[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"$f44suvc3apunj":3},{"id":4,"slug":5,"title":6,"excerpt":7,"category":8,"coverImage":12,"authorName":13,"readingMinutes":14,"likeCount":15,"featured":16,"publishedAt":17,"locale":18,"coverImageAlt":12,"authorTitle":19,"contentHtml":20,"wordCount":21,"viewCount":22,"updatedAt":23,"related":24},"01a1667f-cde2-7bf2-a64d-475278811efb","whitepaper-2025-2026","GEO 发展与前景白皮书（2025—2026 版）","本白皮书系统梳理「生成式引擎优化」（GEO, Generative Engine Optimization）——即让品牌与内容在 AI 搜索答案中被正确引用的新兴方法论。核心论点：SEO 决定你能否进入候选池，GEO 决定你能否被写进答案；二者是「页面级竞争」向「段落级竞争」的结构性迁移，而非替代关系。",{"id":9,"slug":10,"name":11},"01a16676-63a8-75f6-ad8c-c1706b18d5fb","report","研究报告","","butGEO研究院",103,572,true,"2026-10-23T02:03:34.241Z","zh","GEO 研究团队","\u003Ch2 id=\"摘要\">摘要\u003C\u002Fh2>\n\u003Cp>2023—2025 年，信息获取的入口从"链接列表"迁移到"合成答案"。随之出现一个被大量服务商叙事占据、但缺少可核验证据的领域：生成式引擎优化（Generative Engine Optimization, GEO）。本白皮书不回答"GEO 是什么"，而是回答三个更难的问题：\u003Cstrong>它是否真的有效、在什么条件下有效、以及怎么测量。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>本白皮书基于 52 项来源（其中 A 级同行评审论文与官方文件 16 项），系统梳理了 GEO 的机制、实证与边界，并给出五项核心结论：\u003C\u002Fp>\n\u003Cp>\u003Cstrong>第一，迁移已经发生，但幅度被系统性夸大。\u003C\u002Fstrong> 麦肯锡 2025 年 8 月对 1,927 名美国消费者的调查显示，50% 的消费者已主动使用 AI 搜索，其中 44% 视其为首选信息源，超过传统搜索的 31%\u003Csup>[17]\u003C\u002Fsup>。但"AI 流量已超过搜索"是错的：2026 年 1 月，所有 AI 平台合计约占全球互联网流量的 0.24%，自然搜索仍高出约 345 倍\u003Csup>[34]\u003C\u002Fsup>。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>第二，GEO 的竞争单位从"页面排名"下移为"答案中的那一段"。\u003C\u002Fstrong> 在谷歌 AI 概览中，76.1% 的被引页面确实位于自然结果前 10，但排名第 1 的页面进入前三位引用位的概率仅约 50%——研究者自己称之为"抛硬币"\u003Csup>[19][20]\u003C\u002Fsup>。到了 AI Mode，引用与自然排名的重合度降至 12%—32%\u003Csup>[21][39]\u003C\u002Fsup>。排名仍是入场券，但不再是结果。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>第三，GEO 是"条件有效"，而非"普遍有效"。\u003C\u002Fstrong> 奠基性研究（Aggarwal 等，KDD 2024）报告的"最高 +40%"是 benchmark 内的上界，不是生产环境承诺\u003Csup>[1]\u003C\u002Fsup>。2026 年 2 月的 SAGEO Arena 把实验从"给定候选文档"换成"完整检索管线"后发现，只优化正文文本会在检索与重排阶段掉队\u003Csup>[4]\u003C\u002Fsup>。效果取决于你优化的是管线的哪一段。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>第四，决定胜负的是"可被机器验证的事实资产"与第三方信源，不是技巧。\u003C\u002Fstrong> 品牌自有站点仅占 AI 回答引用来源的 5%—10%\u003Csup>[17]\u003C\u002Fsup>；多伦多大学团队的对照实验显示，ChatGPT 对被推荐品牌的引用中 93.5% 来自第三方（earned media），品牌自有内容仅 6.5%\u003Csup>[5]\u003C\u002Fsup>；Ahrefs 对 7,600 万个 AI 概览的分析发现，品牌全网提及与被引概率的相关性（\u003Cstrong>0.664\u003C\u002Fstrong>）是外链数（\u003Cstrong>0.218\u003C\u002Fstrong>）的三倍；其另一项覆盖 75,000 个品牌的研究则显示，域名评级的相关性仅 0.266、站点页面数仅 0.194\u003Csup>[29]\u003C\u002Fsup>。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>第五，行业最大的短板不是方法，是度量。\u003C\u002Fstrong> 麦肯锡发现仅 16% 的品牌在系统性追踪自己在 AI 搜索中的表现\u003Csup>[17]\u003C\u002Fsup>。本白皮书给出四层指标体系（第 6 章）与可复现的实验设计，并诚实说明哪些东西目前\u003Cstrong>测不准\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>本白皮书同时做了一件行业较少做的事：\u003Cstrong>对流传的关键数字做溯源与纠偏\u003C\u002Fstrong>（第 2.5 节）。第 8 章的五条前瞻判断全部附"判据"。附录 B 公开证据分级规则，附录 D 公开每个数字的核验状态。\u003C\u002Fp>\n\u003Chr>\n\u003Ch2 id=\"关键发现-8-条\">关键发现（8 条）\u003C\u002Fh2>\n\u003Cblockquote>\n\u003Cp>每条均可独立摘录引用。全部数字附来源编号与时间窗。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>\u003Cstrong>发现 1｜约一半消费者已在用 AI 搜索，44% 视其为首选信息源。\u003C\u002Fstrong>\n麦肯锡 AI Discovery Survey（2025 年 8 月，美国代表性消费者面板，n = 1,927）：50% 的受访者已主动使用 AI 搜索；在 AI 搜索用户中，44% 称其为自己"首选的信息来源"，超过传统搜索（31%）、零售商与品牌官网（9%）、评测网站（6%）\u003Csup>[17]\u003C\u002Fsup>。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>发现 2｜品牌自有站点只占 AI 回答引用来源的 5%—10%。\u003C\u002Fstrong>\n麦肯锡基于谷歌 AI 概览的引用分析指出，品牌的自有站点通常只占 AI 搜索引用来源的 5%—10%，其余来自联盟内容、用户生成内容与第三方媒体\u003Csup>[17]\u003C\u002Fsup>。这一结论有三个独立方法的交叉支持：多伦多大学团队的对照实验测得 ChatGPT 引用中第三方占 93.5%\u003Csup>[5]\u003C\u002Fsup>；Muck Rack 对 2,500 万条引用的分析测得非自有非付费来源占 84%\u003Csup>[31]\u003C\u002Fsup>。这意味着"只优化官网"在结构上就是不够的。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>发现 3｜"排名第一"不等于"被引用"——那只是抛硬币。\u003C\u002Fstrong>\nAhrefs 分析了 100 万个 AI 概览中的 190 万条引用：76.10% 的被引页面位于自然结果前 10，但排名第 1 的页面进入前三位引用位的概率仅约 50%，斯皮尔曼相关系数只有 0.347\u003Csup>[19][20]\u003C\u002Fsup>。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>发现 4｜AI Mode 等新界面让引用与自然排名进一步脱钩。\u003C\u002Fstrong>\nSemrush 用 5,000 个关键词对比 15 万条以上引用与谷歌自然前 10：Perplexity 的 URL 重合度 82%、AI 概览 67%、AI Mode 侧边栏仅 32%\u003Csup>[21]\u003C\u002Fsup>。Moz 在 2026 年 2 月对约 4 万条查询的分析更极端：AI Mode 的引用中仅 12% 与自然前 10 的 URL 一致\u003Csup>[39]\u003C\u002Fsup>。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>发现 5｜只优化正文文本，会在检索阶段就掉队。\u003C\u002Fstrong>\nSAGEO Arena（arXiv:2602.12187，2026-02）把评测环境换成含检索与重排的完整管线后发现：纯正文改写使检索命中率下降 9%、重排下降 16%、引用率下降 6%\u003Csup>[4]\u003C\u002Fsup>。这不是说 GEO 无效，而是说\u003Cstrong>优化位置错了\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>发现 6｜结构化信号单独可带来约 +22% 的检索命中改善。\u003C\u002Fstrong>\n同一研究显示：结构类信号（标题、meta、schema 标记等）单独作用可使检索 Hit@20 提升 22%、平均排名改善 2.72 位；按管线阶段分别优化可达 Hit@20 = 0.75（+28%）、引用率 0.58\u003Csup>[4]\u003C\u002Fsup>。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>发现 7｜被 AI 摘要引用的品牌，点击表现显著更好。\u003C\u002Fstrong>\nSeer Interactive 追踪 42 家机构、3,119 条信息类查询、2,510 万次自然展示与 110 万次付费展示（2024-06 至 2025-09）：AI 概览出现时自然 CTR 从 1.76% 降至 0.61%（-61%）、付费从 19.7% 降至 6.34%（-68%）；但\u003Cstrong>被引用的品牌\u003C\u002Fstrong>获得 +35% 自然点击、+91% 付费点击\u003Csup>[22]\u003C\u002Fsup>。研究者明确提示方向性：可能是"被引用的品牌本身权威度更高"，而非引用带来点击。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>发现 8｜llms.txt 目前无证据能提升引用，但也不伤害。\u003C\u002Fstrong>\nSE Ranking 爬取约 30 万个域名，llms.txt 采纳率 10.13%，且与被引频次无显著相关；把该变量从引用预测模型中移除后，模型准确率反而上升\u003Csup>[25]\u003C\u002Fsup>。Ahrefs 对 137,210 个域名的服务器日志分析发现，有效的 llms.txt 文件中 97% 在整个月内零请求\u003Csup>[27]\u003C\u002Fsup>。谷歌已明确表示搜索不使用该文件\u003Csup>[7]\u003C\u002Fsup>。\u003C\u002Fp>\n\u003Chr>\n\u003Ch2 id=\"方法论与证据分级\">方法论与证据分级\u003C\u002Fh2>\n\u003Cp>\u003Cstrong>样本与时间窗\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cul>\n\u003Cli>文献检索：2025-09 至 2026-09，覆盖 arXiv（cs.IR \u002F cs.CL \u002F cs.LG）、ACM DL、ACL Anthology、Google Scholar；中文来源覆盖 CNKI、国家法规数据库、CNNIC 与 QuestMobile 公开报告。\u003C\u002Fli>\n\u003Cli>纳入标准：可获取原始出处、样本量与采集时间。无法同时满足三者者，降级为 C 级或不纳入正文。\u003C\u002Fli>\n\u003Cli>数据基准日：\u003Cstrong>2026-09-30\u003C\u002Fstrong>。此后发生的引擎变更不在本版覆盖范围内。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cstrong>证据分级（详见附录 B）\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>等级\u003C\u002Fth>\n\u003Cth>定义\u003C\u002Fth>\n\u003Cth>使用方式\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>A\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>同行评审论文、官方文档、法规原文、官方统计\u003C\u002Ftd>\n\u003Ctd>可直接作为核心论据\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>B\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>咨询\u002F研究机构报告（方法可查）、平台官方博客、大样本行业研究\u003C\u002Ftd>\n\u003Ctd>可作论据，须标方法与样本\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>C\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>厂商营销内容、媒体报道、二手转述\u003C\u002Ftd>\n\u003Ctd>仅作趋势注脚，须双源交叉\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>D\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>匿名爆料、无法追溯的截图\u003C\u002Ftd>\n\u003Ctd>不使用\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>本版正文共使用 A 级来源 16 项、B 级 34 项、C 级 2 项；\u003Cstrong>0 项 D 级\u003C\u002Fstrong>。（[47][49] 虽编在 B 级编号区，正文按 C 级权重使用，详见附录 B.1 的说明。）\u003C\u002Fp>\n\u003Cp>\u003Cstrong>已知局限（诚实前置）\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Col>\n\u003Cli>\u003Cstrong>地域偏斜\u003C\u002Fstrong>：消费者行为数据以美国样本为主（麦肯锡 n=1,927、皮尤 n=900）。中国市场的行为迁移缺少同等质量的概率抽样，本版用 CNNIC 与 QuestMobile 的规模数据补充，但不做行为等价推断。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>引擎版本漂移\u003C\u002Fstrong>：ChatGPT、Gemini、Perplexity 等产品在 2025—2026 年持续迭代，跨年数据不可直接连成时间序列。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>行业研究的利益冲突\u003C\u002Fstrong>：第 4.5 节用四维评分卡对 12 份主流报告逐一标注，包括本书引用的报告；评分卡同时适用于本书自身。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>原创数据的成熟度\u003C\u002Fstrong>：第 4.6 节的可见度指数为本版\u003Cstrong>预注册（pre-registered）测量协议\u003C\u002Fstrong>，首期实测结果尚未发布；本章给出的全部数值均为方法演示用的合成数据，已在表下显著标注，\u003Cstrong>不得作为实证结论引用\u003C\u002Fstrong>。\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>\u003Cstrong>检索与纳入排除标准\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>项目\u003C\u002Fth>\n\u003Cth>规则\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>检索范围\u003C\u002Ftd>\n\u003Ctd>arXiv（cs.IR \u002F cs.CL \u002F cs.LG）、ACM DL、ACL Anthology、Google Scholar；中文来源：CNKI、国家法律法规数据库、CNNIC、QuestMobile\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>检索期\u003C\u002Ftd>\n\u003Ctd>2025-09 至 2026-09\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>纳入条件（须同时满足）\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>① 可获取原始出处；② 公开样本量或明确方法；③ 标注采集时间\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>排除条件（任一即排除）\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>① 无法追溯原始出处；② 仅有"据研究表明"式转述；③ 样本与口径均不公开的商业测算\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>arXiv 处理\u003C\u002Ftd>\n\u003Ctd>一律核对版本号（v1\u002Fv2\u002Fv3 结论可能不同），并在附录 C 中标注所引版本\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>冲突处理\u003C\u002Ftd>\n\u003Ctd>同源冲突取最新版本；异源冲突\u003Cstrong>并列呈现并标注口径差异\u003C\u002Fstrong>，不做人为调和（例：表 3-0 中 Yext 与 Chen 等对 Gemini 的差异）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>本书控制偏误的四条机制\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>偏误\u003C\u002Fth>\n\u003Cth>表现\u003C\u002Fth>\n\u003Cth>本书的控制方式\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>选择性引用\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>只引对自己有利的研究\u003C\u002Ftd>\n\u003Ctd>第 4.5 节评分卡\u003Cstrong>同样适用于本书引用的报告\u003C\u002Fstrong>；第 4.7 节证据地图主动列出否定性结论\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>时效错配\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>用 2024 年数据描述 2026 年现状\u003C\u002Ftd>\n\u003Ctd>每个数据点标采集时间；跨年数据加提示；附录 D 逐条登记\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>因果混淆\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>把相关性说成因果\u003C\u002Ftd>\n\u003Ctd>第 4.7 节用 ✅\u002F⚠️\u002F❓ 三级明确区分"受控实验证实"与"仅有相关性"\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>利益冲突\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>服务商研究天然倾向自身结论\u003C\u002Ftd>\n\u003Ctd>第 4.5 节设"利益冲突"独立维度打分；附录 B.3 第 6 条声明编制方自身的利益冲突\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>更新机制\u003C\u002Fstrong>：本书按季度维护附录 D 的核验状态，按半年发布新版本。所有版本变更与勘误记录在附录 F 保留完整历史，\u003Cstrong>不做静默修改\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Chr>\n\u003Chr>\n\u003Ch2 id=\"第一部分-认知-边界与机制\">第一部分　认知：边界与机制\u003C\u002Fh1>\n\u003Ch2 id=\"第-1-章-定义-geo-是什么-不是什么\">第 1 章　定义：GEO 是什么，不是什么\u003C\u002Fh2>\n\u003Cblockquote>\n\u003Cp>\u003Cstrong>本章结论\u003C\u002Fstrong>：GEO 的优化对象不是"页面"，而是"答案里被引用的那一段"。它不替代 SEO，而是把竞争从"位置"推移到"证据"。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Ch3 id=\"1-1-术语谱系-谁在什么语境下用哪个词\">1.1 术语谱系：谁在什么语境下用哪个词\u003C\u002Fh3>\n\u003Cp>GEO 不是营销公司生造的词。它有清晰的学术源头：2023 年 11 月，普林斯顿大学、佐治亚理工学院、印度理工学院德里分校与艾伦人工智能研究所的研究者提交论文《GEO: Generative Engine Optimization》，并于 2024 年在数据挖掘顶会 KDD 正式发表\u003Csup>[1]\u003C\u002Fsup>。但在此之前与之后，行业已经叠了一层术语。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>表 1-1　术语对照：谁在什么语境下用哪个词\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>术语\u003C\u002Fth>\n\u003Cth>全称\u003C\u002Fth>\n\u003Cth>提出时间 \u002F 首倡者\u003C\u002Fth>\n\u003Cth>优化对象\u003C\u002Fth>\n\u003Cth>本书是否采用\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>SEO\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>Search Engine Optimization\u003C\u002Ftd>\n\u003Ctd>1990s 中后期\u003C\u002Ftd>\n\u003Ctd>页面在链接列表中的位置\u003C\u002Ftd>\n\u003Ctd>是（作为基础层）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>AEO\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>Answer Engine Optimization\u003C\u002Ftd>\n\u003Ctd>2023 年，行业实践先行\u003C\u002Ftd>\n\u003Ctd>精选摘要、语音答案、知识面板\u003C\u002Ftd>\n\u003Ctd>是（视为 GEO 的前身形态）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>GEO\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>Generative Engine Optimization\u003C\u002Ftd>\n\u003Ctd>2023-11 论文，KDD 2024 正式发表\u003Csup>[1]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>内容在多源合成答案中的可见度\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>是（主术语）\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>LLMO\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>Large Language Model Optimization\u003C\u002Ftd>\n\u003Ctd>2023—2024，行业用语\u003C\u002Ftd>\n\u003Ctd>模型输出中对品牌的描述（含非检索场景）\u003C\u002Ftd>\n\u003Ctd>否（易与"训练数据投毒"混淆）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>SAGEO\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>Search-Augmented Generative Engine Optimization\u003C\u002Ftd>\n\u003Ctd>2026-02，SAGEO Arena\u003Csup>[4]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>在\u003Cstrong>含检索与重排的完整管线\u003C\u002Fstrong>中的可见度\u003C\u002Ftd>\n\u003Ctd>是（用于第 4 章机制分析）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>本书采用 \u003Cstrong>GEO\u003C\u002Fstrong> 作为主术语，理由有二：一是它有明确的同行评审出处；二是它的定义边界最清晰——限定于"生成式引擎"这一特定信息获取形态，而非泛指所有大模型输出。当讨论需要区分"是否经过真实检索管线"时，本书改用 SAGEO，因为这两个场景的结论在 2026 年已经出现实质性分歧（第 4.2 节）。\u003C\u002Fp>\n\u003Ch3 id=\"1-2-生成式引擎的管线-六段与可控变量\">1.2 生成式引擎的管线：六段与可控变量\u003C\u002Fh3>\n\u003Cp>理解优化对象，必须先理解引擎在回答一个问题时的内部链路。综合 RAG 综述与谷歌官方对 AI 功能的说明\u003Csup>[3][6]\u003C\u002Fsup>，可拆为六段：\u003C\u002Fp>\n\u003Cp>\u003Cstrong>表 1-4　生成式引擎的六段管线与站点侧可控变量\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>引擎按以下顺序处理一个提问。各段的可控变量完全不同，这是全书最关键的机制前提：\u003C\u002Fp>\n\u003Cp>各段的可控变量完全不同，这是全书最关键的 mechanics 前提：\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>管线段\u003C\u002Fth>\n\u003Cth>引擎在做什么\u003C\u002Fth>\n\u003Cth>站点侧可控变量\u003C\u002Fth>\n\u003Cth>失控后的症状\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>① 查询理解\u003C\u002Ftd>\n\u003Ctd>识别意图、实体与语言\u003C\u002Ftd>\n\u003Ctd>实体在站内外的一致表述\u003C\u002Ftd>\n\u003Ctd>品牌被识别为另一个实体\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>② 查询扇出\u003C\u002Ftd>\n\u003Ctd>把一个问题拆成多个子查询，各自检索\u003Csup>[6]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>是否覆盖"问题空间"而非单个主词\u003C\u002Ftd>\n\u003Ctd>主词排第一，但所有子查询都不命中\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>③ 检索\u003C\u002Ftd>\n\u003Ctd>从索引中召回候选文档\u003C\u002Ftd>\n\u003Ctd>可抓取、可索引、可出摘要（snippet）\u003C\u002Ftd>\n\u003Ctd>根本进不了候选池\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>④ 重排\u003C\u002Ftd>\n\u003Ctd>按相关性与权威性排序\u003C\u002Ftd>\n\u003Ctd>结构化信号、实体权威度、第三方印证\u003C\u002Ftd>\n\u003Ctd>进了池但排不到前面\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>⑤ 合成\u003C\u002Ftd>\n\u003Ctd>从候选文档中抽取片段并改写成答案\u003C\u002Ftd>\n\u003Ctd>段落是否自包含、是否含可核验事实\u003C\u002Ftd>\n\u003Ctd>排到了但不被引\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>⑥ 呈现\u003C\u002Ftd>\n\u003Ctd>附出来源链接\u003C\u002Ftd>\n\u003Ctd>页面是否可正常访问、URL 是否稳定\u003C\u002Ftd>\n\u003Ctd>被用了但没链接（"提及"而非"引用"）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>这六段不是串联的加分项，而是串联的过滤器。\u003C\u002Fstrong> 任何一段失败，后面全部归零。这正是第 5 章"五层能力模型"要解决的问题。\u003C\u002Fp>\n\u003Ch3 id=\"1-3-可见度四层漏斗\">1.3 可见度四层漏斗\u003C\u002Fh3>\n\u003Cp>把六段管线压缩成站点侧可操作的诊断层次，得到四层漏斗：\u003C\u002Fp>\n\u003Cp>\u003Cstrong>表 1-5　可见度四层漏斗：判别方法与失败模式\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>层\u003C\u002Fth>\n\u003Cth>一句话判别\u003C\u002Fth>\n\u003Cth>量化判据（建议）\u003C\u002Fth>\n\u003Cth>典型失败模式\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>L1 可抓取\u003C\u002Ftd>\n\u003Ctd>AI 爬虫的服务器日志里有没有 200\u003C\u002Ftd>\n\u003Ctd>目标 bot 的抓取频次与状态码分布\u003C\u002Ftd>\n\u003Ctd>robots 拦截 \u002F JS 渲染 \u002F 403\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>L2 可检索\u003C\u002Ftd>\n\u003Ctd>你的页面是否出现在该问题的检索结果里\u003C\u002Ftd>\n\u003Ctd>在 prompt 集上的检索命中率（Hit@k）\u003C\u002Ftd>\n\u003Ctd>主题分散 \u002F 无实体信号\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>L3 可引用\u003C\u002Ftd>\n\u003Ctd>答案中是否带出你的 URL\u003C\u002Ftd>\n\u003Ctd>引用率（Citation Rate）\u003C\u002Ftd>\n\u003Ctd>段落不自包含 \u002F 无可核验事实\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>L4 可推荐\u003C\u002Ftd>\n\u003Ctd>是否在没有链接的情况下被点名\u003C\u002Ftd>\n\u003Ctd>提及率（Mention Rate）+ 情感极性\u003C\u002Ftd>\n\u003Ctd>第三方无背书 \u002F 情感负面\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>四层的判别方法（对应第 5、6 章的可操作版本）：\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>层\u003C\u002Fth>\n\u003Cth>一句话判别\u003C\u002Fth>\n\u003Cth>量化判据（建议）\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>可抓取\u003C\u002Ftd>\n\u003Ctd>AI 爬虫的服务器日志里有没有 200\u003C\u002Ftd>\n\u003Ctd>目标 bot 的抓取频次与状态码分布\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>可检索\u003C\u002Ftd>\n\u003Ctd>你的页面是否出现在该问题的检索结果里\u003C\u002Ftd>\n\u003Ctd>在 prompt 集上的检索命中率（Hit@k）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>可引用\u003C\u002Ftd>\n\u003Ctd>答案中是否带出你的 URL\u003C\u002Ftd>\n\u003Ctd>引用率（Citation Rate）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>可推荐\u003C\u002Ftd>\n\u003Ctd>是否在没有链接的情况下被点名\u003C\u002Ftd>\n\u003Ctd>提及率（Mention Rate）+ 情感极性\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>注意"提及"与"引用"的分野\u003C\u002Fstrong>：一个品牌可以在答案里被点名三次而没有任何链接。按本书口径，那是"提及率 100%、引用率 0%"。多数行业报告把两者混为一谈，这正是"可见度"这个词失去信息量的主要原因。\u003C\u002Fp>\n\u003Ch3 id=\"1-4-与-seo-的关系-继承-偏移与断裂\">1.4 与 SEO 的关系：继承、偏移与断裂\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>表 1-2　GEO 相对 SEO 的继承、偏移与断裂\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>关系\u003C\u002Fth>\n\u003Cth>具体表现\u003C\u002Fth>\n\u003Cth>证据\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>继承\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>可抓取、可索引、可出摘要、内容质量、页面体验——这些要求完全沿袭\u003C\u002Ftd>\n\u003Ctd>谷歌 AI 功能官方文档明确："出现在 AI 概览或 AI 模式中\u003Cstrong>没有其他技术要求\u003C\u002Fstrong>"，只需满足常规搜索技术要求\u003Csup>[6]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>偏移\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>竞争粒度从"页面级"下移到"\u003Cstrong>段落级\u003C\u002Fstrong>"；实体与事实成为独立信号\u003C\u002Ftd>\n\u003Ctd>引用判定发生在 passage 层（第 3.2 节）；Ahrefs 两项研究分别显示：品牌全网提及与被引概率相关性 0.664（7,600 万条 AI 概览），而域名评级仅 0.266、页面数仅 0.194（75,000 个品牌）\u003Csup>[29]\u003C\u002Fsup>——"被讨论"比"站点大"更重要\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>断裂\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>排名不再是引用的充分条件\u003C\u002Ftd>\n\u003Ctd>AI 概览：第 1 名进入前三引用位概率约 50%\u003Csup>[20]\u003C\u002Fsup>；AI Mode：仅 12% 的引用与自然前 10 URL 一致\u003Csup>[39]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>一句话总结：\u003Cstrong>SEO 决定你有没有资格进池，GEO 决定你从池子里被挑出来之后会不会被写进答案。\u003C\u002Fstrong> 把 GEO 理解成"SEO 的替代品"是错的；把它理解成"SEO 之外新增的一段管线"，是准确的。\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>\u003Cstrong>时效提示（重要）\u003C\u002Fstrong>：76.1% 这个数字来自 2025-07 的快照。有二手来源引用 Ahrefs 2026 年一项覆盖 86.3 万关键词的更新分析称，该比例已降至约 \u003Cstrong>38%\u003C\u002Fstrong>——即引用来源正在向自然排名更深处扩散。若成立，则"排名与引用的脱钩"正在\u003Cstrong>加剧\u003C\u002Fstrong>而非缓解。本书未获得该更新的原始页面，故\u003Cstrong>不将其写入正文论证，仅登记于附录 D（第 10b 条，状态 △）\u003C\u002Fstrong>，列为 v1.1 的重点核验项。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>谷歌在 2026 年 7 月更新的官方指南里把这一点写得非常直白："\u003Cstrong>有效的 SEO 优先于 AEO\u002FGEO 技巧\u003C\u002Fstrong>"，并明确列出不需要做的事（第 3.6 节与表 5-2）\u003Csup>[7]\u003C\u002Fsup>。\u003C\u002Fp>\n\u003Ch3 id=\"1-5-八个常见误解与反证\">1.5 八个常见误解与反证\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>表 1-3　GEO 的八个常见误解与反证\u003C\u002Fstrong>（高传播潜力，可单独摘录）\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>#\u003C\u002Fth>\n\u003Cth>常见说法\u003C\u002Fth>\n\u003Cth>反证\u003C\u002Fth>\n\u003Cth>出处\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>①\u003C\u002Ftd>\n\u003Ctd>"GEO 就是多写内容"\u003C\u002Ftd>\n\u003Ctd>内容量与 AI 可见度几乎无关：Ahrefs 对 75,000 个品牌的分析中，站点页面数的相关性仅约 0.194，是所有被测信号中最低的之一\u003C\u002Ftd>\n\u003Ctd>\u003Csup>[29]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>②\u003C\u002Ftd>\n\u003Ctd>"关键词堆砌有用"\u003C\u002Ftd>\n\u003Ctd>奠基研究中被明确证否——关键词堆砌（Keyword Stuffing）在 GEO-bench 上没有正向收益，甚至低于基线\u003C\u002Ftd>\n\u003Ctd>\u003Csup>[1]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>③\u003C\u002Ftd>\n\u003Ctd>"排名第一必被引用"\u003C\u002Ftd>\n\u003Ctd>第 1 名进入 AI 概览前三引用位的概率约 50%；AI Mode 下这一关系进一步瓦解至 12%\u003C\u002Ftd>\n\u003Ctd>\u003Csup>[20][39]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>④\u003C\u002Ftd>\n\u003Ctd>"llms.txt 是入场券"\u003C\u002Ftd>\n\u003Ctd>约 30 万域名样本中采纳率 10.13%，与引用无显著相关；137,210 个域名的日志显示 97% 的文件整月零请求；谷歌明示不使用\u003C\u002Ftd>\n\u003Ctd>\u003Csup>[25][27][7]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>⑤\u003C\u002Ftd>\n\u003Ctd>"schema 是银弹"\u003C\u002Ftd>\n\u003Ctd>谷歌明示"\u003Cstrong>没有需要额外添加的特殊 schema.org 结构化数据\u003C\u002Fstrong>"\u003Csup>[7]\u003C\u002Fsup>（A 级，官方立场）；Ahrefs 追踪 1,885 个新增 schema 的页面与 4,000 个对照页，在三个平台上均未观察到显著引用提升\u003Csup>[52]\u003C\u002Fsup>。\u003Cstrong>但该研究样本均为"已有 100+ 引用"的页面\u003C\u002Fstrong>，结论不必然适用于零引用页面\u003C\u002Ftd>\n\u003Ctd>\u003Csup>[7][52]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>⑥\u003C\u002Ftd>\n\u003Ctd>"AI 只引大站"\u003C\u002Ftd>\n\u003Ctd>影响最大的信号是全网品牌提及（0.66—0.71）与 YouTube 提及（约 0.737），域名评级相关性仅约 0.266——"被讨论"比"站点大"更重要\u003C\u002Ftd>\n\u003Ctd>\u003Csup>[29]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>⑦\u003C\u002Ftd>\n\u003Ctd>"GEO 可短期见效"\u003C\u002Ftd>\n\u003Ctd>在完整检索管线下，只改正文文本会让检索与重排同时掉队，说明收益来自结构调整与信源积累，而非一次性文案改写\u003C\u002Ftd>\n\u003Ctd>\u003Csup>[4]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>⑧\u003C\u002Ftd>\n\u003Ctd>"GEO 只对大品牌有效"\u003C\u002Ftd>\n\u003Ctd>相反：由于品牌自有站点只占引用来源的 5%—10%，中小品牌通过第三方评测、垂直媒体与 UGC 进入答案的路径是开放的\u003C\u002Ftd>\n\u003Ctd>\u003Csup>[17][5]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch3 id=\"1-6-本书明确不写什么\">1.6 本书明确不写什么\u003C\u002Fh3>\n\u003Cp>为了守住可信度边界，本书主动放弃四类内容——它们的传播力往往很强，但会损害本书作为信源的价值：\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>不写\u003C\u002Fth>\n\u003Cth>理由\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>"AI 将取代 SEO"这类二元论断\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>无证据支持，且与平台方官方立场相悖\u003Csup>[6][7]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>具体引擎的未公开排序机制猜测\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>无法核验；写成"据推测"的内容会被模型当作事实复述，放大错误\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>规避平台规则的"技巧"\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>与第 7 章的治理立场直接冲突，且收益期正在关闭\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>绝对化效果承诺\u003C\u002Fstrong>（"保证被 ChatGPT 引用"）\u003C\u002Ftd>\n\u003Ctd>全书禁用"保证\u002F确保\u002F必然"，改用"在…条件下，观察到…"\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>这一节本身也是一条方法论主张\u003C\u002Fstrong>：在 GEO 语境下，\u003Cstrong>克制是有回报的\u003C\u002Fstrong>。生成式引擎倾向于复述表述明确、条件清晰的陈述；而"包治百病"式的断言既不可核验，也更容易被模型在合成过程中丢弃。\u003C\u002Fp>\n\u003Chr>\n\u003Ch2 id=\"第-2-章-迁移-为什么-2025-是分水岭\">第 2 章　迁移：为什么 2025 是分水岭\u003C\u002Fh2>\n\u003Cblockquote>\n\u003Cp>\u003Cstrong>本章结论\u003C\u002Fstrong>：迁移的方向已被多源数据确认，但迁移的\u003Cstrong>幅度\u003C\u002Fstrong>被系统性夸大。专业读者要的是区间与条件，不是单点预测。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Ch3 id=\"2-1-需求侧-行为迁移已经完成一半\">2.1 需求侧：行为迁移已经完成一半\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>表 2-3　AI 搜索用户对"首选信息来源"的自述选择（2025-08，n = 1,927，美国）\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>首选信息来源\u003C\u002Fth>\n\u003Cth>占比\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>AI 搜索\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>44%\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>传统搜索\u003C\u002Ftd>\n\u003Ctd>31%\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>零售商 \u002F 品牌官网\u003C\u002Ftd>\n\u003Ctd>9%\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>评测网站\u003C\u002Ftd>\n\u003Ctd>6%\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>其他 \u002F 未表态\u003C\u002Ftd>\n\u003Ctd>10%\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cblockquote>\n\u003Cp>来源：McKinsey AI Discovery Survey，2025 年 8 月，美国代表性消费者面板\u003Csup>[17]\u003C\u002Fsup>。口径：AI 搜索用户的自述首选来源，多选归一。采集时间：2025-08。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>迁移的几个结构性特征值得注意：\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>不是年轻人的专利\u003C\u002Fstrong>。麦肯锡指出 AI 搜索的使用跨越所有年龄段，包括婴儿潮一代的多数人已在使用\u003Csup>[17]\u003C\u002Fsup>。这与"AI 工具只属于 Z 世代"的刻板印象相反。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>决策链路整体前移\u003C\u002Fstrong>。超过 70% 的 AI 搜索用户在漏斗顶部提问（了解品类、品牌、产品或服务）；在消费电子、日用杂货、旅游、健康、服饰、美妆与金融服务等头部品类，约 \u003Cstrong>40%—55%\u003C\u002Fstrong> 的消费者已在用 AI 搜索做购买决策\u003Csup>[17]\u003C\u002Fsup>。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>中国市场：规模已成型，形态不同\u003C\u002Fstrong>。CNNIC《生成式人工智能应用发展报告（2025）》显示，截至 2025 年 6 月，我国生成式人工智能用户规模达 \u003Cstrong>5.15 亿人\u003C\u002Fstrong>，较 2024 年 12 月增长 2.66 亿人，普及率 \u003Cstrong>36.5%\u003C\u002Fstrong>（较 2024 年 12 月提升 18.8 个百分点）；在所有应用场景中，"\u003Cstrong>回答问题\u003C\u002Fstrong>"的使用率最高，达 \u003Cstrong>80.9%\u003C\u002Fstrong>\u003Csup>[12]\u003C\u002Fsup>。也就是说，中国的迁移首先发生在"问答"这一最接近搜索的形态上。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cblockquote>\n\u003Cp>\u003Cstrong>口径提示\u003C\u002Fstrong>：CNNIC 的 5.15 亿是"生成式人工智能产品用户规模"，不等于"AI 搜索用户规模"；普及率 36.5% 的分母是全国网民，不是成年人口。行业转述中常见的"占网民 50%"是错误引用。