来自普林斯顿、IIT 德里、佐治亚理工等机构的联合研究团队。实验设置:针对 10K+ 真实用户查询,在多个生成式引擎上进行 A/B 测试,测量优化前后的引用率变化。原文地址 arXiv:2311.09735。

2.2 头部方法解读:为什么「引述添加」最有效?

论文实证显示,「引述添加」(在内容中加入带引号的专家/客户原话)收益最高,约 +42.6%。这背后的认知逻辑是:

AI 偏好「可复用的内容片段」:带引号的整段文本是天然的「信息单元」,AI 倾向把它一并复用到回答里,品牌名一起带出。
引号自带可信度暗示:AI 经过 RLHF 训练后,对「有来源、有出处」的内容给予更高权重。
引述减少 AI 重写成本:相比逻辑论证,直接引用是低 token 成本的高信息密度内容。

一个实操对比

改写前:

「我们的客户对产品质量评价非常高,服务也得到了广泛认可。」

改写后(应用引述添加方法):

据 36 氪 2025 年 SaaS 客户体验调研,被访客户提到:「用了 6 个月,我们的销售响应速度从 4 小时缩到 30 分钟。」 — 客户 A,某连锁餐饮品牌总经理。

2.3 9 种方法的实证收益对比

序号

方法名

实证收益

类型

①

引述添加

+42.6%

头部 ★

②

数据添加

+32.8%

头部 ★

③

流畅度优化

+28.7%

头部 ★

④

引用来源

+27.7%

头部 ★

⑤

专业术语

+18.5%

行业可选

⑥

易懂表达

+13.8%

行业可选

⑦

权威语气

+11.8%

行业可选

⑧

独特用词

+6.2%

行业可选

⚠

关键词堆砌

-8.7%

反模式

2.4 反模式的代价:为什么「关键词堆砌」-8.7%?

论文显示,关键词堆砌(同一词在 1 个段落内重复 ≥ 5 次)反而降低 AI 引用率 8.7%。这与传统 SEO「关键词密度」思维完全相反。原因是:

AI 经过对抗训练,识别「低质内容/SEO spam」特征,主动降权;
堆砌破坏可读性,AI 不愿把它复用到回答里;
反模式可能触发 AI 的「safety guard」,直接跳过整段。

「 SEO 的成功模式,在 GEO 时代可能是反模式。」

2.5 本平台对论文方法的落地

我们将 KDD 2024 论文方法转译为 7 类 prompt 模板(文章大纲、正文、评分、合规、选题、裁判、反模式预警),在管理后台「LLM 提示词」页面可见可改,修改后约 30 秒在全平台生效。文章生成时支持下拉选择某种方法侧重(如「数据添加」)或默认 8 方法均衡。

关于论文方法的局限:KDD 2024 论文实验基于英文 AI 平台(主要是 ChatGPT、Perplexity)。我们在中文平台(豆包/Kimi/DeepSeek)的复现实验显示,头部方法收益方向一致,但绝对幅度略有不同。具体数字仍以原论文为准,本平台实际效果以你企业的实测为基线。

第 3 章

测量框架:9 维 GEO 指数的设计与解读

「我家品牌的 GEO 现状怎么样?」这是每个客户的第一个问题。回答它需要一个评分体系。但如果用单维度评分(比如只看「提及率」),会和只看体温判断病情一样粗暴。本章详解 9 维 GEO 指数的设计逻辑。

3.1 为什么单维度评估会失败?

