先说身份：本文由大衍智联撰写。我们自己也做 GEO 服务 —— 是当事人，不是中立的第三方评测。 文中数据全部来自我们自己的实测，方法与样本量随文标注。
先说结论
GEO 要解决的问题不是"怎么让 AI 说你好话"，而是"AI 在回答时，会不会读到你的材料"。
这两件事经常被混为一谈。要分清它们，得先看一个更基础的问题：
AI 回答问题的时候，它说的话是从哪来的？
我们用实测回答了这个问题。
AI 回答一个问题的三个动作
把过程拆开，其实只有三步：
| # | 动作 | 说明 |
|---|---|---|
| 1 | 理解你在问什么 | 判断这是问事实、问方法，还是问"选哪个" |
| 2 | 去找材料 | ★ 关键在这一步 —— 它会去检索一批网页 |
| 3 | 用材料组织答案 | 把找到的内容消化成一段话给你 |
第 3 步常被误解成"AI 的记忆"或者"AI 的看法"。 实际上， 它给你的答案，质量上限往往取决于第 2 步找到了什么。
所以真正值得研究的，是第 2 步。
实测：AI 到底去了哪些地方找
我们做了一次采集：一家 AI 的网页版、10 个问题、记录每一条它实际点到的链接。
⚠️ 本节数据来自一家 AI 的 10 个问题（不是四家）。 「不同 AI 之间差多少」用的是另一套采集，见本文后面「一个必须说清楚的边界」一节。
结果：
| 指标 | 数值 |
|---|---|
| 采集到的引用条数 | 249 条 |
| 去重后来自多少个不同网站 | 140 个 |
| 出现最多的单一来源占比 | 不到 15% |
出现次数靠前的来源：
| 类型 | 举例 | 出现次数 |
|---|---|---|
| 内容社区 | 抖音 | 38 |
| 工商信息 | 企查查 | 9 |
| 技术媒体 | InfoQ | 8 |
| 厂商官网 | 畅捷通 | 8 |
| 内容社区 | 小红书 | 7 |
| 信用信息 | 水滴信用 | 5 |
★ 两个值得注意的点：
- 没有一份"权威清单"。 249 条引用散在 140 个网站上， 最多的一家也没超过 15%。AI 不是在一张榜单上挑，它是在一张很散的网上找。
- 厂商自己的官网是会被引用的 —— 上表里的畅捷通出现了 8 次， 而且在特定行业问题下被反复引用。 "AI 看不到你的官网"这个说法，在数据上不成立。
实测：AI 找材料时，还有一个更值得注意的特点
它读过的材料，是可以被我们自己数出来的。
也就是说：AI 的取材过程虽然不透明，但它的取材结果留下了痕迹 —— 每一条引用都是一个可以打开的链接。
这一点很重要，因为它把一个看起来玄学的问题变成了可观测的问题：
你不用猜"AI 喜不喜欢我"，你可以直接看它引了谁。
★ 这也是 GEO 和传统推广最不一样的地方： 传统渠道效果难归因，而 AI 的信源是可以一条条列出来的。
所以 GEO 是什么
把上面的事实拼起来，可以给一个准确的定义：
GEO（生成式引擎优化）：调整你的公开材料，让它更容易被 AI 在回答问题时检索到、读懂、并采用。
拆开是三个动作：
| 动作 | 做什么 |
|---|---|
| 被检索到 | 你的内容得在 AI 会去的那类网站上，且能被正常抓取 |
| 被读懂 | 内容组织得清楚，有明确的事实和判断，不是营销话术堆砌 |
| 被采用 | 内容是可信的、可核验的，AI 才敢用 |
注意定义里没有"排名"两个字。 这是有意的。
一个关键区分：AI 在两类问题上去的地方完全不同
这一条对做 GEO 特别重要，因为它决定了你该改什么材料。
我们把采集到的 249 条引用按问题性质分成两组：
| 来源类型 | 问"这家公司是谁"（119 条） | 问"这个行业该怎么选"（130 条） |
|---|---|---|
| 工商 / 信用 / 黄页 | 26 条（21.8%） ← 最大头 | 2 条（1.5%） |
| 政府 / 学术 | 18 条（15.1%） | 8 条（6.2%） |
| 新闻媒体 | 13 条（10.9%） | 9 条（6.9%） |
| 内容社区 / 短视频 | 9 条（7.6%） | 40 条（30.8%） ← 最大头 |
| 技术社区 / 媒体 | 2 条（1.7%） | 13 条（10.0%） |
| 厂商官网 | 1 条（0.8%） | 16 条（12.3%） |
| 招聘网站 | 2 条（1.7%） | 0 条 |
两套体系几乎不交叉。 由此得到 GEO 的第一个实务原则：
"AI 怎么说你" 和 "AI 会不会推荐你"，是两件事，要用两套材料去做。
| 品牌侧 | 行业侧 | |
|---|---|---|
| AI 去哪找 | 工商、信用、新闻 | 内容社区、厂商官网、技术媒体 |
| 你能做什么 | 对齐公开信息（快） | 写内容（慢） |