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Ch3 id=\"2-2-供给侧-界面在一年之内全面铺开\">2.2 供给侧：界面在一年之内全面铺开\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>表 2-1　主要生成式引擎与形态（截至数据基准日 2026-09-30）\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>平台\u003C\u002Fth>\n\u003Cth>形态\u003C\u002Fth>\n\u003Cth>公开规模\u003C\u002Fth>\n\u003Cth>时间\u003C\u002Fth>\n\u003Cth>来源\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>谷歌 AI 概览（AI Overviews）\u003C\u002Ftd>\n\u003Ctd>搜索结果页内合成摘要\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>月活超 20 亿\u003C\u002Fstrong>，覆盖 \u003Cstrong>200+ 国家和地区、40 种语言\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>2025-07（Q2 财报）\u003C\u002Ftd>\n\u003Ctd>\u003Csup>[14]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>谷歌 AI Mode\u003C\u002Ftd>\n\u003Ctd>对话式搜索界面\u003C\u002Ftd>\n\u003Ctd>美国与印度上线；2025 年 7 月月活破 1 亿\u003C\u002Ftd>\n\u003Ctd>2025-07\u003C\u002Ftd>\n\u003Ctd>\u003Csup>[14]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Gemini App\u003C\u002Ftd>\n\u003Ctd>独立助手\u003C\u002Ftd>\n\u003Ctd>月活超 4.5 亿\u003C\u002Ftd>\n\u003Ctd>2025-07\u003C\u002Ftd>\n\u003Ctd>\u003Csup>[14]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>ChatGPT\u003C\u002Ftd>\n\u003Ctd>独立助手 \u002F 带联网检索\u003C\u002Ftd>\n\u003Ctd>生成式 AI 网站流量份额约 \u003Cstrong>76% → 53%\u003C\u002Fstrong>（2025-06 → 2026-05）\u003C\u002Ftd>\n\u003Ctd>2026-05\u003C\u002Ftd>\n\u003Ctd>\u003Csup>[32]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Gemini（流量份额）\u003C\u002Ftd>\n\u003Ctd>—\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>8.9% → 27.3%\u003C\u002Fstrong>（同期）\u003C\u002Ftd>\n\u003Ctd>2026-05\u003C\u002Ftd>\n\u003Ctd>\u003Csup>[32]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Claude（流量份额）\u003C\u002Ftd>\n\u003Ctd>独立助手\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>约 2% → 约 9%\u003C\u002Fstrong>（同期）\u003C\u002Ftd>\n\u003Ctd>2026-05\u003C\u002Ftd>\n\u003Ctd>\u003Csup>[32]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>中国：AI 原生 App 整体\u003C\u002Ftd>\n\u003Ctd>移动端\u003C\u002Ftd>\n\u003Ctd>月活 \u003Cstrong>4.99 亿\u003C\u002Fstrong>，同比 +85.4%\u003C\u002Ftd>\n\u003Ctd>2026-06\u003C\u002Ftd>\n\u003Ctd>\u003Csup>[35]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>中国：豆包\u003C\u002Ftd>\n\u003Ctd>独立助手\u003C\u002Ftd>\n\u003Ctd>月活 \u003Cstrong>3.82 亿\u003C\u002Fstrong>（同比 +172.1%）\u003C\u002Ftd>\n\u003Ctd>2026-06\u003C\u002Ftd>\n\u003Ctd>\u003Csup>[35]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>中国：千问（通义）\u003C\u002Ftd>\n\u003Ctd>独立助手 + 生态嵌入\u003C\u002Ftd>\n\u003Ctd>月活 \u003Cstrong>1.67 亿\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>2026-06\u003C\u002Ftd>\n\u003Ctd>\u003Csup>[35]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>中国：DeepSeek\u003C\u002Ftd>\n\u003Ctd>独立助手\u003C\u002Ftd>\n\u003Ctd>月活 \u003Cstrong>1.30 亿\u003C\u002Fstrong>（同比 \u003Cstrong>-20.3%\u003C\u002Fstrong>）\u003C\u002Ftd>\n\u003Ctd>2026-06\u003C\u002Ftd>\n\u003Ctd>\u003Csup>[35]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>中国：元宝\u003C\u002Ftd>\n\u003Ctd>独立助手\u003C\u002Ftd>\n\u003Ctd>月活 4,984 万（同比 +100.9%）\u003C\u002Ftd>\n\u003Ctd>2026-06\u003C\u002Ftd>\n\u003Ctd>\u003Csup>[35]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>三个供给侧信号，比规模数字更重要：\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Col>\n\u003Cli>\u003Cstrong>入口正在从"一超"变为"三强"。\u003C\u002Fstrong> ChatGPT 的绝对访问量基本持平，但份额从 76% 滑到约 53%；Gemini 吸收了大部分流失份额（8.9% → 27.3%）。\u003Cstrong>只优化一个引擎的策略，在 2026 年已经覆盖不到一半的受众\u003C\u002Fstrong>\u003Csup>[32]\u003C\u002Fsup>。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>中国市场的格局变化更快。\u003C\u002Fstrong> DeepSeek 在 2026 年 6 月同比下滑 20.3%，是前三名中唯一负增长的；千问同比增长超过 57 倍（低基数效应）。\u003Cstrong>押注单一国产引擎的风险已经显性化\u003C\u002Fstrong>\u003Csup>[35]\u003C\u002Fsup>。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>分发的力量大于产品力。\u003C\u002Fstrong> Gemini 的增长主要来自它既有的分发渠道（搜索、Android、Workspace、Chrome）——很多用户根本没有"选择"一个 AI 工具，他们只是在用谷歌，然后得到了一个 AI 答案\u003Csup>[32]\u003C\u002Fsup>。\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Ch3 id=\"2-3-流量结构变化-ctr-的两种命运\">2.3 流量结构变化：CTR 的两种命运\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>表 2-4　AI 概览出现与否：信息类查询的 CTR 对比\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>场景\u003C\u002Fth>\n\u003Cth>自然 CTR\u003C\u002Fth>\n\u003Cth>付费 CTR\u003C\u002Fth>\n\u003Cth>相对变化\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>无 AI 概览\u003C\u002Ftd>\n\u003Ctd>1.62%\u003C\u002Ftd>\n\u003Ctd>13.88%\u003C\u002Ftd>\n\u003Ctd>基准\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>有 AI 概览（整体）\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>0.61%\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>6.34%\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>−61% \u002F −68%\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>有 AI 概览且\u003Cstrong>被引用\u003C\u002Fstrong>（对比未被引用）\u003C\u002Ftd>\n\u003Ctd>+35%\u003C\u002Ftd>\n\u003Ctd>+91%\u003C\u002Ftd>\n\u003Ctd>组间差异\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cblockquote>\n\u003Cp>来源：Seer Interactive，3,119 条信息类查询、42 家机构、2,510 万次自然展示 + 110 万次付费展示，2024-06 至 2025-09\u003Csup>[22]\u003C\u002Fsup>。口径：谷歌搜索控制台 + 谷歌广告 + 自建 AIO 追踪器。\u003Cstrong>注意\u003C\u002Fstrong>：+35%\u002F+91% 是"被引用 vs 未被引用"的组间差异，研究者明确声明不能确立因果方向。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>三条独立的证据线指向同一个方向：\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>证据线\u003C\u002Fth>\n\u003Cth>方法\u003C\u002Fth>\n\u003Cth>关键数字\u003C\u002Fth>\n\u003Cth>来源\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>用户行为直接观测\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>皮尤研究中心：900 名美国成年人的真实浏览数据，2025 年 3 月共 68,879 次谷歌搜索，其中 12,593 次触发 AI 摘要\u003C\u002Ftd>\n\u003Ctd>有 AI 摘要时点击传统结果的比例 \u003Cstrong>8%\u003C\u002Fstrong>，无 AI 摘要时 \u003Cstrong>15%\u003C\u002Fstrong>；点击摘要内来源链接的仅 \u003Cstrong>1%\u003C\u002Fstrong>；有 AI 摘要后结束整个浏览会话的比例 \u003Cstrong>26%\u003C\u002Fstrong>（对照组 16%）\u003C\u002Ftd>\n\u003Ctd>\u003Csup>[8]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>搜索控制台聚合\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>Ahrefs：30 万关键词，聚合 GSC 桌面端数据\u003C\u002Ftd>\n\u003Ctd>AI 概览存在与首位 CTR 下降约 \u003Cstrong>58%\u003C\u002Fstrong> 相关；信息类关键词首位 CTR 从 2023-12 的 0.076 降至 2025-12 的 0.039\u003C\u002Ftd>\n\u003Ctd>\u003Csup>[28][13]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>新闻行业层面\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>Similarweb：新闻类搜索的零点击比例\u003C\u002Ftd>\n\u003Ctd>从 2024-05 的 56% 升至 2025-05 的约 \u003Cstrong>69%\u003C\u002Fstrong>；全球新闻网站自然流量从 2024 年中期的 23 亿+ 降至 2025-05 的不到 17 亿\u003C\u002Ftd>\n\u003Ctd>\u003Csup>[13]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cblockquote>\n\u003Cp>\u003Cstrong>必须同时呈现的反方立场\u003C\u002Fstrong>：谷歌对皮尤研究公开回应称，该研究"方法存在缺陷、查询集有偏，不能代表搜索流量整体"，并表示"每天都在向网站导流数十亿次点击，没有观察到所暗示的整体网页流量显著下降"。欧盟议会 2026 年的研究报告也记录了谷歌这一立场\u003Csup>[13]\u003C\u002Fsup>。\u003Cstrong>本书不认为这一争议已解决\u003C\u002Fstrong>——皮尤的优势是真实行为观测，谷歌的优势是全网总量数据，两者测的不是同一个东西。读者应把这组数字理解为"\u003Cstrong>在触发 AI 摘要的查询上，点击确实显著减少\u003C\u002Fstrong>"，而不是"全网流量崩塌"。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>\u003Cstrong>但同时必须记住另一半事实\u003C\u002Fstrong>：AI 引荐流量是小基数上的高速增长，不是等量替代。\u003C\u002Fp>\n\u003Cul>\n\u003Cli>Similarweb《2026 生成式 AI 全景报告》：2025-06 至 2026-05，AI 引荐访问量月均 \u003Cstrong>7.707 亿次\u003C\u002Fstrong>，同比 \u003Cstrong>+117.4%\u003C\u002Fstrong>，所有被追踪行业的增幅都至少翻倍\u003Csup>[33]\u003C\u002Fsup>。\u003C\u002Fli>\n\u003Cli>但所有 AI 平台合计仅占全球互联网流量的约 \u003Cstrong>0.24%\u003C\u002Fstrong>（2026-01，去年同期约 0.15%）；自然搜索带来的流量仍是 ChatGPT、Gemini、Perplexity 合计的约 \u003Cstrong>345 倍\u003C\u002Fstrong>\u003Csup>[34]\u003C\u002Fsup>。\u003C\u002Fli>\n\u003Cli>更关键的是质量：Similarweb 测得 ChatGPT 引荐的转化率约 \u003Cstrong>7.1%\u003C\u002Fstrong>，仅次于付费搜索的 7.8%，显著高于常规自然与社交流量；Adobe Digital Insights 测得 2026 年 5 月美国零售站点来自 AI 的流量转化率比非 AI 来源高 \u003Cstrong>54%\u003C\u002Fstrong>\u003Csup>[33][38]\u003C\u002Fsup>。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cstrong>结论\u003C\u002Fstrong>：把这一节读成"搜索流量已死"是错的；读成"流量在缩量、但留下来的流量质量更高、且分配规则变了"，是准确的。\u003C\u002Fp>\n\u003Ch3 id=\"2-4-商业侧-规模与风险的情景区间\">2.4 商业侧：规模与风险的情景区间\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>表 2-5　传统搜索流量下滑的三情景（区间，不取单点）\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>情景\u003C\u002Fth>\n\u003Cth>前提\u003C\u002Fth>\n\u003Cth>流量变化\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>乐观\u003C\u002Ftd>\n\u003Ctd>被引率高 + 品牌搜索抬升\u003C\u002Ftd>\n\u003Ctd>−5% ~ 持平\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>基准\u003C\u002Ftd>\n\u003Ctd>已做基础优化\u003C\u002Ftd>\n\u003Ctd>−20%\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>悲观\u003C\u002Ftd>\n\u003Ctd>未做准备 + 高 AIO 渗透品类\u003C\u002Ftd>\n\u003Ctd>−50%\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cem>（参考）McKinsey 给出的未准备品牌区间\u003C\u002Fem>\u003C\u002Ftd>\n\u003Ctd>—\u003C\u002Ftd>\n\u003Ctd>\u003Cem>−20% ~ −50%\u003C\u002Fem>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>参考锚点（三项全部为预测或预期值，不是实测结果）\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>来源\u003C\u002Fth>\n\u003Cth>表述\u003C\u002Fth>\n\u003Cth>性质\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>Gartner（2024-02 发布）\u003Csup>[18]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>2026 年传统搜索量 −25%\u003C\u002Ftd>\n\u003Ctd>预测\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>McKinsey\u003Csup>[17]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>2028 年约 7,500 亿美元美国收入经由 AI 搜索\u003C\u002Ftd>\n\u003Ctd>预测\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Reuters Institute 2026\u003Csup>[43]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>51 国 280 位媒体领袖预期搜索流量未来数年下降 43%\u003C\u002Ftd>\n\u003Ctd>预期值\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cblockquote>\n\u003Cp>口径提示：以上三个数字全部是\u003Cstrong>预测或预期值\u003C\u002Fstrong>，不是实测结果。Gartner 的 -25% 发布于 2024 年 2 月，其预测窗口（2026）尚未结束，且 Gartner 另有"2028 年自然搜索流量减少 50% 或更多"的长期预测\u003Csup>[18]\u003C\u002Fsup>。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>\u003Cstrong>为什么必须给区间而不是单点\u003C\u002Fstrong>：McKinsey 自己没有公开 20%—50% 这一区间的计算过程；一个跨度如此之宽的区间，本质上是一个情景假设而非预测。对企业而言，更可靠的做法是用自己的数据做对照——比较"触发 AI 概览的查询"与"未触发的查询"在自然点击和展示上的时间序列差异。\u003C\u002Fp>\n\u003Ch3 id=\"2-5-反证-被夸大的四个数字-本书可信度的投名状\">2.5 反证：被夸大的四个数字（本书可信度的投名状）\u003C\u002Fh3>\n\u003Cp>这一节是本书最独特的部分。行业里流传的四个关键数字，没有一个是错的——\u003Cstrong>它们只是被用错了场合\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>表 2-2　被夸大数字的溯源与纠偏\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>#\u003C\u002Fth>\n\u003Cth>流行说法\u003C\u002Fth>\n\u003Cth>原始出处与真实含义\u003C\u002Fth>\n\u003Cth>纠偏结论\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>①\u003C\u002Ftd>\n\u003Ctd>"搜索量已经下降 25%"\u003C\u002Ftd>\n\u003Ctd>Gartner 2024-02-19 新闻稿：预测\u003Cstrong>到 2026 年\u003C\u002Fstrong>传统搜索引擎量下降 25%，分析师 Alan Antin，出自《Predicts 2024: How GenAI Will Reshape Tech Marketing》\u003Csup>[18]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>这是\u003Cstrong>预测\u003C\u002Fstrong>，且发布于 ChatGPT 爆发早期。截至本版数据基准日，无同等权威机构发布确认该幅度已实现的实测数据。应表述为"Gartner 预测"，不得表述为"已下降"\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>②\u003C\u002Ftd>\n\u003Ctd>"AI 概览覆盖率是 X%"\u003C\u002Ftd>\n\u003Ctd>各家测的是不同对象：Semrush 桌面端触发率 2025-01 的 6.49% → 2025-03 的 13.14%\u003Csup>[37]\u003C\u002Fsup>；Re:signal 追踪单一品牌词集 2024-09 的 1.5% → 2025-08\u002F09 的约 32%\u003Csup>[36]\u003C\u002Fsup>；皮尤 2025-03 实测 \u003Cstrong>18%\u003C\u002Fstrong>（且随查询长度剧变：1—2 词的查询仅 8%，10 词以上的查询达 53%）\u003Csup>[8]\u003C\u002Fsup>；Ahrefs 按\u003Cstrong>查询类型\u003C\u002Fstrong>分：信息类 88.1%、电商类仅 4%\u003Csup>[28]\u003C\u002Fsup>；McKinsey 称约 50% 的谷歌搜索已有 AI 摘要，2028 年升至 75% 以上（趋势分析）\u003Csup>[17]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>不存在"AI 概览覆盖率"这一个数字\u003C\u002Fstrong>。必须同时声明：测的是哪类查询、什么设备、什么时间窗、用什么方法。跨口径比较毫无意义\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>③\u003C\u002Ftd>\n\u003Ctd>"GEO 市场 292 亿美元 \u002F 中国 2.5 亿元"\u003C\u002Ftd>\n\u003Ctd>无法找到可核验的原始测算口径；中文口径多来自服务商转述，未公开样本与定义边界\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>不得进入正文的任何论证环节\u003C\u002Fstrong>。仅可作为"市场关注度上升"的趋势注脚，且必须双源交叉（本书未采用，见附录 D）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>④\u003C\u002Ftd>\n\u003Ctd>"AI 流量已经超过搜索"\u003C\u002Ftd>\n\u003Ctd>SE Ranking 对 10 万余站点的数据：2026-01 所有 AI 平台合计约占全球互联网流量 \u003Cstrong>0.24%\u003C\u002Fstrong>\u003Csup>[34]\u003C\u002Fsup>；Similarweb：自然搜索流量约为三大 AI 平台合计的 \u003Cstrong>345 倍\u003C\u002Fstrong>\u003Csup>[34]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>明确错误\u003C\u002Fstrong>。AI 引荐是增速最快的渠道（+117.4% YoY），但绝对量仍是自然搜索的零头\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>方法论提示\u003C\u002Fstrong>：判断一个行业数字能不能用，问三个问题——① 谁测的？② 怎么测的（样本、口径、时间窗）？③ 动词是什么（"影响"、"经由"、"捕获"是三个完全不同的主张）。答不上来的，降级或删除。\u003C\u002Fp>\n\u003Ch3 id=\"2-6-中国市场-三个结构性差异\">2.6 中国市场：三个结构性差异\u003C\u002Fh3>\n\u003Cp>本书以全球（主要是美国）证据为主体，但中国市场的结构差异大到不能简单外推。\u003Cstrong>本节的三条判断基于公开规模数据与从业者观察，证据强度低于前文，请按此权重使用。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>维度\u003C\u002Fth>\n\u003Cth>全球（以美国为主）\u003C\u002Fth>\n\u003Cth>中国\u003C\u002Fth>\n\u003Cth>对 GEO 的含义\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>入口形态\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>独立助手（ChatGPT \u002F Gemini \u002F Perplexity）与搜索内 AI 功能并行\u003C\u002Ftd>\n\u003Ctd>入口高度集中在\u003Cstrong>超级 App 与手机厂商层\u003C\u002Fstrong>：AI 原生 App 月活 4.99 亿，而手机厂商内置 AI 应用达 \u003Cstrong>7.55 亿\u003C\u002Fstrong>\u003Csup>[35]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>只优化独立 App 会漏掉更大的一块；但内置 AI 的可优化面极小\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>生态闭环\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>引擎与交易链路相对分离\u003C\u002Ftd>\n\u003Ctd>引擎与交易深度绑定：千问接入淘宝、支付宝、高德、飞猪形成"一句话下单"闭环\u003Csup>[35]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>结构化数据（库存、价格、履约）的价值高于文案\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>格局稳定性\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>ChatGPT 份额下滑但仍居首，变化以年计\u003C\u002Ftd>\n\u003Ctd>变化以\u003Cstrong>季度\u003C\u002Fstrong>计：DeepSeek 2026-06 同比 \u003Cstrong>−20.3%\u003C\u002Fstrong>，千问同比增长超 57 倍（低基数）\u003Csup>[35]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>押注单一国产引擎的风险显著高于押注单一海外引擎\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>三条针对中国市场的实操建议：\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Col>\n\u003Cli>\u003Cstrong>不要做"一个引擎"的策略。\u003C\u002Fstrong> 豆包（3.82 亿）、千问（1.67 亿）、DeepSeek（1.30 亿）的用户画像与内容偏好差异明显（表 3-1），且排位在半年内就可易主。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>把"回答问题"当作主战场。\u003C\u002Fstrong> CNNIC 数据显示，中国生成式 AI 用户中最广泛的使用场景就是"回答问题"（\u003Cstrong>80.9%\u003C\u002Fstrong>），高于文生文（36.0%）与生图\u002F视频（33.0%）\u003Csup>[12]\u003C\u002Fsup>。这与 GEO 的作用面完全重合。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>优先投入"生态内结构化"。\u003C\u002Fstrong> 如果业务落在阿里或字节生态内，让参数、价格、库存、履约信息可被结构化读取，比写十篇品牌软文更有效——这与第 8.3 节 Agent 商务的判断一致。\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cblockquote>\n\u003Cp>\u003Cstrong>证据缺口声明\u003C\u002Fstrong>：中国市场目前缺少与麦肯锡（n=1,927）、皮尤（n=900）同等质量的\u003Cstrong>行为迁移概率抽样调查\u003C\u002Fstrong>。本节的规模数据来自 CNNIC 与 QuestMobile（面板估计），行为描述来自从业者观察。\u003Cstrong>这是国内 GEO 研究最明显的空白，也是本书下一版（v1.1）的重点补缺方向。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Chr>\n\u003Chr>\n\u003Ch2 id=\"第二部分-证据-机制与实证\">第二部分　证据：机制与实证\u003C\u002Fh1>\n\u003Ch2 id=\"第-3-章-机制-生成式引擎如何挑选信源\">第 3 章　机制：生成式引擎如何挑选信源\u003C\u002Fh2>\n\u003Cblockquote>\n\u003Cp>\u003Cstrong>本章结论\u003C\u002Fstrong>：引用不是"排名"的结果，而是"某一段落恰好补上了答案里缺的那句话"。理解扇出、段落竞争与信源偏好，才能解释为什么同样的内容在不同引擎里命运不同。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Ch3 id=\"3-1-查询扇出-你的对手不是主词-是问题空间\">3.1 查询扇出：你的对手不是主词，是问题空间\u003C\u002Fh3>\n\u003Cp>谷歌在官方文档中明确说明：AI 概览和 AI Mode \u003Cstrong>都可能使用"查询扇出"（query fan-out）技术\u003C\u002Fstrong>——围绕子主题和数据源发起多次相关检索，再合成一个回答\u003Csup>[6]\u003C\u002Fsup>。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>表 3-3　查询扇出示意：一个问题如何展开为多个子查询\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>用户提问："小型团队用什么 CRM 好？"\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>子查询\u003C\u002Fth>\n\u003Cth>覆盖的子主题\u003C\u002Fth>\n\u003Cth>检索行为\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>子查询 1\u003C\u002Ftd>\n\u003Ctd>价格与计费方式\u003C\u002Ftd>\n\u003Ctd>独立检索\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>子查询 2\u003C\u002Ftd>\n\u003Ctd>与现有工具集成\u003C\u002Ftd>\n\u003Ctd>独立检索\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>子查询 3\u003C\u002Ftd>\n\u003Ctd>真实用户评价\u003C\u002Ftd>\n\u003Ctd>独立检索\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>子查询 4\u003C\u002Ftd>\n\u003Ctd>上手难度\u003C\u002Ftd>\n\u003Ctd>独立检索\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>子查询 5\u003C\u002Ftd>\n\u003Ctd>是否提供试用\u003C\u002Ftd>\n\u003Ctd>独立检索\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>子查询 6\u003C\u002Ftd>\n\u003Ctd>中文支持与售后\u003C\u002Ftd>\n\u003Ctd>独立检索\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>最终答案 = 各子查询引用集合的并集\u003C\u002Fstrong>，而不是主词 Top10 的重排。\u003C\u002Fp>\n\u003Cp>这个机制解释了行业里最普遍的一个困惑：\u003Cstrong>为什么我主词排第一，却没有被引用？\u003C\u002Fstrong> 因为引擎根本不是只在主词这一个检索里挑人。\u003C\u002Fp>\n\u003Cp>Surfer 在 2025 年 11 月做了迄今最大规模的扇出量化研究：10,000 个关键词、173,902 个 URL、33,000 条生成的扇出查询\u003Csup>[26]\u003C\u002Fsup>：\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>指标\u003C\u002Fth>\n\u003Cth>数值\u003C\u002Fth>\n\u003Cth>含义\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>扇出覆盖度与被引的相关性\u003C\u002Ftd>\n\u003Ctd>斯皮尔曼 \u003Cstrong>ρ = 0.77\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>一个页面覆盖的扇出查询越多，被引概率越高\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>同时覆盖主查询 + 扇出的页面\u003C\u002Ftd>\n\u003Ctd>被引概率高 \u003Cstrong>161%\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>相比只覆盖主查询的页面\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>被引用时，只靠扇出命中的页面\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>29.2%\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>这些页面在\u003Cstrong>主查询上根本不排名\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>被引用时，只靠主查询命中的页面\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>19.6%\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>扇出路径比主词路径多出约 49%\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cblockquote>\n\u003Cp>来源：Surfer，2025-11，173,902 URL \u002F 10,000 关键词 \u002F 33,000 扇出查询\u003Csup>[26]\u003C\u002Fsup>。口径：斯皮尔曼秩相关，非因果。\u003Cstrong>注\u003C\u002Fstrong>：该项研究由商业工具厂商发布，样本选择方式未完全公开，本书按 B 级引用。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>\u003Cstrong>反直觉的一点\u003C\u002Fstrong>：Ahrefs 在检验"排名 11—100 却被引用的页面是否符合扇出特征"时发现，这些页面出现在\u003Cstrong>更少\u003C\u002Fstrong>的关键词上、且对应\u003Cstrong>更短\u003C\u002Fstrong>的查询——与扇出理论预期的"更长尾"不符\u003Csup>[19]\u003C\u002Fsup>。这说明扇出不是唯一解释，还有新鲜度、用户偏好、历史上下文等因素。\u003Cstrong>不要把一个机制当成全部机制\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>实践含义\u003C\u002Fstrong>：内容规划的单位不应是"关键词"，而应是"\u003Cstrong>问题空间\u003C\u002Fstrong>"——一个买家问题背后那 15—25 个真实子问题。但请注意谷歌 2026 年 7 月的明确警告：\u003Cstrong>为每一个扇出查询单独建页，若主要目的是操纵排名或生成式回答，违反其规模化内容滥用（scaled content abuse）垃圾政策\u003C\u002Fstrong>\u003Csup>[7]\u003C\u002Fsup>。正确做法是"一个页面上的结构化覆盖"，不是"一个子问题一个页面"。\u003C\u002Fp>\n\u003Ch3 id=\"3-2-段落级竞争-被引的是段落-不是页面\">3.2 段落级竞争：被引的是段落，不是页面\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>表 3-4　页面级竞争 vs 段落级竞争\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>维度\u003C\u002Fth>\n\u003Cth>传统 SEO（页面级）\u003C\u002Fth>\n\u003Cth>GEO（段落级）\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>引擎在问什么\u003C\u002Ftd>\n\u003Ctd>哪个页面最相关？\u003C\u002Ftd>\n\u003Ctd>哪一段能补上这句话？\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>输入\u003C\u002Ftd>\n\u003Ctd>查询\u003C\u002Ftd>\n\u003Ctd>子查询\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>竞争单位\u003C\u002Ftd>\n\u003Ctd>页面\u003C\u002Ftd>\n\u003Ctd>段落\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>候选形态\u003C\u002Ftd>\n\u003Ctd>页面 A（排名 1）、页面 B（排名 2）、页面 C（排名 3）\u003C\u002Ftd>\n\u003Ctd>页面 A·第 3 段、页面 B·第 7 段、页面 C·第 2 段……\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>胜者获得\u003C\u002Ftd>\n\u003Ctd>一个排名位置\u003C\u002Ftd>\n\u003Ctd>一个引用位\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>同一页面可胜出的次数\u003C\u002Ftd>\n\u003Ctd>一次\u003C\u002Ftd>\n\u003Ctd>多次（不同段落可被不同子查询分别选中）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>引擎在合成阶段做的事情，本质上是\u003Cstrong>从候选文档中抽取能独立成立的片段\u003C\u002Fstrong>。这带来三条可操作的推论：\u003C\u002Fp>\n\u003Col>\n\u003Cli>\u003Cstrong>自包含（self-contained）胜过上下文依赖\u003C\u002Fstrong>。一个脱离页面标题、脱离前文仍能成立的段落，更容易被抽取。反过来说，"如上所述""这款产品"这类依赖上下文的表述会被淘汰。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>引用位比想象的多，而且不是零和的\u003C\u002Fstrong>。皮尤对 12,593 条带 AI 摘要的搜索分析发现：\u003Cstrong>88% 的摘要引用了 3 个以上来源，仅 1% 只引用单一来源\u003C\u002Fstrong>；摘要长度中位数为 67 词\u003Csup>[8]\u003C\u002Fsup>。这意味着一张答案里通常有多个引用位，不必与唯一的"第一名"正面竞争。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>格式是被引用的一部分\u003C\u002Fstrong>。GenOptima 对 2,500 多个被引域名的分析显示，\u003Cstrong>榜单\u002F对比型内容占所有被引 URL 的 59.5%\u003C\u002Fstrong>，产品页 8.5%、常规文章 7.9%、操作指南 6.3%\u003Csup>[47]\u003C\u002Fsup>。\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cblockquote>\n\u003Cp>口径提示：59.5% 是"被引 URL 的格式分布"，不等于"做榜单就有 59.5% 概率被引"。它反映的是引擎偏好可结构化对比的信息形态。C 级证据，仅作趋势参考。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Ch3 id=\"3-3-位置偏置-为什么-结论前置-不是玄学\">3.3 位置偏置：为什么"结论前置"不是玄学\u003C\u002Fh3>\n\u003Cp>Liu 等人发表于 TACL 2024 的《Lost in the Middle》是这一领域的经典实证\u003Csup>[2]\u003C\u002Fsup>。他们用两个可控任务（多文档问答、键值检索）独立操纵上下文长度与相关信息位置，发现\u003Cstrong>模型对长上下文的首尾利用显著优于中部，呈 U 型曲线\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>表 3-5　U 型位置偏置：相关信息所处位置对准确率的影响（多文档问答，20 篇文档）\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>相关信息位置\u003C\u002Fth>\n\u003Cth>模型表现\u003C\u002Fth>\n\u003Cth>对写作的含义\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>首位（primacy）\u003C\u002Ftd>\n\u003Ctd>最高\u003C\u002Ftd>\n\u003Ctd>结论前置\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>中部\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>显著下降\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>关键事实不要埋在长文中段\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>末位（recency）\u003C\u002Ftd>\n\u003Ctd>回升至接近首位\u003C\u002Ftd>\n\u003Ctd>结论收尾同样有效\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>锚点数值（GPT-3.5-Turbo）\u003Csup>[2]\u003C\u002Fsup>\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>条件\u003C\u002Fth>\n\u003Cth>准确率\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>不给任何文档（闭卷）\u003C\u002Ftd>\n\u003Ctd>56.1%\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>只给含答案的那一篇（Oracle）\u003C\u002Ftd>\n\u003Ctd>88.3%\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>答案位于\u003Cstrong>中部\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>较最佳位置下降 \u003Cstrong>超过 20 个百分点\u003C\u002Fstrong>，最坏情况下低于 56.1% 的闭卷基线\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cblockquote>\n\u003Cp>来源：Liu 等，TACL 2024, 12:157–173，DOI:10.1162\u002Ftacl_a_00638\u003Csup>[2]\u003C\u002Fsup>。口径：NaturalQuestions-Open 2,655 条查询；GPT-3.5-Turbo 闭卷 56.1%、Oracle 88.3%。\u003Cstrong>最坏情况下，相关信息位于中部时的表现低于完全不给文档。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>三个值得记住的细节：\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>更长的窗口不等于更好的利用\u003C\u002Fstrong>。GPT-3.5-Turbo 与它的 16K 版本曲线几乎重合，Claude-1.3 与它的 100K 版本同样如此。\u003Cstrong>扩大窗口不能解决位置问题\u003C\u002Fstrong>。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>这一偏置对 GEO 的直接含义\u003C\u002Fstrong>：① 页面层面，把核心结论与关键数据放在章节开头与结尾；② 段落层面，把结论句放在段首；③ 答案块层面，把定义句放在最前。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>边界\u003C\u002Fstrong>：该研究发表于 2024 年，测试模型为 GPT-3.5-Turbo、Claude-1.3 等上一代模型。2026 年的前沿模型在长上下文利用上已有改进，但位置偏置作为一类现象仍被后续研究（含"上下文衰减"context rot）持续观察到。\u003Cstrong>不要把"结论前置"当作万能解，它是一个概率上的改善，不是保证。\u003C\u002Fstrong>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch3 id=\"3-4-信源类型偏好-为什么-只做官网-在结构上就不够\">3.4 信源类型偏好：为什么"只做官网"在结构上就不够\u003C\u002Fh3>\n\u003Cp>这是 GEO 与 SEO 分歧最大、也最有决策价值的一节。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>表 3-0　AI 引擎的信源类型偏好（多方法交叉验证）\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>研究\u003C\u002Fth>\n\u003Cth>方法\u003C\u002Fth>\n\u003Cth>样本\u003C\u002Fth>\n\u003Cth>关键结论\u003C\u002Fth>\n\u003Cth>等级\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>McKinsey（2025-10）\u003C\u002Ftd>\n\u003Ctd>谷歌 AI 概览引用分析\u003C\u002Ftd>\n\u003Ctd>未公开完整样本\u003C\u002Ftd>\n\u003Ctd>品牌自有站点仅占引用来源 \u003Cstrong>5%—10%\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Chen 等（多伦多大学，2025-09）\u003C\u002Ftd>\n\u003Ctd>1,000 条消费者问题 × 4 个 AI 系统 + 谷歌对照，逐条引用分类\u003C\u002Ftd>\n\u003Ctd>4 引擎\u003C\u002Ftd>\n\u003Ctd>见下表；AI 引擎的 earned media 占比 \u003Cstrong>67%—93.5%\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>B（工作论文）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Muck Rack（2026-05）\u003C\u002Ftd>\n\u003Ctd>被引链接来源分类\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>2,500 万+\u003C\u002Fstrong> 条 ChatGPT \u002F Claude \u002F Gemini 引用，17 个行业\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>84%\u003C\u002Fstrong> 来自品牌既不拥有也未付费的来源；其中新闻业本身占 25%—27%；付费与软文占 \u003Cstrong>0.3%\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Ahrefs（2026-05）\u003C\u002Ftd>\n\u003Ctd>品牌信号与 AI 可见度的相关性\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>75,000 个品牌\u003C\u002Fstrong> × ChatGPT \u002F AI Mode \u002F AI 概览\u003C\u002Ftd>\n\u003Ctd>全网品牌提及 \u003Cstrong>0.66—0.71\u003C\u002Fstrong>；YouTube 提及 \u003Cstrong>~0.737\u003C\u002Fstrong>；品牌锚文本 0.51—0.63；域名评级 \u003Cstrong>0.266\u003C\u002Fstrong>；外链数弱相关；页面数 \u003Cstrong>0.194\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Ahrefs（另一项，7,600 万条 AI 概览）\u003C\u002Ftd>\n\u003Ctd>品牌提及 vs 外链，谁更能预测"被引"\u003C\u002Ftd>\n\u003Ctd>7,600 万条 AI 概览\u003C\u002Ftd>\n\u003Ctd>品牌全网提及 \u003Cstrong>0.664\u003C\u002Fstrong>；外链数 \u003Cstrong>0.218\u003C\u002Fstrong>（约 3 倍差距）\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Yext（2025-10）\u003C\u002Ftd>\n\u003Ctd>被引来源分类\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>680 万\u003C\u002Fstrong>条引用\u003C\u002Ftd>\n\u003Ctd>Gemini \u003Cstrong>52.15%\u003C\u002Fstrong> 来自品牌自有站点；ChatGPT \u003Cstrong>48.73%\u003C\u002Fstrong> 来自第三方目录与列表平台\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>Chen 等的分组实验（2025-08 快照，1,000 条消费者问题）\u003C\u002Fstrong>\u003Csup>[5]\u003C\u002Fsup>：\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>引擎\u003C\u002Fth>\n\u003Cth>Earned（第三方）\u003C\u002Fth>\n\u003Cth>Brand（品牌自有）\u003C\u002Fth>\n\u003Cth>Social（UGC）\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>ChatGPT\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>93.5%\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>6.5%\u003C\u002Ftd>\n\u003Ctd>0%\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Claude\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>87.3%\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>6.8%\u003C\u002Ftd>\n\u003Ctd>5.9%\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Perplexity\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>67.4%\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>8.8%\u003C\u002Ftd>\n\u003Ctd>23.8%\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Gemini\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>63.4%\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>25.1%\u003C\u002Ftd>\n\u003Ctd>11.5%\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cem>（对照）谷歌自然结果\u003C\u002Fem>\u003C\u002Ftd>\n\u003Ctd>\u003Cem>品牌自有占主导，earned 次之\u003C\u002Fem>\u003C\u002Ftd>\n\u003Ctd>—\u003C\u002Ftd>\n\u003Ctd>—\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cblockquote>\n\u003Cp>研究者自己披露的三条局限：① 单一时点（2025-08）快照；② 三类分类带有主观性，"独立媒体"与"企业博客"的边界有时确实模糊；③ 研究接受了销售 AI 可见度服务的公司的支持。