一个客户告诉我们:「豆包上提及我们品牌 80%,生意应该很好。」我们做了诊断后发现:提及率确实高,但排名都在第 5-7 位,而且30% 是负面提及(老投诉信息漂浮在网上)。高提及率掩盖了真实问题。

这就是单维度评估的失败模式:一个数字能掩盖三个问题。GEO 不能这样做。

3.2 9 个维度的设计 + 权重

维度

权重

说明

为什么重要

提及率

20%

全部样本中 AI 提到品牌的比例

入门指标 — 没有提及,后面 8 个都没意义

推荐位排名

12%

列表型回答中你排第几位

第 1 与第 5 的转化率差 5-10 倍

引用强度

12%

强引用 vs 中等 vs 弱提及

被首选推荐 vs 列在长清单里差异巨大

稳定性

12%

多次采样间的波动反比

高均值但高波动 ≠ 真稳健可见

情感正向率

10%

被提及中正向语义比例

负向提及是品牌资产损耗

平台覆盖率

10%

6 平台里有几个提到了你

只在 1 平台被提 = 流量集中且脆弱

直接命中率

实体名原样出现 vs 间接指代

直接命中是最强的引用证据

自有信源被引率

AI 引用来源 URL 中你的占比

AI 把你当权威信源的关键证据

联网引用率

AI 回答附带外部链接比例

AI 在「做功课」,答案可信度更高

权重的设计逻辑

提及率(20%)是「门票」— 没提及,后面 8 个维度都没意义。排名 / 强度 / 稳定(各 12%)是「质量层」— 决定推荐是否被客户认真对待。情感 / 平台覆盖(各 10%)是「广度层」— 反映品牌资产的健康度。直接 / 信源 / 联网(各 8%)是「信任层」— 反映 AI 对品牌的「事实性认知」。

3.3 S/A/B/C/D 五级评级

等级

分数

行业典型分布

常见客户场景

85+

约 10%

在采样中较常被推荐,持续运营即可

70-85

约 18%

多数客户能看到你,差异化提升排位

55-70

约 28%

时不时被提到,有改进空间

35-55

约 26%

较少被推荐,需系统优化

< 35

约 18%

急需建立监测基线 + 内容产出

3.4 行业差异化:为什么律所和餐饮的权重不同?

默认权重不是「放之四海皆准」。基于 8 大行业 profile 的实测数据,我们提供差异化权重模板。例如:

律所行业:加强「自有信源被引率」(15%,默认 8%)和「权威信源引用」(10%),因为法律领域专业信源比一般行业更关键。
餐饮行业:加强「平台覆盖率」(15%)和「情感正向率」(15%),因为消费决策依赖跨平台对比 + 情感口碑。
SaaS 行业:加强「引用强度」(18%)和「对比型查询的排名」(15%),因为 B2B 客户决策依赖工具对比。

9 维体系的核心价值:它把「GEO 做得怎么样」这个模糊问题转化为 9 个独立可优化的工程问题。某维度低分 → 对应有专项动作。这比「综合分 50,你看怎么改」有效得多。

第 4 章

完整闭环:从监测到追踪的 6 个阶段

GEO 不是「上线就完事」的项目。它是持续运营动作,需要监测、诊断、生产、发布、追踪、反哺 6 个阶段循环驱动。本章详解每个阶段的方法学与平台能力。

4.1 监测:Query Fanout 25 矩阵

客户决策不是 1 个查询,是 5-15 个查询的旅程。如果你只优化「核心关键词」,可能只占了客户决策路径的第一步。

本平台的 Query Fanout 把 1 个核心查询自动扩散为 25 个变体(5 类 × 5 个),覆盖客户全决策旅程:

决策阶段

查询类型

示例(核心 query 为 "AI 内容服务")

认知

推荐型

国内 AI 内容服务推荐哪家、AI 内容服务有哪些

对比

对比型

AI 内容工具 vs 人工内容运营、A 家和 B 家对比

验证

场景型

B2B 工业品适合什么 AI 内容服务、餐饮场景怎么用

风险检查

避坑型

AI 内容服务怎么避坑、常见骗局、慎选哪些

决策

价格型

AI 内容服务一般多少钱、性价比、对比定价

4.2 诊断:反模式雷达 + 品牌误解识别

反模式雷达 4 类

关键词堆砌:同关键词段落内 ≥ 5 次,论文实证 -8.7%。
句子过长:平均句长 > 50 字,AI 倾向跳过。
空话堆砌:「致力于/极致/卓越/打造/赋能」等定性副词段落内 ≥ 5 处。
标语化:无数字、无案例、纯口号的段落,AI 不引用。

