分野与继承：GEO、SEO 与 AEO 的关系

11三种优化的目标函数：排名、摘要与引用

SEO、AEO、GEO 经常被混着说，仿佛只是同一件事的三个新名字。但如果把三者各自要最大化的东西写下来，会发现它们的目标函数并不相同，甚至连“什么叫成功”都不是一回事。

SEO：让网页出现在列表的靠前位置

搜索引擎优化（Search Engine Optimization）面对的是一个排序问题：给定一个查询，把最相关的网页排到前面。它的成功标准清晰可量化——关键词排名、展现量、点击率、自然流量。优化动作围绕页面的相关性、权威性与技术体验展开，产出物是“一批能排上去的页面”。

这个目标函数有一个隐含前提：用户会点击。排名之所以值钱，是因为靠前的位置能带来点击。当用户不再点击、而是直接读 AI 给出的答案时，排名依然有意义（它影响被检索的概率），但已经不能完整解释商业结果。

AEO：让内容被摘要框选中

答案引擎优化（Answer Engine Optimization）关注的是结果页上的“直接答案”区域：精选摘要、知识面板、语音助手的播报。它的成功标准是“被摘取”，表现形式是一段被引用的文字加一个来源链接。相比 SEO，它更强调问答结构、定义式表达与事实密度。

AEO 与 GEO 有大量重叠，很多写作技巧是通用的。区别在于：AEO 的摘要通常只摘一段，来源仍然指向网页；GEO 的答案可能是多段、多来源、重新组织的，甚至不出现你的链接，只出现你的名字与观点。

GEO：让品牌信息进入生成的答案

生成式引擎优化（Generative Engine Optimization）面对的是一个“合成”问题：模型从多份材料里提炼、比较、组织成一段新文本。它的成功标准不是排名，而是在答案中被正确提及、被引用、被赋予合理评价。这个标准更接近公关与品牌传播，而不是纯粹的流量工程。

由此带来三个实践差异。其一，衡量周期更长，因为索引更新与模型迭代都需要时间。其二，内容单元更小，段落比页面重要。其三，品牌一致性的权重大幅上升，因为模型会把多个来源放在一起比对，任何矛盾都会被放大。

三者不是替代关系

在实际项目里，三者的关系更像“地基—结构—装修”。SEO 打下的技术底座（可抓取、可索引、结构清晰）是 AEO 与 GEO 的前提；AEO 训练的问答化表达，是 GEO 切片质量的基础；GEO 则把前两者的成果放到一个更大的舞台上，让品牌在对话式入口里被看见。

所以当企业问“做了 GEO 还要不要做 SEO”时，我们的回答通常是：不要把它们当成两个项目，而要当成一条流水线上的不同工序。停掉 SEO 会让 GEO 失去水源，只做 SEO 则会在入口迁移中逐渐失声。预算分配可以根据行业与阶段调整，但能力不能偏废。

一个常见的战略误判

有些企业看到 AI 流量上涨，就把全部预算转向 GEO，砍掉技术优化与站点维护。短期看，内容分发带来了曝光；半年后，站点因为结构混乱、加载缓慢、抓取异常而逐渐从索引中淡出，GEO 的效果也随之消失。原因很简单：GEO 的原料来自站点，站点垮了，原料就断了。

另一类误判相反：坚持只做 SEO，认为 AI 只是“风口”。这类企业往往在一年后发现，自己的核心关键词排名还在，但咨询量下降，因为用户在搜索结果页就被 AI 摘要拦住了。排名没有消失，只是不再等于流量。

12可继承的资产：技术底座、内容存量与权重积累

做 GEO 不需要把过去十年的工作推倒重来。恰恰相反，长期做 SEO 的企业往往拥有更好的起点，只是需要知道哪些资产可以直接用、哪些需要改造、哪些必须放弃。

可以直接继承的三类资产

技术底座。能被搜索引擎正常抓取、索引、渲染的站点，通常也能被 AI 抓取。清晰的 URL 结构、稳定的服务器、合理的 robots、可解析的正文，这些工作在两套体系里是通用的。一个技术健康的站点，做 GEO 的启动成本会低很多。

内容存量。过去写的行业文章、产品说明、问答页，都是潜在的切片来源。它们可能不符合 GEO 的写作规范，但主题相关、事实真实，稍加改造就能重新进入候选池。我们在项目里经常做的一件事，就是给存量文章做“命题化改写”，成本远低于从零创作。