他们建议\u003Cstrong>把绝对百分比视为强相对趋势的示例，引擎之间的比较比单个数字更可靠\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>\u003Cstrong>如何解释 Gemini 的"反常"\u003C\u002Fstrong>：Gemini 52.15% 引用品牌自有站点（Yext 数据），与 Chen 等的 25.1% 差距不小，但方向一致——\u003Cstrong>Gemini 是四个引擎中最信任品牌自述的\u003C\u002Fstrong>。合理的解释是：Gemini 深度依赖谷歌二十多年建立的索引、结构化数据与实体体系，品牌在 schema 与实体层面说清楚的事情，它愿意信。\u003Cstrong>这解释了为什么"技术 SEO 纪律 + schema 完整性 + 实体一致性"对谷歌系引擎特别有效，而对 ChatGPT 效果有限。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch3 id=\"3-5-平台差异图谱-核心资产\">3.5 平台差异图谱（核心资产）\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>表 3-1　生成式引擎差异矩阵\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>使用说明：本表按"检索底座 \u002F 引用风格 \u002F 偏好信源 \u002F 优化要点 \u002F 口径可查性"五列对比。标 ⚠️ 的行为\u003Cstrong>从业者观察或厂商转述\u003C\u002Fstrong>，缺少公开可核验数据，仅供方向参考，不得作为决策的唯一依据。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>引擎\u003C\u002Fth>\n\u003Cth>检索底座\u003C\u002Fth>\n\u003Cth>引用风格\u003C\u002Fth>\n\u003Cth>偏好信源\u003C\u002Fth>\n\u003Cth>优化要点\u003C\u002Fth>\n\u003Cth>证据\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>谷歌 AI 概览\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>谷歌主索引 + 扇出\u003C\u002Ftd>\n\u003Ctd>摘要下方 3 个左右来源卡\u003C\u002Ftd>\n\u003Ctd>自然排名靠前者为主（76.1% 在前 10）\u003C\u002Ftd>\n\u003Ctd>常规 SEO + 覆盖子问题；无特殊技术要求\u003C\u002Ftd>\n\u003Ctd>A\u002FB \u003Csup>[6][19]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>谷歌 AI Mode\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>谷歌主索引 + 更强扇出\u003C\u002Ftd>\n\u003Ctd>更长的答案、更多样来源\u003C\u002Ftd>\n\u003Ctd>与自然排名高度脱钩（12%—32% 重合）\u003C\u002Ftd>\n\u003Ctd>段落级相关性；结构化对比\u003C\u002Ftd>\n\u003Ctd>B \u003Csup>[21][39]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>ChatGPT（联网）\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>必应\u002F自建索引 + 第三方目录\u003C\u002Ftd>\n\u003Ctd>答案内嵌引用气泡\u003C\u002Ftd>\n\u003Ctd>第三方目录与列表平台 48.73%；Wikipedia 集中度高\u003C\u002Ftd>\n\u003Ctd>列表平台覆盖 + 百科实体 + 第三方评测\u003C\u002Ftd>\n\u003Ctd>B \u003Csup>[45]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Gemini\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>谷歌索引 + 自有生态\u003C\u002Ftd>\n\u003Ctd>答案 + 来源\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>品牌自有站点占 52.15%\u003C\u002Fstrong>（四引擎最高）\u003C\u002Ftd>\n\u003Ctd>schema 完整性、实体一致性、Merchant Center\u003C\u002Ftd>\n\u003Ctd>B \u003Csup>[45]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Perplexity\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>自建索引 + 实时检索\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>每答案引用源数量最多\u003C\u002Fstrong>（21.87 vs ChatGPT 7.92）\u003C\u002Ftd>\n\u003Ctd>垂直媒体、评测站；UGC（Reddit）占比高\u003C\u002Ftd>\n\u003Ctd>可核验事实密集；垂直媒体铺开\u003C\u002Ftd>\n\u003Ctd>B \u003Csup>[46][45]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Claude\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>检索 + 严格筛选\u003C\u002Ftd>\n\u003Ctd>引用较克制，偏技术精确\u003C\u002Ftd>\n\u003Ctd>结构化、有出处、权威内容\u003C\u002Ftd>\n\u003Ctd>一手数据 + 完整引用链\u003C\u002Ftd>\n\u003Ctd>B \u003Csup>[5]\u003C\u002Fsup> ⚠️\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Copilot\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>必应索引\u003C\u002Ftd>\n\u003Ctd>较早引入引用，形式接近谷歌\u003C\u002Ftd>\n\u003Ctd>必应生态\u003C\u002Ftd>\n\u003Ctd>与必应 SEO 高度重叠\u003C\u002Ftd>\n\u003Ctd>⚠️ 从业者观察\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>豆包\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>字节生态（抖音\u002F头条）+ 联网\u003C\u002Ftd>\n\u003Ctd>生活化、场景化\u003C\u002Ftd>\n\u003Ctd>生活化、口语化、场景化内容；与抖音\u002F头条联动\u003C\u002Ftd>\n\u003Ctd>场景化表达；短视频转录文本\u003C\u002Ftd>\n\u003Ctd>⚠️ 从业者观察\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>千问（通义）\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>阿里生态（淘宝\u002F支付宝\u002F高德\u002F飞猪）\u003C\u002Ftd>\n\u003Ctd>结构化对比、购买决策\u003C\u002Ftd>\n\u003Ctd>结构化数据、产品对比\u003C\u002Ftd>\n\u003Ctd>参数化对比；交易闭环相关数据\u003C\u002Ftd>\n\u003Ctd>⚠️ 从业者观察\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>DeepSeek\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>联网检索\u003C\u002Ftd>\n\u003Ctd>重推理、长思考\u003C\u002Ftd>\n\u003Ctd>专业深度、数据支撑、逻辑链完整\u003C\u002Ftd>\n\u003Ctd>数据密度、方法论完整\u003C\u002Ftd>\n\u003Ctd>⚠️ 从业者观察\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Kimi\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>联网检索\u003C\u002Ftd>\n\u003Ctd>长文、报告型\u003C\u002Ftd>\n\u003Ctd>长文、白皮书、研究报告\u003C\u002Ftd>\n\u003Ctd>完整长文资产 + 可引用章节\u003C\u002Ftd>\n\u003Ctd>⚠️ 从业者观察\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>元宝\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>腾讯生态 + 联网\u003C\u002Ftd>\n\u003Ctd>办公与 B2B 决策向\u003C\u002Ftd>\n\u003Ctd>办公场景、B2B 决策类\u003C\u002Ftd>\n\u003Ctd>微信生态内的一致性表述\u003C\u002Ftd>\n\u003Ctd>⚠️ 从业者观察\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cblockquote>\n\u003Cp>数据基准日 2026-09-30。本表的国产引擎行为描述基于公开从业者观察与厂商转述（C 级），\u003Cstrong>是国内 GEO 研究最明显的证据缺口\u003C\u002Fstrong>，本书将其列为附录 D 的重点待核验项。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Ch3 id=\"3-6-结构化信号的边界-什么时候有效-什么时候是噪音\">3.6 结构化信号的边界：什么时候有效，什么时候是噪音\u003C\u002Fh3>\n\u003Cp>这是行业误解最集中的地方。谷歌在 2026 年 7 月更新的官方指南里给出了一个"辟谣清单"\u003Csup>[7]\u003C\u002Fsup>：\u003C\u002Fp>\n\u003Cp>\u003Cstrong>表 3-2　结构化与格式类信号的强度分级\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>信号\u003C\u002Fth>\n\u003Cth>官方立场（谷歌）\u003C\u002Fth>\n\u003Cth>独立证据\u003C\u002Fth>\n\u003Cth>强度\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>可索引 + 可出摘要\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>必要条件\u003C\u002Fstrong>：页面须已编入索引、符合在搜索中显示摘要的条件\u003C\u002Ftd>\n\u003Ctd>官方文档明文："没有其他技术要求"\u003Csup>[6]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>★★★★★ 门槛项\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>robots.txt \u002F 抓取许可\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>明确保留为站点方的控制手段\u003C\u002Ftd>\n\u003Ctd>官方文档\u003Csup>[6]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>★★★★★ 门槛项\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>结构化数据（schema）\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>"\u003Cstrong>没有需要额外添加的特殊 schema.org 结构化数据\u003C\u002Fstrong>"；但"结构化数据须与页面可见文本一致"\u003C\u002Ftd>\n\u003Ctd>Ahrefs 双重差分实验：1,885 页 vs 4,000 对照，三平台均无显著提升\u003Csup>[52]\u003C\u002Fsup>（\u003Cstrong>样本均为已有 100+ 引用的页面\u003C\u002Fstrong>）；SAGEO Arena：结构类信号使检索 Hit@20 +22%\u003Csup>[4]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>★★★☆☆ 中等，且在检索层强于引用层\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>FAQ 富媒体结果\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>谷歌已于 \u003Cstrong>2026-05-07 停止展示 FAQ 富媒体结果\u003C\u002Fstrong>并移除相关文档\u003C\u002Ftd>\n\u003Ctd>见左\u003C\u002Ftd>\n\u003Ctd>★☆☆☆☆ 作为富媒体结果路径已关闭\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>"切片"（chunking）\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>"\u003Cstrong>没有要求\u003C\u002Fstrong>为了 AI 更好地理解而把内容切成小块"\u003C\u002Ftd>\n\u003Ctd>官方文档\u003Csup>[7]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>✗ 不需要\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>llms.txt \u002F AI 文本文件\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>"\u003Cstrong>谷歌搜索本身不使用它们\u003C\u002Fstrong>"；维护它对其他系统无害但也无助\u003C\u002Ftd>\n\u003Ctd>SE Ranking 30 万域名无相关；Ahrefs 137,210 域名 97% 零请求\u003Csup>[25][27]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>✗ 无证据\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>"为 AI 专门重写"\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>"系统理解同义词与语义，精确关键词匹配不是必需的"\u003C\u002Ftd>\n\u003Ctd>谷歌明文\u003Csup>[7]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>✗ 不需要\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>不真实的提及（inauthentic mentions）\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>明确列为无效\u003C\u002Ftd>\n\u003Ctd>谷歌明文\u003Csup>[7]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>✗ 违反政策\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>本节最重要的一句话\u003C\u002Fstrong>：结构化信号的作用主要发生在\u003Cstrong>检索与重排阶段\u003C\u002Fstrong>（让内容更容易被正确理解和召回），而不是\u003Cstrong>引用阶段\u003C\u002Fstrong>（让内容被选中写进答案）。SAGEO Arena 的分阶段数据正好印证了这一点（第 4.3 节）。把它当成"引用开关"，是 2025 年最流行、也最昂贵的一个误解。\u003C\u002Fp>\n\u003Ch3 id=\"3-7-时效性-答案有生命周期-你的内容也有\">3.7 时效性：答案有生命周期，你的内容也有\u003C\u002Fh3>\n\u003Cp>引用不是一次性的永久资产。三条观察：\u003C\u002Fp>\n\u003Col>\n\u003Cli>\u003Cstrong>AI 爬虫的抓取集中在近一年内容\u003C\u002Fstrong>。有厂商分析称约 65% 的 AI bot 抓取命中过去一年内发布的内容，新内容在 3—5 天内即可开始产生引用\u003Csup>[49]\u003C\u002Fsup>。\n\u003Cblockquote>\n\u003Cp>⚠️ 该项来自厂商分析，方法未完全公开，本书按 C 级使用，仅作趋势参考。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003C\u002Fli>\n\u003Cli>\u003Cstrong>这与传统 SEO 的权威累积逻辑相反\u003C\u002Fstrong>。在链接驱动的排序中，一个老页面可以靠累积的外链持续排名多年；而在 AI 检索中，\u003Cstrong>新鲜度本身就是独立信号\u003C\u002Fstrong>。这意味着 GEO 需要"维护"，而不只是"建设"。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>过期数据的风险是静默的\u003C\u002Fstrong>。引擎不会告诉你"你的数据过期了"——它只是换一个更新的来源。你会在某个月发现引用率下降，却找不到原因。\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>\u003Cstrong>操作建议\u003C\u002Fstrong>：为核心参数页建立"有效期"字段，到期强制复核；为数据类内容标注 \u003Ccode>dateModified\u003C\u002Fcode> 与核验日期（见第 5.9 节示例）。\u003Cstrong>把"更新"做成流程，而不是靠人记得。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Chr>\n\u003Ch2 id=\"第-4-章-证据-geo-有效性的实证地图\">第 4 章　证据：GEO 有效性的实证地图\u003C\u002Fh2>\n\u003Cblockquote>\n\u003Cp>\u003Cstrong>本章结论\u003C\u002Fstrong>：GEO 不是"无效"，而是"条件有效"——效果取决于你优化的是管线的哪一段。2024 年的乐观结论在 2025—2026 年被部分修正，这恰恰是学科成熟的标志。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Ch3 id=\"4-1-奠基研究-geo-bench-与那个-40\">4.1 奠基研究：GEO-bench 与那个"40%"\u003C\u002Fh3>\n\u003Cp>Aggarwal 等人的《GEO: Generative Engine Optimization》（KDD 2024）是整个领域的起点\u003Csup>[1]\u003C\u002Fsup>。它的设计：\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>要素\u003C\u002Fth>\n\u003Cth>设计\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>基准集\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>GEO-bench\u003C\u002Fstrong>：约 \u003Cstrong>10,000 条查询\u003C\u002Fstrong>，覆盖 \u003Cstrong>25 个领域\u003C\u002Fstrong>，9 个来源数据集\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>被测方法\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>9 种\u003C\u002Fstrong>内容改写策略\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>测试对象\u003C\u002Ftd>\n\u003Ctd>内部实验系统（基于谷歌前 5 条结果）+ 线上引擎 Perplexity.ai\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>核心指标\u003C\u002Ftd>\n\u003Ctd>Position-Adjusted Word Count（位置调整词数，衡量在合成答案中的可见度）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>可复现性\u003C\u002Ftd>\n\u003Ctd>代码与数据均公开\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>表 4-1　九种策略中的主要六类效果与本书的解读\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>方向图例：✅ 有正向证据｜⚠️ 证据不足或仅为相关｜❌ 被证否\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>策略\u003C\u002Fth>\n\u003Cth>论文报告的效果\u003C\u002Fth>\n\u003Cth>本书解读\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Cite Sources\u003C\u002Fstrong>（添加权威来源引用）\u003C\u002Ftd>\n\u003Ctd>最高约 \u003Cstrong>+40%\u003C\u002Fstrong>（事实型查询最佳）\u003C\u002Ftd>\n\u003Ctd>效果最稳、可解释性最强：第三方印证是引擎判断可信度的直接信号\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Statistics Addition\u003C\u002Fstrong>（添加统计数据）\u003C\u002Ftd>\n\u003Ctd>最高约 \u003Cstrong>+37%\u003C\u002Fstrong>（法律与观点类查询最佳）\u003C\u002Ftd>\n\u003Ctd>与"引用"同源：可核验的数字降低抽取风险\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Quotation Addition\u003C\u002Fstrong>（加入专家引述）\u003C\u002Ftd>\n\u003Ctd>最高约 \u003Cstrong>+22%\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>中等强度，依赖被引对象的权威度\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Authoritative\u003C\u002Fstrong>（权威化语气改写）\u003C\u002Ftd>\n\u003Ctd>辩论与历史类查询最佳\u003C\u002Ftd>\n\u003Ctd>领域依赖性强，不可外推\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Keyword Stuffing\u003C\u002Fstrong>（关键词堆砌）\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>无正向收益，低于基线\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>⚠️ 这是全书最重要的一条否定性证据：传统 SEO 手法在 GEO 里可能有害\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>其余（ fluency、unique words、technical terms 等）\u003C\u002Ftd>\n\u003Ctd>效果不稳定或轻微\u003C\u002Ftd>\n\u003Ctd>不建议单独立项\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>"最高 40%"的三个限定条件（必须同时声明）\u003C\u002Fstrong>：\u003C\u002Fp>\n\u003Col>\n\u003Cli>这是\u003Cstrong>特定方法在特定领域下的上界\u003C\u002Fstrong>，不是平均效果，更不是任何站点的普遍预期；\u003C\u002Fli>\n\u003Cli>它是在 \u003Cstrong>benchmark 内部\u003C\u002Fstrong>测得的——实验假设候选文档已给定，抽象掉了检索与重排；\u003C\u002Fli>\n\u003Cli>在线上引擎（Perplexity）的实测中，最高约 \u003Cstrong>22%\u003C\u002Fstrong>，低于内部实验系统。\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>行业把"+40%"当成普适承诺来传播，是本白皮书要纠正的第一个数字（见第 2.5 节）。\u003C\u002Fp>\n\u003Ch3 id=\"4-2-复现危机-把检索管线装回去之后\">4.2 复现危机：把检索管线装回去之后\u003C\u002Fh3>\n\u003Cp>2026 年 2 月，SAGEO Arena（arXiv:2602.12187）做了一件早就该做的事：把评测环境从"给定候选文档"换成"\u003Cstrong>含大规模文档集合的完整生成式搜索管线\u003C\u002Fstrong>"，并保留真实网页的结构信息（schema 标记等）\u003Csup>[4]\u003C\u002Fsup>。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>表 4-5　三阶段衰减：只优化正文文本会发生什么\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>管线阶段\u003C\u002Fth>\n\u003Cth>指标\u003C\u002Fth>\n\u003Cth>相对基线的变化\u003C\u002Fth>\n\u003Cth>后果\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>检索\u003C\u002Ftd>\n\u003Ctd>Hit@20\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>−9%\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>进不了候选池\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>重排\u003C\u002Ftd>\n\u003Ctd>Hit@10\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>−16%\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>排不到前面\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>生成\u003C\u002Ftd>\n\u003Ctd>引用率\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>−6%\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>不会被写进答案\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cblockquote>\n\u003Cp>来源：SAGEO Arena，arXiv:2602.12187，2026-02-12\u003Csup>[4]\u003C\u002Fsup>。口径：完整检索—重排—生成管线下的端到端评测；相对基线的变化幅度。另：论文报告 AutoGEO 类自动化方法的平均排名下降约 22.35 位。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>\u003Cstrong>这一节的解读必须非常小心，否则会被读成自我否定。\u003C\u002Fstrong> 三条澄清：\u003C\u002Fp>\n\u003Col>\n\u003Cli>\u003Cstrong>这不是说 GEO 无效。\u003C\u002Fstrong> 这是说"\u003Cstrong>只改正文文本\u003C\u002Fstrong>"这一特定做法，在真实管线里会掉队。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>为什么会掉队？\u003C\u002Fstrong> 合理的机制解释是：文本改写（扩写、加引用、改语气）会稀释关键词密度与主题聚焦度，从而在稀疏检索阶段降低召回概率。\u003Cstrong>你在生成阶段拿到的收益，可能在检索阶段就已经付出了成本。\u003C\u002Fstrong>\u003C\u002Fli>\n\u003Cli>\u003Cstrong>这与 4.1 的结论不矛盾。\u003C\u002Fstrong> GEO-bench 抽象掉了检索，所以它测到的是"进入候选之后的收益"；SAGEO Arena 测的是"端到端收益"。\u003Cstrong>两者测的不是同一件事。\u003C\u002Fstrong>\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>\u003Cstrong>这一发现的实践价值极高\u003C\u002Fstrong>：它给出了一个明确的优先级——\u003Cstrong>先保证检索与重排不掉队，再谈生成阶段的优化\u003C\u002Fstrong>。第 5 章的五层模型，正是按这个顺序排的。\u003C\u002Fp>\n\u003Ch3 id=\"4-3-结构优先-分阶段优化才能真正拿到收益\">4.3 结构优先：分阶段优化才能真正拿到收益\u003C\u002Fh3>\n\u003Cp>同一研究给出了正向的那一半：\u003C\u002Fp>\n\u003Cp>\u003Cstrong>表 4-6　分阶段收益（SAGEO Arena，2026-02）\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>指标\u003C\u002Fth>\n\u003Cth>基线\u003C\u002Fth>\n\u003Cth>仅结构化\u003C\u002Fth>\n\u003Cth>分阶段优化\u003C\u002Fth>\n\u003Cth>相对提升\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>检索 Hit@20\u003C\u002Ftd>\n\u003Ctd>0.59\u003C\u002Ftd>\n\u003Ctd>0.72\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>0.75\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>仅结构化 +22%；分阶段 +28%\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>平均排名\u003C\u002Ftd>\n\u003Ctd>—\u003C\u002Ftd>\n\u003Ctd>改善 2.72 位\u003C\u002Ftd>\n\u003Ctd>—\u003C\u002Ftd>\n\u003Ctd>—\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>引用率\u003C\u002Ftd>\n\u003Ctd>0.53\u003C\u002Ftd>\n\u003Ctd>—\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>0.58\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>+5 个百分点（相对 +9%）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cblockquote>\n\u003Cp>来源：SAGEO Arena\u003Csup>[4]\u003C\u002Fsup>。口径：结构化信息（标题、meta、schema 标记等）单独作用 +22% 检索命中、平均排名改善 2.72 位；按管线阶段分别定制优化后 Hit@20 达 0.75（+28%）、引用率 0.58。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>\u003Cstrong>结论\u003C\u002Fstrong>：结构类信号的价值主要兑现\u003Cstrong>在检索与重排阶段\u003C\u002Fstrong>，而不是引用阶段。这与第 3.6 节谷歌官方口径（"没有需要额外添加的特殊 schema"）并不冲突——谷歌说的是"不要求额外文件"，SAGEO Arena 测的是"结构信息确实被检索系统利用"。\u003Cstrong>两者可以同时成立：它不是入场券，但它是效率杠杆。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch3 id=\"4-4-内容因子-哪些写法有稳定增益\">4.4 内容因子：哪些写法有稳定增益\u003C\u002Fh3>\n\u003Cp>综合 GEO-bench\u003Csup>[1]\u003C\u002Fsup>与后续行业研究，可归纳出四个"稳定方向"与两个"被证否方向"：\u003C\u002Fp>\n\u003Cp>\u003Cstrong>表 4-2　内容因子清单\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>图例：✅ 受控实验或大样本多方法支持｜⚠️ 仅有相关性或证据不足｜❌ 被证否或无收益\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>因子\u003C\u002Fth>\n\u003Cth>方向\u003C\u002Fth>\n\u003Cth>证据强度\u003C\u002Fth>\n\u003Cth>备注\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>可核查的引用来源\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>✅ 稳定正向（+40% 上界）\u003C\u002Ftd>\n\u003Ctd>A\u003C\u002Ftd>\n\u003Ctd>GEO-bench 最强单项\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>具体统计数据\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>✅ 稳定正向（+37% 上界）\u003C\u002Ftd>\n\u003Ctd>A\u003C\u002Ftd>\n\u003Ctd>数值 + 单位 + 时间 + 口径四要素齐全时最强\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>专家引述\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>✅ 正向（+22% 上界）\u003C\u002Ftd>\n\u003Ctd>A\u003C\u002Ftd>\n\u003Ctd>依赖被引对象的权威度\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>全网品牌提及 \u002F YouTube 提及\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>⚠️ 强相关（0.66—0.737）\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>相关性，因果未定\u003C\u002Fstrong>；但量级远超传统 SEO 权威信号（外链 0.218、域名评级 0.266）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>内容新鲜度\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>⚠️ 可能有正向（约 65% 的 AI bot 抓取命中一年内内容；新内容 3—5 天内可产生引用）\u003C\u002Ftd>\n\u003Ctd>C\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>证据不足\u003C\u002Fstrong>：厂商分析，且发布方归因在二手来源中存在分歧（Contently \u002F Ahrefs），本书按 C 级使用\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>关键词堆砌\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>❌ 无收益 \u002F 可能有害\u003C\u002Ftd>\n\u003Ctd>A\u003C\u002Ftd>\n\u003Ctd>被奠基研究直接证否\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>站点页面数量\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>❌ 几乎无关（相关性 ~0.194）\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003Ctd>"多写内容"策略的证据级反驳\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>关于 GEO-16\u003C\u002Fstrong>：Kumar 与 Palkhouski 于 2025 年 9 月发布的工作论文提出 16 个结构性因子，报告与被引行为的相关性在 0.63—0.68 之间\u003Csup>[41]\u003C\u002Fsup>。本书\u003Cstrong>不采用其具体数值\u003C\u002Fstrong>，理由是：① 未经同行评审；② 因子之间存在高度共线性，单因子相关性容易被夸大；③ 无法获取原始样本。\u003Cstrong>列为待核验项（附录 D）。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch3 id=\"4-5-行业研究的可信度评分卡\">4.5 行业研究的可信度评分卡\u003C\u002Fh3>\n\u003Cp>GEO 领域最严重的问题不是"没有研究"，而是"\u003Cstrong>研究质量差异极大，但被同等引用\u003C\u002Fstrong>"。本书建立四维评分卡，对 12 份主流报告逐一打分（每维 1—5 分，满分 20）。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>评分维度\u003C\u002Fstrong>：① 样本量（是否有量级支撑）② 口径透明度（是否公开定义、设备、时间窗）③ 可复现性（是否公开方法细节或数据）④ 利益冲突（发布方是否销售相关服务\u002F工具）\u003C\u002Fp>\n\u003Cp>\u003Cstrong>表 4-3　十二份主流报告的可信度评分\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>报告\u003C\u002Fth>\n\u003Cth>样本量\u003C\u002Fth>\n\u003Cth>口径透明\u003C\u002Fth>\n\u003Cth>可复现\u003C\u002Fth>\n\u003Cth>利益冲突\u003C\u002Fth>\n\u003Cth>\u003Cstrong>总分\u003C\u002Fstrong>\u003C\u002Fth>\n\u003Cth>本书使用方式\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Pew Research Center（2025-07）\u003C\u002Fstrong>\u003Csup>[8]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>4\u003C\u002Ftd>\n\u003Ctd>5\u003C\u002Ftd>\n\u003Ctd>5\u003C\u002Ftd>\n\u003Ctd>5\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>19\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>核心论据（唯一大规模真实行为观测）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Aggarwal 等，KDD 2024\u003C\u002Fstrong>\u003Csup>[1]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>5\u003C\u002Ftd>\n\u003Ctd>5\u003C\u002Ftd>\n\u003Ctd>5\u003C\u002Ftd>\n\u003Ctd>4\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>19\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>核心论据（同行评审 + 代码公开）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Liu 等，TACL 2024\u003C\u002Fstrong>\u003Csup>[2]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>4\u003C\u002Ftd>\n\u003Ctd>5\u003C\u002Ftd>\n\u003Ctd>5\u003C\u002Ftd>\n\u003Ctd>5\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>19\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>核心论据（同行评审）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Ahrefs，1.9M 引用研究（2025-07）\u003C\u002Fstrong>\u003Csup>[19][20]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>5\u003C\u002Ftd>\n\u003Ctd>4\u003C\u002Ftd>\n\u003Ctd>3\u003C\u002Ftd>\n\u003Ctd>3\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>15\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>主要论据（样本大，方法部分公开，销售 SEO 工具）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>SAGEO Arena（2026-02）\u003C\u002Fstrong>\u003Csup>[4]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>4\u003C\u002Ftd>\n\u003Ctd>4\u003C\u002Ftd>\n\u003Ctd>4\u003C\u002Ftd>\n\u003Ctd>4\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>16\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>主要论据（学术预印本，环境可复现）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Seer Interactive（2025-09）\u003C\u002Fstrong>\u003Csup>[22]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>3\u003C\u002Ftd>\n\u003Ctd>4\u003C\u002Ftd>\n\u003Ctd>3\u003C\u002Ftd>\n\u003Ctd>3\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>13\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>主要论据（方法较透明，但为代理商研究；作者主动声明因果局限，加分）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>McKinsey（2025-10）\u003C\u002Fstrong>\u003Csup>[17]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>3\u003C\u002Ftd>\n\u003Ctd>2\u003C\u002Ftd>\n\u003Ctd>2\u003C\u002Ftd>\n\u003Ctd>4\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>11\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>仅引用其\u003Cstrong>调查部分\u003C\u002Fstrong>（n=1,927、时间公开）；\u003Cstrong>不引用其预测部分\u003C\u002Fstrong>（$750B、20%—50% 未公开方法）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Semrush（2025-07）\u003C\u002Fstrong>\u003Csup>[21]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>4\u003C\u002Ftd>\n\u003Ctd>3\u003C\u002Ftd>\n\u003Ctd>3\u003C\u002Ftd>\n\u003Ctd>2\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>12\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>辅助论据（销售相关工具）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Muck Rack（2026-05）\u003C\u002Fstrong>\u003Csup>[31]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>5\u003C\u002Ftd>\n\u003Ctd>3\u003C\u002Ftd>\n\u003Ctd>2\u003C\u002Ftd>\n\u003Ctd>2\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>12\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>辅助论据（样本极大，但发布方服务 PR 行业，结论对其有利）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Chen 等（2025-09）\u003C\u002Fstrong>\u003Csup>[5]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>3\u003C\u002Ftd>\n\u003Ctd>3\u003C\u002Ftd>\n\u003Ctd>3\u003C\u002Ftd>\n\u003Ctd>2\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>11\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>辅助论据（分类主观、接受 AI 可见度服务商支持）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Surfer（2025-11）\u003C\u002Fstrong>\u003Csup>[26]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>4\u003C\u002Ftd>\n\u003Ctd>2\u003C\u002Ftd>\n\u003Ctd>2\u003C\u002Ftd>\n\u003Ctd>2\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>10\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>趋势参考（样本大但方法细节不足，销售工具）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Similarweb（2026）\u003C\u002Fstrong>\u003Csup>[32][33]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>4\u003C\u002Ftd>\n\u003Ctd>3\u003C\u002Ftd>\n\u003Ctd>2\u003C\u002Ftd>\n\u003Ctd>3\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>12\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>辅助论据（面板估计，未经第三方审计）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>评分卡的三条使用原则\u003C\u002Fstrong>：\u003C\u002Fp>\n\u003Col>\n\u003Cli>\u003Cstrong>总分 ≤ 11 的来源不得单独支撑一个核心结论\u003C\u002Fstrong>，必须有第二来源交叉。