《海外 GEO 白皮书（五）GEO 核心概念与度量指标 50 讲：生成式引擎机制、内容技术与实体信源词典》

作者: 姚金刚 / 乔向阳 / 任强 / Tim (Dageno AI)专栏文章8 分钟

2026 白皮书连载 · 全书 16.3 万字10,045,768 条海外 AI 回答样本56 张统计图表 · 57 张数据表

《海外 GEO 白皮书：面向海外 AI 平台的生成式引擎优化指南》 · 作者：姚金刚、乔向阳、任强和 Tim（Dageno AI）

涵盖基础概念与引擎机制、内容与技术、实体与品牌信源、度量指标、风险与前沿五个模块，逐条拆解 50 个海外 GEO 常用术语的定义、计算口径、作用机制、实操方法与公开依据。

全书分章导航（点击切换章节，当前为第五篇）50 个标准词条 · 5 个模块 · 中英术语对照 · 1.9 万字

① 五大 AI 平台检索与信源机制2.3 万字 ② 千万级 AI 回答信源与意图实证2.3 万字 ③ 33 张实证图表与平台画像解读3.9 万字 ④ 五可工程框架与 GA4 流量归因0.7 万字 ⑤ GEO 核心概念与指标 50 讲1.9 万字 ⑥ 出海 GEO 常见问题 50 问1.9 万字 ⑦ 全球案例与黑帽反面教材0.6 万字 ⑧ 出海合规政策与参考文献库3.1 万字 ⑨ 全书原版 PDF 在线阅读14.5 MB

本篇小节目录（点击跳转对应位置）

50 个标准词条 · 5 个模块 · 中英术语对照30 min read

第五部分

GEO 核心概念与指标 50 讲

一、基础概念与生成式引擎机制（1～12）
二、内容与技术（13～24）
三、实体、品牌与信源（25～33）
四、度量指标（34～45）
五、风险与前沿（46～50）
参考资料

本文把 GEO 最常用的 50 个概念和指标拆开讲清楚，是《GEO 白皮书（2026 版）》的配套词典。每一讲都按同一结构展开：

定义概念含义与指标计算口径。
原理该机制如何影响 AI 回答。
作用对品牌曝光与 GEO 工作的实际价值。
怎么做可直接落地的操作步骤。
例子具体业务场景或公开实证案例。
依据论文、官方文档或行业研究出处，附证据等级。

证据等级：分为平台官方文档或声明、同行评审或可复现实验研究（含预印本）、大样本行业研究、案例与从业者经验，以及本白皮书实证专题对 1,004.6 万条 AI 回答的统计结果。

概念地图：50 个概念分为五组，分别对应 GEO 工作的五个环节：

分组	编号	解决的问题	对应白皮书“五可”
一、基础概念与引擎机制	1～12	AI 怎么找信息、怎么生成答案	全部的前提
二、内容与技术	13～24	页面能不能被抓到、读懂、摘取	可抓取、可理解、可信任和可引用
三、实体、品牌与信源	25～33	AI 为什么认识你、从哪里了解你	可推荐
四、度量指标	34～45	效果怎么测、怎么判断变化是否可信	度量底座
五、风险与前沿	46～50	什么不能做、接下来会变什么	合规与趋势

各概念在企业实务中的常见问题，见配套文档《GEO 常见问题 50 问（企业与从业者视角）》。

一、基础概念与生成式引擎机制（1～12）

01生成式引擎优化（GEO）

定义改进内容结构、技术接入和品牌信号，让生成式 AI 更容易发现、引用、准确表述并推荐你的品牌与内容。
原理AI 答案直接从少数候选文档中综合生成一段文字，不再展示传统排序榜单。品牌能否露面，取决于内容能否进入候选集、模型是否采用该内容，以及模型训练数据中既有的品牌认知。
作用把竞争目标从“排第几”转向“能否获提及、引用、准确描述与推荐”。
怎么做按白皮书“五可”框架推进：可抓取、可理解、可信任、可引用和可推荐，并配合重复采样度量。
例子用户在 ChatGPT 提问“有什么好用的在线表单工具”时，某款表单产品能否进入推荐清单，就属于典型的 GEO 问题。
依据术语由 Aggarwal 等人于 2023 年提出，论文发表于 KDD 2024（arXiv 2311.09735）。

02AEO、LLMO 与 AI SEO

定义AEO（答案引擎优化）侧重成为“直接答案”的来源；LLMO（大模型优化）侧重影响模型训练数据中的品牌认知；AI SEO 把 AI 搜索视为 SEO 的延伸。
原理三者描述同一件事的不同侧面，主要区别在于作用路径（实时检索或模型记忆）和使用人群（学术界、营销从业者或平台方）。
作用统一内部术语，避免团队与服务商在沟通口径上产生偏差。
怎么做在方案里选定一个术语，并写清覆盖的平台、路径和不包含的事项。
例子Google 官方文档使用“为生成式 AI 搜索优化”的说法，并认为它“仍然是 SEO”。
依据白皮书第 1.1 节术语对照表；Google 2026 年 5 月《AI 优化指南》。