品牌误解识别 · 3 级严重度

即使 AI 提到你,也可能「说错你」— 把成立时间写错,把竞品客户算到你头上,把已停业务说成主营。本平台用 LLM 对比 AI 答案 vs 你的「真相档案」,抽取不一致点,按严重度分级:

High(成立时间/客户名错配/资质虚构):24h 内站内消息提醒,建议立即在权威平台发布更正信息。
Medium(主营业务表述偏差/历史价格混淆):周度汇总,建议在下一篇内容中纠偏。
Low(产品命名差异/服务范围细节):月度审视,影响有限。

4.3 生产:论文方法 × 行业 profile

选题阶段:从 8 行业问题池(共 389+ 论文级问题模板)+ AI 反推扩散,产生候选选题清单。

写作阶段:生成器自动应用 KDD 2024 中 1-3 种方法侧重(默认头部 4 方法均衡)。每段强塞数字 + 单位 + 时间,每个核心论点配 2-3 段权威信源引用。文章末尾自动附 Schema.org JSON-LD,4 类必装:Organization、Article、FAQPage、Product/Service。

4.4 发布:多平台适配,不是「一键群发」

常见误区:把同一篇文章原样群发到 8 个平台。这会被各平台算法识别为「低质内容批发」,导致几乎所有平台都降权。

正确做法:同一主稿,8 个平台独立适配标题、首段、CTA 形式。本平台自动按平台规则适配:

平台

适配规则要点

微信公众号

标题去标点,首段直接给结论,严肃专业

知乎

标题用问句,加「利益相关」声明,多用案例

小红书

标题加 emoji + 数字,短句分段,加图位提示

头条号

标题口语化,加小标题,适合长内容

百家号

类似头条,重官方背书

B2B 平台

加技术规格 / 参数表 / 资质证明

官网 SEO

附 Schema.org JSON-LD,自有信源

4.5 追踪:Before/After Lift

每篇文章必须关联 1-3 个监测目标。发布后系统自动调度 D+7、D+14、D+28 三次复测,计算综合 Lift 指标。

观察 Lift 曲线,可以提取几个 GEO 运营的重要规律:

D0 当天就有反应:对于联网检索型 AI(Kimi、秘塔),发布当天的引用率就有变化。
D+7 到 D+14 进入加速期:AI 平台索引 + 联网检索逐步消化新内容,该阶段 Lift 最快。
D+21 后进入稳态:除非有竞品新内容压制,通常稳定在比基线高 30-50 分的区间。
不是所有文章都有 Lift:典型经验是发布的 6-8 篇文章里,有 2-3 篇能拿到显著 Lift,其他可能贡献微小或负向 — 这是正常的「内容生产漏斗」。

4.6 反哺:数据驱动下一轮选题

5-10 篇发布积累后,我们会发现规律:某类选题在某些平台上 Lift 显著,另一些选题在某些行业有效。这些数据反哺下一轮选题清单 — 形成「做得越多越准」的飞轮。

第 5 章

技术架构:真实节点采样如何构筑可信度护城河

海外 GEO 工具(Profound、Otterly)主要靠 API 调用获取答案。这条路在中文场景下不通 — 多数中国 AI 平台没开放 API(秘塔、腾讯元宝、豆包消费者 App 都没有);开放的 API 返回的也是降级模型答案,不是真实用户视角。我们采用了另一条路:分布式真实浏览器节点。

5.1 6 大技术壁垒

MOAT 01 · 分布式真实浏览器采样

用户 PC agent 组成住宅 IP 节点池,每次采样 = 真实 Chrome + 真实 cookies + 真实 IP,与你客户用 App 看到的接近一致。绕过数据中心 IP 风控。