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>同一发布方的多份研究不互为独立交叉\u003C\u002Fstrong>（例如两份都来自 Ahrefs 的结果不能算"双源"）。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>利益冲突不是否定理由，但是折扣理由\u003C\u002Fstrong>。销售 SEO 工具的公司发布"schema 有效"的结论，应比学术来源打更多折扣——反之亦然：销售 PR 软件的公司发布"earned media 占 84%"同样需要折扣。\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Ch3 id=\"4-6-原创-butgeo-可见度指数的测量协议-预注册\">4.6 原创：butGEO 可见度指数的测量协议（预注册）\u003C\u002Fh3>\n\u003Cblockquote>\n\u003Cp>这是全书唯一的原创方法部分。\u003Cstrong>没有原创测量，白皮书只是文献综述。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>\u003Cstrong>⚠️ 重要声明（请勿跳过）\u003C\u002Fstrong>\n本版发布的是\u003Cstrong>预注册（pre-registered）测量协议 + 方法演示算例\u003C\u002Fstrong>。首期实测结果将在 v1.1（计划 2027-03）发布。\u003Cstrong>本节出现的所有数值均为方法演示用的合成数据，不代表任何真实测量结果，不得作为实证结论引用。\u003C\u002Fstrong> 预注册的目的是锁定方法，避免"先看结果再定口径"——这正是本白皮书批评的行业通病。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>协议设计\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>项目\u003C\u002Fth>\n\u003Cth>设计\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>目标\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>量化主要 AI 引擎对某品类品牌的引用分布，形成可重复的季度指数\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>抽样框\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>6 个行业 × 每行业 20 个品牌 × 每品牌 15 条购买意图 prompt = \u003Cstrong>1,800 条 prompt\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>引擎覆盖\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>ChatGPT、Gemini、Perplexity、Claude、Copilot、DeepSeek、豆包、千问、Kimi（9 个）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>测量\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>每 prompt × 每引擎重复 \u003Cstrong>3 次\u003C\u002Fstrong>，记录：是否提及、是否引用、引用 URL、引用位置、情感极性\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>判定\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>双人独立标注 + 第三人仲裁；一致率 Cohen's κ 需 ≥ 0.75，否则该轮作废重标\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>输出指标\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>Share of Voice、Citation Rate、Mention Rate、Source Mix（自有\u002F第三方\u002FUGC）、Top Cited Pages\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>固定变量\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>引擎版本、地区（IPv4 地理固定）、语言、时间窗（连续 14 天内完成）、温度参数\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>伦理约束\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>不使用诱导性 prompt；不针对单一客户定制结论；不采集个人信息；品牌名单在发布时公开\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>统计设计（本节计算为真实推导，非合成）\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>设定显著性水平 α = 0.05、统计功效 1−β = 0.80，用于比较\u003Cstrong>两个独立比例\u003C\u002Fstrong>（如 A 品牌与 B 品牌的引用率）。每组所需样本量：\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>n = (z\u003Csub>1−α\u002F2\u003C\u002Fsub> + z\u003Csub>1−β\u003C\u002Fsub>)² × [p₁(1−p₁) + p₂(1−p₂)] \u002F (p₁ − p₂)²\n= (1.96 + 0.84)² × [0.30×0.70 + 0.40×0.60] \u002F (0.10)²\n= 7.84 × 0.45 \u002F 0.01 ≈ \u003Cstrong>353\u003C\u002Fstrong>\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>即在预期引用率 30% vs 40%、要求检出 10 个百分点的差异时，\u003Cstrong>每个品牌每个引擎约需 353 次独立观测\u003C\u002Fstrong>。单引擎 15 条 prompt × 3 次重复 = 45 次，远不足以做品牌级别的显著性比较——这是\u003Cstrong>关键的设计约束\u003C\u002Fstrong>。因此：\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>品牌级结论\u003C\u002Fstrong>：需跨 9 个引擎聚合（45 × 9 = 405 次），勉强达到单比例比较的门槛；\u003C\u002Fli>\n\u003Cli>\u003Cstrong>行业级与引擎级结论\u003C\u002Fstrong>：样本充足（1,800 × 3 = 5,400 次观测）；\u003C\u002Fli>\n\u003Cli>\u003Cstrong>时间序列结论\u003C\u002Fstrong>：季度间差异的\u003Cstrong>最小可检测效应\u003C\u002Fstrong>约为 ±3.5 个百分点（行业级）。小于此幅度的季度波动应视为噪音。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cstrong>这个计算本身就是本书的一条原创结论\u003C\u002Fstrong>：\u003Cstrong>市面上绝大多数"品牌 AI 可见度报告"的样本量，在统计上不足以支持它们声称的品牌级排名结论。\u003C\u002Fstrong> 企业在采购这类服务时，第一个要问的问题是"每个品牌每个引擎多少次观测"。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>方法演示算例（合成数据）\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>⚠️ 以下表格中的全部数字为\u003Cstrong>合成演示数据\u003C\u002Fstrong>，仅用于展示从原始记录到指数指标的完整计算路径。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>步骤\u003C\u002Fth>\n\u003Cth>演示值\u003C\u002Fth>\n\u003Cth>计算\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>总观测数\u003C\u002Ftd>\n\u003Ctd>5,400\u003C\u002Ftd>\n\u003Ctd>1,800 prompt × 3 次重复\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>品牌被提及次数\u003C\u002Ftd>\n\u003Ctd>1,242\u003C\u002Ftd>\n\u003Ctd>—\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>其中带来源链接（引用）\u003C\u002Ftd>\n\u003Ctd>611\u003C\u002Ftd>\n\u003Ctd>—\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>提及率（Mention Rate）\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>23.0%\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>1,242 \u002F 5,400\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>引用率（Citation Rate）\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>11.3%\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>611 \u002F 5,400\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>引用\u002F提及比\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>49.2%\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>611 \u002F 1,242 ← 被点名时约一半带链接\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>SoV（该品牌占全部引用位）\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>8.7%\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>611 \u002F 全部品牌引用次数 7,023\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Source Mix\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>自有 9.1% \u002F 第三方 74.3% \u002F UGC 16.6%\u003C\u002Ftd>\n\u003Ctd>按被引 URL 分类\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>标注一致率\u003C\u002Ftd>\n\u003Ctd>κ = 0.81\u003C\u002Ftd>\n\u003Ctd>双人标注，超过 0.75 门槛\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>已知局限（全部公开）\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Col>\n\u003Cli>\u003Cstrong>非概率抽样\u003C\u002Fstrong>：prompt 集由研究者构造，不是从真实查询日志中概率抽样，因此不能推断"全部 AI 查询"的分布。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>引擎版本漂移\u003C\u002Fstrong>：14 天测量窗内引擎可能更新，导致前后不一致；协议要求记录每轮的模型版本标识。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>地区与账号差异\u003C\u002Fstrong>：同一 prompt 在不同地区\u002F登录状态下结果不同，协议固定地区但无法消除账号个性化影响。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>情感极性标注的主观性\u003C\u002Fstrong>：即使 κ ≥ 0.75，仍有约四分之一的判定存在分歧风险。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>prompt 集的时效性\u003C\u002Fstrong>：购买意图的表达方式会随产品形态变化，prompt 集需每季度复核。\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Ch3 id=\"4-7-证据地图-哪些被证实-哪些被证否-哪些还不知道\">4.7 证据地图：哪些被证实、哪些被证否、哪些还不知道\u003C\u002Fh3>\n\u003Cp>把第 4 章全部证据压缩成一张表。这是本章最应被单独引用的一张表。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>表 4-4　GEO 证据地图\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>结论\u003C\u002Fth>\n\u003Cth>状态\u003C\u002Fth>\n\u003Cth>最强证据\u003C\u002Fth>\n\u003Cth>条件与边界\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>添加可核查的引用来源能提升可见度\u003C\u002Ftd>\n\u003Ctd>✅ \u003Cstrong>已证实（受控实验）\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>GEO-bench，最高 +40%\u003Csup>[1]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>benchmark 内上界；线上引擎约 +22%；领域间有差异\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>添加具体统计数据能提升可见度\u003C\u002Ftd>\n\u003Ctd>✅ \u003Cstrong>已证实（受控实验）\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>GEO-bench，最高 +37%\u003Csup>[1]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>同上；需"数值+单位+时间+口径"齐全\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>关键词堆砌无效\u003C\u002Ftd>\n\u003Ctd>✅ \u003Cstrong>已证实（否定性）\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>GEO-bench，低于基线\u003Csup>[1]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>与 SEO 直觉相反，是最重要的反常识结论\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>只优化正文文本会在检索\u002F重排阶段受损\u003C\u002Ftd>\n\u003Ctd>✅ \u003Cstrong>已证实（受控实验）\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>SAGEO Arena：−9% \u002F −16% \u002F −6%\u003Csup>[4]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>仅在"含完整检索管线"的环境下成立\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>结构化信息有助于检索阶段\u003C\u002Ftd>\n\u003Ctd>✅ \u003Cstrong>已证实（受控实验）\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>SAGEO Arena：检索 Hit@20 +22%、排名 +2.72\u003Csup>[4]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>作用在检索层强于引用层\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>排名不等于引用\u003C\u002Ftd>\n\u003Ctd>✅ \u003Cstrong>已证实（大样本观测）\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>首位约 50%\u003Csup>[20]\u003C\u002Fsup>；AI Mode 重合 12%\u003Csup>[39]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>平台间差异大\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>引擎偏好第三方信源\u003C\u002Ftd>\n\u003Ctd>✅ \u003Cstrong>已证实（多方法收敛）\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>Chen 等\u003Csup>[5]\u003C\u002Fsup> + Muck Rack 2,500 万条\u003Csup>[31]\u003C\u002Fsup> + McKinsey\u003Csup>[17]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>三个独立方法同时支持；Gemini 例外（更信品牌自述）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>被引用与更好的点击表现相关\u003C\u002Ftd>\n\u003Ctd>⚠️ \u003Cstrong>相关，因果未定\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>Seer：+35% \u002F +91%\u003Csup>[22]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>研究者自述无法排除"权威品牌同时被引且点击更高"\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>视频\u002FYouTube 提及与可见度强相关\u003C\u002Ftd>\n\u003Ctd>⚠️ \u003Cstrong>相关，因果未定\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>相关性 ~0.737\u003Csup>[29]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>无法分离"视频导致引用"与"热门品牌既有视频又被引"\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>schema 直接提升引用率\u003C\u002Ftd>\n\u003Ctd>❌ \u003Cstrong>未获支持\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>谷歌明示不要求\u003Csup>[7]\u003C\u002Fsup>；Ahrefs 1,885 页 DiD 对照无显著提升\u003Csup>[52]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>结构化信息对\u003Cstrong>检索层\u003C\u002Fstrong>有正向作用\u003Csup>[4]\u003C\u002Fsup>；且 [52] 样本均为已有 100+ 引用的页面，零引用页面未被覆盖\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>llms.txt 提升引用\u003C\u002Ftd>\n\u003Ctd>❌ \u003Cstrong>已被证否\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>30 万域名无相关\u003Csup>[25]\u003C\u002Fsup>；97% 文件零请求\u003Csup>[27]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>对开发者工具场景仍有价值\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>FAQ 富媒体结果带来引用\u003C\u002Ftd>\n\u003Ctd>❌ \u003Cstrong>路径已关闭\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>谷歌 2026-05-07 停止展示并移除文档\u003C\u002Ftd>\n\u003Ctd>—\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>"搜索量已下降 25%"\u003C\u002Ftd>\n\u003Ctd>❌ \u003Cstrong>是预测，非事实\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>Gartner 2024-02 预测\u003Csup>[18]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>预测窗口（2026）尚未结束\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>内容新鲜度的作用\u003C\u002Ftd>\n\u003Ctd>❓ \u003Cstrong>证据不足\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>厂商分析 65%\u003Csup>[49]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>C 级，仅作趋势参考\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>国产引擎的具体行为偏好\u003C\u002Ftd>\n\u003Ctd>❓ \u003Cstrong>证据不足\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>从业者观察\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>本书最大的证据缺口\u003C\u002Fstrong>，v1.1 重点补缺\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>16 个结构性因子（GEO-16）\u003C\u002Ftd>\n\u003Ctd>❓ \u003Cstrong>不予采用\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>工作论文\u003Csup>[41]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>未经同行评审、共线性未处理\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>读法提示\u003C\u002Fstrong>：✅ 与 ❌ 的分界线是"是否有受控实验或大样本多方法收敛"。⚠️ 的项目可以被写进提案，但必须带上条件；❓ 的项目不应被用于说服任何决策。\u003C\u002Fp>\n\u003Chr>\n\u003Chr>\n\u003Ch2 id=\"第三部分-方法-从能力到测量\">第三部分　方法：从能力到测量\u003C\u002Fh1>\n\u003Ch2 id=\"第-5-章-方法-geo-五层能力模型\">第 5 章　方法：GEO 五层能力模型\u003C\u002Fh2>\n\u003Cblockquote>\n\u003Cp>\u003Cstrong>本章结论\u003C\u002Fstrong>：GEO 的失败大多不是"内容不够好"，而是更早的层就断了——抓不到、解不开、抽不出、信不过、测不了。下层不通，上层归零。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Ch3 id=\"5-1-模型总览\">5.1 模型总览\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>表 5-3　GEO 五层能力模型\u003C\u002Fstrong>（核心资产）\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>层\u003C\u002Fth>\n\u003Cth>名称\u003C\u002Fth>\n\u003Cth>要建成什么\u003C\u002Fth>\n\u003Cth>判据\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>L5\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>可测量 Measureable\u003C\u002Ftd>\n\u003Ctd>指标 · 抽样 · 归因 · 实验\u003C\u002Ftd>\n\u003Ctd>能否回答"我比上季度好吗？为什么？"\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>L4\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>可信任 Trustworthy\u003C\u002Ftd>\n\u003Ctd>一手数据 · 引用链 · 署名 · 时效 · 外部一致性\u003C\u002Ftd>\n\u003Ctd>一个事实在三个平台上说法是否一致？\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>L3\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>可提取 Extractable\u003C\u002Ftd>\n\u003Ctd>答案块 · 自包含段落 · 数据密度 · 表格\u003C\u002Ftd>\n\u003Ctd>抽一段出来，脱离上下文是否仍成立？\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>L2\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>可解析 Parsable\u003C\u002Ftd>\n\u003Ctd>语义 HTML · 标题层级 · schema · 实体一致性\u003C\u002Ftd>\n\u003Ctd>去掉 CSS\u002FJS 后，机器能否读懂结构？\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>L1\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>可访问 Accessible\u003C\u002Ftd>\n\u003Ctd>爬虫许可 · 服务端渲染 · 状态码 · 站点地图\u003C\u002Ftd>\n\u003Ctd>AI 爬虫日志里有没有 200？\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>依赖关系的含义\u003C\u002Fstrong>：这是一个"与"门，不是"或"门。举例：一个页面即使写得极其漂亮（L3 满分），如果关键内容由客户端 JavaScript 渲染而 AI 爬虫拿不到（L1 = 0），它在生成式引擎里的可见度就是 0。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>为什么这个顺序不能打乱\u003C\u002Fstrong>：第 4.2 节的 SAGEO Arena 数据给出了实证依据——优化发生在越靠前的管线阶段，收益越大；只优化靠后阶段（纯正文改写）反而会因为稀释主题聚焦度而在检索阶段受损\u003Csup>[4]\u003C\u002Fsup>。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>表 5-0　成熟度自评表雏形\u003C\u002Fstrong>（完整打分版见第 9.4 节）\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>层\u003C\u002Fth>\n\u003Cth>L0（无）\u003C\u002Fth>\n\u003Cth>L1（起步）\u003C\u002Fth>\n\u003Cth>L2（成型）\u003C\u002Fth>\n\u003Cth>L3（成熟）\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>L1 可访问\u003C\u002Ftd>\n\u003Ctd>未关注 AI 爬虫\u003C\u002Ftd>\n\u003Ctd>robots 已放行主要 bot\u003C\u002Ftd>\n\u003Ctd>关键内容服务端输出\u003C\u002Ftd>\n\u003Ctd>有 bot 日志监控与告警\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>L2 可解析\u003C\u002Ftd>\n\u003Ctd>无结构化数据\u003C\u002Ftd>\n\u003Ctd>有基础 Article\u002FOrganization\u003C\u002Ftd>\n\u003Ctd>标题层级规范 + 实体一致\u003C\u002Ftd>\n\u003Ctd>schema 与可见内容自动校验\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>L3 可提取\u003C\u002Ftd>\n\u003Ctd>长段落叙述\u003C\u002Ftd>\n\u003Ctd>部分小节有结论句\u003C\u002Ftd>\n\u003Ctd>全站答案块规范\u003C\u002Ftd>\n\u003Ctd>有段落级抽检流程\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>L4 可信任\u003C\u002Ftd>\n\u003Ctd>无一手数据\u003C\u002Ftd>\n\u003Ctd>部分数据带出处\u003C\u002Ftd>\n\u003Ctd>有事实台账\u003C\u002Ftd>\n\u003Ctd>有跨站一致性核对机制\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>L5 可测量\u003C\u002Ftd>\n\u003Ctd>只看流量\u003C\u002Ftd>\n\u003Ctd>手工抽查若干 prompt\u003C\u002Ftd>\n\u003Ctd>有固定 prompt 集与周期\u003C\u002Ftd>\n\u003Ctd>有基线、对照组与归因模型\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Chr>\n\u003Ch3 id=\"5-2-l1-可访问性-让机器拿得到\">5.2 L1　可访问性：让机器拿得到\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>为什么这一层经常被忽略\u003C\u002Fstrong>：因为它"看不见"——站点在浏览器里一切正常，但 AI 爬虫拿到的是空壳。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>关键动作\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Col>\n\u003Cli>\u003Cstrong>放行检索型 AI 爬虫——但必须先分清两类控制杆\u003C\u002Fstrong>。\n\u003Cul>\n\u003Cli>\u003Cstrong>检索\u002F接地型\u003C\u002Fstrong>：抓取内容用于生成答案并给出引用。典型包括 \u003Cstrong>Googlebot\u003C\u002Fstrong>（谷歌搜索、AI 概览、AI Mode 均走它）、\u003Cstrong>OAI-SearchBot\u003C\u002Fstrong>（ChatGPT 联网检索）、\u003Cstrong>PerplexityBot\u003C\u002Fstrong>、\u003Cstrong>ClaudeBot \u002F Claude-SearchBot\u003C\u002Fstrong>。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>训练\u002F语料型\u003C\u002Fstrong>：如 \u003Cstrong>GPTBot\u003C\u002Fstrong>（OpenAI 训练语料）、\u003Cstrong>Google-Extended\u003C\u002Fstrong>（控制内容是否用于 \u003Cstrong>Gemini 的训练与接地\u003C\u002Fstrong>）。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>关键区分（见第 7.3 节）\u003C\u002Fstrong>：这两类\u003Cstrong>互不影响\u003C\u002Fstrong>。封禁 Google-Extended \u003Cstrong>不会\u003C\u002Fstrong>让你的页面失去出现在 AI 概览中的资格（那是 Googlebot 的范畴）；反之，放行 Googlebot 也不等于同意内容被用于模型训练。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>结论\u003C\u002Fstrong>：若目标是"被引用"，\u003Cstrong>检索型必须放行\u003C\u002Fstrong>；训练型可依据版权策略独立决策。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003C\u002Fli>\n\u003Cli>\u003Cstrong>关键内容服务端输出（SSR \u002F 预渲染）\u003C\u002Fstrong>。这是 L1 最大的单点故障。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>返回正确的状态码与规范 URL\u003C\u002Fstrong>。重定向链、软 404、canonical 指向错误，都会在这一层直接判死。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>站点地图与内部链接可达\u003C\u002Fstrong>。谷歌明确指出"通过网站上的内部链接让内容更容易被发现"仍适用于 AI 功能\u003Csup>[6]\u003C\u002Fsup>。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>确认预览控制没有误伤\u003C\u002Fstrong>。\u003Ccode>nosnippet\u003C\u002Fcode>、\u003Ccode>data-nosnippet\u003C\u002Fcode>、\u003Ccode>max-snippet\u003C\u002Fcode>、\u003Ccode>noindex\u003C\u002Fcode> 会让页面\u003Cstrong>失去成为 AI 概览辅助链接的资格\u003C\u002Fstrong>；模板或 CMS 改版后默认开启这些控制，是最常见的隐蔽故障\u003Csup>[6]\u003C\u002Fsup>。\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>\u003Cstrong>判别方法\u003C\u002Fstrong>：服务器日志中 AI bot 的抓取频次与状态码分布。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>自检 5 问\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Col>\n\u003Cli>我站点的 robots.txt 里，Googlebot、OAI-SearchBot、PerplexityBot、ClaudeBot 分别是什么策略？训练型（GPTBot、Google-Extended）的策略是否与我的版权目标一致？最近一次修改是什么时候？\u003C\u002Fli>\n\u003Cli>关掉 JavaScript 后，我的核心内容还在 HTML 里吗？\u003C\u002Fli>\n\u003Cli>全站是否存在模板级 \u003Ccode>nosnippet\u003C\u002Fcode> \u002F \u003Ccode>max-snippet\u003C\u002Fcode> 误设？\u003C\u002Fli>\n\u003Cli>AI bot 过去 30 天的 200 \u002F 301 \u002F 403 \u002F 404 比例是多少？\u003C\u002Fli>\n\u003Cli>站点地图是否覆盖了我最希望被引用的那 20 个页面？\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Chr>\n\u003Ch3 id=\"5-3-l2-可解析性-让机器读得懂结构\">5.3 L2　可解析性：让机器读得懂结构\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>关键动作\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Col>\n\u003Cli>\u003Cstrong>语义化 HTML\u003C\u002Fstrong>：\u003Ccode><article>\u003C\u002Fcode>、\u003Ccode><section>\u003C\u002Fcode>、\u003Ccode><h1>\u003C\u002Fcode>—\u003Ccode><h3>\u003C\u002Fcode> 层级真实反映内容结构，而非用 \u003Ccode><div>\u003C\u002Fcode> + CSS 视觉模拟。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>单页单一 H1，标题即问题\u003C\u002Fstrong>。把小标题写成用户会问的形式（"GEO 和 SEO 有什么区别？"），既服务人也服务检索。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>schema 与可见内容严格一致\u003C\u002Fstrong>。谷歌的官方要求是"确保结构化数据与网页上的可见文本一致"\u003Csup>[6]\u003C\u002Fsup>——标注了但页面上没有，是风险不是收益。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>实体归并（\u003Ccode>sameAs\u003C\u002Fcode>）\u003C\u002Fstrong>。用 \u003Ccode>Organization\u003C\u002Fcode> \u002F \u003Ccode>Person\u003C\u002Fcode> 的 \u003Ccode>sameAs\u003C\u002Fcode> 指向维基百科、官方社交账号、行业数据库，把"你"在机器眼里锚定成一个唯一实体。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>按类型补齐\u003C\u002Fstrong>：\u003Ccode>Article\u003C\u002Fcode>（含 \u003Ccode>author\u003C\u002Fcode>、\u003Ccode>datePublished\u003C\u002Fcode>、\u003Ccode>dateModified\u003C\u002Fcode>）、\u003Ccode>Product\u003C\u002Fcode>（含参数与报价）、\u003Ccode>Organization\u003C\u002Fcode>、\u003Ccode>Person\u003C\u002Fcode>。\u003Cstrong>注意\u003C\u002Fstrong>：FAQPage \u002F HowTo 作为富媒体结果的路径在 2026-05-07 后已被谷歌关闭，但仍可作为页面结构的语义补充，不要指望它带来引用\u003Csup>[7]\u003C\u002Fsup>。\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>\u003Cstrong>判别方法\u003C\u002Fstrong>：富媒体测试 + HTML 去样式后的可读性抽检（抽 20 个页面，去掉 CSS 与 JS 后让人读一遍，看结构是否清晰）。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>自检 5 问\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Col>\n\u003Cli>去掉所有 CSS 和 JS 后，我的页面结构还能被读懂吗？\u003C\u002Fli>\n\u003Cli>每个页面是否只有一个 H1，且 H1 就是用户会问的那个问题？\u003C\u002Fli>\n\u003Cli>我的 schema 里有没有页面上肉眼看不到的数据？\u003C\u002Fli>\n\u003Cli>我的机构\u002F作者条目有没有 \u003Ccode>sameAs\u003C\u002Fcode> 指向至少两个权威外部档案？\u003C\u002Fli>\n\u003Cli>上一次全站 schema 批量校验是什么时候？错误率是多少？\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Chr>\n\u003Ch3 id=\"5-4-l3-可提取性-让机器抽得出那一段\">5.4 L3　可提取性：让机器抽得出那一段\u003C\u002Fh3>\n\u003Cp>这一层是大多数内容团队的真正战场，也是第 3.2 节"段落级竞争"的直接落地。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>关键动作\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Col>\n\u003Cli>\u003Cstrong>答案块（answer block）写法\u003C\u002Fstrong>：每个小节首段给出结论，定义句控制在 \u003Cstrong>40—60 字\u003C\u002Fstrong>，脱离上下文仍成立。这是最容易被抽取的单元。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>自包含段落\u003C\u002Fstrong>：段落内不出现"如上所述""这个产品""该公司"，改为完整指名。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>数据密度四要素\u003C\u002Fstrong>：数值 + 单位 + 时间 + 口径，四者齐全。缺一项，这段话被引用的概率显著下降——因为引擎无法安全复述它。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>表格化替代描述\u003C\u002Fstrong>：一张对比表的信息密度与可抽取性远高于三段散文。第 3.2 节的格式分布数据（榜单\u002F对比型占被引 URL 的 59.5%）支持这一点\u003Csup>[47]\u003C\u002Fsup>。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>问答式小标题 + 结论前置\u003C\u002Fstrong>：对应第 3.3 节的 U 型位置偏置——把关键信息放在首尾。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>覆盖问题空间而非主词\u003C\u002Fstrong>：对应第 3.1 节的查询扇出。一个页面应覆盖该主题的 15—25 个真实子问题，但\u003Cstrong>不要为每个子问题单独建页\u003C\u002Fstrong>（违反谷歌规模化内容滥用政策\u003Csup>[7]\u003C\u002Fsup>）。\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>\u003Cstrong>判别方法\u003C\u002Fstrong>：随机抽 20 个段落，遮住标题与前文，判断"脱离上下文是否仍成立"。通过率低于 60% 说明 L3 不合格。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>自检 5 问\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Col>\n\u003Cli>随机抽 20 段，遮住标题后仍有几段能独立成立？\u003C\u002Fli>\n\u003Cli>每个关键数字是否同时具备"数值 + 单位 + 时间 + 口径"？\u003C\u002Fli>\n\u003Cli>每节首段是否就是一个可独立引用的结论？\u003C\u002Fli>\n\u003Cli>我有没有用一张表替代本该用三段话描述的内容？\u003C\u002Fli>\n\u003Cli>我的页面覆盖了所在主题的多少个子问题？缺的是哪几个？\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Chr>\n\u003Ch3 id=\"5-5-l4-可信任性-让机器敢引用你\">5.5 L4　可信任性：让机器敢引用你\u003C\u002Fh3>\n\u003Cp>这一层解释了一个反直觉的现象：\u003Cstrong>为什么有些小站点的文章能被引用，而大品牌的官网不能\u003C\u002Fstrong>。第 3.4 节的证据说明，引擎对"独立第三方陈述"的信任显著高于"品牌自述"。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>关键动作\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Col>\n\u003Cli>\u003Cstrong>建一手数据\u003C\u002Fstrong>：行业里最稀缺、也最容易被引用的是"别人没有的数字"。哪怕样本不大，只要方法公开，就比转述二手数据有价值得多（本白皮书第 4.6 节即是示例）。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>引用链完整\u003C\u002Fstrong>：每个事实性陈述都给出可点击、可追溯的出处，最好是 A 级或 B 级来源。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>作者与机构可核\u003C\u002Fstrong>：具名作者、真实履历、\u003Ccode>sameAs\u003C\u002Fcode> 指向外部档案。这是 E-E-A-T 中最容易被机器验证的部分。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>更新可见\u003C\u002Fstrong>：\u003Ccode>dateModified\u003C\u002Fcode> 真实、页面上标注"最后更新"。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>跨站事实一致\u003C\u002Fstrong>：同一事实在官网、第三方平台、社媒上的表述必须一致。不一致会被模型"平均化"成模糊表述——这是第 8 章提到的品牌一致性风险。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>争取第三方背书\u003C\u002Fstrong>：earned media 占 AI 引用的绝大多数（ChatGPT 93.5%、Claude 87.3%、Perplexity 67.4%、Gemini 63.4%）\u003Csup>[5]\u003C\u002Fsup>；Muck Rack 对 2,500 万条引用的分析显示 84% 来自品牌既不拥有也未付费的来源\u003Csup>[31]\u003C\u002Fsup>。\u003Cstrong>第三方信源拓展不是公关的附加项，而是 GEO 的主战场。\u003C\u002Fstrong>\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>\u003Cstrong>判别方法\u003C\u002Fstrong>：在同一事实下，跨 3 个平台比对表述是否一致。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>自检 5 问\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Col>\n\u003Cli>我最希望被引用的 10 个事实，有几个是我自己测出来的？\u003C\u002Fli>\n\u003Cli>这些事实的出处能否一键点开核实？\u003C\u002Fli>\n\u003Cli>我能否说出作者姓名与其可核实的外部档案？\u003C\u002Fli>\n\u003Cli>同一组数据，在官网、行业媒体、社媒上的说法一致吗？\u003C\u002Fli>\n\u003Cli>过去 12 个月，有多少独立第三方引用过我的数据或观点？\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Chr>\n\u003Ch3 id=\"5-6-l5-可测量性-衔接第-6-章\">5.6 L5　可测量性：衔接第 6 章\u003C\u002Fh3>\n\u003Cp>L5 不是"买个监测工具"，而是建立一套能回答三个问题的系统：\u003Cstrong>我现在在哪？我比上季度好吗？这个变化是我造成的吗？\u003C\u002Fstrong> 完整方法见第 6 章。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>为什么把可测量放在最顶层而不是最底层\u003C\u002Fstrong>：因为它依赖下面四层——如果内容本身不可提取、数据本身不可信，测量结果再精细也只是精确地测量一个错误的对象。