GEO 术语词典

核心概念6 条

GEOGenerative Engine Optimization · 生成引擎优化

让一个品牌、个人或内容，在 ChatGPT、Claude、Gemini、DeepSeek、豆包等生成式 AI 的回答中被正确识别、准确描述并被引用推荐的优化实践。它优化的不是搜索结果排名，而是 AI 生成答案时引用了谁、怎么说。术语出自 Aggarwal、Murahari 等人 2023 年论文《GEO: Generative Engine Optimization》（arXiv:2311.09735），发表于 KDD 2024。

AEOAnswer Engine Optimization · 答案引擎优化

与 GEO 基本同义，强调优化对象是「一个直接答案」而不是「一列链接」。在中文语境中常与 GEO 混用，两者都有可追溯的出处，可放心写进合同。

LLMO / LLM SEOLarge Language Model Optimization

强调优化对象是大语言模型的叫法，属营销造词，没有可追溯的学术或行业标准出处。含义与 GEO 高度重叠，对外沟通建议优先用 GEO。

AISO / AI SEOAI Search Optimization

强调场景是 AI 搜索的叫法，同样属营销造词。遇到只会用这个词、且讲不清它与 GEO 区别的服务商，建议降低预期。

生成式引擎Generative Engine

以生成一段自然语言答案作为主要输出形态的信息系统，而不是返回一列链接。包括 ChatGPT、Claude、Gemini、Perplexity、豆包、DeepSeek、Kimi 等，也包括 Google AI Overviews 这类嵌在传统搜索里的生成模块。

SEOSearch Engine Optimization · 搜索引擎优化

针对传统搜索引擎结果页排名的优化实践。与 GEO 不是替代关系而是叠加关系——站点可抓取、结构化数据、内容质量这些基础工作两者共用，但目标函数不同：SEO 争排名位置，GEO 争答案里的那句话。

衡量指标6 条

提及率Mention Rate

用一套固定提问跑测 AI 后，回答中出现目标名称的题数占总题数的比例。公式：出现目标名称的题数 ÷ 总题数。例如 20 条提问中出现 12 次，提及率为 60%。只看是否出现，不看描述是否正确。

事实准确率Factual Accuracy

AI 提到目标对象时，关键事实（身份、头衔、机构、业务、成就）描述正确的题数占比。公式：得 2 分的题数 ÷ 总题数。被提到但被说错比完全不被提到更伤，因此该指标通常比提及率更值得优先优化。

认知空白率Blank Rate

AI 完全不知道目标对象、或答非所问的题数占比。公式：得 0 分的题数 ÷ 总题数。该指标高说明公开信源不足，治法是铺设信源。

事实错误率Error Rate

AI 知道目标对象但描述有误（头衔过时、机构写错、与同名者混淆、成就张冠李戴）的题数占比。公式：得 1 分的题数 ÷ 总题数。该指标高说明全网信息互相矛盾，治法是做一致性校准，与认知空白率是两种不同的病。

正确识别平台数Platform Coverage

事实准确率达到约定阈值的 AI 平台个数，衡量覆盖广度。阈值需在报告中明确注明，通常取 60%。

AI 声量份额Share of Voice in AI

在品类推荐类提问中，目标品牌被提及的次数占所有被提及品牌总次数的比例。用于衡量品类词竞争位置，比单纯的提及率更能反映相对强弱。

技术要素10 条

llms.txt

放在网站根目录、专门写给大语言模型看的纯文本摘要文件，用 Markdown 书写。由 Jeremy Howard 于 2024 年 9 月 3 日在 Answer.AI 提出，规范见 llmstxt.org。规范只要求一个 H1，摘要引用块、正文与 H2 链接区块均为可选。

llms-full.txt

llms.txt 的完整版本，把站点核心内容全文展开放在一个文件里，供模型一次性取用。与 llms.txt 是摘要与全文的关系，并非替代。

Schema.org结构化数据词汇表

由 Google、Microsoft、Yahoo、Yandex 联合维护的结构化数据词汇表，用来告诉机器页面上哪段是定义、哪段是问答、谁是作者。GEO 中最常用的类型包括 Organization、WebPage、Article、FAQPage、HowTo、DefinedTerm、BreadcrumbList。

JSON-LDJavaScript Object Notation for Linked Data

在网页里嵌入结构化数据的推荐格式，写在 <script type="application/ld+json"> 标签里，与页面展示层解耦。相比 Microdata 与 RDFa 更易维护，是当前主流做法。

DefinedTermSchema.org 术语类型

Schema.org 中用于标记「一个被定义的术语」的类型，配合 DefinedTermSet 可以把整个术语表结构化。对于希望被 AI 当作权威定义来源引用的内容，这是性价比很高的一项标记。

FAQPageSchema.org 问答页类型

Schema.org 中用于标记常见问答的类型。关键约束：标记的问答必须与页面可见内容逐条一致，否则违反结构化数据政策，有被降权风险。

canonical规范链接

告诉搜索引擎与爬虫「这个页面的权威地址是哪个」的声明。必须与站点实际托管域名一致——canonical 指向 A 而站点实际跑在 B，会被判定为配置异常。

hreflang语言与地区定向

多语言站点用来声明「同一内容的其他语言版本在哪」的标记。必须双向互指，并配置 x-default 指向默认版本，单向声明无效。

robots.txt爬虫协议文件

放在站点根目录、声明哪些爬虫可以抓取哪些路径的文本文件。GEO 场景下需特别注意：Google-Extended 与 Applebot-Extended 是「AI 训练用途」的独立开关，不显式写出等于默认不授权。

