GEO 到底在做什么：35 个核心术语

各位好，我是时效GEO博客站的刘效。

GEO 相关的 120 个术语，老刘在时效GEO 整理成了三篇，这是第二篇。

整理的时候朋友问过老刘：这些术语要全背下来吗？

不用。术语是在用的时候记住的。建议先看带 ★ 的 13 个，剩下的当成词典，遇到再回来查。

这就是老刘整理这三篇的核心目的：做成词典，不做成教材。没人需要通读，也没人需要背，遇到问题时知道翻哪儿就行。

那这一篇收的是哪一侧？方法侧：GEO 到底在做什么。35 个词，分四组：GEO 是什么、它靠什么机制运作、看什么指标、具体怎么做。

上一篇讲了机器怎么读你的内容。知道机器是怎么运作的之后，这一篇回答的是：你能拿它做什么。

GEO 是什么：三个字母的差别

这一组先把概念和产品对齐。海外那些 AI 搜索产品，是理解生成式引擎的参照物。

生成式引擎优化（GEO） ★

让 AI 在生成答案时引用你的内容，而不是让你的网页排在列表第一位。Aggarwal 等跨机构作者在 2023 年论文《GEO: Generative Engine Optimization》中将该概念形式化，论文后被 KDD 2024 收录。论文在特定实验设置中测试了 9 种改造：加专家原话、加统计数据、加引用来源表现靠前；关键词堆砌在位置调整词数指标上低于未优化基线，但另一项主观指标并非负值。注意：摘要的「up to 40%」是生成回答中可见性代理指标的改善，不是流量、点击或转化涨 40%，更不是所有引擎的保证。

答案引擎优化（AEO） ★

优化内容，使搜索、语音助手或生成式系统更容易直接提供或引用答案。行业用法没有统一标准：AEO 常偏直接答案、精选摘要、语音与 AI 答案，GEO 更强调生成式引擎中的可见性、提及和引用，两者大量重叠但不必强行画等号。使用时先定义范围和指标。

搜索引擎优化（SEO） ★

让网页在搜索引擎的结果列表里排得更靠前的所有手法。跟 GEO 的关系：这是最容易被误传的一点，很多人在喊「SEO 已死，只有 GEO」，但 Google 官方明确说生成式 AI 特性建立在核心搜索排序系统之上。也就是说：SEO 是地基，GEO 是地基上多盖的一层。地基塌了，上面盖什么都白搭。

生成式引擎（Generative Engine）

会「写出答案」而不是「列出链接」的搜索系统，统称。ChatGPT Search、Perplexity、Google AI 概览、Bing Copilot 都属于这一类。它们的共同点：读多份资料、合成一段话、标注来源。你的战场就是那个「来源」位置。

AI 概览（AI Overviews） ★

Google 搜索结果最顶部那个由 AI 生成的答案框，下面挂着几条来源链接。跟 GEO 的关系：官方原话是「没有任何额外要求，也没有特殊优化手段」，只要你的页面能被 Google 索引、能被正常抓取，就有资格出现在里面。别信「进了 AI 概览的秘诀」这类说法。

AI 模式（AI Mode）

Google 推出的对话式搜索模式，可以连续追问、做复杂比较。跟 AI 概览的区别：AI 概览是「顺带给你一个答案」，AI 模式是「专门陪你研究一个问题」。它会用不同的模型，所以出现的引用来源和 AI 概览常常不一样。

ChatGPT 搜索（ChatGPT Search）

ChatGPT 里那个会联网查资料的搜索功能。跟 GEO 的关系：OpenAI 官方建议允许 OAI-SearchBot 并放行官方 IP，以便页面正文进入搜索摘要；这只是可发现性的必要条件之一，不保证收录或引用。ChatGPT 搜索引荐 URL 会自动带 utm_source=chatgpt.com，可用于分析。

Perplexity

一款几乎每条回答都附来源编号的 AI 搜索产品。跟 GEO 的关系：它的两个爬虫行为不同，这是最容易被误操作的地方（两个爬虫的差别，见本系列第一篇的爬虫那组）。

Copilot（Microsoft Copilot）

微软的 AI 助手，背后用 Bing 的索引和「接地」能力。跟 GEO 的关系：Bing Webmaster Tools 的 AI Performance 是少数平台一手 AI 引用报告之一，可查看微软生态中的引用数、被引页面和 grounding queries；它不覆盖 ChatGPT、Gemini、Claude 或国产引擎。

它靠什么运作：接地与检索

这一组讲机制。AI 回答为什么不靠记忆、要先去网上找资料，答案都在这几个词里。

接地（Grounding） ★

AI 回答时不靠记忆，而是先去网上找真实资料「踩实」再回答。Google、Microsoft 等产品文档常用这个词描述以外部证据支撑生成答案。它和 RAG 高度相关，但不必在所有架构里完全等同。更准确的推论：在依赖某个搜索索引的接地系统中，未进入该索引通常难以成为直接来源；但引擎还可能通过合作索引、垂直数据库或用户触发抓取取材。