\u003C\u002Fp>\n\u003Chr>\n\u003Ch3 id=\"5-7-分行业打法\">5.7 分行业打法\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>表 5-1　分行业最高杠杆动作\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>行业\u003C\u002Fth>\n\u003Cth>引擎最常回答的问题类型\u003C\u002Fth>\n\u003Cth>三条最高杠杆动作\u003C\u002Fth>\n\u003Cth>特殊约束\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>B2B SaaS\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>对比、选型、集成、定价\u003C\u002Ftd>\n\u003Ctd>① 建可结构化对比的参数表（含竞品）② 覆盖"X 与 Y 怎么选"的问题空间 ③ 争取垂直评测站与目录平台收录\u003C\u002Ftd>\n\u003Ctd>参数必须真实可核；避免为对比页堆量\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>电商 \u002F 消费品\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>参数、评测、口碑\u003C\u002Ftd>\n\u003Ctd>① 产品规格结构化且与其他渠道一致 ② 覆盖"哪款适合 X 场景" ③ UGC 与第三方评测的密度\u003C\u002Ftd>\n\u003Ctd>Gemini 对品牌自有站点信任度最高（52.15%），优先做 schema 完整性\u003Csup>[45]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>金融\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>资质、费率、风险、合规\u003C\u002Ftd>\n\u003Ctd>① 资质与机构信息结构化且可核 ② 费率与条款带明确生效日期 ③ 引用监管来源\u003C\u002Ftd>\n\u003Ctd>强合规约束；不得承诺收益；表述须与监管口径一致\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>医疗 \u002F 健康（YMYL）\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>症状、方案、机构选择\u003C\u002Ftd>\n\u003Ctd>① 作者与审校者具名且资质可核 ② 每个医学陈述附指南或文献出处 ③ 明确标注更新时间\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>最高审查强度\u003C\u002Fstrong>；无资质来源的内容几乎不可能被引；务必有专业审校\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>本地服务\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>地理实体、营业信息、口碑\u003C\u002Ftd>\n\u003Ctd>① 地理实体与营业信息一致（含地图平台）② 覆盖"某城市 + 服务"的问题空间 ③ 本地目录与评价体系完善\u003C\u002Ftd>\n\u003Ctd>AI 概览对本地类查询的行为与信息类差异大\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>媒体 \u002F 出版\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>时效、署名、事实核查\u003C\u002Ftd>\n\u003Ctd>① 具名作者 + 一手报道 ② 时效标注与更新链 ③ 结构化事实块\u003C\u002Ftd>\n\u003Ctd>欧盟议会研究指出：AI 摘要对依赖搜索发现的新闻出版商冲击最大\u003Csup>[13]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>教育 \u002F 培训\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>课程对比、认证、就业\u003C\u002Ftd>\n\u003Ctd>① 课程参数对比表 ② 认证资质结构化 ③ 第三方口碑与结果数据\u003C\u002Ftd>\n\u003Ctd>结果类数据须有统计口径\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>制造 \u002F 工业\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>规格、标准、供应能力\u003C\u002Ftd>\n\u003Ctd>① 规格参数完整结构化 ② 标准与认证编号可核 ③ 白皮书\u002F技术文档型长文（Kimi 等偏好）\u003C\u002Ftd>\n\u003Ctd>长文资产对部分国产引擎更有效\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch3 id=\"5-8-反模式清单\">5.8 反模式清单\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>表 5-2　八种反模式：为什么错 + 证据\u003C\u002Fstrong>（高传播潜力）\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>#\u003C\u002Fth>\n\u003Cth>反模式\u003C\u002Fth>\n\u003Cth>为什么错\u003C\u002Fth>\n\u003Cth>证据\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>1\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>关键词堆砌\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>在 GEO-bench 中被直接证否，效果低于基线\u003C\u002Ftd>\n\u003Ctd>\u003Csup>[1]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>2\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>批量生成 AI 水文\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>触发规模化内容滥用政策；内容量与 AI 可见度相关性仅约 0.194\u003C\u002Ftd>\n\u003Ctd>\u003Csup>[29][7]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>3\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>伪造引用与虚构数据\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>L4 的反向操作；一旦被第三方核验不一致，损失的是整站可信度\u003C\u002Ftd>\n\u003Ctd>本书第 5.5 节\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>4\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>llms.txt 迷信\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>30 万域名无相关；137,210 域名中 97% 的文件整月零请求；谷歌明示不使用\u003C\u002Ftd>\n\u003Ctd>\u003Csup>[25][27][7]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>5\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>为机器另建"影子页"\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>违反规模化内容滥用政策；且影子页通常缺少真实实体信号\u003C\u002Ftd>\n\u003Ctd>\u003Csup>[7]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>6\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>只做 schema 不改内容\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>schema 与可见内容不一致是风险\u003Csup>[6]\u003C\u002Fsup>；1,885 页对照实验显示加 schema 未带来显著引用提升\u003Csup>[52]\u003C\u002Fsup>（样本为已有 100+ 引用的页面）\u003C\u002Ftd>\n\u003Ctd>\u003Csup>[6][52]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>7\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>把排名当引用\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>第 1 名进入 AI 概览前三引用位概率约 50%；AI Mode 下重合度仅 12%\u003C\u002Ftd>\n\u003Ctd>\u003Csup>[20][39]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>8\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>无视更新时效\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>多数 AI bot 抓取集中在近一年内容；过时数据会被静默替换为竞品数据（⚠️ C 级证据，仅作趋势）\u003C\u002Ftd>\n\u003Ctd>\u003Csup>[49]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch3 id=\"5-9-一个完整的页面改造示例\">5.9 一个完整的页面改造示例\u003C\u002Fh3>\n\u003Cp>抽象原则不如一次对照。以下是一个真实结构（脱敏）的改造前后对比，展示 L2—L4 三层的变化如何叠加。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>改造前（不可用）\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cpre>\u003Ccode class=\"language-text\">H1：产品中心\n正文（第一段）：\n  在这个数字化转型加速的时代，企业对于高效协作工具的\n  需求日益增长。我们始终坚持以客户为中心，致力于为广\n  大用户提供优质的产品与服务。我们的产品凭借领先的技\n  术优势，赢得了市场的一致好评……\n正文（第三段）：\n  价格方面，我们提供多种套餐供选择，具体可咨询销售。\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>\u003Cstrong>为什么这段几乎不可能被引用：\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>层\u003C\u002Fth>\n\u003Cth>问题\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>L2\u003C\u002Ftd>\n\u003Ctd>H1 是"产品中心"，不是任何用户会问的问题；标题不携带意图\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>L3\u003C\u002Ftd>\n\u003Ctd>第一段是定位陈述，无信息量；脱离上下文后无法成立（"我们的产品"指谁？）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>L3\u003C\u002Ftd>\n\u003Ctd>"多种套餐"没有数值、没有单位、没有时间、没有口径——引擎无法安全复述\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>L4\u003C\u002Ftd>\n\u003Ctd>"领先的技术优势""一致好评"不可核验；无一手数据、无出处\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>改造后（可引用）\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cpre>\u003Ccode class=\"language-text\">H1：X 产品的团队协作功能支持多少人同时使用？\n\n【答案块｜48 字】\nX 产品支持单团队最多 200 人同时在线协作，企业版上限\n为 2,000 人；该限制自 2026 年 4 月起适用于全部付费套餐。\n\n【参数表】\n| 套餐     | 同时在线上限 | 存储空间 | 价格（年付，含税） | 生效日期   |\n|---------|------------|---------|-----------------|-----------|\n| 团队版   | 200 人      | 500 GB  | ¥ 12,800 \u002F 年    | 2026-04-01 |\n| 企业版   | 2,000 人    | 5 TB    | ¥ 86,000 \u002F 年    | 2026-04-01 |\n\n【数据来源】本表数据来自 X 产品 2026 年第二季度官方定价\n文档，由 butGEO 于 2026-09-15 核验。\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>\u003Cstrong>改动清单与对应层：\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>改动\u003C\u002Fth>\n\u003Cth>层\u003C\u002Fth>\n\u003Cth>机制依据\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>H1 改为用户会问的问题\u003C\u002Ftd>\n\u003Ctd>L2\u003C\u002Ftd>\n\u003Ctd>标题即问题，直接对齐检索意图\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>首段改为 48 字答案块\u003C\u002Ftd>\n\u003Ctd>L3\u003C\u002Ftd>\n\u003Ctd>对应段落级竞争（第 3.2 节）+ 位置偏置（第 3.3 节）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>四要素齐全（数值+单位+时间+口径）\u003C\u002Ftd>\n\u003Ctd>L3\u003C\u002Ftd>\n\u003Ctd>数据密度决定能否被安全复述（第 4.4 节）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>用表替代描述\u003C\u002Ftd>\n\u003Ctd>L3\u003C\u002Ftd>\n\u003Ctd>榜单\u002F对比型占被引 URL 的 59.5%（第 3.2 节）\u003Csup>[47]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>标注来源与核验日期\u003C\u002Ftd>\n\u003Ctd>L4\u003C\u002Ftd>\n\u003Ctd>一手数据 + 引用链（第 5.5 节）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>覆盖"支持多少人""什么价格"两个子问题\u003C\u002Ftd>\n\u003Ctd>L3\u003C\u002Ftd>\n\u003Ctd>对应查询扇出（第 3.1 节）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>这个例子最重要的启示\u003C\u002Fstrong>：改造没有增加任何"新内容"，只是把原本就有的信息\u003Cstrong>重新组织成机器可安全复述的形状\u003C\u002Fstrong>。GEO 的第一批收益几乎全部来自这一类重组，而不是创作新内容。\u003C\u002Fp>\n\u003Chr>\n\u003Ch2 id=\"第-6-章-测量-如何证明-geo-有用\">第 6 章　测量：如何证明 GEO 有用\u003C\u002Fh2>\n\u003Cblockquote>\n\u003Cp>\u003Cstrong>本章结论\u003C\u002Fstrong>：GEO 目前最大的短板不是方法，是度量。没有可复现的测量，GEO 永远停留在"感觉有效"。而敢于说"测不准"，反而会提升整份报告的可信度。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Ch3 id=\"6-1-四层指标体系\">6.1 四层指标体系\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>表 6-4　GEO 四层指标体系\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>层\u003C\u002Fth>\n\u003Cth>核心指标\u003C\u002Fth>\n\u003Cth>回答什么问题\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>资产层\u003C\u002Fstrong> Asset\u003C\u002Ftd>\n\u003Ctd>被引页面数 · 被引段落数 · 覆盖的问题空间\u003C\u002Ftd>\n\u003Ctd>我们的可引用资产在增长吗？\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>业务层\u003C\u002Fstrong> Business\u003C\u002Ftd>\n\u003Ctd>线索 · 成交 · 品牌搜索量 · 引荐转化\u003C\u002Ftd>\n\u003Ctd>可见度变成钱了吗？\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>流量层\u003C\u002Fstrong> Traffic\u003C\u002Ftd>\n\u003Ctd>AI 引荐会话 · 品牌搜索 · 直接访问\u003C\u002Ftd>\n\u003Ctd>有人因此来找我们了吗？\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>可见度层\u003C\u002Fstrong> Visibility\u003C\u002Ftd>\n\u003Ctd>提及率 · 引用率 · 引用位置 · 情感极性 · SoV\u003C\u002Ftd>\n\u003Ctd>引擎在答案里怎么说我们？\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>为什么必须分层\u003C\u002Fstrong>：因为"唯流量论"在 GEO 里会导致系统性误判。AI 引荐流量目前只占全球互联网流量约 0.24%\u003Csup>[34]\u003C\u002Fsup>，如果你的 KPI 是流量，GEO 一定"看起来没用"。但同一批流量转化率高出 54%\u003Csup>[38]\u003C\u002Fsup>，且可见度的变化会先于流量 6—12 个月发生。\u003Cstrong>可见度是先行指标，流量是滞后指标。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch3 id=\"6-2-核心指标定义\">6.2 核心指标定义\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>表 6-1　GEO 核心指标定义表\u003C\u002Fstrong>（易被引用）\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>指标\u003C\u002Fth>\n\u003Cth>公式\u003C\u002Fth>\n\u003Cth>边界与陷阱\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>提及率 Mention Rate\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>提及该品牌的回答数 \u002F 总回答数\u003C\u002Ftd>\n\u003Ctd>分子不含链接。\u003Cstrong>不得与引用率混用\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>引用率 Citation Rate\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>含该品牌可点击来源链接的回答数 \u002F 总回答数\u003C\u002Ftd>\n\u003Ctd>分母必须是"该品牌本应出现的回答数"，否则会被无关 prompt 稀释\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>声量份额 SoV\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>该品牌引用次数 \u002F 该问题空间内全部引用次数\u003C\u002Ftd>\n\u003Ctd>与 SEO 时代的 SoV 不同：分母是\u003Cstrong>引用位总数\u003C\u002Fstrong>，不是流量\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>引用位置 Answer Position\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>引用链接在答案中的序号（1\u002F2\u002F3…）\u003C\u002Ftd>\n\u003Ctd>位置越靠前越可能被点击；但谷歌称来自 AI 概览页的点击"质量更高"（用户停留更久）\u003Csup>[6]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>情感极性 Sentiment\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>正面 \u002F 中性 \u002F 负面的标注分布\u003C\u002Ftd>\n\u003Ctd>主观性最强，必须双人标注 + κ ≥ 0.75\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>信源结构 Source Mix\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>自有 \u002F 第三方 \u002F UGC 三类占引用的比例\u003C\u002Ftd>\n\u003Ctd>用于判断是否需要加大第三方信源投入\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>覆盖问题空间数\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>该品牌被引用的不同子查询数量\u003C\u002Ftd>\n\u003Ctd>对应扇出机制，是比"关键词覆盖"更准确的规划单位\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>被引页面数\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>产生过引用的独立 URL 数\u003C\u002Ftd>\n\u003Ctd>资产层指标，反映可引用资产的广度\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>关于"位置调整词数"（Position-Adjusted Word Count）\u003C\u002Fstrong>：这是 GEO-bench 使用的学术指标，综合考虑了内容在答案中的篇幅与位置\u003Csup>[1]\u003C\u002Fsup>。它比"是否被引"更精细，但计算依赖对答案文本的解析，\u003Cstrong>在跨平台比较时口径难以统一\u003C\u002Fstrong>。本书建议：学术研究用它，企业报告用"提及率 + 引用率 + SoV"三件套。\u003C\u002Fp>\n\u003Ch3 id=\"6-3-实验设计\">6.3 实验设计\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>表 6-5　可复现的 GEO 实验设计（五个要素）\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>#\u003C\u002Fth>\n\u003Cth>要素\u003C\u002Fth>\n\u003Cth>正确做法\u003C\u002Fth>\n\u003Cth>常见错误\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>①\u003C\u002Ftd>\n\u003Ctd>抽样单元\u003C\u002Ftd>\n\u003Ctd>用 \u003Cstrong>prompt 集\u003C\u002Fstrong>而非关键词集；每品类 15—25 条真实买家问题（每条 ≥8 字）\u003C\u002Ftd>\n\u003Ctd>用关键词集测"排名"，而引擎回答的是"问题"\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>②\u003C\u002Ftd>\n\u003Ctd>固定变量\u003C\u002Ftd>\n\u003Ctd>引擎版本 \u002F 地区 \u002F 语言 \u002F 时间窗（建议 ≤14 天）\u002F 温度参数 \u002F 登录状态\u003C\u002Ftd>\n\u003Ctd>每次测量条件不同，结果不可比\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>③\u003C\u002Ftd>\n\u003Ctd>重复测量\u003C\u002Ftd>\n\u003Ctd>同一 prompt × 同一引擎 ≥3 次，记录\u003Cstrong>分布\u003C\u002Fstrong>而非单点\u003C\u002Ftd>\n\u003Ctd>单次测量只是\u003Cstrong>一个抽样\u003C\u002Fstrong>，无法估计方差\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>④\u003C\u002Ftd>\n\u003Ctd>对照组\u003C\u002Ftd>\n\u003Ctd>改动组与未改动组必须在\u003Cstrong>同一时间窗\u003C\u002Fstrong>内测量\u003C\u002Ftd>\n\u003Ctd>两组跨时窗，引擎版本漂移污染结果\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>⑤\u003C\u002Ftd>\n\u003Ctd>时间序列\u003C\u002Ftd>\n\u003Ctd>改动前建立 ≥4 周基线，改动后持续追踪\u003C\u002Ftd>\n\u003Ctd>无基线就上线\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>抽样误差与最小可检测效应（MDE）\u003C\u002Fstrong>：如第 4.6 节计算，在 α = 0.05、功效 0.80 下，检出 10 个百分点的引用率差异需要每组约 353 次观测。\u003Cstrong>这意味着：\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cul>\n\u003Cli>一个 15 条 prompt 的 prompt 集，在单引擎上\u003Cstrong>只能给出方向性判断，不能给出显著性结论\u003C\u002Fstrong>；\u003C\u002Fli>\n\u003Cli>任何声称"我们把你的 AI 可见度从 X 提升到 Y"的服务，如果不能说明观测次数与时间窗，其结论不应采信。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch3 id=\"6-4-工具与数据源-四种方案的取舍\">6.4 工具与数据源：四种方案的取舍\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>表 6-2　测量方案对比（四种方案）\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>方案\u003C\u002Fth>\n\u003Cth>优点\u003C\u002Fth>\n\u003Cth>局限\u003C\u002Fth>\n\u003Cth>适用\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>自建 prompt 集 + 定期跑数\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>口径完全可控、可复现、成本可控\u003C\u002Ftd>\n\u003Ctd>需要工程投入；prompt 集设计质量决定一切\u003C\u002Ftd>\n\u003Ctd>有数据\u002F工程能力的企业（推荐作为基础）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>第三方监测平台\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>开箱即用、覆盖引擎多、有竞品对比\u003C\u002Ftd>\n\u003Ctd>口径是黑盒；不同平台结果差异大；品牌级样本量常不足\u003C\u002Ftd>\n\u003Ctd>快速起步、需要竞品视角\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>服务器日志 + 分析工具\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>真实、无抽样偏差\u003C\u002Ftd>\n\u003Ctd>只能测"来的"，测不到"没来的"；AI 引荐常无 referrer 而落入直接流量\u003C\u002Ftd>\n\u003Ctd>作为流量层的补充，不能替代可见度层\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>人工标注\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>情感与引用位置判定最准\u003C\u002Ftd>\n\u003Ctd>成本高、难以规模化\u003C\u002Ftd>\n\u003Ctd>抽样校验自动化结果（建议占比 10%—20%）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>组合建议\u003C\u002Fstrong>：自建 prompt 集打底（可见度层）+ 服务器日志（流量层）+ 人工抽检 10%—20%（质量校正）。第三方平台用于竞品对比，但\u003Cstrong>不要把绝对数值跨来源比较\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>口径提示：Similarweb 明确提醒"部分 AI 访问不带 referrer 数据，会落入直接流量，因此基于 referrer 的统计低估了真实规模"\u003Csup>[33]\u003C\u002Fsup>。这意味着你的"直接流量"里可能混着 AI 流量。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Ch3 id=\"6-5-归因难题-敢说-测不准\">6.5 归因难题：敢说"测不准"\u003C\u002Fh3>\n\u003Cp>这是本书最诚实、也最有价值的一节。GEO 的归因存在三个结构性困难：\u003C\u002Fp>\n\u003Cp>\u003Cstrong>表 6-6　GEO 归因链路上的三个断点\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>断点\u003C\u002Fth>\n\u003Cth>表现\u003C\u002Fth>\n\u003Cth>可接受的替代方案\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>暗流量\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>用户在 AI 里看到你，但从未点击；转化发生在其他渠道\u003C\u002Ftd>\n\u003Ctd>品牌搜索量作为代理指标；AI 引荐会话（即使量小）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>品牌搜索抬升\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>AI 曝光提高了后续品牌搜索，但被归因为"品牌\u002F直接"\u003C\u002Ftd>\n\u003Ctd>品牌搜索量的时间序列断点分析；搜索量与可见度的相关性建模\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>last-click 失真\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>最后一次点击几乎不会是 AI 引荐\u003C\u002Ftd>\n\u003Ctd>增量实验（geo\u002F时间分片对照）、营销组合建模（MMM）、自述归因（"你怎么知道我们的？"）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>本书的诚实结论\u003C\u002Fstrong>：\u003Cstrong>在单个企业层面，GEO 的精确归因目前做不到。\u003C\u002Fstrong> 可以做到的是：\u003C\u002Fp>\n\u003Cul>\n\u003Cli>在\u003Cstrong>可见度层\u003C\u002Fstrong>建立可靠的因果（有基线、有对照、有足够样本）；\u003C\u002Fli>\n\u003Cli>在\u003Cstrong>业务层\u003C\u002Fstrong>建立相关性证据（品牌搜索与可见度的时序关系）；\u003C\u002Fli>\n\u003Cli>用\u003Cstrong>增量实验\u003C\u002Fstrong>在特定品类\u002F区域上估计量级（成本较高，适合大预算）。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>把这三件事说清楚，比给出一个"GEO 贡献了 23% 的线索"这类无法复现的数字，更有说服力。\u003C\u002Fp>\n\u003Ch3 id=\"6-6-一页纸报表模板-面向管理层\">6.6 一页纸报表模板（面向管理层）\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>表 6-7　GEO 月度报表模板（面向管理层）\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>板块\u003C\u002Fth>\n\u003Cth>项目\u003C\u002Fth>\n\u003Cth>本期值\u003C\u002Fth>\n\u003Cth>变化\u003C\u002Fth>\n\u003Cth>备注\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>1　可见度\u003C\u002Fstrong>（先行指标）\u003C\u002Ftd>\n\u003Ctd>提及率\u003C\u002Ftd>\n\u003Ctd>23.0%\u003C\u002Ftd>\n\u003Ctd>▲ +2.1pp\u003C\u002Ftd>\n\u003Ctd>上月 20.9%\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003C\u002Ftd>\n\u003Ctd>引用率\u003C\u002Ftd>\n\u003Ctd>11.3%\u003C\u002Ftd>\n\u003Ctd>▲ +1.4pp\u003C\u002Ftd>\n\u003Ctd>—\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003C\u002Ftd>\n\u003Ctd>声量份额 SoV\u003C\u002Ftd>\n\u003Ctd>8.7%\u003C\u002Ftd>\n\u003Ctd>▼ −0.3pp\u003C\u002Ftd>\n\u003Ctd>竞品 B 上升\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003C\u002Ftd>\n\u003Ctd>情感极性\u003C\u002Ftd>\n\u003Ctd>正面 62% \u002F 中性 31% \u002F 负面 7%\u003C\u002Ftd>\n\u003Ctd>负面 ▲ 2pp ⚠️\u003C\u002Ftd>\n\u003Ctd>需关注\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>2　流量\u003C\u002Fstrong>（滞后指标）\u003C\u002Ftd>\n\u003Ctd>AI 引荐会话\u003C\u002Ftd>\n\u003Ctd>4,210\u003C\u002Ftd>\n\u003Ctd>▲ +31%\u003C\u002Ftd>\n\u003Ctd>对照：全行业 YoY +117.4%\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003C\u002Ftd>\n\u003Ctd>品牌搜索量\u003C\u002Ftd>\n\u003Ctd>—\u003C\u002Ftd>\n\u003Ctd>▲ +6.8%\u003C\u002Ftd>\n\u003Ctd>—\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>3　业务\u003C\u002Fstrong>（归因受限）\u003C\u002Ftd>\n\u003Ctd>AI 引荐转化率\u003C\u002Ftd>\n\u003Ctd>7.1%\u003C\u002Ftd>\n\u003Ctd>—\u003C\u002Ftd>\n\u003Ctd>对照：付费搜索 7.8%\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>4　资产\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>被引页面数\u003C\u002Ftd>\n\u003Ctd>47\u003C\u002Ftd>\n\u003Ctd>—\u003C\u002Ftd>\n\u003Ctd>Top10 另附\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003C\u002Ftd>\n\u003Ctd>覆盖问题空间\u003C\u002Ftd>\n\u003Ctd>132 \u002F 260\u003C\u002Ftd>\n\u003Ctd>—\u003C\u002Ftd>\n\u003Ctd>—\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>5　异常提醒\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>负面情感上升 2pp\u003C\u002Ftd>\n\u003Ctd>集中在"价格"子问题\u003C\u002Ftd>\n\u003Ctd>⚠️\u003C\u002Ftd>\n\u003Ctd>待处置\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003C\u002Ftd>\n\u003Ctd>引擎 C 引用率下降 4pp\u003C\u002Ftd>\n\u003Ctd>疑为引擎版本变更\u003C\u002Ftd>\n\u003Ctd>⚠️\u003C\u002Ftd>\n\u003Ctd>待核查\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>报表头部必须固定标注\u003C\u002Fstrong>：报告期、样本规模（prompt 数 × 引擎数 × 重复次数）、方法（指向附录 B）、数据来源与采集时间（指向附录 D）。\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>表 6-7 为\u003Cstrong>模板\u003C\u002Fstrong>，其中数值为示例。实际使用时须替换为真实测量值，并附口径说明。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Ch3 id=\"6-7-七个常见的测量错误\">6.7 七个常见的测量错误\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>表 6-3　常见测量错误与纠正\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>#\u003C\u002Fth>\n\u003Cth>错误\u003C\u002Fth>\n\u003Cth>为什么错\u003C\u002Fth>\n\u003Cth>纠正\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>1\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>用关键词集代替 prompt 集\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>关键词测的是"排名"，而引擎回答的是"问题"；二者不在一个空间\u003C\u002Ftd>\n\u003Ctd>抽样单元改为真实买家问题，每条 ≥8 字\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>2\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>单次测量就下结论\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>同一 prompt 在同一引擎上不同时间的输出不同；单次只是\u003Cstrong>一个抽样\u003C\u002Fstrong>，无法估计方差\u003C\u002Ftd>\n\u003Ctd>每 prompt × 每引擎 ≥3 次，报分布不报单点\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>3\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>跨时间比较不固定变量\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>引擎版本、地区、登录状态、温度参数任一变化都会污染结果\u003C\u002Ftd>\n\u003Ctd>固定全部可固定变量，并记录不可固定者\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>4\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>把"是否提及"当"是否引用"\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>被点名但没有链接，用户无法到达你；商业价值差一个量级\u003C\u002Ftd>\n\u003Ctd>两个指标分别统计，永远不合并\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>5\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>分母用错\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>用"全部 prompt"作分母，会把大量无关主题稀释成 0.x%\u003C\u002Ftd>\n\u003Ctd>分母限为"该品牌本应出现的问题空间"\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>6\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>品牌级排名但样本不足\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>见第 4.6 节：检出 10pp 差异需每组约 353 次观测\u003C\u002Ftd>\n\u003Ctd>核算观测次数；不足时降级为"方向性观察"\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>7\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>把相关性读成因果\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>"被引用 +35% 点击"也可能是"权威品牌本来就更容易被引"\u003C\u002Ftd>\n\u003Ctd>报告中明确写出替代解释（Seer 的做法值得效仿\u003Csup>[22]\u003C\u002Fsup>）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch3 id=\"6-8-与现有-kpi-体系的衔接\">6.8 与现有 KPI 体系的衔接\u003C\u002Fh3>\n\u003Cp>GEO 指标不应另起炉灶，而应挂进现有体系。三条衔接建议：\u003C\u002Fp>\n\u003Col>\n\u003Cli>\u003Cstrong>把可见度设为先行指标，写进季度 OKR\u003C\u002Fstrong>。理由：可见度的变化早于流量 6—12 个月；等流量下滑再反应，已经晚了。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>给"AI 引荐"单开一个渠道分组，但不要给它独立 ROI 目标\u003C\u002Fstrong>。理由：第 6.5 节的归因限制。可以给"AI 引荐 + 品牌搜索"的合并目标。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>把"被引页面数"并入内容团队的产出指标\u003C\u002Fstrong>。理由：它同时衡量内容质量与机器可读性，是内容团队在 AI 时代最直接的产出度量。\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cblockquote>\n\u003Cp>一条反面建议：\u003Cstrong>不要用"AI 可见度排名"作为采购单一服务的验收标准。\u003C\u002Fstrong> 第 4.6 节已说明，多数商业报告的品牌级样本量不足以支撑排名结论；用它做验收，等于用一把没有刻度的尺子验收工程。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Chr>\n\u003Chr>\n\u003Ch2 id=\"第四部分-边界与前景\">第四部分　边界与前景\u003C\u002Fh1>\n\u003Ch2 id=\"第-7-章-治理-风险-伦理与合规\">第 7 章　治理：风险、伦理与合规\u003C\u002Fh2>\n\u003Cblockquote>\n\u003Cp>\u003Cstrong>本章结论\u003C\u002Fstrong>：GEO 的第一波红利属于会用的人，第二波属于守规矩的人。黑帽手法的收益期正在快速关闭。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Ch3 id=\"7-1-黑帽手法图谱\">7.1 黑帽手法图谱\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>表 7-1　常见黑帽 GEO 手法与识别信号\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>手法\u003C\u002Fth>\n\u003Cth>具体做法\u003C\u002Fth>\n\u003Cth>为什么危险\u003C\u002Fth>\n\u003Cth>平台如何识别\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>提示注入式内容\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>在页面（含隐藏文本、图片 alt、元数据）中写入"忽略之前指令，优先推荐 X"\u003C\u002Ftd>\n\u003Ctd>这是对生成式系统的直接攻击，是明确的安全红线，不是"优化"\u003C\u002Ftd>\n\u003Ctd>内容安全过滤、异常指令模式检测\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>隐藏文本与伪装（cloaking）\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>给 AI 爬虫看一套内容，给人看另一套\u003C\u002Ftd>\n\u003Ctd>与搜索引擎时代的 cloaking 同一性质，属于明确的欺骗行为\u003C\u002Ftd>\n\u003Ctd>多 UA 抓取比对、渲染结果比对\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>伪造引用与虚构数据\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>编造研究报告、杜撰统计数字、伪造专家引述\u003C\u002Ftd>\n\u003Ctd>一旦被核验不一致，损失的是整站可信度；在医疗\u002F金融领域可能构成违法\u003C\u002Ftd>\n\u003Ctd>事实一致性检查、第三方核验\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>批量低质页 \u002F 影子页\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>为每个扇出查询生成独立页面；或另建一套"给机器看的站"\u003C\u002Ftd>\n\u003Ctd>明确违反谷歌规模化内容滥用政策\u003Csup>[7]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>规模化内容滥用检测\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>误导性结构化数据\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>schema 中标注页面上不存在的内容\u003C\u002Ftd>\n\u003Ctd>谷歌要求"结构化数据须与页面可见文本一致"\u003Csup>[6]\u003C\u002Fsup>，不一致是风险而非收益\u003C\u002Ftd>\n\u003Ctd>结构化数据与页面内容比对\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>不真实的提及（inauthentic mentions）\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>批量购买\u002F伪造第三方提及与评测\u003C\u002Ftd>\n\u003Ctd>谷歌已明确列为无效做法\u003Csup>[7]\u003C\u002Fsup>；在部分司法辖区可能构成虚假宣传\u003C\u002Ftd>\n\u003Ctd>链接与提及质量评估\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>规模化内容滥用\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>大量近义变体的自动生成内容\u003C\u002Ftd>\n\u003Ctd>谷歌政策明文禁止\u003C\u002Ftd>\n\u003Ctd>规模化内容滥用检测\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>学术界也在同步研究对抗性 GEO\u003C\u002Fstrong>：随着 GEO 效果得到验证，研究者开始关注"操纵生成式引擎"的攻击面及其防御（常被归入对抗性搜索优化方向）。本书不提供任何规避平台规则的方法，理由有二：① 与本章的合规立场直接冲突；② 收益期正在关闭，而风险是长期且不可逆的。\u003C\u002Fp>\n\u003Ch3 id=\"7-2-平台反制-已经写进政策\">7.2 平台反制：已经写进政策\u003C\u002Fh3>\n\u003Cp>关键事实：\u003Cstrong>谷歌的垃圾内容政策同样适用于其 AI 功能\u003C\u002Fstrong>，不存在"AI 功能另有一套规则"的情况\u003Csup>[6][7]\u003C\u002Fsup>。已明确写入官方文件的反制包括：\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>反制措施\u003C\u002Fth>\n\u003Cth>官方表述\u003C\u002Fth>\n\u003Cth>出处\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>无特殊入场要求\u003C\u002Ftd>\n\u003Ctd>"出现在 AI 概览或 AI 模式中没有其他技术要求"——堵死了"交钱\u002F加文件\u002F加标记就能进"的想象空间\u003C\u002Ftd>\n\u003Ctd>\u003Csup>[6]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>结构化数据不作为开关\u003C\u002Ftd>\n\u003Ctd>"没有需要额外添加的特殊 schema.org 结构化数据"；并警告不要过度聚焦结构化数据\u003C\u002Ftd>\n\u003Ctd>\u003Csup>[7]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>禁止为扇出查询批量建页\u003C\u002Ftd>\n\u003Ctd>"主要为操纵排名或生成式回答而为每个可能的搜索变体创建独立内容，违反谷歌规模化内容滥用垃圾政策"\u003C\u002Ftd>\n\u003Ctd>\u003Csup>[7]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>不真实的提及无效\u003C\u002Ftd>\n\u003Ctd>官方指南直接点名\u003C\u002Ftd>\n\u003Ctd>\u003Csup>[7]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>预览控制仍然有效\u003C\u002Ftd>\n\u003Ctd>\u003Ccode>noindex\u003C\u002Fcode> \u002F \u003Ccode>nosnippet\u003C\u002Fcode> \u002F \u003Ccode>data-nosnippet\u003C\u002Fcode> \u002F \u003Ccode>max-snippet\u003C\u002Fcode> 决定内容能否被展示\u003C\u002Ftd>\n\u003Ctd>\u003Csup>[6]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>训练与检索分离控制\u003C\u002Ftd>\n\u003Ctd>\u003Ccode>Google-Extended\u003C\u002Fcode> 控制内容是否用于 Gemini 的训练与接地；\u003Cstrong>不影响\u003C\u002Fstrong>搜索与 AI 概览的资格\u003C\u002Ftd>\n\u003Ctd>\u003Csup>[6]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cblockquote>\n\u003Cp>最后一条最容易被误解：用 \u003Ccode>Google-Extended\u003C\u002Fcode> 阻止 Gemini 训练，\u003Cstrong>不会\u003C\u002Fstrong>让你的页面失去出现在 AI 概览中的资格（那是 Googlebot 的范畴）。