MOAT 02 · 双层语义判定

阶段 1 规则粗筛(字符串/别名/同名歧义过滤)+ 阶段 2 LLM 精判(直接/间接/位置/情感/置信度)。低置信(< 0.5)的命中自动 50% 折扣分数,不虚高。

MOAT 03 · 句子级引用归因

把 AI 回答按句号 / 分号拆分,每句标注 source_url(联网检索来源)或 ai_summary(AI 自身概括)。客户在 Demo 时可以截图给客户看:「AI 这句话引自你的官网第 3 段」。

MOAT 04 · 9 维 GEO 指数公式公开

区别于行业「综合分黑盒」,公开 9 维权重与计算公式,客户报价单与 admin 后台数字完全一致。

MOAT 05 · 多模态采样取证

每次采样自动产生 3 类证据:1-3 分钟录屏(mp4/webm,2-8 MB)+ 关键截图 PNG + AI 答案原文。存腾讯云 COS,可长期回溯。客户质疑时随时调取。

MOAT 06 · 企业级数据基础设施

PostgreSQL 18 + pgvector 语义检索;Redis 7 限流缓存;腾讯云 COS 对象存储;Fernet AES-256 加密 API key/支付凭证;HTTPS 全站;每日凌晨 3:00 PG dump + uploads 备份,30 天滚动保留。可用性见公开页 geo.mwdc.info/status。

5.2 节点 P2P 池 + 贡献积分

传统采样平台需要平台方自建大量节点机器,成本高。我们引入「贡献积分」机制:企业用户可贡献闲置 PC 资源给采样池(开机时跑 agent),帮平台采样其他企业的查询;贡献的工时按比例换取额外采样配额。

多方共赢:平台扩大节点池,贡献者降低自身采样成本,普通用户拿到更稳定数据。
隔离与安全:agent 只跑指定查询,不接触任何企业敏感数据,沙箱化执行。
动态计费:贡献分按工时 + 成功率 + IP 多样性加权,管理端可视化贡献者榜单。

第 6 章

行业实践:4 个深度案例

抽象方法学需要具象案例。本章选 4 个不同行业的脱敏匿名案例,完整呈现从「发现问题」到「看到结果」的 90 天闭环。所有数据均为脱敏样本,实际效果因企业而异。

6.1 案例 1 · 律所:从 D 提升至 B,60 天

客户档案:某红圈律所分支机构,业务集中在企业并购法律服务,专业律师约 30 人。客户决策路径变化:并购客户从「先约见面 → 律所推荐」转向「先问 AI → 直接联系前 2 名」。

诊断结果

提及率 18%:6 平台中仅豆包和秘塔偶尔提到,Kimi/DeepSeek 0 命中
反模式 4 处:官网「专业、权威、卓越」等定性副词段落内密集出现
信源 12%:全部 AI 答案的来源 URL 中,客户自家官网占比仅 12%
Gap 查询 9 条:「国内并购律所推荐」「中等规模收购找哪家」等竞品独占

60 天结果(脱敏数据)

GEO 综合得分

评级

提及率

信源被引

22.1 → 64.5

D → B

+42pp

12% → 38%

关键经验

律所行业的核心抓手是「信源被引」— 加 Schema + 在权威法律平台铺设内容,这两项做好后 Lift 显著。
反模式扫描非常关键 — 律所网站普遍堆砌「专业、权威、领先」,这些不只无效,反而降权。
引述方法在律所场景特别有效 — 行业天然有「客户感言」「法官点评」等可引用素材,接入即可。