检索增强生成（RAG） ★

AI 回答前先去检索相关资料，再基于查到的东西生成答案。俗称「开卷考试」。跟 GEO 的关系：它是「可被检索并作为来源展示」这一路径的核心机制之一；但并非每个回答都触发联网检索，也不是所有生成式引擎都公开采用同一套 RAG 实现。

查询扇出（Query Fan-out） ★

你只问了一句话，AI 背后自动拆成好几个相关小问题，并发去搜。跟 GEO 的关系：内容既要有足够深度，也要覆盖用户决策所需的相关角度；不要把 fan-out 误读成「广度永远胜过深度」，更不要为每个猜测子查询批量制造薄页。

段落级检索（Passage-level Retrieval）

AI 定位的是页面里的某个段落，不按整页来判断。跟 GEO 的关系：让每个小节拥有明确主题、必要上下文和可核验结论，能改善人和机器的信息定位；但不必把每段写成一篇孤立小作文。

看什么指标

这一组最容易出错的地方是：把数值相近但含义不同的指标混在一起统计。

引用（Citation） ★

AI 在答案里把你的内容列为来源，并给出可点击的链接。这是 GEO 追求的主要目标，也是能带来真实流量的那一种曝光。注意和「提及」区分：提及是 AI 报了你的名字但没给链接，价值低一档。

提及（Mention）

AI 在答案里提到了你的名字，但没给链接。有品牌曝光价值，但带不来点击。为什么要单独统计：不同引擎习惯不同，ChatGPT 常常提但不给链，Perplexity 几乎每条都带来源编号。把两者混在一起统计，你的结论一定是错的。

AI 可见性（AI Visibility） ★

当用户向 AI 提问时，你的品牌有没有、多经常、以什么方式被提到。这是 GEO 时代新增的一组指标，但没有取代传统排名、点击、转化和收入。通常拆成：被提及频率、被引用比例、描述准确性/情感，以及由 AI 引荐产生的访问和转化。

引用份额（Citation Share）

针对某个具体问题，AI 引用的所有来源里，你的网站占了多少比例。跟 GEO 的关系：它补充总引用数，便于观察相对曝光；但官方明确说它是观察性指标，不是排行榜、竞争得分、流量份额或内容质量评分。

声量份额（Share of Voice）

在你所在领域的所有 AI 答案里，你的品牌出现频率相对于竞品的占比。传统营销里就有这个概念，GEO 时代被重新捡起来用。怎么量：固定一批 prompt，每月跑一遍，数「你出现几次、竞品出现几次」。

可提取性（Extractability）

你内容里的信息能不能被干净利落地「抠」出来、单独用。跟 GEO 的关系：可提取性是行业常用概念，不是各平台公布的统一评分项；把它当编辑质量原则，而非算法开关。

零点击搜索（Zero-click Search）

用户在搜索结果页或 AI 界面就拿到了答案，根本没有点进任何网站。跟 GEO 的关系：意味着你的 KPI 要变，不能只盯点击，还要盯被引用次数、品牌提及、以及被引用后的转化。

事实密度（Factual Density）

你的内容里有多少具体的数字、数据、来源和可验证的说法。跟 GEO 的关系：原始论文中 Statistics Addition 在两个印象指标上表现靠前，但「第二好」取决于具体指标。数字必须真实、有时间和来源；伪精确数据比空话更糟。

AI 引荐流量（AI Referral Traffic）

从 AI 产品的答案链接点进你网站的那部分访客。可在 GA4 或服务器分析里按来源域名、UTM 参数和落地页筛查；ChatGPT 官方确认其搜索引荐 URL 会带 utm_source=chatgpt.com，其他产品的来源标记需逐一验证。流量质量高低必须看自己的转化数据，不能用行业印象替代。

AI 收录（AI Inclusion） ★

岗位黑话：内容「被 AI 平台收进去了」。它不是任何平台的官方指标，面试和汇报时先定义口径再谈数字。跟 GEO 的关系：招聘 JD 常写「监控 AI 收录数据」「规避收录降级」，落地动作是固定题库采样加分层统计，而不是找一个开关。说「已收录」必须带上平台、日期和问题证据，否则就是自我汇报。

AI 曝光（AI Exposure）

品牌或内容出现在 AI 回答里的机会总和：提及、引用、进入推荐候选都算。跟 GEO 的关系：JD 里的「监控曝光数据」= 建题库、定口径、跑采样、报趋势。换了题库再报「曝光涨跌」，等于换了尺子量身高，口径不变是这个指标的全部信誉。

关键词覆盖率（Keyword）

目标问题集里，有多少条已经有合格的答案资产在覆盖。跟 GEO 的关系：这是把「内容做没做」翻译成管理层能懂的百分比的最短路径，也是「关键词覆盖」类 JD 要求的严谨版。

观点采纳（Viewpoint Adoption）

AI 回答不只提到你，还转述、采纳了你的观点或结论，比提及更深一层的信号。跟 GEO 的关系：主流岗位 JD 已把「品牌曝光、观点采纳、推荐变化」并列为监测指标。观点被准确转述是权威度信号；被改写走样则是要修正的事实风险，只记次数不存证，复盘时说不清是哪一种。

