过去，用户产生需求后，习惯打开搜索引擎，逐条浏览、比较、筛选，自己拼出答案。搜索结果页因此成了企业竞争的主要入口——谁排名更高、点击更多，谁就更有机会影响用户决策。

这两年，越来越多用户把问题直接交给 AI。他们不再逐条打开链接，而是直接拿到一段现成的答案。用户接触答案的第一入口，正在从网页向 AI 的回答迁移。

Google 在 2024 年推出 AI Overviews 功能，在搜索结果顶部直接呈现 AI 生成的摘要。Pew Research Center 在 2025 年基于 900 名美国成年人的浏览行为数据，对 68,879 次 Google 搜索进行分析后发现：在出现 AI 生成摘要的搜索访问中，用户点击传统搜索结果链接的比例仅为 8%；而在没有 AI 生成摘要的页面上，这一比例为 15%——几乎减半。

换言之，在出现 AI 摘要的搜索访问中，用户点击传统链接的比例明显更低，浏览行为也发生了变化：26% 的访问会直接结束浏览会话（Pew 将其定义为退出浏览器 5 秒及以上），不再点击任何搜索结果或访问其他页面。

中国市场的宏观数据也呈现出用户获取信息习惯的变化。需要先说明的是，两组数据的统计口径不同——Pew 衡量的是搜索结果页上的微观点击行为，CNNIC 衡量的是宏观用户规模，不能直接横向比较。2026 年 2 月，中国互联网络信息中心（CNNIC）发布第 57 次《中国互联网络发展状况统计报告》：截至 2025 年 12 月，我国搜索引擎用户规模为 7.82 亿人，较 2024 年 12 月的 8.78 亿减少了近 9600 万；使用率从 79.2% 降至 69.5%，一年内下降近 10 个百分点，在 CNNIC 的历次统计中较为少见。

同一时期，生成式人工智能用户规模从 2.49 亿增长到 6.02 亿，普及率从 17.7% 升至 42.8%。CNNIC 在报告中也把这一变化与「智能搜索」的兴起联系起来：引入人工智能技术的新一代搜索产品可以归纳网络信息，并直接回答用户问题；报告同时提到，传统搜索引擎用户规模受到智能搜索产品影响。

无论看单个产品的行为数据，还是看权威机构的统计，都能看到一个共同趋势：越来越多的人开始把筛选信息、组织答案这件事交给 AI。

但这并不意味着搜索失效了。

恰恰相反，搜索仍然是信息发现和流量获取的重要渠道。真正变化的是：内容竞争又多了一个新的战场——过去，我们争取的是「被搜索引擎展示」；现在，还要争取「被生成式 AI 选中并采用」。

这里说的「采用」，包含几种不同程度的情形：AI 在回答中附上你的来源链接（显性引用），在回答中提到你的品牌或产品名称（品牌提及），或者在未标注来源的情况下，回答与目标内容中的独有数据、框架或表述出现高度重合（推定内容采用，正文简称「内容采用」）。第三种情形只能依据预先设定的规则推定，不能证明目标页面就是唯一来源。为了便于阅读，本书有时会用「采用」作为这三类情形的上位词；在需要严格区分时，会分别用「显性引用 / 品牌提及 / 内容采用」展开讨论。

被搜索引擎展示，意味着内容有机会被用户看到；被生成式 AI 采用，意味着内容有机会进入 AI 的回答。两者对应的不是同一套评估标准。

这正是我开始系统研究 GEO 的原因。SEO 与 GEO 关注的是相互关联、但不完全相同的结果形态：SEO 覆盖内容在搜索系统中的抓取、索引、排序、展示和访问承接；GEO 关注内容在生成式回答中是否被检索、采用、提及和正确归因。两者共享大量技术与内容质量基础，但搜索可见性不能完整说明内容在生成式回答中的表现——这是 GEO 需要增加观察和监测的部分。

GEO 是什么，不是什么

GEO，全称 Generative Engine Optimization，生成式引擎优化。

这个概念较早由 Aggarwal 等人在 2023 年发布的论文预印本中系统提出，论文后于 KDD 2024 正式发表。但它描述的现象早就存在：生成式 AI 在回答用户问题时，为什么会采用某些内容而忽略另一些？什么决定了你的内容能不能被 AI 选中？

GEO 研究的核心问题是：如何让你的内容更容易被 AI 发现并采用——从进入候选范围，到真正被纳入回答。 它的观察对象不只是页面整体的搜索可见性，还包括内容的结构、表达方式、可信度信号、跨来源归属，以及内容在生成式回答中被采用的程度和方式。

换一种方式理解：SEO 主要观察内容在搜索结果中的可见性、访问机会和任务承接；GEO 主要观察内容在生成式回答中的采用、提及和来源归属。前者并不只等于排名，后者也不是建立在前者之上的下一层——它们面对的是彼此关联的系统，以及不完全相同的结果形态和监测对象。