6.2 案例 2 · 医美:Kimi 提及率从 12% 跃至 67%

客户档案:某连锁医美机构华东分院,门店 8 家。紧急问题:某 AI 把客户与一家曾出过医疗事故的同名机构混淆,产生品牌误解。

30 天执行重点

Week 1 紧急纠错:立即在权威医美平台发布「真相档案」+ 联系 Kimi 平台报告事实错误
Week 2-3:针对 12 条核心 query 产出「数据添加」型内容
Week 4:多平台同步发布 + 反模式扫描 + 监测确认 Kimi 错误已纠正

结果

Kimi 提及率

品牌误解

咨询转化

完整周期

12% → 67%

已拦截

+39%

30 天

6.3 案例 3 · SaaS:A 级提升至 S 级,90 天

客户档案:某 B2B SaaS 公司,聚焦零售 ERP,ARR 约 8000 万。初始 GEO 综合得分 60.2(A 级),被 2 家竞品压制在「对比型查询」上。

90 天执行

Month 1:针对 8 条 Gap 对比查询,产出 5 篇「深度对比型」内容(每篇 3500+ 字)
Month 2:多平台适配 + 知乎专业账号矩阵 + B2B 平台(36 氪、亿欧)联合发布
Month 3:全 6 平台 Lift 追踪 + 数据反哺 + 第二轮选题

结果

GEO 综合

评级

Gap 攻克

Demo 申请

60.2 → 86.4

A → S

5/8

+58%

6.4 案例 4 · B2B 制造:询盘 +42%,4 个月

客户档案:某工业激光设备制造商,年营收约 3 亿。决策周期 60-90 天,AI 查询频次 5+ 次/客户。

4 个月执行

Month 1:信源差距分析 — 识别「Lead」和「Gap」查询
Month 2-3:针对 Gap 查询,产出 12 篇「技术参数 + 客户案例 + 录屏 Demo」型内容
Month 4:多模态采样取证 — 把客户在 AI 上看到的好评录屏下来,给销售在客户面谈时使用

结果

月度询盘

GEO 综合

评级

完整周期

+42%

48.3 → 71.2

C → A

4 个月

关于案例数据的说明:以上 4 个案例的具体数字均为脱敏匿名样本,实际效果取决于企业资料完整度、内容投入频次、行业基线、监测周期等多个因素,不构成对任何具体效果的承诺。

第 7 章

开始 GEO:30 天行动指南

看完前 6 章,如果你决定启动 GEO 项目,本章是一份具体的 30 天行动清单。它告诉你第 1 天到第 30 天每天该做什么。

7.1 Week 1:基线监测 + 真相档案

目标:知道「现在是什么样」。

Day 1-2:平台注册,完成 5 步引导(企业资料 / 知识库上传 / 监测目标设置)
Day 3-4:录入「真相档案」— 成立时间、主营业务、产品名、客户名单、核心团队、资质证书
Day 5-7:首次全量采样 — 6 平台 × 5-10 个核心 query × 3 次取均值

7.2 Week 2:诊断 + 优先级排序

目标:知道「哪里最该改」。

Day 8-9:运行反模式雷达,扫官网 + 微信公众号文章
Day 10-11:运行品牌误解识别,扫近 30 天 6 平台采样
Day 12-13:运行信源差距分析,找出 Gap / Lead / 共赢 / 都输 4 类查询
Day 14:形成 30 天 Sprint 计划

7.3 Week 3:内容产出

目标:写出 5-8 篇 GEO 优化内容。

Day 15-17:针对每条 Gap 查询,运行 Query Fanout 产生候选选题 → 选 5-8 个写作选题
Day 18-20:用平台生成器产出文章初稿,默认 8 大论文方法均衡 + Schema.org 附带
Day 21:人工审核 + 数字补全 + 客户引述补全

7.4 Week 4:发布 + 追踪

目标:让内容触达 AI 信源 + 开始追踪 Lift。

Day 22-24:多平台适配 — 同一主稿适配 6-8 个平台版本
Day 25-26:发布到自有官网 + 公众号 + 知乎,确认 Schema.org JSON-LD 渲染正确
Day 27:发布到 B2B / 行业平台(36 氪、亿欧、行业垂直媒体)
Day 28-30:启动 D+7、D+14、D+28 自动复测 — 等待 Lift 数据