权重与信任积累。外链、媒体报道、行业资质、用户评价，这些构成了站点的可信度基础。生成式引擎虽然不直接使用传统排名，但在重排阶段同样会参考来源的权威性。一个被行业广泛引用的站点，其内容更容易被采信。

需要改造的两类资产

页面结构。为 SEO 做的页面往往是“关键词聚合页”：标题堆词、内容拼凑、缺少明确结论。这类页面需要按“一问一答”重构，把模糊的表达改成可核验的事实，把长段落拆成有层级的小节。

信息架构。SEO 时代喜欢做大量标签页与聚合页，导致内容重复、主题分散。GEO 更看重主题纵深，需要把相关内容组织成“簇”：一个核心页加若干支撑页，互相链接，形成完整的知识块。

必须放弃的三类习惯

1. 以量取胜。批量生成的低质页面在 AI 时代几乎没有价值，还会稀释站点质量评分。
2. 模糊表达。“大概”“可能”“业内领先”这类词无法被引用，也无法被验证。
3. 把关键信息藏在图片里。图片里的文字很难被稳定解析，价格、参数、资质应当以文本形式呈现。

一次存量盘点的做法

我们通常把站点内容导出成表，逐篇标注四个字段：主题、是否有明确结论、是否含可核验事实、是否有重复。然后按四象限处理：主题相关且有结论的，直接进入改写队列；主题相关但空洞的，补充事实后改写；主题不相关但质量尚可的，考虑迁移或下线；既不相关又低质的，直接清理。

这个过程往往能筛出 20% 到 30% 的高价值存量，改造成本远低于新写。更重要的是，它让团队第一次清楚地看到自己到底有多少“可被引用的资产”，而不是凭感觉判断。

13必须重构的部分：从关键词密度到命题密度

如果只能改一个写作习惯，我会选这个：把“围绕关键词写”换成“围绕命题写”。前者产出的是关键词的排列组合，后者产出的是可以被引用的判断。这一转变，决定了内容能否进入 AI 的答案。

什么是命题

命题是一句可以被判断真假的话。它包含明确的主体、明确的谓词、明确的条件。“我们的服务很好”不是命题，因为无法验证；“墨子教育咨询的 GEO 课程为线上录播加直播答疑，服务期为一年”是命题，因为它可以被核对。

一篇由命题构成的文章，天然适合被切片：每句话都能独立成立，每段都能回答一个问题。相反，一篇由形容词构成的文章，切片之后只剩下情绪，模型无法使用。

命题密度的计算

我们用一个粗略但好用的指标：命题密度 = 可核验事实句数量 ÷ 总句数。低于 0.3 的内容，基本只能做品牌宣传；0.3 到 0.6 属于及格；高于 0.6 的内容，通常更容易被引用。

提高命题密度的方法不是堆数字，而是把模糊表达替换成具体表达。比如把“服务响应快”改成“工作日 9 时至 18 时，在线咨询平均 10 分钟内回复”；把“经验丰富”改成“自 2014 年起从事搜索营销，2022 年起专做 GEO”。后者不仅更可信，也更容易被引用。

从关键词表到问题表

传统内容规划从关键词表出发：这个词有多少搜索量、竞争度如何、对应哪个页面。GEO 的内容规划应当从问题表出发：用户会怎么问、在什么场景下问、问完之后会追问什么。

两张表的差别在于粒度。关键词是压缩过的符号，问题是完整的语境。用问题表做规划，产出的内容天然覆盖长尾与追问；用关键词表做规划，容易产出一堆“标题不同、内容雷同”的页面。

别把命题写成广告

命题化不等于把优点罗列一遍。真正有效的命题往往包含边界与条件：“适合有官网、有内容团队、愿意持续投入的企业；不适合只想一个月见效、不愿配合内容审核的团队。”这类表述看起来在“劝退”，实际上大幅提升了可信度，也帮助模型给出更准确的推荐。

我们在改写中经常删除“领先”“专业”“全方位”这类词，换成具体的服务范围、交付物、时间与价格。删掉形容词的那一刻，文章往往变得更像一份可用的资料，而不是一张宣传单。

一个改写示例

原文：“我们拥有专业的师资团队，课程体系完善，帮助学员快速掌握 GEO 技能，实现流量增长。”

改写：“墨子教育咨询的 GEO 课程由 5 位讲师分工授课，覆盖原理、内容、技术、监测四个模块，共 27 节视频课；课程不含代运营与代写服务，学员需自行完成站点改造。课程不承诺固定流量或获客结果。”