| 能承诺吗 | ✅ 可以承诺"说对" | ❌ 不能承诺结果 |
⚠️ 来源类型是按域名性质人工归类的，总样本 249 条，请当作方向性证据。
第二个实务原则：两类问题分开做，不要混着算
我们算了这 10 个问题两两之间来源的重合度，按"同类还是跨类"分组平均：
| 对比 | 平均重合度 |
|---|---|
| 同类之间（品牌问品牌 / 行业问行业） | 0.115 |
| 跨类之间（品牌问行业） | 0.042 |
跨类重合度只有同类的三分之一。 这从另一个角度印证了上面那张表： 两类问题用的确实是两套材料。
所以实务上的第一个动作是：把"AI 怎么说我"和"AI 会不会推荐我"当成两个项目做。 目标是分开的、材料是分开的、考核标准也是分开的 —— 混着做，两边都会做不准。
⚠️ 一个必须说明的限制：我们在采集里观察到一对同属某细分主题的问题， 重合度高达 0.636（接近重复测量的水平）。但这是一对样本，n=2， 不足以说明"同一主题下来源必然收敛" —— 同组平均只有 0.115， 说明即使是同类问题，来源也常常很散。我们不从这个孤例往外推。
GEO 和别的做法有什么区别
经常被问："这不就是 SEO 换了个名字吗？"不是，但也不全无关系。
| 广告投放 | SEO（搜索优化） | GEO | |
|---|---|---|---|
| 谁看 | 用户（被动看到） | 用户（主动搜索） | AI（替你找资料） |
| 你的位置 | 付费买位置 | 争取靠前 | 进"被检索的材料池" |
| 决定因素 | 出价 | 页面与关键词的相关度 | 内容可不可信、有没有信息 |
| 效果怎么衡量 | 曝光、点击 | 排名、流量 | AI 提到没有、说对没有 |
| 见效周期 | 立刻 | 数周到数月 | 数周起，且需要持续观测 |
★ 关键差异在"决定因素"那一格： SEO 时代，页面和关键词对得上就有机会；GEO 时代，AI 还要判断"这条信息可不可信"。
这就是为什么"承认局限"的内容反而更容易被采用 —— 它看起来更像在说实话。
GEO 不是什么（三个常见的误解）
误解一："GEO 就是给 AI 投毒"
这是最常见的误解，也是最需要澄清的。
给 AI 投毒指的是编造事实、批量生成虚假内容去污染信源。 GEO 正相反 —— 它做的是把真实的信息整理清楚、放到 AI 能找到的地方。
这两件事的区别在于事实真假，不在于有没有做内容。
★ 一个简单的判断标准：如果内容里编了事实、虚构了案例，那就是投毒； 如果只是把自己的真实情况说清楚、说得更可读，那是 GEO。
误解二："GEO 就是刷排名"
AI 的回答里没有"排名"这个概念。
我们实测的 249 条引用里，没有任何一份榜单式的"权威来源"被反复引用。 AI 的做法是从多个来源综合出一个答案，而不是照抄某张榜。
所以"刷到第一位"这个目标本身就不成立。
误解三："做一次就行了"
不行，因为 AI 的答案本身在波动。
实测数据：同一家 AI、同一个问题、隔开再问，它引用的来源重合度只有 0.347 ~ 0.576。
最高也不到六成。 这意味着：
- 单次测量的结论不可信 —— 你今天问一次"没提到我"，不能推出结论
- 这是一件需要持续观测的事，不是一次性项目
那做 GEO 具体在做什么
按上面三个动作，实际工作大致是：
| # | 做什么 | 产出 |
|---|---|---|
| 1 | 测：AI 现在怎么说你，依据是哪一页 | 一份有原始证据的现状记录 |
| 2 | 找：你的客户实际会问什么问题 | 一批真实的问题 |
| 3 | 查：这些问题下，AI 从哪些网站取材 | 一份信源清单 |
| 4 | 补：把自己的材料写清楚、放在对的地方 | 内容 |
| 5 | 复测：隔一段时间再测，看有没有变化 | 趋势 |
★ 第 1 步和第 5 步是这件事的地基。 没有测量，后面全是猜。
一个必须说清楚的边界
GEO 能提高"被 AI 读到"的概率，不能保证"被 AI 推荐"。
理由还是那个数字：不同 AI 之间的信源重合度只有 0.00 ~ 0.21， 而它们各自重复测自己的重合度是 0.35 ~ 0.58。
AI 之间的差异，比 AI 自己的随机波动还大。
在这个量级的不确定性下，任何"保证被推荐"的承诺都是不诚实的。
小结
- AI 的答案质量，上限取决于它找到了什么材料
- 实测：249 条引用散在 140 个网站上，没有"权威清单"；但厂商官网确实会被引
- GEO 是"让材料更容易被检索到、读懂、采用"，不是刷排名
- 它和"投毒"的区别在于事实真假，不在于做不做内容
- ★ 单次测量不算数 —— 重复测量的重合度最高只有 0.576
关于本文的数据来源
以上实测由大衍智联完成。方法与样本量已在文中逐处标注， 你可以照着同样的方法测一遍 —— 这正是我们建议的第一步。