7.5 常见错误及避免

常见错误

后果

正确做法

用单次截图判断 GEO 效果

可能完全偏离真实状况

至少 3 次采样取均值,看 7-30 天滚动窗

不区分 6 平台,只看豆包

其他 5 平台用户全部被竞品截胡

6 平台都监测,按用户分布权重判定

同一篇文章群发 8 平台

被识别为低质内容,降权

同一主稿,8 个平台独立适配

没关联监测目标

无法量化 Lift

每篇文章关联 1-3 个监测目标

只看综合分,不看 9 维

看不到真实问题

看雷达图,识别哪一维最弱

第 8 章

常见问题(FAQ)

Q1. GEO 项目的最低投入是多少?

完整体系最低投入约为 1 个全职内容运营 + 平台年订阅。中小企业(年营收 500-5000 万)典型预算约为 3-8 万元/年(含工具 + 内容外采)。但更重要的不是「花多少」,而是「持续多久」— 持续 6 个月以上的项目通常能看到稳定指数变化。

Q2. GEO 多久能看到效果?

AI 模型对新发布内容的索引速度通常是 24 小时到 7 天。本平台标准 GEO 闭环周期:① 第 1 天建立基线 + 发现 Gap;② 第 2-7 天生成并发布 5-10 篇 GEO 优化文章;③ 第 8-30 天监测 Lift。部分客户案例显示 30 天内可见改善。

Q3. 我的 SEO 还有用吗?

仍然有用,且必要。GEO 与 SEO 不替代而是并行。AI 联网型(Kimi、秘塔)仍会调用搜索结果,SEO 排名间接影响 AI 引用。建议:在原 SEO 预算基础上加 30-50% 用于 GEO,而非把 SEO 砍掉换 GEO。

Q4. 豆包/Kimi 这些平台官方有 GEO 优化方案吗?

截至本白皮书发布时,没有任何中国 AI 平台官方推出 GEO 工具。我们能做的是「科学反推 + 持续监测」,通过大量采样观察 AI 行为变化,反向优化内容。

Q5. 为什么不直接调用 API?

API 监测有 3 个问题:① API 答案 ≠ 用户看到的答案;② 多数中国 AI 平台没开放 API;③ API 返回的常是降级模型。我们用分布式真实浏览器节点采样,反映真实用户视角。

Q6. 我应该自己招内容团队,还是用 GEO 平台?

两者不互斥。GEO 平台提供工具与方法学,但不替代企业自己的内容投入。理想配置:1 个内容运营(0.5-1 个 FTE)+ GEO 平台。

Q7. Schema.org JSON-LD 有那么重要吗?

是的,且常被忽略。AI 抓取联网搜索时优先解析结构化数据,有 Schema 的页面比无 Schema 的引用率显著更高。本平台所有生成的文章末尾自动附 4 类必装 Schema,复制到 head 即可。

Q8. GEO 数据可靠吗?会不会被竞品操控?

GEO 平台抗作弊能力远高于传统 SEO。原因:① 9 维加权,只优化单维成本极高;② AI 答案的随机性使刷量很难持续;③ 我们的双层语义判定 + 置信度折扣机制。

Q9. 我们公司没那么多内容素材,怎么办?

本平台的「知识库 + AI 反推」机制就是为此设计 — 上传现有资料(PDF/Word/网页),系统自动解析为 5 类知识单元,然后基于这些素材「反推」出可写选题。AI 围绕真实素材扩展角度,不编造。

Q10. 我应该选哪个套餐?