内容被 AI 推荐率（AI Recommendation Rate）

在「有哪些值得考虑的 X」这类推荐或比较问题里，品牌进入 AI 给出的候选名单的占比。跟 GEO 的关系：这是系统开发岗 JD 的原话指标，也对应五层漏斗的最后一层（发布、可发现、提及、引用、推荐）。只测品牌词会把推荐率测虚高，得用无品牌品类题测才算数。

具体怎么做：从题库到排期

这一组讲动作。核心是把「关键词研究」换成「问题研究」，再给问题排优先级。

问答库（Q&A Library）

围绕目标问题集系统建设的标准问答资产：用户原话问题 + 结论前置答案 + 证据 + 来源。跟 GEO 的关系：运营岗 JD 原话「搭建品牌知识库、问答库、关键词体系」。问答库是把「问题体系」变成「内容资产」的那张表，也是最容易整段被 AI 抽走引用的内容形态。

品牌知识库（Brand Knowledge Base）

品牌事实的结构化汇总：产品参数、资质、案例、价格边界、适用与不适用范围。跟 GEO 的关系：「事实密度」要求内容里全是可验证的数字与来源，品牌知识库就是这些数字的唯一出处。事实库一乱，各平台口径就会漂移，AI 的描述也会跟着走样。

关键词体系（Keyword System（AI 语境））

运营岗 JD 说「搭建关键词体系」，在 AI 场景下真正要建的是问题体系（prompt 体系）。一条真实问题对应一个决策场景；判断标准是每条问题后面你都写得出「谁在什么处境下会这么问、答案影响他哪步决策」。写不出来的就是伪需求，别把它做成新的关键词堆砌。与「问答库」配套使用：问题体系定方向，问答库是资产形态。

语义关键词体系（Semantic Keyword System）

技术岗 JD 原词：按语义相关性（而非字面匹配）组织的内容主题与问题框架。实践中通常落成三层：核心实体（品牌 / 产品）、簇问题（query fan-out 的子问题）、长尾场景表达。与「向量数据库」配合时，它就是 RAG 系统「检索什么」的地图，对应 JD 原话「搭建语义关键词体系和结构化内容框架」。

购买意图（Purchase Intent（三问打分之一）） ★

一条用户问题离「掏钱」有多近。是三问打分里的第一问，也是主锚 JD 职责 2 的原话指标。5 分 = 已在比价 / 选供应商；3 分 = 在了解方案；1 分 = 纯好奇。为什么要单独打分：高曝光、高意图为零的问题最容易把复盘数据做得漂亮却带不来商机，把「很多人问」误当成「很重要」，是问题库最常见的自欺。

商业价值（Business Value（三问打分之一）） ★

这条问题被答中、被采纳，值多少钱。三问打分里的第二问。跟 GEO 的关系：AI 答案里被推荐不等于有商业价值；把「品牌被提及 N 次」报给老板时，必须同时给出这些提及里高商业价值问题的占比。

可满足性（Answerability（三问打分之一）） ★

有没有资格、有没有证据把这条问题答好。三问打分里的第三问，也是最容易被忽略的一问。5 分 = 现成内容改改就行；3 分 = 要新写一篇；1 分 = 根本没有这个能力。硬规则：可满足性 = 1 的一律不进 P0，答不了的高价值问题是能力缺口，不是内容排期问题；硬做只会生产一篇连自己都不信的空话。

优先级分级（Priority Tiers (P0–P3)）

把三问打分换算成排期档位：P0 这周做、P1 本月排、P2 有空再做、P3 先补能力。跟 GEO 的关系：主锚 JD 职责 2 要求「建立核心问题优先级体系，指导优化方向」，翻译过来就是：资源永远不够，先打能赢且值得赢的。完整规则见《运营资产清单》T3。

小结

1. GEO 是 SEO 之上多盖的一层，Google 官方说生成式搜索建立在核心搜索系统上，地基塌了上面白搭
2. 提及和引用必须分开统计，能带来真实流量的是引用
3. 指标口径不清等于数据自欺，说「已收录」必须带平台、日期和问题证据
4. 可满足性等于 1 的问题一律不进 P0，答不了的高价值问题是能力缺口，不是排期问题

常见问题

Q：GEO 会取代 SEO 吗？

不会。Google 官方明确说，生成式 AI 特性建立在核心搜索排序系统之上。收录、抓取、结构化数据这些活照旧，GEO 是在此之上多要一层：被答案引用。

Q：没有网站只有账号，这些指标还能用吗？

能用，但要改口径。引用份额依赖可点击链接，只有账号的话重点看被提及频率、描述准确性和推荐率。指标定义要按你实际能控制的东西来。

Q：三问打分怎么落地？

让每条候选问题过三遍：离掏钱多近（购买意图）、被答中值多少（商业价值）、有没有资格答（可满足性）。三问都过 3 分才进候选，然后按乘积排 P0 到 P3。

Q：为什么反复强调口径？

因为换个题库再报涨跌，等于换了尺子量身高。口径不变是这个指标的全部信誉。