它和 SEO 不是替代关系，也不适合被概括成简单的包含或继承关系。两者在抓取、索引、相关性、内容质量和外部信号等方面存在大量交叠；到了生成答案、来源选择、品牌提及和归因监测时，又出现了传统搜索数据无法完整呈现的结果。尤其在 Google 的 AI 功能中，两者高度一体化；跨多个生成式 AI 产品观察时，则需要补充新的指标和测试方法。后续章节会逐层展开这些交叠与差异。

不过，GEO 有几条边界需要先说清楚。

GEO 不是给 SEO 换一个名称。搜索可见性、内容相关性、页面体验、链接与品牌信号等 SEO 体系中的核心要素，仍可能影响内容能否进入生成式回答的候选范围；在 Google 的 AI 功能中，这些基础尤其重要。GEO 增加观察的是：内容进入相关检索与生成链路后，哪些片段被采用、如何被组织、是否出现品牌、来源能否被正确归属。表述清晰度、来源可核验性和事实一致性，可能在检索、重排序、上下文选择和生成等多个环节发挥作用，但不存在一套对所有产品都相同的公开评分公式。

GEO 不是欺骗 AI 的技巧。很难有任何「黑帽」手法能让低可信度的内容被 AI 长期稳定采用。AI 是否采用一段内容，受多种因素影响——内容能否通过抓取、检索或联网搜索等方式被 AI 发现；与用户的问题在语义上是否匹配；以及内容本身的可信度和表达清晰度。此外，内容也可能在 AI 的训练阶段被学习并形成参数化记忆，但这条路径基本不可控、难以追踪，通常也不形成带来源标注的引用——它和上述检索路径是两套不同的机制，第三章会详细区分。GEO 不是绕过这些机制，而是在每一个可优化的环节都把内容做得更扎实。

GEO 不是一次性工程。AI 产品在持续演化，GEO 的具体操作也需要跟着调整。这本书给你的是一套方法和判断标准，而不是一份三个月后就过期的操作清单。

为什么写这本书

GEO 这个概念被提出的时间不长，但它面对的问题已经真实存在：生成式 AI 正在改变用户获取信息的方式，内容创作者需要新的方法论来应对这种变化。目前，市面上已经出现了不少 GEO 相关内容，但明显缺乏足够的实验积累和长周期验证，大量依赖 AI 生成的术语框架来构建专业感，看上去体系完整，实际上不具备可操作性。

更麻烦的是，这些内容还制造了大量认知混淆：有人把 GEO 简单理解成 SEO 的换壳版本，有人直接把 Google 的 E-E-A-T 框架当作 GEO 内容策略，说法越来越多，真正能落地的东西却越来越少。

背后的根本原因在于：生成式 AI 的来源选择和回答生成链路，比传统 SEO 常用的监测体系更不透明，而且不同产品之间的实现差异更大。搜索引擎同样是复杂的多阶段系统，但站长通常还能通过抓取、索引、展示、点击和排名等数据观察结果；生成式回答还叠加了查询扩展、来源选择、上下文组织与生成表达等难以从外部直接看到的环节。在这样的系统里探索 GEO，没有捷径可走——它需要持续试错、长周期的比较与控制实验，以及大量数据校准，才能沉淀出真正站得住脚的操作框架。

我做了 15 年流量增长，SEO 是贯穿始终的核心手段。这个行业本身也在持续演化——从早期侧重抓取和索引的技术优化，到后来围绕内容质量、搜索意图和用户体验的体系化竞争。正是这些经历，让我在生成式 AI 开始改变信息分发方式时，比较快地意识到了新的问题。

生成式 AI 刚开始普及的时候，我几乎第一时间就把它当搜索工具来用。很快我就发现了一件让我不安的事：一些网页在搜索引擎上排名很好，但 AI 已经可以直接给出完整的选购建议、推荐品牌、列出参数——用户在对话里就能完成判断，很少需要再点击任何链接，更不用说注意到 AI 回答里那不起眼的来源标注。搜索的排名还在，但流量的实际入口正在向 AI 的回答迁移。

这不是偶然的偏差，而是一种新的分发逻辑在形成。

这个判断促使我做了两件事。第一件是补课。接下来一年多，我系统学习了深度学习、机器学习和大语言模型的底层原理——我必须先搞清楚 AI 到底是怎么「读」内容的，又是怎么决定采用哪些内容的。第二件是验证。我设计并执行了第一批 GEO 优化前后比较测试：修复技术可抓取性、构建答案块、增强内容可信度信号，再用标准化的问题库去观察优化前后内容被显性引用、品牌提及，或进入 AI 回答的变化。

这组测试在科学仪器行业（B2B 场景）中完成，覆盖了包括百度 AI 搜索、豆包、千问在内的多个主流 AI 产品，使用了 1,000 余条标准测试问题。数据出来后，我反复核对确认：经过完整优化的内容，综合来源采用率从不到 10% 提升至近 40%，不同平台之间存在差异。这里的「综合来源采用率」是我为这组测试定义的观察指标——在向 AI 提出标准测试问题时，目标内容被显性引用、品牌提及，或可判断地以内容采用形式进入回答的比例。它不是平台官方指标，也不能替代三项子指标的分别记录。第八章会详细说明测试口径和局限，并给出可复用的监测方法。