试用版(免费):适合首次接触 GEO,验证概念。入门版(¥598/月):适合年营收 500-2000 万企业。专业版(¥1980/月):适合年营收 2000 万-2 亿企业。企业版(商务定制):大型企业 + 私有化部署。建议从试用版起步,验证后再升级。

附录 A

9 维 GEO 指数完整计算公式

提及率 M

M = (含品牌实体的 check 数) / (有效 check 总数) × 100

推荐位排名 R

R = avg(110 - rank × 10),仅对列表型答案;无排名样本不参与

引用强度 S

S = avg(strong=100, medium=60, weak=20),按命中类型加权

稳定性 St

St = max(0, 100 - sigma / mean × 100)

情感正向率 E

E = (正向情感命中数) / (总命中数) × 100

平台覆盖率 P

P = (有命中的平台数) / 6 × 100

直接命中率 D

D = (direct 命中数) / (direct + indirect) × 100

自有信源被引率 SR

SR = (引用 URL 含本企业域名的样本) / (有 source URL 的样本) × 100

联网引用率 W

W = (带 source URL 的样本) / (总有效样本) × 100

综合得分公式:

Score = 0.20·M + 0.12·R + 0.12·S + 0.12·St + 0.10·E + 0.10·P + 0.08·D + 0.08·SR + 0.08·W

说明:以上公式为默认权重,行业差异化权重可在管理端「GEO 规则配置」调整。公式公开 + 可解释,客户报价单与 admin 后台见到的数字完全一致,无黑盒。

附录 B

30 个 GEO 术语词典

术语

释义

GEO

Generative Engine Optimization,生成式引擎优化

SEO vs GEO

SEO 优化搜索引擎排名,GEO 优化 AI 引擎语义引用

AI 引用监测

追踪 AI 搜索引擎对品牌的真实引用情况

9 维 GEO 指数

提及 20% + 排名 12% + 强度 12% + 稳定 12% + 情感 10% + 平台覆盖 10% + 直接 8% + 信源 8% + 联网 8%

PAWC

Position-Adjusted Word Count,位置加权词频,KDD 2024 核心指标

Query Fanout

查询扩散矩阵,1 个核心问题扩为 25 个变体(5×5)

