GEO（Generative Engine Optimization，生成式引擎优化）是针对 AI 大模型的搜索可见度优化技术。它与传统 SEO 面向完全不同的检索系统。
核心原理
AI 大模型（豆包、DeepSeek、Kimi 等）使用 RAG（检索增强生成） 架构：用户提问后，系统先检索相关知识库，再基于检索结果生成回答。
GEO 的目标是：让你的品牌内容成为 AI 检索到的那个「相关知识」。
三大策略
基于 Princeton KDD 2024 和 ICLR 2026 的学术论文，实验验证了以下策略的有效性：
1. Cite Sources — 引用来源
效果：AI 引用概率提升约 115%
在内容中明确标注信息来源、数据出处和权威引用。AI 模型更倾向于引用可追溯、有来源支撑的观点。
实现方式：
- 内容中引用学术研究、行业报告时标注出处
- 网站中嵌入 JSON-LD 结构化数据，注明 Organization 和 WebSite 信息
- 在 llms.txt 中列出关键页面的摘要和链接
2. Statistics — 数据支撑
效果：AI 引用概率提升约 40%
包含具体数字、百分比、时间节点的陈述比纯文字描述更容易被 AI 引用。
实现方式：
- 用具体数据代替模糊描述（「月活 5000 万」而非「用户量很大」）
- 标注数据的时间节点（「截至 2026 年 Q1」而非「目前」）
- 在 HTML 中使用
<time>标签和<meta name="date">标记内容时效
3. Fluency — 结构化流畅度
效果：AI 引用概率提升约 29%
清晰的结构、流畅的表达让 AI 更容易提取和重组信息。
实现方式：
- 使用语义化 HTML（h1-h6 层级清晰，不跳级）
- 段落长度控制在可读范围，每段聚焦一个核心观点
- 列表、表格等结构化元素帮助 AI 准确理解数据关系
技术基础设施
GEO 不仅是内容策略，也需要技术部署：
| 技术项 | 用途 | 部署位置 |
|---|---|---|
| JSON-LD | 结构化品牌信息，AI 实体识别 | 网站 <head> |
| robots.txt | 明确放行 AI 爬虫 | 网站根目录 |
| llms.txt | AI 爬虫的站点索引（Markdown 格式） | 网站根目录 |
| ai.txt | 声明 AI 对内容的访问权限 | 网站根目录 |
| sitemap.xml | 完整页面索引，提交搜索引擎 | 网站根目录 |
验收标准
GEO 部署完成后，用以下方式验证：
# 1. 原始 HTML 是否包含可读内容（AI 不执行 JS）
curl -s https://域名 | wc -c # 至少 > 2048
# 2. 是否有标题层级
curl -s https://域名 | grep -o '<h[1-6]'
# 3. AI 爬虫是否被放行
curl -s https://域名/robots.txt
# 4. JSON-LD 是否有效
# 访问 https://validator.schema.org 输入网址
参考
- Aggarwal, P., et al. “GEO: Generative Engine Optimization.” KDD 2024.
- Nguyen, T., et al. “RAG-based Generation with Source Attribution.” ICLR 2026.
- Schema.org — 结构化数据标准
- llms.txt 规范