服务端渲染SSR · Server-Side Rendering

由服务器直接输出完整 HTML，而不是靠浏览器执行 JavaScript 再拼出内容。对 GEO 至关重要——相当一部分 AI 爬虫不执行 JavaScript，纯前端渲染的内容在它们眼里等于空白页。

AI 爬虫7 条

GPTBotOpenAI 训练爬虫

OpenAI 用于抓取公开网页作为模型训练语料的爬虫。放行它影响的是未来模型版本中的知识，不影响当下的联网检索结果。

OAI-SearchBotOpenAI 检索爬虫

OpenAI 用于构建 ChatGPT 搜索索引的爬虫。与 GPTBot 不同，它直接影响 ChatGPT 联网检索时能否找到你，是 GEO 最该优先放行的爬虫之一。

ClaudeBotAnthropic 爬虫

Anthropic 用于抓取公开网页的爬虫。另有 Claude-User（用户主动触发的取页）与 Claude-SearchBot（检索索引）两类用途不同的 UA。

PerplexityBotPerplexity 检索爬虫

Perplexity 用于构建其答案引擎索引的爬虫。Perplexity 的回答高度依赖实时检索并显式标注来源，是观察 GEO 效果最直观的平台之一。

Google-ExtendedGoogle AI 训练开关

Google 用于控制站点内容是否可用于 Gemini 等生成式 AI 产品训练与接地的独立标识。它不影响常规 Googlebot 的收录与排名，是一个单独的授权开关。

CCBotCommon Crawl 爬虫

Common Crawl 这一公开网页语料库的爬虫。由于大量模型的训练语料直接或间接来自 Common Crawl，放行 CCBot 是进入未来模型知识的重要通道之一。

Bytespider字节跳动爬虫

字节跳动的网页爬虫，与豆包等产品的内容生态相关。面向中文市场做 GEO 时需要显式放行。

方法与风险6 条

信源工程Source Engineering

把真实资料改写成模型易读取、易引用的结构化事实（一句话定义、问答对、带日期出处的数据点、Schema 标记），并铺设到 AI 实际会检索的权威渠道的工作。是 GEO 中最难外包、也最决定上限的环节。

基线诊断Baseline Diagnosis

在做任何优化动作之前，用一套提前锁定的标准提问集跑测并打分，得到服务前的指标快照。没有基线就没有效果可言——所有「提升了多少」的说法都必须以基线为参照。

实体消歧Entity Disambiguation

当目标对象与他人同名、或品牌名与其他事物撞名时，通过补充区分性事实（领域、机构、地域、代表作）帮助模型把两个实体区分开的工作。同名混淆是中文 GEO 中最高频的事实错误来源。

幻觉Hallucination

大模型生成看似合理但与事实不符的内容。在 GEO 语境中特指模型编造目标对象的头衔、经历或成就。治理幻觉的有效手段不是辩解，而是提供足够密度的、互相一致的公开事实。

标准提问集Standard Prompt Set

用于跑测的一组固定提问。必须先定稿再跑测，定稿后不得增删改，否则前后对比失去意义。事后挑选表现好的题目来做对比，是这个行业最常见的数据造假手法。

刷号灌水Astroturfing

通过批量注册账号发布内容来伪造声量的做法。短期可能提升提及率，但会触发平台反垃圾机制，导致账号封禁、词条回退、被判营销号，最终反噬品牌。属于 GEO 的明确红线。

常见问题

GEO 和 AEO 有什么区别？

基本是同一件事的不同叫法。GEO（Generative Engine Optimization，生成引擎优化）是学术界最早使用、也最通用的说法，出自 KDD 2024 论文；AEO（Answer Engine Optimization，答案引擎优化）强调优化对象是「一个直接答案」而不是「一列链接」。两者都有可追溯的出处，可以放心写进合同。相比之下 LLMO、AISO 属于营销造词，没有标准出处。

AI 提及率和事实准确率哪个更重要？

事实准确率更重要。提及率只看 AI 有没有提到你，事实准确率看提到你时说得对不对。被提到但被说错——头衔过时、机构写错、和同名者混淆——比完全不被提到更伤品牌，因为错误信息一旦被反复引用会自我强化。优化顺序上通常先把准确率拉上去，再谈提及率。

认知空白率高和事实错误率高，分别说明什么？

这是两种完全不同的病。认知空白率高（AI 压根不知道你）说明公开信源不足，治法是铺设信源；事实错误率高（AI 知道但说错）说明全网信息互相矛盾，治法是做一致性校准。用错药等于白做，所以诊断阶段必须把这两个指标分开统计。

robots.txt 里为什么要单独写 Google-Extended 和 Applebot-Extended？

因为它们是「AI 训练用途」的独立授权开关，不写等于默认不授权。Google-Extended 控制站点内容是否可用于 Gemini 等生成式 AI 产品，不影响常规 Googlebot 的收录与排名；Applebot-Extended 同理。希望内容进入模型知识的站点，必须显式放行这两个标识。

引用本词典

继续读