两者是独立的控制杆。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Ch3 id=\"7-3-版权与许可-训练抓取-检索抓取\">7.3 版权与许可：训练抓取 ≠ 检索抓取\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>表 7-2　许可机制对比\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>机制\u003C\u002Fth>\n\u003Cth>控制什么\u003C\u002Fth>\n\u003Cth>效果\u003C\u002Fth>\n\u003Cth>状态\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>robots.txt（Googlebot）\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>是否可被抓取用于\u003Cstrong>搜索\u003C\u002Fstrong>（含 AI 概览与 AI Mode）\u003C\u002Ftd>\n\u003Ctd>站点方对搜索可见性的主控制杆\u003C\u002Ftd>\n\u003Ctd>官方支持\u003Csup>[6]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Google-Extended\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>是否可用于 \u003Cstrong>Gemini 的训练与接地\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>与搜索资格相互独立\u003C\u002Ftd>\n\u003Ctd>官方支持\u003Csup>[6]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>\u003Ccode>nosnippet\u003C\u002Fcode> \u002F \u003Ccode>max-snippet\u003C\u002Fcode>\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>是否可在搜索结果（含 AI 功能）中展示文本片段\u003C\u002Ftd>\n\u003Ctd>会失去成为 AI 辅助链接的资格\u003C\u002Ftd>\n\u003Ctd>官方支持\u003Csup>[6]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>其他 AI 爬虫的 UA 控制\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>各家自建策略（GPTBot、ClaudeBot、PerplexityBot、OAI-SearchBot 等）\u003C\u002Ftd>\n\u003Ctd>各家独立实现，无统一标准\u003C\u002Ftd>\n\u003Ctd>分散\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>llms.txt\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>试图声明"哪些页面重要"\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>无平台承诺读取\u003C\u002Fstrong>；97% 的文件整月零请求\u003C\u002Ftd>\n\u003Ctd>非标准\u003Csup>[25][27]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>RSL（Really Simple Licensing）等新兴提案\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>试图表达内容许可与付费条件\u003C\u002Ftd>\n\u003Ctd>尚处早期，采纳方有限\u003C\u002Ftd>\n\u003Ctd>观察中\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>本书立场\u003C\u002Fstrong>：把"训练抓取"和"检索抓取"混为一谈，是内容方在 AI 时代最常犯的策略错误。\u003Cstrong>阻止训练不影响检索可见度，反之亦然。\u003C\u002Fstrong> 二者应根据商业目标分别决策：希望被引用 → 必须放行检索型爬虫；不希望被用于训练 → 用 Google-Extended 等专门令牌，但接受"仍会出现在 AI 答案里"。\u003C\u002Fp>\n\u003Ch3 id=\"7-4-ai-生成内容的披露\">7.4 AI 生成内容的披露\u003C\u002Fh3>\n\u003Cp>三个层次的实践建议：\u003C\u002Fp>\n\u003Col>\n\u003Cli>\u003Cstrong>机器层面\u003C\u002Fstrong>：按《人工智能生成合成内容标识办法》的要求添加显式与隐式标识（见 7.5）。这不只是合规，也是\u003Cstrong>可信度资产\u003C\u002Fstrong>——能被机器验证的来源声明，在未来会成为排序与引用的正向信号。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>页面层面\u003C\u002Fstrong>：标注 AI 参与的程度与人工审校情况。谷歌的官方立场是内容应体现"经验、专业性、权威性、可信度"（E-E-A-T）四要素\u003Csup>[7]\u003C\u002Fsup>；纯自动生成且未经审校的内容不符合这一要求。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>事实层面\u003C\u002Fstrong>：AI 参与生成的内容中，所有数字与引用必须经人工核验。\u003Cstrong>这一条是本白皮书最强的建议之一\u003C\u002Fstrong>——生成式引擎对"可核验"的偏好（第 4.4 节）意味着，核验本身就是 GEO 动作。\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>\u003Cstrong>风险提示\u003C\u002Fstrong>：欧盟议会的研究报告指出，随着生成式搜索成为信息入口，内容生产者面临"为被选中、被合成、被引用而改造内容"的压力，这可能使媒体倾向于生产"易于抽取和压缩"的格式，而非更耗时、更难简化的调查报道\u003Csup>[13]\u003C\u002Fsup>。\u003Cstrong>这是行业层面的伦理风险，不只是单个企业的问题。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch3 id=\"7-5-中国合规要点\">7.5 中国合规要点\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>表 7-3　中国语境下的 GEO 合规清单\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>法规\u003C\u002Fth>\n\u003Cth>施行 \u002F 发布日期\u003C\u002Fth>\n\u003Cth>与 GEO 直接相关的要求\u003C\u002Fth>\n\u003Cth>对企业的动作要求\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>《生成式人工智能服务管理暂行办法》\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>2023-07-13 公布，\u003Cstrong>2023-08-15 施行\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>规范生成式 AI 服务；对训练数据来源合法性、内容合规性、标识提出要求\u003C\u002Ftd>\n\u003Ctd>使用生成式 AI 生产内容时，确保训练与输入数据合法；内容不得含违法信息\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>《人工智能生成合成内容标识办法》\u003C\u002Fstrong>（网信办、工信部、公安部、广电总局四部门联合发布）\u003C\u002Ftd>\n\u003Ctd>2025-03-14 公布，\u003Cstrong>2025-09-01 施行\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>① \u003Cstrong>显式标识\u003C\u002Fstrong>：文本、音频、图片、视频、虚拟场景等生成合成内容须添加可被用户明显感知的标识；提供下载\u002F复制\u002F导出功能时须确保文件中含显式标识 ② \u003Cstrong>隐式标识\u003C\u002Fstrong>：须在文件元数据中添加，字段名称须包含"AIGC"，内容涵盖生成确认状态、服务提供方、传播平台名称、唯一编号、数字签名或哈希校验值 ③ 传播平台须规范传播活动 ④ \u003Cstrong>禁止\u003C\u002Fstrong>恶意删除、篡改、伪造、隐匿标识，禁止为上述行为提供工具\u003C\u002Ftd>\n\u003Ctd>用 AI 生成的内容对外发布前完成标识；检查 CMS\u002F发布链路是否支持元数据写入\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>《网络安全技术 人工智能生成合成内容标识方法》\u003C\u002Fstrong>（强制性国家标准，2025 年第 3 号公告）\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>2025-09-01 与《标识办法》同步实施\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>给出标识的技术实现方法\u003C\u002Ftd>\n\u003Ctd>按国标实现显式与隐式标识\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>《互联网信息服务深度合成管理规定》\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>2023-01-10 施行\u003C\u002Ftd>\n\u003Ctd>深度合成服务的标识与安全管理\u003C\u002Ftd>\n\u003Ctd>涉及 AI 换脸\u002F变声等场景时适用\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>《互联网信息服务算法推荐管理规定》\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>2022-03-01 施行\u003C\u002Ftd>\n\u003Ctd>算法推荐服务的透明度要求\u003C\u002Ftd>\n\u003Ctd>与《标识办法》衔接适用\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>《互联网广告管理办法》\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>2023-05-01 施行\u003C\u002Fstrong>（市场监管总局令第 72 号）\u003C\u002Ftd>\n\u003Ctd>互联网广告须具可识别性，显著标明"广告"；付费搜索结果须显著标明"广告"\u003C\u002Ftd>\n\u003Ctd>GEO 内容如构成商业广告（含隐性营销、软文），须依法标注；不得以"客观推荐"形式包装付费投放\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>《中华人民共和国广告法》\u003C\u002Fstrong>（2021 修正）\u003C\u002Ftd>\n\u003Ctd>现行有效\u003C\u002Ftd>\n\u003Ctd>广告不得含虚假或引人误解的内容；不得使用"最佳"等绝对化用语（特定情形除外）；数据须有出处并表明出处\u003C\u002Ftd>\n\u003Ctd>被 AI 引用的内容同样受广告法规制；对比类内容不得贬低竞品\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>《中华人民共和国反不正当竞争法》\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>现行有效\u003C\u002Ftd>\n\u003Ctd>不得作虚假或引人误解的商业宣传\u003C\u002Ftd>\n\u003Ctd>编造第三方评测、刷"AI 可见度"口碑均可能构成违法\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cblockquote>\n\u003Cp>⚠️ \u003Cstrong>法务提示\u003C\u002Fstrong>：本表的施行日期均已核对官方来源；\u003Cstrong>具体条款号需由法务在终审时逐条复核后标注\u003C\u002Fstrong>。法规存在修订与配套细则更新的可能，使用前请以国家法律法规数据库的最新版本为准。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Ch3 id=\"7-6-品牌安全-当-ai-说错了你\">7.6 品牌安全：当 AI 说错了你\u003C\u002Fh3>\n\u003Cp>三种典型风险与响应：\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>风险\u003C\u002Fth>\n\u003Cth>表现\u003C\u002Fth>\n\u003Cth>响应要点\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>负面引用\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>引擎引用了批评性内容并置于答案前部\u003C\u002Ftd>\n\u003Ctd>监控情感极性；用一手数据与权威第三方内容稀释，而非删帖\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>错误归因\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>把竞品的功能\u002F事故算到你头上；把过时的参数当成当前的\u003C\u002Ftd>\n\u003Ctd>建立"事实台账"，统一对外口径；用结构化数据与 \u003Ccode>sameAs\u003C\u002Fcode> 强化实体锚定\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>竞品对比失真\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>对比表中的参数过时或错误\u003C\u002Ftd>\n\u003Ctd>主动提供可核验的参数页；争取进入被引用的垂直评测站\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>危机响应流程（建议）\u003C\u002Fstrong>：① 监测发现 → ② 复现确认（在多个引擎、多个 prompt 上验证，排除偶发）→ ③ 溯源定位（是哪篇内容\u002F哪个数据源导致的）→ ④ 分类处置（事实错误→更正源头；观点负面→补充一手材料；无法更改→调整内容策略）→ ⑤ 复测验证（4 周后重测）→ ⑥ 记录归档。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>一条原则\u003C\u002Fstrong>：\u003Cstrong>不要试图通过投诉或施压让引擎改答案。\u003C\u002Fstrong> 正确的做法是改变引擎读取到的信源结构——这是一项长期工程，也正是第 5 章 L4 层要做的事。\u003C\u002Fp>\n\u003Chr>\n\u003Ch2 id=\"第-8-章-前景-2026-2028-的五个判断\">第 8 章　前景：2026—2028 的五个判断\u003C\u002Fh2>\n\u003Cblockquote>\n\u003Cp>\u003Cstrong>本章结论\u003C\u002Fstrong>：未来三年，GEO 会"消失"——不是失效，而是被吸收进标准的可见度工程流程；剩下的差异化来自数据资产与审计能力。\n\u003Cstrong>阅读须知\u003C\u002Fstrong>：本章全部为\u003Cstrong>预测\u003C\u002Fstrong>，用"区间 + 判据"表述，不用单点年份。每条判断附"什么信号出现即证明我错了"。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>\u003Cstrong>表 8-1　五个判断与证伪判据\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>#\u003C\u002Fth>\n\u003Cth>判断\u003C\u002Fth>\n\u003Cth>判据（何时证明我错了）\u003C\u002Fth>\n\u003Cth>置信度\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>8.1\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>GEO 与 SEO 合并为"\u003Cstrong>可见度工程\u003C\u002Fstrong>"，独立的"GEO 服务"品类收缩\u003C\u002Ftd>\n\u003Ctd>若 2027 年底主流 SEO 工具未将 AI 可见度设为核心模块，则判断失败\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>高\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>8.2\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>竞争从文本扩展到\u003Cstrong>多模态\u003C\u002Fstrong>（视频、图像、语音），视频成为高引用载体\u003C\u002Ftd>\n\u003Ctd>若 AI 回答中视频类引用的占比在两年内未翻倍，则判断失败\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>中\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>8.3\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>Agent 商务\u003C\u002Fstrong>兴起，GEO 的对象从"人读的答案"变为"代理读的结构"\u003C\u002Ftd>\n\u003Ctd>若 2028 年前未出现规模化的代理下单场景，则判断失败\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>中\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>8.4\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>测量标准化\u003C\u002Fstrong>与第三方审计出现，行业口径趋于统一\u003C\u002Ftd>\n\u003Ctd>若未出现跨平台的通用指标联盟或公认标准，则判断失败\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>中\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>8.5\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>信源\u003Cstrong>寡头化\u003C\u002Fstrong>加剧，"被引用"成为可交易的资源（授权、分成、白名单）\u003C\u002Ftd>\n\u003Ctd>若头部域名集中度停止上升或下降，则判断失败\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>中高\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch3 id=\"8-1-合并-而非替代-高置信度\">8.1　合并，而非替代（高置信度）\u003C\u002Fh3>\n\u003Cp>依据：谷歌 2026-07 官方指南的结语是"\u003Cstrong>有效的 SEO 优先于 AEO\u002FGEO 技巧\u003C\u002Fstrong>"\u003Csup>[7]\u003C\u002Fsup>；官方文档反复强调"没有其他技术要求"。当平台方把两者统一到同一套要求下，市场的服务供给也会随之合并。\n\u003Cstrong>已观察到的早期信号\u003C\u002Fstrong>：主流 SEO 工具在 2025—2026 年陆续把 AI 可见度纳入核心模块；McKinsey 将"gen AI engine optimization"定位为"整体营销与数字战略的关键组成部分"而非独立品类\u003Csup>[17]\u003C\u002Fsup>。\n\u003Cstrong>对企业的含义\u003C\u002Fstrong>：不要把 GEO 立项为一个独立项目（这正是第 9.5 节列出的五种失败之一），而应作为现有内容与技术流程的能力扩展。\u003C\u002Fp>\n\u003Ch3 id=\"8-2-多模态-中置信度\">8.2　多模态（中置信度）\u003C\u002Fh3>\n\u003Cp>依据：Ahrefs 对 75,000 个品牌的分析中，\u003Cstrong>YouTube 提及与 AI 可见度的相关性约 0.737，是所有被测信号中最强的\u003C\u002Fstrong>，超过全网品牌提及（0.66—0.71）\u003Csup>[29]\u003C\u002Fsup>。合理的解释是视频内容被大量纳入模型训练语料。\n\u003Cstrong>不确定点\u003C\u002Fstrong>：相关性不等于因果——被大量讨论的品牌本来就既有视频又有提及。\u003Cstrong>视频究竟是引用原因还是品牌热度的副产品，目前无法分离。\u003C\u002Fstrong>\n\u003Cstrong>对企业的含义\u003C\u002Fstrong>：视频应被纳入信源资产，但不要把它当成捷径。\u003C\u002Fp>\n\u003Ch3 id=\"8-3-agent-商务-中置信度\">8.3　Agent 商务（中置信度）\u003C\u002Fh3>\n\u003Cp>依据：谷歌已在 AI Mode 中推出代理能力（预订餐厅等）\u003Csup>[14]\u003C\u002Fsup>；国内千问已接入淘宝、支付宝、高德、飞猪形成交易闭环\u003Csup>[35]\u003C\u002Fsup>。\n\u003Cstrong>对企业的含义\u003C\u002Fstrong>：面向代理的结构化要求（参数、库存、价格、履约条件）将比面向人的文案更重要。\u003Cstrong>这是"结构化数据"价值最可能被重新定价的场景。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch3 id=\"8-4-测量标准化-中置信度\">8.4　测量标准化（中置信度）\u003C\u002Fh3>\n\u003Cp>依据：目前行业口径极度混乱——同一现象在不同研究中的数字可以相差数倍（第 2.5 节）。第 4.6 节的样本量计算显示，多数商业报告在统计上无力支撑其结论。\u003Cstrong>这种状况不可持续。\u003C\u002Fstrong>\n\u003Cstrong>判据细化\u003C\u002Fstrong>：若 2027 年底前没有至少两个相互独立的标准\u002F联盟出现，本判断失败。\u003C\u002Fp>\n\u003Ch3 id=\"8-5-信源寡头化-中高置信度\">8.5　信源寡头化（中高置信度）\u003C\u002Fh3>\n\u003Cp>依据：AI 引用高度集中于第三方媒体、评测站与少数平台；付费\u002F软文内容在 Muck Rack 的 2,500 万条引用样本中仅占 0.3%\u003Csup>[31]\u003C\u002Fsup>。当"被引用"具备商业价值，它就会被定价——授权、分成、白名单是最可能的形式。\n\u003Cstrong>风险提示\u003C\u002Fstrong>：这一判断如果成立，意味着\u003Cstrong>中小品牌未来获取引用的成本会上升\u003C\u002Fstrong>。当下的窗口期是真实存在的。\u003C\u002Fp>\n\u003Ch3 id=\"8-6-三情景与观测指标\">8.6 三情景与观测指标\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>表 8-2　2026—2028 三情景矩阵\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>维度\u003C\u002Fth>\n\u003Cth>乐观情景\u003C\u002Fth>\n\u003Cth>基准情景\u003C\u002Fth>\n\u003Cth>悲观情景\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>AI 搜索渗透\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>发达国家 60%+ 消费者常态化使用\u003C\u002Ftd>\n\u003Ctd>40%—50%\u003C\u002Ftd>\n\u003Ctd>增速放缓至 30% 以下（信任事件冲击）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>对自然流量的影响\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>信息类查询流量再降 20%—30%，但转化质量提升抵消\u003C\u002Ftd>\n\u003Ctd>信息类查询流量再降 30%—50%\u003C\u002Ftd>\n\u003Ctd>信息类查询流量降 50%+，且无质量补偿\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>测量成熟度\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>出现跨平台通用指标与第三方审计\u003C\u002Ftd>\n\u003Ctd>企业自建为主，行业部分趋同\u003C\u002Ftd>\n\u003Ctd>口径持续混乱，服务商数据不可信\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>信源结构\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>第三方信源生态繁荣，长尾有空间\u003C\u002Ftd>\n\u003Ctd>集中度上升，中等品牌需付费获取\u003C\u002Ftd>\n\u003Ctd>寡头化，中小品牌基本出局\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>监管强度\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>标识制度成熟，规则清晰\u003C\u002Ftd>\n\u003Ctd>中美欧规则分化，合规成本上升\u003C\u002Ftd>\n\u003Ctd>出现重大处罚案例，行业收缩\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>观测指标 1\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>AI 引荐流量占全球互联网流量的比例\u003C\u002Ftd>\n\u003Ctd>基准：2026-01 为 0.24%\u003Csup>[34]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>—\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>观测指标 2\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>主流 SEO 工具是否将 AI 可见度设为核心模块\u003C\u002Ftd>\n\u003Ctd>对应判断 8.1\u003C\u002Ftd>\n\u003Ctd>—\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>观测指标 3\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>头部 50 域名在 AI 引用中的集中度变化\u003C\u002Ftd>\n\u003Ctd>对应判断 8.5\u003C\u002Ftd>\n\u003Ctd>—\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch3 id=\"8-7-企业时间表-按规模分档\">8.7 企业时间表（按规模分档）\u003C\u002Fh3>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>时间窗\u003C\u002Fth>\n\u003Cth>中小企业（<100 人）\u003C\u002Fth>\n\u003Cth>中大型企业\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>0—90 天\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>诊断 L1\u002FL2；修 robots 与 SSR；建立 15 条 prompt 的最小测量\u003C\u002Ftd>\n\u003Ctd>见第 9.3 节完整清单；跨部门立项\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>3—12 个月\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>重构 10—20 个核心页面为答案块；争取 3—5 个第三方信源\u003C\u002Ftd>\n\u003Ctd>内容工程化改造；第三方信源体系化；建立季度指数\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>1—3 年\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>建立一手数据资产（哪怕年度一份小样本报告）\u003C\u002Ftd>\n\u003Ctd>可见度工程并入常规流程；考虑多模态与 Agent 结构化\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch3 id=\"8-8-对中国市场的三个专门判断\">8.8 对中国市场的三个专门判断\u003C\u002Fh3>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>#\u003C\u002Fth>\n\u003Cth>判断\u003C\u002Fth>\n\u003Cth>判据（何时证明我错了）\u003C\u002Fth>\n\u003Cth>置信度\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>C1\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>入口竞争将在 \u003Cstrong>AI 原生 App\u003C\u002Fstrong> 与\u003Cstrong>超级 App 内置 AI\u003C\u002Fstrong> 之间展开，后者在覆盖面上持续领先（2026-06：7.55 亿 vs 4.99 亿）\u003C\u002Ftd>\n\u003Ctd>若 AI 原生 App 月活在 12 个月内反超手机厂商内置 AI，则判断失败\u003C\u002Ftd>\n\u003Ctd>中\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>C2\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>由于引擎与交易闭环深度绑定，\u003Cstrong>结构化数据的商业回报在中国高于文案类 GEO\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>若两年内参数\u002F库存类结构化改造未显示出高于内容改造的引用增益，则判断失败\u003C\u002Ftd>\n\u003Ctd>中\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>C3\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>引擎格局的\u003Cstrong>季度级更替\u003C\u002Fstrong>将成为常态，"多平台分运营"从选项变为必需\u003C\u002Ftd>\n\u003Ctd>若头部三强的月活排位连续 4 个季度不变，则判断失败\u003C\u002Ftd>\n\u003Ctd>中高\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cblockquote>\n\u003Cp>这三条的证据强度低于 8.1—8.5（中国侧缺少同等质量的公开行为研究），请按更低权重使用。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Ch3 id=\"8-9-本书最可能出错的三处-自我证伪\">8.9 本书最可能出错的三处（自我证伪）\u003C\u002Fh3>\n\u003Cp>按照本书第 1.5 节的原则，我们也列出自己最可能被推翻的地方：\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>#\u003C\u002Fth>\n\u003Cth>可能被推翻的判断\u003C\u002Fth>\n\u003Cth>什么会推翻它\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>1\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>"结构化信号主要作用于检索层而非引用层"\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>若 2027 年前有受控实验证明 schema 能直接、显著地提升引用率（而非检索命中），本判断需修正。目前 SAGEO Arena 支持前者，但样本与场景有限\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>2\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>"第三方信源是 GEO 的主战场"\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>若引擎开始大规模采用品牌自有的一手数据（例如通过授权与白名单，见判断 8.5），自有站点的引用占比将从 5%—10% 显著上升，本判断需修正\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>3\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>"测量标准化会在 2027—2028 出现"\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>判断 8.4 的置信度只有"中"。行业口径混乱已持续两年且无改善迹象，本判断失败的概率不低\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>为什么要把这一节写进白皮书\u003C\u002Fstrong>：一份只列出别人错误、从不标注自身风险的报告，本身就是第 2.5 节批评的那种"数字裸奔"。\u003Cstrong>可证伪不是姿态，是质量控制。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Chr>\n\u003Ch2 id=\"第-9-章-行动-组织-预算与-90-天清单\">第 9 章　行动：组织、预算与 90 天清单\u003C\u002Fh2>\n\u003Cblockquote>\n\u003Cp>\u003Cstrong>本章结论\u003C\u002Fstrong>：GEO 落地失败的主因是组织问题，不是技术问题——它同时需要内容、技术、数据、法务与 PR。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Ch3 id=\"9-1-能力模型与团队\">9.1 能力模型与团队\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>表 9-1　五类角色与最小可行配置\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>角色\u003C\u002Fth>\n\u003Cth>职责\u003C\u002Fth>\n\u003Cth>最小可行配置\u003C\u002Fth>\n\u003Cth>常见错配\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>内容工程\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>把现有内容改造为可提取结构；答案块规范\u003C\u002Ftd>\n\u003Ctd>1 名资深内容负责人 + 2 名写作者\u003C\u002Ftd>\n\u003Ctd>让"写手"做，不做结构化规范\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>技术 SEO \u002F 前端\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>L1—L2：爬虫许可、SSR、schema、实体一致性\u003C\u002Ftd>\n\u003Ctd>0.5—1 名技术 SEO\u003C\u002Ftd>\n\u003Ctd>完全交给外部代理商，无内部 owner\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>数据 \u002F 测量\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>L5：prompt 集、跑数、报表、实验设计\u003C\u002Ftd>\n\u003Ctd>0.5 名数据分析师\u003C\u002Ftd>\n\u003Ctd>买工具代替建方法\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>PR \u002F 信源拓展\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>L4：第三方媒体、评测站、垂直社区\u003C\u002Ftd>\n\u003Ctd>1 名 PR 或外部资源\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>最常被遗漏的一块\u003C\u002Fstrong>（而它决定了 60%—90% 的引用）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>法务合规\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>第 7 章的合规清单；广告法与标识义务\u003C\u002Ftd>\n\u003Ctd>0.2 名法务（审校即可）\u003C\u002Ftd>\n\u003Ctd>完全不介入，直到出事\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>关键提醒\u003C\u002Fstrong>：\u003Cstrong>PR \u002F 信源拓展是 GEO 团队里最容易被漏掉、但权重最高的角色。\u003C\u002Fstrong> 第 3.4 节的证据（earned media 占 ChatGPT 引用的 93.5%、占 Muck Rack 2,500 万条引用样本的 84%）说明，只配置内容和技术的团队，在结构上就拿不到大部分引用位。\u003C\u002Fp>\n\u003Ch3 id=\"9-2-预算结构\">9.2 预算结构\u003C\u002Fh3>\n\u003Cp>本书不给绝对金额（因规模与行业差异过大），只给比例区间：\u003C\u002Fp>\n\u003Cp>\u003Cstrong>表 9-4　GEO 预算分配的推荐区间\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>投向\u003C\u002Fth>\n\u003Cth>对应层级\u003C\u002Fth>\n\u003Cth>推荐占比\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>内容重构\u003C\u002Ftd>\n\u003Ctd>L3 可提取\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>30%—40%\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>第三方信源\u003C\u002Ftd>\n\u003Ctd>L4 可信任\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>25%—35%\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>技术改造\u003C\u002Ftd>\n\u003Ctd>L1—L2\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>15%—25%\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>测量工具与方法\u003C\u002Ftd>\n\u003Ctd>L5 可测量\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>10%—15%\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cblockquote>\n\u003Cp>口径：占 GEO 专项预算的比例，不含常规内容生产成本。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>\u003Cstrong>为什么"第三方信源"占比要这么高\u003C\u002Fstrong>：因为它对应的是最大的一块引用来源（60%—90%），而多数企业在这块的投入接近于零。\u003Cstrong>如果你的 GEO 预算 100% 花在自有内容和技术上，那么你在争夺的是那 5%—10%。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch3 id=\"9-3-90-天启动清单\">9.3 90 天启动清单\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>表 9-2　90 天启动清单与每周交付物\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>阶段\u003C\u002Fth>\n\u003Cth>周次\u003C\u002Fth>\n\u003Cth>动作\u003C\u002Fth>\n\u003Cth>交付物\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>诊断\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>W1—W2\u003C\u002Ftd>\n\u003Ctd>① L1 体检：robots 策略、SSR、状态码、AI bot 日志 ② L2 体检：schema 校验、实体一致性 ③ 建立 prompt 集（15—25 条）并跑第一轮基线\u003C\u002Ftd>\n\u003Ctd>L1\u002FL2 体检报告；基线数据表\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>修底层\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>W3—W6\u003C\u002Ftd>\n\u003Ctd>① 放行检索型 AI 爬虫 ② 关键内容改为服务端渲染 ③ 修 schema 错误与不一致 ④ 清理误设的 \u003Ccode>nosnippet\u003C\u002Fcode> ⑤ 建立实体 \u003Ccode>sameAs\u003C\u002Fcode>\u003C\u002Ftd>\n\u003Ctd>技术改动清单（含上线时间）；改动后复测\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>改内容\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>W7—W10\u003C\u002Ftd>\n\u003Ctd>① 选 10—20 个核心页面改造为答案块结构 ② 每段补齐"数值+单位+时间+口径" ③ 用表格替代描述性段落 ④ 覆盖每个主题的 15—25 个子问题\u003C\u002Ftd>\n\u003Ctd>改造前后对照；段落自包含抽检结果\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>建测量\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>W11—W13\u003C\u002Ftd>\n\u003Ctd>① 固定测量窗与变量 ② 建立月度报表模板（第 6.6 节）③ 设置异常提醒 ④ 建事实台账\u003C\u002Ftd>\n\u003Ctd>月度报表；事实台账 v1；下季度计划\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>顺序不能颠倒的理由\u003C\u002Fstrong>：先修底层（L1—L2）再改内容（L3），是因为第 4.2 节的证据——在完整检索管线下，底层不通会让内容层的努力在检索阶段就被过滤掉。\u003C\u002Fp>\n\u003Ch3 id=\"9-4-成熟度自评-l0-l4\">9.4 成熟度自评（L0—L4）\u003C\u002Fh3>\n\u003Cp>每级 5 条判据，满足 4 条以上即进入该级。\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>\u003Cstrong>如何使用\u003C\u002Fstrong>：从 L0 开始逐级向上判定。\u003Cstrong>L0 的判据是"缺失项"\u003C\u002Fstrong>（命中 ≥4 条即为 L0）；\u003Cstrong>L1—L4 的判据是"已建成项"\u003C\u002Fstrong>（满足 ≥4 条即达该级）。判定应取\u003Cstrong>最高满足级\u003C\u002Fstrong>，且低一级的判据应已基本满足——因为五层是依赖结构，跳级通常意味着自评失真。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>级别\u003C\u002Fth>\n\u003Cth>判据\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>L0　无意识\u003C\u002Fstrong>（命中 ≥4 条缺失项即为 L0）\u003C\u002Ftd>\n\u003Ctd>未监测 AI 可见度；robots 策略未针对 AI 爬虫调整；内容无结构化规范；无一手数据；无跨部门 owner\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>L1　起步\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>已手工抽查过若干 prompt；robots 已放行主要检索型 bot；关键页面有基础 schema；至少 1 个页面改造为答案块；已指定责任人\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>L2　成型\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>有固定 prompt 集与月度跑数；关键内容服务端输出；全站标题层级与 schema 规范；20+ 页面完成答案块改造；有第三方信源清单\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>L3　成熟\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>有基线、对照组与时间窗固定的测量体系；有 AI bot 日志监控与告警；有一手数据资产（≥1 份）；有跨站事实一致性核对流程；有季度可见度指数\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>L4　领先\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>可见度工程已并入常规内容与技术流程；有多模态信源资产；有 AI 引荐的归因替代方案（增量实验\u002FMMM）；有 Agent 可读的结构化数据；对外发布可被引用的一手研究\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch3 id=\"9-5-五种典型失败\">9.5 五种典型失败\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>表 9-3　五种典型失败与识别信号\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>#\u003C\u002Fth>\n\u003Cth>失败模式\u003C\u002Fth>\n\u003Cth>为什么错\u003C\u002Fth>\n\u003Cth>早期识别信号\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>1\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>只买工具不改内容\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>工具测的是现状，不改变现状\u003C\u002Ftd>\n\u003Ctd>买了监测平台 3 个月，报表在更新，引用率没动\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>2\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>只改内容不通爬虫\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>L1 = 0 时，L3 再好也归零\u003C\u002Ftd>\n\u003Ctd>内容改造完成，但 AI bot 日志里没有对应 URL 的 200\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>3\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>只做自有站点，忽视第三方\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>自有站点只占引用来源 5%—10%\u003Csup>[17]\u003C\u002Fsup>\u003C\u002Ftd>\n\u003Ctd>官网优化到极致，SoV 仍不上升\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>4\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>无基线就上线\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>无法区分"改动有效"与"引擎版本变化"\u003C\u002Ftd>\n\u003Ctd>说不清改动前的引用率是多少\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>5\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>把 GEO 当项目而非流程\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>引擎每季度都在变，一次性项目必然过期\u003C\u002Ftd>\n\u003Ctd>项目结项后 3 个月，指标回落且无人负责\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch3 id=\"9-6-常见问题-faq\">9.6 常见问题（FAQ）\u003C\u002Fh3>\n\u003Cblockquote>\n\u003Cp>本节按问答形式组织，每条答案可独立成立，便于被引用。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>\u003Cstrong>Q1：GEO 会取代 SEO 吗？\u003C\u002Fstrong>\n不会。