Lift

提升度,文章发布前 vs 后的 GEO 指数差值

Schema.org JSON-LD

结构化数据标记,GEO 必备

引述添加

Quotation Addition (+42.6%),段落加专家/客户直接引述

数据添加

Statistics Addition (+32.8%),每个论点配数字+单位+时间

流畅度优化

Fluency (+28.7%),句子短而清晰,平均 ≤ 30 字

引用来源

Cite Sources (+27.7%),正文引用 2-3 处权威来源

专业术语

Technical Terms (+18.5%),适度补充本行业 3-5 个术语

易懂表达

Easy to Understand (+13.8%),复杂概念通俗化

权威语气

Authoritative Tone (+11.8%),用自信、确定的措辞

独特用词

Unique Words (+6.2%),避免万能词

关键词堆砌

Keyword Stuffing (-8.7%),反模式,同关键词段内重复 ≥ 5 次

空话堆砌

Qualitative Overload,反模式,定性副词段内 ≥ 5 处

直接命中

Direct Mention,实体名(含别名)原样出现

间接命中

Indirect Mention,通过明确描述指代该企业

稳定性

Stability,同 query 多次采样间的波动反比

住宅 IP 采样

Residential IP Sampling,真实 Chrome + cookies + 住宅 IP

句子级引用归因

Sentence-level Attribution,每句 AI 答案标 source_url 或 ai_summary

双层语义判定

Two-stage Semantic Judgment,规则粗筛 + LLM 精判 + 置信度折扣

Gap 查询

竞品独占的查询,优先攻克

Lead 查询

你独占的查询,守住护城河

共赢查询

你和竞品都被推荐,差异化优化

Miss 查询

都没被推荐,行业内容空缺

GEO 内容生产

基于 KDD 2024 论文方法生成 AI 友好内容

行业 profile

行业适配配置文件,内置问题模板 + 权重 + 方法系数

完整版词典请访问:geo.mwdc.info/glossary

附录 C

免责声明与版权信息

免责声明

本白皮书中涉及的论文数据均引用自 KDD 2024《GEO: Generative Engine Optimization》(Aggarwal et al., arXiv:2311.09735),引用方法及收益数字以原论文为准。
本白皮书中所有客户案例数据(如「60 天 D 提升至 B」「询盘 +42%/月」)均为脱敏匿名样本,实际效果取决于企业资料完整度、内容投入频次、所在行业基线、监测周期等多个因素,不构成对任何具体效果的承诺。
本平台监测覆盖的第三方 AI 平台(豆包 / DeepSeek / Kimi / 通义千问 / 秘塔 AI / 腾讯元宝)名称及其所属公司,仅作业务范围描述。本平台与上述厂商之间不存在任何合作、授权或代理关系,品牌商标归各自所有者所有。
本平台采样数据均基于公开访问的 AI 服务响应,不涉及任何对第三方 AI 平台的破解、绕过、攻击行为。
GEO 是持续投入的内容运营工作,不是「开关一键见效」的工具。本平台提供工具与方法学,不替代客户的内容投入与持续运营。
本白皮书中关于 AI 助手月活规模、行业评级分布等估算数据,均为基于行业公开信息的合理推算,不代表精确实测值。具体数据以各平台官方披露为准。

版权信息

本白皮书 v0.8 由铭文鼎成 GEO 平台技术与产品团队联合编写。

欢迎引用本白皮书内容,引用请注明:《铭文鼎成 GEO 平台白皮书 v0.8》,geo.mwdc.info。

如需商业合作 / 技术咨询 / 演示预约,请联系:

微信:MWDC6311
邮箱:bd@mwdc.info
官网:geo.mwdc.info(GEO 平台) · www.mwdc.info(公司主页)
备案号:浙ICP备20014943号-1

— 本白皮书结束 — 感谢阅读

联系客服

铭文鼎成 GEO 平台白皮书 v1.0 —— 当 AI 成为新搜索时,你的品牌如何被「看见、说对、推荐」

第 1 章

1.1 数字告诉的故事

1.2 SEO 时代 vs GEO 时代:四个根本变化

1.3 一个常被忽略的事实:GEO 与 SEO 并行,不替代

1.4 真正的挑战:AI 的「黑盒」特性

第 2 章

2.1 论文背景与数据

2.2 头部方法解读:为什么「引述添加」最有效?

2.3 9 种方法的实证收益对比

2.4 反模式的代价:为什么「关键词堆砌」-8.7%?

2.5 本平台对论文方法的落地

第 3 章

3.1 为什么单维度评估会失败?

3.2 9 个维度的设计 + 权重

3.3 S/A/B/C/D 五级评级

3.4 行业差异化:为什么律所和餐饮的权重不同?

第 4 章

4.1 监测:Query Fanout 25 矩阵

4.2 诊断:反模式雷达 + 品牌误解识别

4.3 生产:论文方法 × 行业 profile

4.4 发布:多平台适配,不是「一键群发」

4.5 追踪:Before/After Lift

4.6 反哺:数据驱动下一轮选题

第 5 章

5.1 6 大技术壁垒

5.2 节点 P2P 池 + 贡献积分

第 6 章

6.1 案例 1 · 律所:从 D 提升至 B,60 天

22.1 → 64.5

6.2 案例 2 · 医美:Kimi 提及率从 12% 跃至 67%

6.3 案例 3 · SaaS:A 级提升至 S 级,90 天

60.2 → 86.4

6.4 案例 4 · B2B 制造:询盘 +42%,4 个月

48.3 → 71.2

第 7 章

7.1 Week 1:基线监测 + 真相档案

7.2 Week 2:诊断 + 优先级排序

7.3 Week 3:内容产出

7.4 Week 4:发布 + 追踪

7.5 常见错误及避免

第 8 章