需要说明的是，这个结果来自特定行业、特定测试口径下的优化前后比较，不是带有独立对照组的严格因果实验，也不代表所有行业或所有 AI 产品都能复现同样的提升幅度。它至少说明：可以为 GEO 建立一套操作性指标，持续观察优化前后的变化；但观察到变化不等于已经证明某个动作与结果之间存在单一因果关系。第八章会进一步说明判定规则和方法局限。

我希望这本书能为当前 GEO 领域填补一部分空白：有数据支撑，有成体系的方法，有可以落地的操作步骤；同时，也对自己的边界保持诚实。

这本书能给你什么

简单说，这本书讲三件事：AI 怎么读内容，你该怎么改，怎么知道改得对不对。

前三章先把认知建起来。你会看到流量分发正在怎么变，大语言模型到底是怎么「读」内容的，以及 AI 获取信息最常见的两类来源：一种是参数化记忆——AI 在训练阶段「记住」的知识；另一种是 RAG，也就是 AI 在回答时引入外部可检索信息的机制（数据源可以是网页索引、向量库、文档库、知识库或缓存索引，不一定是实时联网）。实际产品中还可能涉及联网搜索、知识库、工具调用等，但这两类是理解 GEO 的核心框架。把它们分清，你才知道网站该先改哪些页面、该补哪些第三方信源、哪些内容最值得投入。

第四章到第六章是全书的实操核心。

第四章解决「AI 能不能发现你」的问题——这不仅包括传统爬虫的抓取，还包括你的内容是否有机会进入 AI 产品的检索、联网搜索或知识库调用链路。如果你的内容很难被 AI 发现，后续优化就很难发挥作用。

第五章解决「AI 发现你之后，能不能直接采用和复述」的问题——你将学会在页面上构建一个 AI 可以直接复述的「答案块」。

第六章解决「AI 凭什么选你而不选竞品」的问题——从权威性、相关性、内容结构清晰度三个维度提升你的内容在 AI 面前的竞争力。

这三章是你读完之后可以立即动手改的部分。

第七章和第八章解决规模化和可持续的问题：如何在多个彼此独立、可追溯的信源中建立品牌可信度，让不同平台上的内容形成真正的多源印证（全域分发）；以及如何用数据判断 GEO 到底有没有效、下一轮该改什么（效果监测）。

读完这本书，你不会变成 AI 专家，但你会具备一项实用的能力：看懂 AI 时代的内容竞争规则，并且知道怎么一步步执行。对已经熟悉 SEO 基础概念的读者来说，第四章开始会直接进入操作层。但我建议至少先读完第二章和第三章——只有理解了 AI 处理内容的底层机制，你在具体操作时才能做出准确的判断，而不是机械地照搬清单。

这本书适合谁

这本书是为关注流量增长的企业主、网站运营者、营销人和内容创作者写的。如果你已经在做搜索优化，但开始感觉流量逻辑在变、现有数据还无法完整呈现 AI 回答入口，这本书会帮你建立起一套可用的 GEO 方法论——你过去积累的 SEO 经验仍然有用，同时还需要观察不同生成式 AI 产品中的采用、提及、归因和答案准确性。

负责企业内容或数字营销的管理者同样会从中受益——你需要理解生成式 AI 正在怎样改变用户获取信息的方式，并据此调整内容策略。

对于提供 SEO 或内容营销服务的从业者，这里有可以直接用在自己项目里的方法论和操作框架。

这本书不太适合两类人：一是寻找「三天见效」捷径的读者，GEO 没有速成法；二是完全没有数字营销基础的读者，这本书默认你对 SEO 的基本概念已经有所了解，不会从零开始解释什么是搜索引擎。

关于本书数据和案例的诚实声明

本书中的测试数据来自作者设计并主导完成的优化前后比较测试，测试在真实业务环境中进行；书中不呈现任何可识别的企业、客户或产品信息。全书的「改造前/改造后」示例中涉及的参数、价格和数据均为教学演示，用于展示写法和结构的变化，不对应任何真实企业或产品，读者在实际应用时应替换为经过核实的真实数据。

GEO 是一个仍在快速演化的领域。本书中的部分具体建议——尤其是涉及特定 AI 产品行为和平台规则的内容——可能随着产品更新而需要调整。配套网站 geobok.com 会持续更新最新的研究发现和勘误。这本书呈现的是我在当前阶段形成的完整认知，而不是永久正确的最终答案。

如果你在实践中发现本书有误的地方，欢迎提出。一个人的研究终究有限，真正推动这个领域进步的，是更多人用可复现的测试去验证、补充和挑战现有方法论。

——邓应来，2026 年 7 月修订