两段话字数相近，但后者包含讲师数量、模块划分、课时、服务边界与免责说明，可被切片、可被引用、也可被用户核对。这就是命题密度的差别。

14度量体系的分叉：排名、点击、引用与提及

换了目标函数，度量方式就必须跟着换。继续用排名和流量来评价 GEO，就像用体重秤量身高——数字有变化，但说明不了问题。

四类指标的分工

排名类指标衡量网页在传统搜索中的位置，仍然重要，因为它影响被抓取与被检索的概率。但它不再能代表商业结果。

流量类指标衡量访问与点击。AI 摘要会压低点击率，所以流量下降不一定是坏事；关键要看“品牌词访问”与“直接访问”是否上升。

引用类指标衡量品牌是否出现在 AI 答案里，以及以什么方式出现：被提及、被引用链接、被列为推荐、被作为对比对象。这是 GEO 的核心指标。

业务类指标衡量咨询、留资、成交。它受产品、价格、销售能力影响，不能单独归因于 GEO，但必须纳入观察。

引用类指标怎么定义

我们在项目里通常定义四个可操作的量：

• 出现率：在设定的问题集中，品牌被提及的比例。
• 首选率：在答案的推荐名单里排在前三的比例。
• 准确率：被提及的信息（业务、价格、资质）与事实库一致的比例。
• 倾向：正面、中性、负面的描述占比。

四个量要一起看。出现率高但准确率低，说明品牌被看见了却被说错；准确率高但出现率低，说明资料对但覆盖不足；倾向为负则需要启动危机处理。只看“有没有提到”，很容易得出错误结论。

为什么不能用单次截图验收

AI 回答带有随机性，同一问题多次提问可能出现不同结果。用一张“被推荐了”的截图证明成功，或者用一张“没提到”的截图证明失败，都是抽样偏差。正确做法是建立固定的问题集（比如三十到五十个真实提问），每月重复测试，记录每个问题的答案摘要与品牌表现，看趋势而不是看单点。

问题集本身也要维护。随着业务变化与用户问法迁移，问题要增删；但每次调整都要记录下来，否则数据不可比。

给管理层的三个数字

高层通常没有耐心看几十个指标。我们会准备三个数字：核心问题集的品牌出现率、信息准确率、品牌词主动搜索量。前者反映可见度，中者反映可信度，后者反映心智影响。三个数字同时向好，基本可以判断 GEO 在起效；只有前者上升而后两者不动，可能是短期刷量而非真实影响。

15组织分工：GEO 应该由谁负责、如何协作

GEO 失败的项目里，最常见的死因不是方法不对，而是没人负责。它横跨市场、内容、技术、法务，任何一个部门单独做都会缺一块。

三种常见的组织形态

市场主导型。由市场部牵头，内容团队执行，技术配合。优点是离业务近、反应快；缺点是技术改造容易被排在后面，遇到站点问题时推不动。

技术主导型。由技术团队牵头，先把抓取、渲染、结构化数据做完。优点是地基扎实；缺点是内容质量上不去，做完技术就没有下一步。

跨部门小组。由品牌或增长负责人牵头，市场、内容、技术、法务各出一人，设固定例会。优点是覆盖面全；缺点是需要高层授权，否则协调成本高。

从实践看，第三种效果最好，但前提是有一个明确的负责人（Owner），而不是“大家一起负责”。没有 Owner 的跨部门小组，最后往往变成互相等待。

角色与职责

周会看什么，月会看什么

周会只解决执行问题：本周产出了几篇、卡在哪个审核、技术项有没有推进。不要在会上讨论“AI 未来会怎样”，那是战略会的事。

月会看数据：问题集的品牌出现率、准确率、负面描述、竞品动向。会上要做出至少一个决策：加码某个主题、修复某个错误、调整某个平台的重点。

季度会看结构：内容资产是否形成簇、技术债是否清理、团队能力是否补齐、预算是否需要重新分配。季度会的产出应该是下一季度的路线图，而不是一份汇报 PPT。

外包与自建的分界

可以外包的部分：技术审计、结构化数据实施、监测工具搭建、批量内容初稿。应当自建的部分：品牌事实口径、核心观点、案例细节、最终审核。原因很实际——外部团队不了解你的业务边界，写出来的内容容易“正确但空洞”；而事实一旦写错，纠正成本极高。

我们的建议是“外部做方法与产能，内部做事实与判断”。把外部团队当成加速器，而不是替代品。这样即使合作结束，能力也留在组织里。