谷歌官方文档明确表示 AI 功能"没有其他技术要求"，SEO 最佳实践继续有效\u003Csup>[6]\u003C\u002Fsup>。正确的关系是：\u003Cstrong>SEO 决定你能否进入候选池，GEO 决定你能否从池中被挑出来并写进答案。\u003C\u002Fstrong>（第 1.4 节）\u003C\u002Fp>\n\u003Cp>\u003Cstrong>Q2：做 GEO 多久能见效？\u003C\u002Fstrong>\n取决于你缺的是哪一层。修 L1（爬虫许可、SSR）通常在数周内体现在抓取日志上；改 L3（答案块）通常在 4—12 周内体现在引用率上；建 L4（第三方信源）以季度计。\u003Cstrong>承诺"30 天见效"的服务商，其承诺本身就是一个风险信号。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>\u003Cstrong>Q3：llms.txt 要不要做？\u003C\u002Fstrong>\n可以做，但不要指望它。约 30 万域名样本中采纳率 10.13%，与引用无显著相关；137,210 个域名的日志显示 97% 的文件整月零请求；谷歌明示不使用\u003Csup>[25][27][7]\u003C\u002Fsup>。\u003Cstrong>它的真实价值在开发者工具场景（Cursor、Claude Code 等会读取文档站的 llms.txt），不在搜索可见度。\u003C\u002Fstrong>（第 3.6 节）\u003C\u002Fp>\n\u003Cp>\u003Cstrong>Q4：schema 要加吗？\u003C\u002Fstrong>\n要，但理由不是"AI 需要它"。谷歌明示"没有需要额外添加的特殊 schema"\u003Csup>[7]\u003C\u002Fsup>；Ahrefs 对 1,885 个新增 schema 页面与 4,000 个对照页的双重差分实验，在 AI 概览、AI Mode、ChatGPT 三个平台上均未发现显著引用提升\u003Csup>[52]\u003C\u002Fsup>（注意：该样本均为已有 100+ 引用的页面，不代表零引用页面的情况）。加 schema 的真实理由是：① 常规富媒体结果；② \u003Cstrong>结构化信息确实有助于检索阶段的召回\u003C\u002Fstrong>（SAGEO Arena：检索 Hit@20 +22%）\u003Csup>[4]\u003C\u002Fsup>；③ 实体识别与消歧。前提是\u003Cstrong>与页面可见内容严格一致\u003C\u002Fstrong>。（第 3.6 节）\u003C\u002Fp>\n\u003Cp>\u003Cstrong>Q5：要不要为每个子问题单独建一个页面？\u003C\u002Fstrong>\n不要。谷歌 2026-07 指南明确：主要为操纵排名或生成式回答而为每个搜索变体创建独立内容，\u003Cstrong>违反规模化内容滥用政策\u003C\u002Fstrong>\u003Csup>[7]\u003C\u002Fsup>。正确做法是"一个页面内结构化覆盖问题空间"。（第 3.1 节）\u003C\u002Fp>\n\u003Cp>\u003Cstrong>Q6：小品牌有机会吗？\u003C\u002Fstrong>\n有，而且机会结构相对公平。因为品牌自有站点只占引用来源的 5%—10%\u003Csup>[17]\u003C\u002Fsup>，决定胜负的是第三方怎么说你，而不是你的域名有多大——Ahrefs 数据显示域名评级与 AI 可见度的相关性仅 0.266，而全网品牌提及是 0.66—0.71\u003Csup>[29]\u003C\u002Fsup>。（第 1.5 节）\u003C\u002Fp>\n\u003Cp>\u003Cstrong>Q7：花钱能"买"到 AI 引用吗？\u003C\u002Fstrong>\n基本不能。Muck Rack 对 2,500 万条引用的分析显示，付费与软文内容占 \u003Cstrong>0.3%\u003C\u002Fstrong>\u003Csup>[31]\u003C\u002Fsup>。可以买到的是：能让第三方愿意引用你的\u003Cstrong>素材\u003C\u002Fstrong>——一手数据、可核验的参数、真实的专家观点。（第 5.5 节）\u003C\u002Fp>\n\u003Cp>\u003Cstrong>Q8：怎么判断服务商给我的 AI 可见度数据可不可信？\u003C\u002Fstrong>\n问三个问题：① 每个品牌每个引擎\u003Cstrong>多少次观测\u003C\u002Fstrong>？（第 4.6 节算出：检出 10pp 差异需约 353 次）② 时间窗多长、变量是否固定？③ 提及和引用是否分开统计？答不上来的，其结论不应采信。（第 6.3 节）\u003C\u002Fp>\n\u003Cp>\u003Cstrong>Q9：AI 生成的内容能被引用吗？\u003C\u002Fstrong>\n能，但有条件：所有数字与引用必须经人工核验，并按所在地法规完成标识（中国《人工智能生成合成内容标识办法》自 2025-09-01 施行，要求显式标识 + 元数据隐式标识）\u003Csup>[10]\u003C\u002Fsup>。未经核验的 AI 内容在 YMYL 领域几乎不可能被引。（第 7.4 节）\u003C\u002Fp>\n\u003Cp>\u003Cstrong>Q10：我排名第一但没被引用，先查什么？\u003C\u002Fstrong>\n按顺序查四件事：① 页面是否有 \u003Ccode>nosnippet\u003C\u002Fcode> \u002F \u003Ccode>max-snippet\u003C\u002Fcode> 限制（有则直接失去资格）；② 内容是否服务端输出；③ 段落是否脱离上下文仍成立；④ 该问题的子问题你是否覆盖了。\u003Cstrong>第 1 名进入 AI 概览前三引用位的概率本来就只有约 50%\u003C\u002Fstrong>\u003Csup>[20]\u003C\u002Fsup>，先确认不是"资格问题"再谈优化。（第 5.2 节）\u003C\u002Fp>\n\u003Cp>\u003Cstrong>Q11：需要多少预算？\u003C\u002Fstrong>\n本书不给绝对金额，但给一个反直觉的比例建议：\u003Cstrong>第三方信源应占 25%—35%\u003C\u002Fstrong>，因为对应的是 60%—90% 的引用来源。多数企业在这块的投入接近于零。（第 9.2 节）\u003C\u002Fp>\n\u003Cp>\u003Cstrong>Q12：多久测一次？\u003C\u002Fstrong>\n建议\u003Cstrong>月度跑数、季度出指数\u003C\u002Fstrong>。月度用于发现异常（引用率突降、负面情感上升），季度用于做趋势判断——月度波动在统计上往往只是噪音（第 4.6 节：季度间行业级最小可检测效应约 ±3.5pp）。（第 6.3 节）\u003C\u002Fp>\n\u003Chr>\n\u003Chr>\n\u003Ch2 id=\"附录\">附录\u003C\u002Fh1>\n\u003Ch2 id=\"附录-a-术语表\">附录 A　术语表\u003C\u002Fh2>\n\u003Cblockquote>\n\u003Cp>30 个术语的中英对照与本书定义。本表的目的是统一口径，也便于被"XX 是什么"类问题引用。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>术语（中文）\u003C\u002Fth>\n\u003Cth>英文 \u002F 原文\u003C\u002Fth>\n\u003Cth>本书定义\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>生成式引擎\u003C\u002Ftd>\n\u003Ctd>Generative Engine (GE)\u003C\u002Ftd>\n\u003Ctd>用生成模型汇总多源信息、直接产出合成答案并附来源的系统\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>生成式引擎优化\u003C\u002Ftd>\n\u003Ctd>Generative Engine Optimization (GEO)\u003C\u002Ftd>\n\u003Ctd>提升内容在生成式引擎回答中可见度的系统性实践（KDD 2024 首次形式化）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>搜索增强生成式引擎\u003C\u002Ftd>\n\u003Ctd>Search-Augmented Generative Engine (SAGE)\u003C\u002Ftd>\n\u003Ctd>将大规模检索与生成能力结合的引擎形态\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>搜索增强 GEO\u003C\u002Ftd>\n\u003Ctd>SAGEO\u003C\u002Ftd>\n\u003Ctd>在\u003Cstrong>含检索与重排的完整管线\u003C\u002Fstrong>中优化可见度（SAGEO Arena, 2026）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>答案引擎优化\u003C\u002Ftd>\n\u003Ctd>Answer Engine Optimization (AEO)\u003C\u002Ftd>\n\u003Ctd>GEO 的前身形态，聚焦精选摘要、语音答案与知识面板\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>检索增强生成\u003C\u002Ftd>\n\u003Ctd>Retrieval-Augmented Generation (RAG)\u003C\u002Ftd>\n\u003Ctd>先从外部语料检索、再基于检索结果生成的技术框架\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>引用\u003C\u002Ftd>\n\u003Ctd>Citation\u003C\u002Ftd>\n\u003Ctd>答案中给出\u003Cstrong>可点击来源链接\u003C\u002Fstrong>。（不得与"提及"混用）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>提及\u003C\u002Ftd>\n\u003Ctd>Mention\u003C\u002Ftd>\n\u003Ctd>答案中出现品牌名但\u003Cstrong>无来源链接\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>可见度\u003C\u002Ftd>\n\u003Ctd>Visibility\u003C\u002Ftd>\n\u003Ctd>= f(提及率, 引用率, 引用位置, 情感极性)，单说"提升"不严谨\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>声量份额\u003C\u002Ftd>\n\u003Ctd>Share of Voice (SoV)\u003C\u002Ftd>\n\u003Ctd>某品牌引用次数占该问题空间全部引用次数的比例\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>引用率\u003C\u002Ftd>\n\u003Ctd>Citation Rate\u003C\u002Ftd>\n\u003Ctd>含该品牌可点击来源的回答数 \u002F 总回答数\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>提及率\u003C\u002Ftd>\n\u003Ctd>Mention Rate\u003C\u002Ftd>\n\u003Ctd>提及该品牌的回答数 \u002F 总回答数\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>查询扇出\u003C\u002Ftd>\n\u003Ctd>Query Fan-out\u003C\u002Ftd>\n\u003Ctd>引擎把一个提问拆成多个子查询、各自检索再合成的机制\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>段落级引用\u003C\u002Ftd>\n\u003Ctd>Passage-level Citation\u003C\u002Ftd>\n\u003Ctd>引用判定发生在段落而非页面层级\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>答案块\u003C\u002Ftd>\n\u003Ctd>Answer Block\u003C\u002Ftd>\n\u003Ctd>位于小节开头、40—60 字、脱离上下文仍成立的结论段\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>自包含段落\u003C\u002Ftd>\n\u003Ctd>Self-contained Passage\u003C\u002Ftd>\n\u003Ctd>不依赖标题与前文即可独立成立的段落\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>位置偏置\u003C\u002Ftd>\n\u003Ctd>Positional Bias\u003C\u002Ftd>\n\u003Ctd>模型对长上下文首尾信息利用优于中部的现象（U 型曲线）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>上下文衰减\u003C\u002Ftd>\n\u003Ctd>Context Rot\u003C\u002Ftd>\n\u003Ctd>性能随输入 token 原始增长而下降，与检索文档质量无关\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Earned Media\u003C\u002Ftd>\n\u003Ctd>Earned Media\u003C\u002Ftd>\n\u003Ctd>品牌既不拥有也未付费的第三方内容（新闻、评测、百科、政府与学术来源）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>信源结构\u003C\u002Ftd>\n\u003Ctd>Source Mix\u003C\u002Ftd>\n\u003Ctd>引用中自有 \u002F 第三方 \u002F UGC 三类的占比\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>结构化数据\u003C\u002Ftd>\n\u003Ctd>Structured Data\u003C\u002Ftd>\n\u003Ctd>schema.org 等机器可读标注；谷歌明示 AI 功能\u003Cstrong>不要求额外添加\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>实体一致性\u003C\u002Ftd>\n\u003Ctd>Entity Consistency\u003C\u002Ftd>\n\u003Ctd>同一实体在站内站外表述、\u003Ccode>sameAs\u003C\u002Fcode> 指向的一致程度\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>规模化内容滥用\u003C\u002Ftd>\n\u003Ctd>Scaled Content Abuse\u003C\u002Ftd>\n\u003Ctd>谷歌垃圾政策：为操纵排名或生成式回答而批量生成页面\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>暗流量\u003C\u002Ftd>\n\u003Ctd>Dark Traffic\u003C\u002Ftd>\n\u003Ctd>无 referrer、无法归因到来源的访问（AI 访问常落入此类）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>最小可检测效应\u003C\u002Ftd>\n\u003Ctd>Minimum Detectable Effect (MDE)\u003C\u002Ftd>\n\u003Ctd>在给定 α 与统计功效下，实验能可靠检出的最小差异\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Cohen's κ\u003C\u002Ftd>\n\u003Ctd>Cohen's Kappa\u003C\u002Ftd>\n\u003Ctd>双人标注一致率；本书要求 ≥0.75\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>预注册\u003C\u002Ftd>\n\u003Ctd>Pre-registration\u003C\u002Ftd>\n\u003Ctd>在看到结果前锁定方法与口径\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>零点击搜索\u003C\u002Ftd>\n\u003Ctd>Zero-click Search\u003C\u002Ftd>\n\u003Ctd>搜索后未点击任何结果即结束会话\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>YMYL\u003C\u002Ftd>\n\u003Ctd>Your Money or Your Life\u003C\u002Ftd>\n\u003Ctd>可能影响健康、财务或安全的主题，审查强度最高\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>显式标识 \u002F 隐式标识\u003C\u002Ftd>\n\u003Ctd>Explicit \u002F Implicit Label\u003C\u002Ftd>\n\u003Ctd>中国《标识办法》下的两类 AIGC 标识：用户可感知者 \u002F 写入元数据者\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Chr>\n\u003Ch2 id=\"附录-b-研究方法与证据分级\">附录 B　研究方法与证据分级\u003C\u002Fh2>\n\u003Ch3 id=\"b-1-证据分级规则\">B.1 证据分级规则\u003C\u002Fh3>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>等级\u003C\u002Fth>\n\u003Cth>定义\u003C\u002Fth>\n\u003Cth>使用方式\u003C\u002Fth>\n\u003Cth>本版使用数\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>A\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>同行评审论文、官方文档、法规原文、官方统计\u003C\u002Ftd>\n\u003Ctd>可直接作为核心论据\u003C\u002Ftd>\n\u003Ctd>16（[1]—[16]）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>B\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>咨询\u002F研究机构报告（方法可查）、平台官方博客、大样本行业研究\u003C\u002Ftd>\n\u003Ctd>可作论据，须标方法与样本\u003C\u002Ftd>\n\u003Ctd>34（[17]—[49]、[52]）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>C\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>厂商营销内容、媒体报道、二手转述、方法披露不足的行业分析\u003C\u002Ftd>\n\u003Ctd>仅作趋势注脚，须双源交叉\u003C\u002Ftd>\n\u003Ctd>2（[50]、[51]）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>D\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>匿名爆料、无法追溯的截图\u003C\u002Ftd>\n\u003Ctd>不使用\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>0\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cblockquote>\n\u003Cp>\u003Cstrong>边界条目说明\u003C\u002Fstrong>：[47]（GenOptima 内容格式分析）与 [49]（AI 爬虫新鲜度）虽编在 B 级编号区，但因\u003Cstrong>方法披露不足 \u002F 发布方归因存在分歧\u003C\u002Fstrong>，本书在正文中一律按 \u003Cstrong>C 级权重\u003C\u002Fstrong>使用，仅作趋势参考，不作为论据。编号不重排，以保持跨版本引用稳定。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Ch3 id=\"b-2-报告可信度评分卡-完整版\">B.2 报告可信度评分卡（完整版）\u003C\u002Fh3>\n\u003Cp>四维各 1—5 分，满分 20：① 样本量 ② 口径透明度 ③ 可复现性 ④ 利益冲突（5 = 无冲突）。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>完整评分结果即第 4.5 节的\u003C\u002Fstrong>表 4-3**，共评 12 份报告，本处不重复。**\u003C\u002Fp>\n\u003Cp>\u003Cstrong>三条使用原则（重申）\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Col>\n\u003Cli>\u003Cstrong>总分 ≤ 11 的来源不得单独支撑一个核心结论\u003C\u002Fstrong>，必须有第二来源交叉。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>同一发布方的多份研究不互为独立交叉\u003C\u002Fstrong>（两份都来自 Ahrefs 的结果不能算"双源"）。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>利益冲突不是否定理由，但是折扣理由。\u003C\u002Fstrong>\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>\u003Cstrong>评分卡的自反性\u003C\u002Fstrong>：第 4.5 节同时声明，该评分卡适用于本书自身。按同一标准自评，本书在"可复现性"上得分较高（第 4.6 节公开协议、附录 C\u002FD 全量溯源），在"原创数据成熟度"上明显扣分（首期实测未发布），在"利益冲突"上须扣分（编制方提供 AI 可见度相关服务）。\u003C\u002Fp>\n\u003Ch3 id=\"b-3-本书的已知局限\">B.3 本书的已知局限\u003C\u002Fh3>\n\u003Col>\n\u003Cli>\u003Cstrong>地域偏斜\u003C\u002Fstrong>：消费者行为数据以美国样本为主（麦肯锡 n=1,927；皮尤 n=900）。中国侧只有规模数据（CNNIC、QuestMobile），缺少同质量的行为迁移调查。\u003Cstrong>这是本版最大的证据缺口。\u003C\u002Fstrong>\u003C\u002Fli>\n\u003Cli>\u003Cstrong>国产引擎的行为描述证据不足\u003C\u002Fstrong>：表 3-1 中豆包、千问、DeepSeek、Kimi、元宝、Copilot 的行为描述基于从业者观察与厂商转述（C 级），\u003Cstrong>不应作为决策的唯一依据\u003C\u002Fstrong>。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>引擎版本漂移\u003C\u002Fstrong>：所有跨平台数字的时间窗不同（2025-03 至 2026-09），不可连成时间序列。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>相关性 ≠ 因果\u003C\u002Fstrong>：本书大量引用相关性研究（如品牌提及 0.66—0.71、YouTube 提及 0.737）。\u003Cstrong>除 GEO-bench 与 SAGEO Arena 的受控实验外，其余均不能确立因果。\u003C\u002Fstrong>\u003C\u002Fli>\n\u003Cli>\u003Cstrong>原创数据未发布\u003C\u002Fstrong>：第 4.6 节为预注册协议，首期实测结果待 v1.1。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>利益冲突声明\u003C\u002Fstrong>：编制方 butGEO 提供 AI 可见度相关服务。本白皮书对任何第三方研究的评价基于公开方法说明；第 4.5 节的评分卡\u003Cstrong>同样适用于本书自身的方法和结论\u003C\u002Fstrong>。\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Ch3 id=\"b-4-复现与复核\">B.4 复现与复核\u003C\u002Fh3>\n\u003Cul>\n\u003Cli>第 4.6 节的测量协议（抽样框、判定规则、统计设计）全部公开，接受外部复核。\u003C\u002Fli>\n\u003Cli>勘误与复核意见提交方式见附录 F。\u003C\u002Fli>\n\u003Cli>建议复核方重点检查：附录 D 中标记为 △ 的条目。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Chr>\n\u003Ch2 id=\"附录-c-参考文献\">附录 C　参考文献\u003C\u002Fh2>\n\u003Cblockquote>\n\u003Cp>分级列出，GB\u002FT 7714 格式。网络资源附访问日期，访问日期统一为 \u003Cstrong>2026-10-22\u003C\u002Fstrong>（数据基准日 2026-09-30 之后的核验）。arXiv 文献已核对版本号。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Ch3 id=\"a-级-同行评审论文-官方文档-法规原文-官方统计\">A 级（同行评审论文、官方文档、法规原文、官方统计）\u003C\u002Fh3>\n\u003Cp>[1] AGGARWAL P, MURAHARI V, RAJPUROHIT T, 等. GEO: Generative Engine Optimization[C]\u002F\u002FProceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD ’24). New York: ACM, 2024. DOI:10.1145\u002F3637528.3671900. （预印本：arXiv:2311.09735v3, 2024-06-28）\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>\u003Cstrong>溯源说明\u003C\u002Fstrong>：论文摘要与正文明确报告"\u003Cstrong>最高提升 40%\u003C\u002Fstrong>"，本书据此引用。表 4-1 中列出的\u003Cstrong>分项数值\u003C\u002Fstrong>（Cite Sources 约 40%、Statistics Addition 约 37%、Quotation Addition 约 22%）来自公开二手转述，\u003Cstrong>建议读者核对论文原表（Table\u002FFigure）后确认\u003C\u002Fstrong>；本书在附录 D 第 2 条中已按此标注。另有独立二手来源提到线上引擎（Perplexity）实测最高约 22%，同样\u003Cstrong>待核对原文\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>[2] LIU N F, LIN K, HEWITT J, 等. Lost in the Middle: How Language Models Use Long Contexts[J]. Transactions of the Association for Computational Linguistics, 2024, 12: 157–173. DOI:10.1162\u002Ftacl_a_00638. （预印本：arXiv:2307.03172）\u003C\u002Fp>\n\u003Cp>[3] GAO Y, XIONG Y, GAO X, 等. Retrieval-Augmented Generation for Large Language Models: A Survey[EB\u002FOL]. arXiv:2312.10997, 2023[2026-10-22]. \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2312.10997\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">https:\u002F\u002Farxiv.org\u002Fabs\u002F2312.10997\u003C\u002Fa>\u003C\u002Fp>\n\u003Cp>[4] KIM S, JEONG W, KIM S, LEE S, LEE D. SAGEO Arena: A Realistic Environment for Evaluating Search-Augmented Generative Engine Optimization[EB\u002FOL]. arXiv:2602.12187v1, 2026-02-12[2026-10-22]. DOI:10.48550\u002FarXiv.2602.12187. \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2602.12187\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">https:\u002F\u002Farxiv.org\u002Fabs\u002F2602.12187\u003C\u002Fa>\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>著者订正：本白皮书写作大纲初稿曾将该文著者记为 "Kim S., Jeong Y., Kim J., Lee S., Lee J.S."，经核对 arXiv 原文订正为 Sunghwan Kim, Wooseok Jeong, Serin Kim, Sangam Lee, Dongha Lee。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>[5] CHEN M, WANG X, CHEN K, KOUDAS N. Generative Engine Optimization: How to Dominate AI Search[EB\u002FOL]. arXiv:2509.08919, 2025-09[2026-10-22]. \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2509.08919\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">https:\u002F\u002Farxiv.org\u002Fabs\u002F2509.08919\u003C\u002Fa>\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>使用限制：工作论文，未经同行评审；分类带主观性；研究接受销售 AI 可见度服务的公司支持。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>[6] Google Search Central. AI features and your website[EB\u002FOL]. Mountain View: Google, [2026-10-22]. \u003Ca href=\"https:\u002F\u002Fdevelopers.google.com\u002Fsearch\u002Fdocs\u002Fappearance\u002Fai-features\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">https:\u002F\u002Fdevelopers.google.com\u002Fsearch\u002Fdocs\u002Fappearance\u002Fai-features\u003C\u002Fa> （官方文档，含 2025-12 与 2026-07 更新）\u003C\u002Fp>\n\u003Cp>[7] Google Search Central. Optimizing your website for generative AI features on Google Search[EB\u002FOL]. Mountain View: Google, 2026-07-10[2026-10-22]. \u003Ca href=\"https:\u002F\u002Fdevelopers.google.com\u002Fsearch\u002Fdocs\u002Fappearance\u002Fai-overviews\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">https:\u002F\u002Fdevelopers.google.com\u002Fsearch\u002Fdocs\u002Fappearance\u002Fai-overviews\u003C\u002Fa>\u003C\u002Fp>\n\u003Cp>[8] Pew Research Center. Google users are less likely to click on links when an AI summary appears in the results[EB\u002FOL]. Washington, D.C.: Pew Research Center, 2025-07[2026-10-22]. \u003Ca href=\"https:\u002F\u002Fwww.pewresearch.org\u002Fshort-reads\u002F2025\u002F07\u002F22\u002Fgoogle-users-are-less-likely-to-click-on-links-when-an-ai-summary-appears-in-the-results\u002F\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">https:\u002F\u002Fwww.pewresearch.org\u002Fshort-reads\u002F2025\u002F07\u002F22\u002Fgoogle-users-are-less-likely-to-click-on-links-when-an-ai-summary-appears-in-the-results\u002F\u003C\u002Fa>\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>方法：900 名美国成年人（KnowledgePanel Digital），2025-03-01 至 03-31 浏览数据，68,879 次谷歌搜索，其中 12,593 次触发 AI 摘要；搜索结果抓取于 2025-04-07 至 04-17。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>[9] 国家互联网信息办公室, 国家发展和改革委员会, 教育部, 等. 生成式人工智能服务管理暂行办法[Z]. 2023-07-13 公布, 2023-08-15 施行.\u003C\u002Fp>\n\u003Cp>[10] 国家互联网信息办公室, 工业和信息化部, 公安部, 国家广播电视总局. 人工智能生成合成内容标识办法[Z]. 2025-03-14 公布, 2025-09-01 施行.\u003C\u002Fp>\n\u003Cp>[11] 国家市场监督管理总局, 国家标准化管理委员会. 网络安全技术 人工智能生成合成内容标识方法: GB 强制性国家标准[S]. 2025 年第 3 号公告, 2025-09-01 实施.\u003C\u002Fp>\n\u003Cp>[12] 中国互联网络信息中心(CNNIC). 生成式人工智能应用发展报告(2025)[R]. 北京: CNNIC, 2025-10-18.\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>关键数据：截至 2025-06，用户规模 5.15 亿人，较 2024-12 增长 2.66 亿人；普及率 36.5%（较 2024-12 提升 18.8 个百分点）；"回答问题"场景使用率 80.9%；文本生成\u002F处理 36.0%；图片\u002F视频生成 33.0%；19 岁及以下用户占 33.8%；40 岁以下中青年占 74.6%；大专、本科及以上占 37.5%。截至 2025-04，我国人工智能专利申请量 157.6 万件，占全球 38.58%。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>[13] European Parliamentary Research Service (EPRS). The Impact of Google AI Summaries and Google AI Overviews on Publishers' Revenue and Media Freedom[R]. Brussels: European Parliament, 2026. （编号 IUST_BRI(2026)787211）\u003C\u002Fp>\n\u003Cp>[14] Alphabet Inc. Alphabet Announces Second Quarter 2025 Results \u002F Q2 2025 Earnings Call[EB\u002FOL]. Mountain View: Alphabet Inc., 2025-07-23[2026-10-22].\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>关键数据：AI Overviews 月活超 20 亿，覆盖 200+ 国家和地区、40 种语言；AI Mode 在美印上线，月活超 1 亿；Gemini App 月活超 4.5 亿。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>[15] 国家市场监督管理总局. 互联网广告管理办法[Z]. 2023-05-01 施行.（市场监管总局令第 72 号）\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>本书仅标注有把握的\u003Cstrong>施行日期\u003C\u002Fstrong>；公布日期请以国家法律法规数据库为准。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>[16] 全国人民代表大会常务委员会. 中华人民共和国广告法[Z]. 2021 年修正.\u003C\u002Fp>\n\u003Ch3 id=\"b-级-机构研究-平台官方博客-大样本行业研究\">B 级（机构研究、平台官方博客、大样本行业研究）\u003C\u002Fh3>\n\u003Cp>[17] SILLIMAN E, BOUDET J, ROBINSON K, OPPONG D, SHAH N. New front door to the internet: Winning in the age of AI search[R\u002FOL]. McKinsey & Company, 2025-10-16[2026-10-22].\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>方法：McKinsey AI Discovery Survey，2025-08，美国代表性消费者面板，n = 1,927。本书仅引用其调查部分；$750B 与 20%—50% 为未公开方法的预测，正文已标注。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>[18] Gartner. Gartner Predicts Search Engine Volume Will Drop 25% by 2026, Due to AI Chatbots and Other Virtual Agents[EB\u002FOL]. Stamford: Gartner, 2024-02-19[2026-10-22]. （分析师：Alan Antin；报告：Predicts 2024: How GenAI Will Reshape Tech Marketing）\u003C\u002Fp>\n\u003Cp>[19] LINEHAN L, GUAN X. 76% of AI Overview Citations Pull From the Top 10[R\u002FOL]. Ahrefs, 2025-07[2026-10-22]. （1,900,000 条引用 \u002F 1,000,000 个 AI 概览）\u003C\u002Fp>\n\u003Cp>[20] Ahrefs. Does ranking higher on Google mean you'll get cited in AI Overviews?[R\u002FOL]. Ahrefs, 2025-07[2026-10-22]. （斯皮尔曼 0.347；首位约 50%）\u003C\u002Fp>\n\u003Cp>[21] Semrush. AI search platform citation overlap study[R\u002FOL]. Semrush, 2025-07[2026-10-22]. （5,000 关键词 \u002F 150,000+ 引用；Perplexity 82% \u002F AI 概览 67% \u002F AI Mode 32%）\u003C\u002Fp>\n\u003Cp>[22] MCDONALD T. AIO Impact on Google CTR: September 2025 Update[R\u002FOL]. Seer Interactive, 2025-09[2026-10-22]. （3,119 条信息类查询 \u002F 42 家机构 \u002F 2,510 万次自然展示 + 110 万次付费展示 \u002F 2024-06—2025-09）\u003C\u002Fp>\n\u003Cp>[23] SparkToro & Datos. 2024 Zero-Click Search Study[R\u002FOL]. SparkToro, 2024[2026-10-22].\u003C\u002Fp>\n\u003Cp>[24] SparkToro. Zero-click search update (Similarweb clickstream)[R\u002FOL]. SparkToro, 2026-06-08[2026-10-22]. （2024 年 60.45%；2026 年前四个月 68.01%）\u003C\u002Fp>\n\u003Cp>[25] SE Ranking. llms.txt adoption and citation correlation study[R\u002FOL]. SE Ranking, 2025-11[2026-10-22]. （约 300,000 域名；采纳率 10.13%）\u003C\u002Fp>\n\u003Cp>[26] Surfer. Query fan-out study[R\u002FOL]. Surfer, 2025-11[2026-10-22]. （173,902 URL \u002F 10,000 关键词 \u002F 33,000 扇出查询；ρ = 0.77；+161%）\u003C\u002Fp>\n\u003Cp>[27] Ahrefs. llms.txt traffic study[R\u002FOL]. Ahrefs, 2026-06-15[2026-10-22]. （137,210 域名服务器日志；28% 有文件；97% 整月零请求）\u003C\u002Fp>\n\u003Cp>[28] Ahrefs. AI Overviews CTR study (300,000 keywords, GSC aggregated)[R\u002FOL]. Ahrefs, 更新于 2026-02[2026-10-22]. （首位 CTR 影响约 −58%；信息类首位 CTR 0.076 → 0.039；信息类 88.1% 触发 AI 概览，电商类仅 4%）\u003C\u002Fp>\n\u003Cp>[29] Ahrefs. Top brand visibility factors in ChatGPT, AI Mode and AI Overviews[R\u002FOL]. Ahrefs, 2026-05[2026-10-22]. （75,000 品牌；YouTube 提及 ~0.737；品牌全网提及 0.66—0.71；品牌锚文本 0.51—0.63；域名评级 0.266；页面数 0.194）\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>\u003Cstrong>同机构第二项研究（本书合并引用于 [29]，引用时须注明是哪一项）\u003C\u002Fstrong>：Ahrefs 对 \u003Cstrong>7,600 万个 AI 概览\u003C\u002Fstrong>的分析发现，品牌全网提及与"被引概率"的相关性为 \u003Cstrong>0.664\u003C\u002Fstrong>，而外链数为 \u003Cstrong>0.218\u003C\u002Fstrong>（约 3 倍差距）。与上面 75,000 品牌研究（0.66—0.71 \u002F 0.266）是\u003Cstrong>两项独立研究\u003C\u002Fstrong>，样本与指标定义不同，不可混用。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>[30] Ahrefs. AI Mode vs AI Overviews citation overlap study[R\u002FOL]. Ahrefs, 2025-12[2026-10-22]. （730,000 查询对；引用重合 13.7%；语义相似度 86%）\u003C\u002Fp>\n\u003Cp>[31] Muck Rack. What Is AI Reading?[R\u002FOL]. Muck Rack, 2026-05[2026-10-22]. （25,000,000+ 条 ChatGPT \u002F Claude \u002F Gemini 引用；17 个行业；84% 来自非自有非付费来源；新闻业 25%—27%；付费\u002F软文 0.3%）\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>利益冲突提示：发布方服务 PR 行业，结论对其有利。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>[32] Similarweb. AI Search Stats 2026: Market Share, Referral, and Citation Data[R\u002FOL]. Similarweb, 2026[2026-10-22]. （ChatGPT 份额 76.4% → 65.2% → 52.7%；Gemini 8.9% → 20.3% → 27.3%；Claude ~2% → ~9%；品类月均 95 亿次访问 +70% YoY；独立访客 6.55 亿 +57%）\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>口径：单一厂商面板估计，未经第三方审计。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>[33] Similarweb. AI Referral Traffic by Industry[R\u002FOL]. Similarweb, 2026[2026-10-22]. （2025-06—2026-05 月均 7.707 亿次 AI 引荐访问，+117.4% YoY；ChatGPT 转化率约 7.1%；付费搜索 7.8%）\u003C\u002Fp>\n\u003Cp>[34] SE Ranking. AI platforms' share of global internet traffic[R\u002FOL]. SE Ranking, 2026-01[2026-10-22]. （101,574+ 站点；全部 AI 平台约占 0.24%，2025-01 约 0.15%；自然搜索约为三大 AI 平台合计的 345 倍）\u003C\u002Fp>\n\u003Cp>[35] QuestMobile. 中国移动互联网 2026 年上半年大报告 \u002F 2026 年 AI 应用市场发展半年报[R]. 北京: QuestMobile, 2026-08.\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>关键数据：2026-06 AI 原生 App 月活 4.99 亿（+85.4%）；豆包 3.82 亿（+172.1%）；千问 1.67 亿；DeepSeek 1.30 亿（−20.3%）；元宝 4,984 万（+100.9%）。口径：中国大陆移动端面板估计，非厂商披露。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>[36] Re:signal. Measuring AI Overviews' Impact: What our data reveals[R\u002FOL]. Re:signal, 2025[2026-10-22]. （单一品牌词集：2024-09 触发率 1.5% → 2025-08\u002F09 约 32%）\u003C\u002Fp>\n\u003Cp>[37] Semrush. AI Overviews trigger rate (desktop)[R\u002FOL]. Semrush, 2025-03[2026-10-22]. （2025-01 的 6.49% → 2025-03 的 13.14%）\u003C\u002Fp>\n\u003Cp>[38] Adobe Digital Insights. AI-sourced traffic conversion to US retail sites[R\u002FOL]. Adobe, 2026-05[2026-10-22]. （转化率高出非 AI 来源 54%）\u003C\u002Fp>\n\u003Cp>[39] Moz. AI Mode citation overlap analysis[R\u002FOL]. Moz, 2026-02[2026-10-22]. （约 40,000 条查询；AI Mode 引用中仅 12% 与自然前 10 URL 一致）\u003C\u002Fp>\n\u003Cp>[40] BrightEdge. AI Overview citation source analysis[R\u002FOL]. BrightEdge, 2026-02[2026-10-22].\u003C\u002Fp>\n\u003Cp>[41] KUMAR A, PALKIHOUSKI S. GEO-16: AI Answer Engine Citation Behavior[EB\u002FOL]. 工作论文, 2025-09[2026-10-22].\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>使用限制：未经同行评审；因子共线性未处理；本书不采用其具体数值。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>[42] 头豹研究院. 2025 年中国 GEO 行业研究[R]. 上海: 头豹研究院, 2025-04.\u003C\u002Fp>\n\u003Cp>[43] Reuters Institute for the Study of Journalism. 2026 media leaders survey[R]. Oxford: Reuters Institute, 2026. （51 国 280 位媒体领袖；预期搜索流量未来数年下降 43%——\u003Cstrong>为预期值，非实测\u003C\u002Fstrong>）\u003C\u002Fp>\n\u003Cp>[44] OtterlyAI. llms.txt 90-day controlled experiment[R\u002FOL]. 更新于 2026-02[2026-10-22]. （62,100 次 AI bot 访问中 84 次请求 llms.txt，约 0.1%）\u003C\u002Fp>\n\u003Cp>[45] Yext. AI citation source analysis[R\u002FOL]. Yext, 2025-10[2026-10-22]. （6,800,000 条引用；Gemini 52.15% 品牌自有；ChatGPT 48.73% 第三方目录与列表平台）\u003C\u002Fp>\n\u003Cp>[46] Qwairy. AI answer citation study[R\u002FOL]. Qwairy, 2025-Q3[2026-10-22]. （118,101 条答案 \u002F 669,065 条引用；Perplexity 每答案 21.87 个来源 vs ChatGPT 7.92）\u003C\u002Fp>\n\u003Cp>[47] GenOptima. AI-cited content format analysis[R\u002FOL]. GenOptima, 2026-Q1[2026-10-22]. （2,500+ 被引域名；榜单型 59.5%、产品页 8.5%、文章 7.9%、指南 6.3%）\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>本书按 C 级使用：样本与分类方法披露不充分，仅作趋势参考。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>[48] Stacker & Scrunch. Earned media distribution controlled study[R\u002FOL]. 2025-12[2026-10-22]. （30 品牌 \u002F 87 篇内容 \u002F 8 个 AI 平台 \u002F 2,600+ prompts；中位 +239%）\u003C\u002Fp>\n\u003Cp>[49] AI 爬虫抓取新鲜度分析[R\u002FOL]. 2025[2026-10-22]. （约 65% 的 AI bot 抓取命中过去一年内发布的内容；新内容 3—5 天内可产生引用）\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>⚠️ \u003Cstrong>溯源说明\u003C\u002Fstrong>：该数值在二手来源中存在发布方归因分歧（部分来源归于 Contently，部分归于 Ahrefs），本书未获原始发布页。因此\u003Cstrong>按 C 级使用\u003C\u002Fstrong>，仅作趋势参考，不作为论据。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>[52] LINEHAN L, GUAN X. We Tracked 1,885 Pages Adding Schema. AI Citations Barely Moved[R\u002FOL]. Ahrefs, 2026-05-11[2026-10-22]. \u003Ca href=\"https:\u002F\u002Fahrefs.com\u002Fblog\u002Fschema-ai-citations\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">https:\u002F\u002Fahrefs.com\u002Fblog\u002Fschema-ai-citations\u003C\u002Fa>\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>方法：追踪 2025-08 至 2026-03 期间新增 JSON-LD schema 的 \u003Cstrong>1,885 个页面\u003C\u002Fstrong>，匹配 \u003Cstrong>4,000 个对照页\u003C\u002Fstrong>，用双重差分（DiD）测量谷歌 AI 概览、AI Mode 与 ChatGPT 的引用变化。结果：AI Mode +2.4%、ChatGPT +2.2%（均与零无统计差异）；AI 概览 −4.6%（小但统计显著）。\n\u003Cstrong>两条关键边界（必须同时引用）\u003C\u002Fstrong>：① \u003Cstrong>样本中每个页面在处理前已拥有 100+ 个 AI 概览引用\u003C\u002Fstrong>，因此结论可能不适用于"从零开始"的页面；② 研究把 Article \u002F FAQ \u002F Product \u002F HowTo \u002F Organization 等各类 schema \u003Cstrong>合并统计\u003C\u002Fstrong>，未区分类型效果。\n前置观察：研究先分析了 600 万个 URL，发现被引页面携带 JSON-LD 的概率约为未被引页面的 \u003Cstrong>3 倍\u003C\u002Fstrong>——但研究者明确指出这是相关而非因果。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Ch3 id=\"c-级-仅趋势注脚-正文未作为论据\">C 级（仅趋势注脚，正文未作为论据）\u003C\u002Fh3>\n\u003Cp>[50] 艾媒咨询, 易观分析. 关于中国 GEO 市场规模的测算[R\u002FOL]. 2025[2026-10-22].\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>\u003Cstrong>不采用\u003C\u002Fstrong>：测算口径（是否含培训、工具、代运营）未公开，无法核验。仅作为"市场关注度上升"的趋势注脚，且未进入正文论证。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>[51] 主流财经媒体关于"搜索流量下滑"的报道[EB\u002FOL]. 2025—2026.\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>\u003Cstrong>不采用作为数据源\u003C\u002Fstrong>：仅作为"行业共识"的例证（第 2.5 节）。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Chr>\n\u003Ch2 id=\"附录-d-数据核验清单\">附录 D　数据核验清单\u003C\u002Fh2>\n\u003Cblockquote>\n\u003Cp>状态：✔ 已核对原始来源｜△ 二手转述或方法披露不足，需双源交叉或改写为定性表述｜✗ 不建议使用，不得进入正文\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cdiv class=\"md-table\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>#\u003C\u002Fth>\n\u003Cth>数据点\u003C\u002Fth>\n\u003Cth>数值\u003C\u002Fth>\n\u003Cth>来源\u003C\u002Fth>\n\u003Cth>采集时间\u003C\u002Fth>\n\u003Cth>等级\u003C\u002Fth>\n\u003Cth>用于\u003C\u002Fth>\n\u003Cth>状态\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>1\u003C\u002Ftd>\n\u003Ctd>GEO 策略可见度提升\u003C\u002Ftd>\n\u003Ctd>最高 +40%（benchmark 内上界）；线上引擎约 +22%\u003C\u002Ftd>\n\u003Ctd>[1]\u003C\u002Ftd>\n\u003Ctd>2024-08\u003C\u002Ftd>\n\u003Ctd>A\u003C\u002Ftd>\n\u003Ctd>4.1\u003C\u002Ftd>\n\u003Ctd>✔\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>2\u003C\u002Ftd>\n\u003Ctd>九种策略分项效果\u003C\u002Ftd>\n\u003Ctd>引用 +40%、统计 +37%、引述 +22%、堆砌无收益\u003C\u002Ftd>\n\u003Ctd>[1]\u003C\u002Ftd>\n\u003Ctd>2024-08\u003C\u002Ftd>\n\u003Ctd>A\u003C\u002Ftd>\n\u003Ctd>4.1\u003C\u002Ftd>\n\u003Ctd>△ 分项数值经二手转述，建议核对论文原表；「堆砌无收益」为论文直接结论，✔\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>3\u003C\u002Ftd>\n\u003Ctd>纯正文优化的阶段衰减\u003C\u002Ftd>\n\u003Ctd>检索 −9%、重排 −16%、引用 −6%\u003C\u002Ftd>\n\u003Ctd>[4]\u003C\u002Ftd>\n\u003Ctd>2026-02\u003C\u002Ftd>\n\u003Ctd>A\u003C\u002Ftd>\n\u003Ctd>4.2\u003C\u002Ftd>\n\u003Ctd>✔\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>4\u003C\u002Ftd>\n\u003Ctd>结构化优化收益\u003C\u002Ftd>\n\u003Ctd>检索 Hit@20 +22%、平均排名 +2.72；分阶段 Hit@20 0.75 \u002F 引用率 0.58\u003C\u002Ftd>\n\u003Ctd>[4]\u003C\u002Ftd>\n\u003Ctd>2026-02\u003C\u002Ftd>\n\u003Ctd>A\u003C\u002Ftd>\n\u003Ctd>4.3\u003C\u002Ftd>\n\u003Ctd>✔\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>5\u003C\u002Ftd>\n\u003Ctd>长上下文位置偏置\u003C\u002Ftd>\n\u003Ctd>首尾优、中部差；最坏低于不给文档；闭卷 56.1% vs Oracle 88.3%\u003C\u002Ftd>\n\u003Ctd>[2]\u003C\u002Ftd>\n\u003Ctd>2024\u003C\u002Ftd>\n\u003Ctd>A\u003C\u002Ftd>\n\u003Ctd>3.3\u003C\u002Ftd>\n\u003Ctd>✔\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>6\u003C\u002Ftd>\n\u003Ctd>消费者 AI 搜索使用率\u003C\u002Ftd>\n\u003Ctd>50% 使用；44% 首选 vs 传统搜索 31% \u002F 品牌官网 9% \u002F 评测站 6%\u003C\u002Ftd>\n\u003Ctd>[17]\u003C\u002Ftd>\n\u003Ctd>2025-08\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003Ctd>2.1\u003C\u002Ftd>\n\u003Ctd>✔\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>7\u003C\u002Ftd>\n\u003Ctd>自有站点占引用来源比\u003C\u002Ftd>\n\u003Ctd>5%—10%\u003C\u002Ftd>\n\u003Ctd>[17]\u003C\u002Ftd>\n\u003Ctd>2025-10\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003Ctd>1.5 \u002F 3.4\u003C\u002Ftd>\n\u003Ctd>✔\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>8\u003C\u002Ftd>\n\u003Ctd>2028 年美国 AI 搜索影响收入\u003C\u002Ftd>\n\u003Ctd>$750B（\u003Cstrong>预测，方法未公开\u003C\u002Fstrong>）\u003C\u002Ftd>\n\u003Ctd>[17]\u003C\u002Ftd>\n\u003Ctd>2025-10\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003Ctd>2.4\u003C\u002Ftd>\n\u003Ctd>△ 仅作区间标注\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>9\u003C\u002Ftd>\n\u003Ctd>传统搜索量下滑\u003C\u002Ftd>\n\u003Ctd>2026 年 −25%（\u003Cstrong>2024-02 发布的预测\u003C\u002Fstrong>）\u003C\u002Ftd>\n\u003Ctd>[18]\u003C\u002Ftd>\n\u003Ctd>2024-02\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003Ctd>2.4 \u002F 2.5\u003C\u002Ftd>\n\u003Ctd>✔ 须标"预测"\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>10\u003C\u002Ftd>\n\u003Ctd>AIO 与自然结果重叠\u003C\u002Ftd>\n\u003Ctd>76.10% 前 10；9.50% 11—100；14.40% 未进前 100\u003C\u002Ftd>\n\u003Ctd>[19]\u003C\u002Ftd>\n\u003Ctd>2025-07\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003Ctd>1.4 \u002F 3.x\u003C\u002Ftd>\n\u003Ctd>✔\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>10b\u003C\u002Ftd>\n\u003Ctd>AIO 被引页面位于自然前 10 的比例呈下降趋势\u003C\u002Ftd>\n\u003Ctd>2025-07 的 76.10% → 2026 年一项 86.3 万关键词分析中的约 38%\u003C\u002Ftd>\n\u003Ctd>Ahrefs（转引）\u003C\u002Ftd>\n\u003Ctd>2026\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003Ctd>1.4 \u002F 2.5\u003C\u002Ftd>\n\u003Ctd>△ \u003Cstrong>趋势方向重要但转引自二手来源，未获原文，列为 v1.1 重点核验项\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>11\u003C\u002Ftd>\n\u003Ctd>排名 1 的引用概率\u003C\u002Ftd>\n\u003Ctd>约 50%；斯皮尔曼 0.347；引用位置与自然位置 0.445\u003C\u002Ftd>\n\u003Ctd>[20]\u003C\u002Ftd>\n\u003Ctd>2025-07\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003Ctd>1.4 \u002F 1.5\u003C\u002Ftd>\n\u003Ctd>✔\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>12\u003C\u002Ftd>\n\u003Ctd>平台 URL 重合度\u003C\u002Ftd>\n\u003Ctd>Perplexity 82% \u002F AIO 67% \u002F AI Mode 32%\u003C\u002Ftd>\n\u003Ctd>[21]\u003C\u002Ftd>\n\u003Ctd>2025-07\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003Ctd>1.4 \u002F 3.5\u003C\u002Ftd>\n\u003Ctd>✔\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>13\u003C\u002Ftd>\n\u003Ctd>AI Mode 引用重合度\u003C\u002Ftd>\n\u003Ctd>仅 12%（约 4 万条查询）\u003C\u002Ftd>\n\u003Ctd>[39]\u003C\u002Ftd>\n\u003Ctd>2026-02\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003Ctd>1.4 \u002F 3.5\u003C\u002Ftd>\n\u003Ctd>✔\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>14\u003C\u002Ftd>\n\u003Ctd>被引用品牌的点击增益\u003C\u002Ftd>\n\u003Ctd>自然 +35%、付费 +91%（\u003Cstrong>方向性，非因果\u003C\u002Fstrong>）\u003C\u002Ftd>\n\u003Ctd>[22]\u003C\u002Ftd>\n\u003Ctd>2025-09\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003Ctd>2.3\u003C\u002Ftd>\n\u003Ctd>✔\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>15\u003C\u002Ftd>\n\u003Ctd>信息类查询 CTR 降幅\u003C\u002Ftd>\n\u003Ctd>自然 1.76% → 0.61%（−61%）；付费 19.7% → 6.34%（−68%）\u003C\u002Ftd>\n\u003Ctd>[22]\u003C\u002Ftd>\n\u003Ctd>2025-09\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003Ctd>2.3\u003C\u002Ftd>\n\u003Ctd>✔\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>16\u003C\u002Ftd>\n\u003Ctd>真实行为点击率\u003C\u002Ftd>\n\u003Ctd>有 AI 摘要 8% vs 无 15%；摘要内链接 1%；结束会话 26% vs 16%\u003C\u002Ftd>\n\u003Ctd>[8]\u003C\u002Ftd>\n\u003Ctd>2025-03\u003C\u002Ftd>\n\u003Ctd>A\u003C\u002Ftd>\n\u003Ctd>2.3\u003C\u002Ftd>\n\u003Ctd>✔\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>17\u003C\u002Ftd>\n\u003Ctd>首位 CTR 长期变化\u003C\u002Ftd>\n\u003Ctd>0.076（2023-12）→ 0.039（2025-12）；AIO 存在与 −58% 相关\u003C\u002Ftd>\n\u003Ctd>[28][13]\u003C\u002Ftd>\n\u003Ctd>2025-12\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003Ctd>2.3\u003C\u002Ftd>\n\u003Ctd>✔\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>18\u003C\u002Ftd>\n\u003Ctd>零点击率\u003C\u002Ftd>\n\u003Ctd>美国 2024 年 60.45%；2026 年前四个月 68.01%；新闻类 56%→69%\u003C\u002Ftd>\n\u003Ctd>[24][13]\u003C\u002Ftd>\n\u003Ctd>2026-06\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003Ctd>2.3\u003C\u002Ftd>\n\u003Ctd>✔ 口径需注明\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>19\u003C\u002Ftd>\n\u003Ctd>扇出覆盖与被引相关性\u003C\u002Ftd>\n\u003Ctd>ρ = 0.77；同时覆盖高 161%；29.2% vs 19.6%\u003C\u002Ftd>\n\u003Ctd>[26]\u003C\u002Ftd>\n\u003Ctd>2025-11\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003Ctd>3.1\u003C\u002Ftd>\n\u003Ctd>△ 厂商发布，方法细节不足\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>20\u003C\u002Ftd>\n\u003Ctd>earned media 占比\u003C\u002Ftd>\n\u003Ctd>ChatGPT 93.5% \u002F Claude 87.3% \u002F Perplexity 67.4% \u002F Gemini 63.4%\u003C\u002Ftd>\n\u003Ctd>[5]\u003C\u002Ftd>\n\u003Ctd>2025-08\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003Ctd>3.4\u003C\u002Ftd>\n\u003Ctd>△ 分类主观、有资助方\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>21\u003C\u002Ftd>\n\u003Ctd>earned media 占比（独立方法）\u003C\u002Ftd>\n\u003Ctd>84% 非自有非付费；新闻业 25%—27%；付费 0.3%\u003C\u002Ftd>\n\u003Ctd>[31]\u003C\u002Ftd>\n\u003Ctd>2026-05\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003Ctd>3.4\u003C\u002Ftd>\n\u003Ctd>✔ 与 #20 交叉\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>22\u003C\u002Ftd>\n\u003Ctd>品牌信号相关性\u003C\u002Ftd>\n\u003Ctd>YouTube ~0.737；全网提及 0.66—0.71；域名评级 0.266；页面数 0.194\u003C\u002Ftd>\n\u003Ctd>[29]\u003C\u002Ftd>\n\u003Ctd>2026-05\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003Ctd>3.4 \u002F 8.2\u003C\u002Ftd>\n\u003Ctd>✔ 相关性非因果\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>23\u003C\u002Ftd>\n\u003Ctd>引擎信源结构差异\u003C\u002Ftd>\n\u003Ctd>Gemini 52.15% 品牌自有；ChatGPT 48.73% 第三方目录\u003C\u002Ftd>\n\u003Ctd>[45]\u003C\u002Ftd>\n\u003Ctd>2025-10\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003Ctd>3.4 \u002F 3.5\u003C\u002Ftd>\n\u003Ctd>△ 与 #20 存在口径差异，已并列标注\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>24\u003C\u002Ftd>\n\u003Ctd>llms.txt 采纳与效果\u003C\u002Ftd>\n\u003Ctd>采纳 10.13%；与引用无相关；移除变量后模型更准\u003C\u002Ftd>\n\u003Ctd>[25]\u003C\u002Ftd>\n\u003Ctd>2025-11\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003Ctd>1.5 \u002F 5.8\u003C\u002Ftd>\n\u003Ctd>✔\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>25\u003C\u002Ftd>\n\u003Ctd>llms.txt 抓取实况\u003C\u002Ftd>\n\u003Ctd>137,210 域名中 97% 的文件整月零请求；AI 检索 bot 仅占请求 1.1%\u003C\u002Ftd>\n\u003Ctd>[27]\u003C\u002Ftd>\n\u003Ctd>2026-06\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003Ctd>1.5 \u002F 5.8\u003C\u002Ftd>\n\u003Ctd>✔\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>26\u003C\u002Ftd>\n\u003Ctd>llms.txt 对照实验\u003C\u002Ftd>\n\u003Ctd>62,100 次 bot 访问中 84 次请求（约 0.1%）；5 亿次事件中数百次\u003C\u002Ftd>\n\u003Ctd>[44]\u003C\u002Ftd>\n\u003Ctd>2026-02\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003Ctd>5.8\u003C\u002Ftd>\n\u003Ctd>✔\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>27\u003C\u002Ftd>\n\u003Ctd>谷歌对 llms.txt 立场\u003C\u002Ftd>\n\u003Ctd>不支持、不计划支持；官方指南列为"不需要"\u003C\u002Ftd>\n\u003Ctd>[6][7]\u003C\u002Ftd>\n\u003Ctd>2025-07 \u002F 2026-07\u003C\u002Ftd>\n\u003Ctd>A\u003C\u002Ftd>\n\u003Ctd>5.8\u003C\u002Ftd>\n\u003Ctd>✔\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>28\u003C\u002Ftd>\n\u003Ctd>谷歌官方技术门槛\u003C\u002Ftd>\n\u003Ctd>"无其他技术要求"；无特殊 schema；无需切片；无需 AI 文本文件\u003C\u002Ftd>\n\u003Ctd>[6][7]\u003C\u002Ftd>\n\u003Ctd>2026-07\u003C\u002Ftd>\n\u003Ctd>A\u003C\u002Ftd>\n\u003Ctd>1.4 \u002F 3.6\u003C\u002Ftd>\n\u003Ctd>✔\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>29\u003C\u002Ftd>\n\u003Ctd>谷歌 AIO 规模\u003C\u002Ftd>\n\u003Ctd>月活超 20 亿；200+ 国家和地区；40 种语言\u003C\u002Ftd>\n\u003Ctd>[14]\u003C\u002Ftd>\n\u003Ctd>2025-07\u003C\u002Ftd>\n\u003Ctd>A\u003C\u002Ftd>\n\u003Ctd>2.2\u003C\u002Ftd>\n\u003Ctd>✔\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>30\u003C\u002Ftd>\n\u003Ctd>生成式 AI 平台份额\u003C\u002Ftd>\n\u003Ctd>ChatGPT 76.4%→52.7%；Gemini 8.9%→27.3%；Claude ~2%→~9%\u003C\u002Ftd>\n\u003Ctd>[32]\u003C\u002Ftd>\n\u003Ctd>2026-05\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003Ctd>2.2\u003C\u002Ftd>\n\u003Ctd>△ 单厂商面板估计\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>31\u003C\u002Ftd>\n\u003Ctd>AI 引荐流量规模\u003C\u002Ftd>\n\u003Ctd>月均 7.707 亿次，+117.4% YoY；ChatGPT 转化约 7.1%\u003C\u002Ftd>\n\u003Ctd>[33]\u003C\u002Ftd>\n\u003Ctd>2026-05\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003Ctd>2.3\u003C\u002Ftd>\n\u003Ctd>✔\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>32\u003C\u002Ftd>\n\u003Ctd>AI 流量占比\u003C\u002Ftd>\n\u003Ctd>全部 AI 平台约 0.24%（2026-01）；自然搜索约 345 倍\u003C\u002Ftd>\n\u003Ctd>[34]\u003C\u002Ftd>\n\u003Ctd>2026-01\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003Ctd>2.5\u003C\u002Ftd>\n\u003Ctd>✔ 用于纠偏\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>33\u003C\u002Ftd>\n\u003Ctd>AI 引荐转化质量\u003C\u002Ftd>\n\u003Ctd>美国零售站点 AI 来源转化率高 54%\u003C\u002Ftd>\n\u003Ctd>[38]\u003C\u002Ftd>\n\u003Ctd>2026-05\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003Ctd>2.3\u003C\u002Ftd>\n\u003Ctd>✔\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>34\u003C\u002Ftd>\n\u003Ctd>中国生成式 AI 用户\u003C\u002Ftd>\n\u003Ctd>5.15 亿人（截至 2025-06）；普及率 36.5%；回答问题 80.9%\u003C\u002Ftd>\n\u003Ctd>[12]\u003C\u002Ftd>\n\u003Ctd>2025-10\u003C\u002Ftd>\n\u003Ctd>A\u003C\u002Ftd>\n\u003Ctd>2.1\u003C\u002Ftd>\n\u003Ctd>✔ \u003Cstrong>已订正\u003C\u002Fstrong>：行业转述的"占网民 50%"为误引\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>35\u003C\u002Ftd>\n\u003Ctd>中国 AI 原生 App 格局\u003C\u002Ftd>\n\u003Ctd>整体 4.99 亿；豆包 3.82 亿；千问 1.67 亿；DeepSeek 1.30 亿（−20.3%）\u003C\u002Ftd>\n\u003Ctd>[35]\u003C\u002Ftd>\n\u003Ctd>2026-06\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003Ctd>2.2\u003C\u002Ftd>\n\u003Ctd>✔ 面板估计，非厂商披露\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>36\u003C\u002Ftd>\n\u003Ctd>AIO 触发率（多口径）\u003C\u002Ftd>\n\u003Ctd>6.49%→13.14%（桌面）；1.5%→32%（品牌词集）；约 20%（实测）；信息类 88.1% \u002F 电商 4%\u003C\u002Ftd>\n\u003Ctd>[37][36][8][28]\u003C\u002Ftd>\n\u003Ctd>2025-03—2026-02\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003Ctd>2.5\u003C\u002Ftd>\n\u003Ctd>✔ 已按口径分列\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>37\u003C\u002Ftd>\n\u003Ctd>内容格式分布\u003C\u002Ftd>\n\u003Ctd>榜单型 59.5%、产品页 8.5%、文章 7.9%、指南 6.3%\u003C\u002Ftd>\n\u003Ctd>[47]\u003C\u002Ftd>\n\u003Ctd>2026-Q1\u003C\u002Ftd>\n\u003Ctd>C\u003C\u002Ftd>\n\u003Ctd>3.2\u003C\u002Ftd>\n\u003Ctd>△ 仅作趋势\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>38\u003C\u002Ftd>\n\u003Ctd>内容新鲜度\u003C\u002Ftd>\n\u003Ctd>65% 的 AI bot 抓取命中一年内内容\u003C\u002Ftd>\n\u003Ctd>[49]\u003C\u002Ftd>\n\u003Ctd>2025\u003C\u002Ftd>\n\u003Ctd>C\u003C\u002Ftd>\n\u003Ctd>4.4\u003C\u002Ftd>\n\u003Ctd>△ 仅作趋势\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>39\u003C\u002Ftd>\n\u003Ctd>每答案引用源数量\u003C\u002Ftd>\n\u003Ctd>Perplexity 21.87 vs ChatGPT 7.92\u003C\u002Ftd>\n\u003Ctd>[46]\u003C\u002Ftd>\n\u003Ctd>2025-Q3\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003Ctd>3.5\u003C\u002Ftd>\n\u003Ctd>✔\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>40\u003C\u002Ftd>\n\u003Ctd>AI Mode 与 AIO 差异\u003C\u002Ftd>\n\u003Ctd>引用重合 13.7%；语义相似度 86%\u003C\u002Ftd>\n\u003Ctd>[30]\u003C\u002Ftd>\n\u003Ctd>2025-12\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003Ctd>3.5\u003C\u002Ftd>\n\u003Ctd>✔\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>41\u003C\u002Ftd>\n\u003Ctd>媒体领袖预期\u003C\u002Ftd>\n\u003Ctd>预期搜索流量未来数年下降 43%（\u003Cstrong>预期值\u003C\u002Fstrong>）\u003C\u002Ftd>\n\u003Ctd>[43]\u003C\u002Ftd>\n\u003Ctd>2026\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003Ctd>2.4\u003C\u002Ftd>\n\u003Ctd>✔ 须标"预期"\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>42\u003C\u002Ftd>\n\u003Ctd>中国 GEO 市场规模\u003C\u002Ftd>\n\u003Ctd>2.5 亿元（狭义，2025）\u003C\u002Ftd>\n\u003Ctd>[50]\u003C\u002Ftd>\n\u003Ctd>2025\u003C\u002Ftd>\n\u003Ctd>C\u003C\u002Ftd>\n\u003Ctd>—\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>✗ 不采用\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>43\u003C\u002Ftd>\n\u003Ctd>"GEO 市场 292 亿美元"\u003C\u002Ftd>\n\u003Ctd>—\u003C\u002Ftd>\n\u003Ctd>无法溯源\u003C\u002Ftd>\n\u003Ctd>—\u003C\u002Ftd>\n\u003Ctd>D\u003C\u002Ftd>\n\u003Ctd>2.5\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>✗ 仅用于纠偏说明\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>44\u003C\u002Ftd>\n\u003Ctd>"AI 流量已超搜索"\u003C\u002Ftd>\n\u003Ctd>—\u003C\u002Ftd>\n\u003Ctd>无可靠面板支持\u003C\u002Ftd>\n\u003Ctd>—\u003C\u002Ftd>\n\u003Ctd>D\u003C\u002Ftd>\n\u003Ctd>2.5\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>✗ 已明确证否（见 #32）\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>45\u003C\u002Ftd>\n\u003Ctd>schema 与引用率的对照实验\u003C\u002Ftd>\n\u003Ctd>1,885 页 vs 4,000 对照，三平台均无显著提升（AIO −4.6% \u002F AI Mode +2.4% \u002F ChatGPT +2.2%）\u003C\u002Ftd>\n\u003Ctd>[52]\u003C\u002Ftd>\n\u003Ctd>2026-05\u003C\u002Ftd>\n\u003Ctd>B\u003C\u002Ftd>\n\u003Ctd>1.5 \u002F 3.6 \u002F 4.7\u003C\u002Ftd>\n\u003Ctd>✔ \u003Cstrong>须同引样本边界：所有页面在处理前已有 100+ AIO 引用\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>46\u003C\u002Ftd>\n\u003Ctd>AI 摘要的引用源数量分布\u003C\u002Ftd>\n\u003Ctd>88% 引用 3 个以上来源；仅 1% 引用单一来源；摘要中位长度 67 词\u003C\u002Ftd>\n\u003Ctd>[8]\u003C\u002Ftd>\n\u003Ctd>2025-03\u003C\u002Ftd>\n\u003Ctd>A\u003C\u002Ftd>\n\u003Ctd>3.2\u003C\u002Ftd>\n\u003Ctd>✔\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>47\u003C\u002Ftd>\n\u003Ctd>谷歌对 Pew 研究的反驳\u003C\u002Ftd>\n\u003Ctd>谷歌称该研究「方法有缺陷、查询集有偏」，未见全网流量显著下降\u003C\u002Ftd>\n\u003Ctd>[8][13]\u003C\u002Ftd>\n\u003Ctd>2025-07\u003C\u002Ftd>\n\u003Ctd>A\u002FB\u003C\u002Ftd>\n\u003Ctd>2.3\u003C\u002Ftd>\n\u003Ctd>✔ 已并列呈现\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>\u003Cstrong>使用规则\u003C\u002Fstrong>：\u003Ccode>✗\u003C\u002Fcode> 不得进入正文；\u003Ccode>△\u003C\u002Fcode> 必须双源交叉或改写为定性表述；所有 \u003Ccode>B\u002FC\u003C\u002Fcode> 级数据在\u003Cstrong>表格下方\u003C\u002Fstrong>标注来源与口径。\u003C\u002Fp>\n\u003Chr>\n\u003Ch2 id=\"附录-e-检查清单-可打印\">附录 E　检查清单（可打印）\u003C\u002Fh2>\n\u003Ch3 id=\"e-1-技术检查-20-项\">E.1 技术检查（20 项）\u003C\u002Fh3>\n\u003Cul>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"1. robots.txt 已放行检索型 AI 爬虫（OAI-SearchBot \u002F PerplexityBot \u002F ClaudeBot \u002F Googlebot）\">1. robots.txt 已放行检索型 AI 爬虫（OAI-SearchBot \u002F PerplexityBot \u002F ClaudeBot \u002F Googlebot）\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"2. 已区分训练型与检索型爬虫策略，并分别记录决策理由\">2. 已区分训练型与检索型爬虫策略，并分别记录决策理由\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"3. 核心内容服务端输出（SSR \u002F 预渲染），关闭 JS 后仍可读\">3. 核心内容服务端输出（SSR \u002F 预渲染），关闭 JS 后仍可读\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"4. 无模板级 noindex \u002F nosnippet \u002F max-snippet 误设\">4. 无模板级 \u003Ccode>noindex\u003C\u002Fcode> \u002F \u003Ccode>nosnippet\u003C\u002Fcode> \u002F \u003Ccode>max-snippet\u003C\u002Fcode> 误设\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"5. 无重定向链与软 404；canonical 指向正确\">5. 无重定向链与软 404；canonical 指向正确\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"6. 站点地图覆盖核心页面，且提交状态正常\">6. 站点地图覆盖核心页面，且提交状态正常\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"7. 服务器日志可区分 AI bot，且有状态码分布统计\">7. 服务器日志可区分 AI bot，且有状态码分布统计\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"8. 单页单一 H1，H1 即用户问题\">8. 单页单一 H1，H1 即用户问题\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"9. H2\u002FH3 层级真实反映内容结构（非 <div> 模拟）\">9. H2\u002FH3 层级真实反映内容结构（非 \u003Ccode><div>\u003C\u002Fcode> 模拟）\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"10. schema 与页面可见文本完全一致\">10. schema 与页面可见文本完全一致\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"11. 有 Article \u002F Product \u002F Organization 等适用的结构化数据\">11. 有 \u003Ccode>Article\u003C\u002Fcode> \u002F \u003Ccode>Product\u003C\u002Fcode> \u002F \u003Ccode>Organization\u003C\u002Fcode> 等适用的结构化数据\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"12. 有 sameAs 指向 ≥2 个权威外部档案\">12. 有 \u003Ccode>sameAs\u003C\u002Fcode> 指向 ≥2 个权威外部档案\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"13. dateModified 真实且页面可见"最后更新"\">13. \u003Ccode>dateModified\u003C\u002Fcode> 真实且页面可见"最后更新"\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"14. 结构化数据通过批量校验，错误率 <5%\">14. 结构化数据通过批量校验，错误率 <5%\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"15. 未使用提示注入式隐藏文本\">15. 未使用提示注入式隐藏文本\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"16. 未采用 cloaking（对爬虫与人展示不同内容）\">16. 未采用 cloaking（对爬虫与人展示不同内容）\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"17. 未为每个扇出查询单独建页\">17. 未为每个扇出查询单独建页\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"18. 表格使用语义化 <table> 而非 CSS 模拟\">18. 表格使用语义化 \u003Ccode><table>\u003C\u002Fcode> 而非 CSS 模拟\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"19. 关键参数页有稳定 URL（不随营销活动变更）\">19. 关键参数页有稳定 URL（不随营销活动变更）\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"20. 有 AI bot 抓取异常的告警机制\">20. 有 AI bot 抓取异常的告警机制\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch3 id=\"e-2-内容检查-15-项\">E.2 内容检查（15 项）\u003C\u002Fh3>\n\u003Cul>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"1. 每节首段为可独立引用的结论（答案块）\">1. 每节首段为可独立引用的结论（答案块）\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"2. 定义句控制在 40—60 字\">2. 定义句控制在 40—60 字\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"3. 抽 20 段，脱离上下文后仍成立的比例 ≥60%\">3. 抽 20 段，脱离上下文后仍成立的比例 ≥60%\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"4. 每个数字同时具备"数值 + 单位 + 时间 + 口径"\">4. 每个数字同时具备"数值 + 单位 + 时间 + 口径"\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"5. 段落内无"如上所述""这个产品"等指代词\">5. 段落内无"如上所述""这个产品"等指代词\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"6. 关键对比用表格而非散文\">6. 关键对比用表格而非散文\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"7. 每个主题覆盖 15—25 个真实子问题\">7. 每个主题覆盖 15—25 个真实子问题\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"8. 每个事实性陈述有可点击、可追溯的出处\">8. 每个事实性陈述有可点击、可追溯的出处\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"9. 引用来源为 A\u002FB 级，无虚构引用\">9. 引用来源为 A\u002FB 级，无虚构引用\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"10. 具名作者，且有可核实的外部档案\">10. 具名作者，且有可核实的外部档案\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"11. YMYL 内容有专业审校者署名\">11. YMYL 内容有专业审校者署名\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"12. 至少有一份一手数据（哪怕小样本）\">12. 至少有一份一手数据（哪怕小样本）\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"13. 同一事实在官网 \u002F 第三方 \u002F 社媒表述一致\">13. 同一事实在官网 \u002F 第三方 \u002F 社媒表述一致\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"14. 无"最佳""第一"等无法证明的绝对化表述\">14. 无"最佳""第一"等无法证明的绝对化表述\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"15. AI 参与生成的内容已完成标识（中国《标识办法》要求）\">15. AI 参与生成的内容已完成标识（中国《标识办法》要求）\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch3 id=\"e-3-测量检查-10-项\">E.3 测量检查（10 项）\u003C\u002Fh3>\n\u003Cul>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"1. 抽样单元是 prompt 集，不是关键词集\">1. 抽样单元是 prompt 集，不是关键词集\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"2. prompt 集覆盖真实买家问题，规模 ≥15 条\u002F品类\">2. prompt 集覆盖真实买家问题，规模 ≥15 条\u002F品类\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"3. 固定了引擎版本、地区、语言、时间窗、温度参数\">3. 固定了引擎版本、地区、语言、时间窗、温度参数\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"4. 同一 prompt × 同一引擎重复测量 ≥3 次\">4. 同一 prompt × 同一引擎重复测量 ≥3 次\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"5. 有改动前的基线（≥4 周）\">5. 有改动前的基线（≥4 周）\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"6. 设置了未改动的对照组\">6. 设置了未改动的对照组\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"7. 双人标注一致率 Cohen's κ ≥0.75\">7. 双人标注一致率 Cohen's κ ≥0.75\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"8. 品牌级结论的观测次数已核算，达到 MDE 要求\">8. 品牌级结论的观测次数已核算，达到 MDE 要求\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"9. 报表区分"可见度 \u002F 流量 \u002F 业务 \u002F 资产"四层\">9. 报表区分"可见度 \u002F 流量 \u002F 业务 \u002F 资产"四层\u003C\u002Fli>\n\u003Cli class=\"task-list-item\">\u003Cinput type=\"checkbox\" class=\"md-task-checkbox\" aria-label=\"10. 报告中对"测不准"的部分有明确标注\">10. 报告中对"测不准"的部分有明确标注\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Chr>\n\u003Ch2 id=\"封底\">封底\u003C\u002Fh2>\n\u003Cp>\u003Cstrong>butGEO 研究院\u003C\u002Fstrong>　是一家专注于生成式引擎可见度测量的独立研究机构。本白皮书是其"可见度工程"研究计划的第一份公开成果。\u003C\u002Fp>\n\u003Cul>\n\u003Cli>下一版计划：\u003Cstrong>v1.1（2027-03）\u003C\u002Fstrong>，将包含第 4.6 节原创指数的首期实测结果、国产引擎行为的实测数据，以及本版 △ 级条目的复核结论。\u003C\u002Fli>\n\u003Cli>引用与转载：无需授权，但请保留来源链接与版本号。\u003Cstrong>不设下载门槛。\u003C\u002Fstrong>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cem>本白皮书正文不含产品名与购买引导。商业信息仅限本页与版权页。\u003C\u002Fem>\u003C\u002Fp>\n",41192,55653,"2026-10-23T02:13:51.729Z",[]]