03生成式引擎与七环节流水线

定义生成式引擎先检索外部信息，再用大模型生成答案并附上来源。完整处理流程分为七个环节：检索触发、抓取与索引、查询扇出与召回、重排与上下文分配、生成与引用、吸收与保真，以及用户行为。
原理内容在任一前置环节出局，后续优化都不会生效。现有 GEO 学术实验大多只覆盖靠后的两个环节。
作用帮你逐层定位断层：页面未获引用，究竟卡在爬虫未抓取、检索未召回，还是召回后模型未采用。
怎么做诊断时按环节从前往后排查：先看日志和索引，再看子问题覆盖，最后才改写正文。
例子某单页应用（SPA）网站的产品页内容详实，但多数 AI 爬虫不执行 JavaScript，页面在“抓取与索引”环节就直接出局。
依据Martinez 2026 年对 45 项 GEO 研究的综述（arXiv 2607.14035）；Google Search Central。

04检索增强生成（RAG）

定义模型回答前先从外部文档库或搜索引擎检索相关资料，再结合检索结果生成答案。
原理模型参数里的知识有截止日期，也难以溯源。检索增强让答案可以使用最新信息，并附上可核对的来源。
作用这是品牌快速影响 AI 答案的主要通道。只要页面进入检索结果并获模型采用，就不必等待下一轮模型重训。
怎么做确保页面可抓取且已入库索引，并在子问题层面紧扣用户提问。
例子Perplexity 几乎每次回答都联网检索，并用数字角标将正文句子与外部来源一一对应，属于典型的 RAG 产品。
依据Lewis 等，Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks（NeurIPS 2020）。

05落地（Grounding）与检索触发

定义落地指用实时检索结果支撑模型回答并标注来源；检索触发指模型决定“这个问题要不要联网”。
原理模型不会对每次提问都发起联网搜索。按 Gemini 官方文档说明，模型先判断搜索能否提升回答质量，确有必要时才自动生成并执行查询，最后将正文段落与来源链接对应起来。
作用若提问未触发联网检索，答案完全取自模型训练记忆，常规页面优化无法直接生效。
怎么做度量时记录每条回答是否带来源；对来源少的平台，把重点放在品牌实体和长期认知上。
例子白皮书实证数据显示，Gemini 和 AI Mode 约三分之一的回答不附任何来源链接；另一项研究在特定 ChatGPT 配置下测得，57.8% 的重复提问未触发联网搜索。
依据Gemini API 文档：Grounding with Google Search；Martinez 2026 综述。

06查询扇出（Query Fan-out）

定义把用户的一个问题拆成多个子查询并行检索，再综合结果生成回答。
原理复杂提问往往包含多层信息需求，拆出的子查询常带有“评测”、“使用经验”和“价格”等具体意图，因此引用的链接比传统搜索更多样。
作用页面能否获得引用，取决于它能否解答拆分后的具体子问题，单靠匹配主关键词已不够用。
怎么做围绕单一主题，写清定义、对比、适用场景、成本、风险和实操步骤等子问题；每节小标题直接写成具体问题或结论。
例子用户提问“适合初创公司的 CRM 有哪些”时，系统可能将其拆为“CRM 定价对比”、“初创公司 CRM 推荐 Reddit”和“CRM 免费版功能限制”等子查询。
依据Google 官方确认，AI Overviews 和 AI Mode 会“围绕子主题和不同数据源发出多个相关搜索”（Google Search Central）。

07参数知识（模型记忆）

定义模型在训练阶段从网页、书籍和论坛中学到的知识，推理时无需联网即可直接调用。
原理训练语料中品牌名与品类词共同出现的频次越高、语境越统一，模型在不联网时就越容易主动提及该品牌。这类知识的更新周期取决于模型版本迭代。
作用决定“无来源回答”里品牌是否出现；也决定模型对品牌的默认描述是否准确。
怎么做长期积累公开、一致且有第三方广泛转述的品牌信息；按业务策略决定是否放行训练类爬虫。
例子直接点名提问时，112 家受测初创公司有 99.4% 能获 ChatGPT 识别；但在不带品牌名的泛品类提问中，露出率仅 3.32%。“AI 认识你”与“AI 主动推荐你”是两码事。
依据Sharma 2026，转引自 Martinez 综述（预印本）。

08召回与重排序

定义召回指从索引库捞出一批候选文档；重排序指从候选文档中筛出少数几篇送入模型上下文。
原理模型的上下文窗口只放得下少数文档，重排序主要看与问题的相关性。
作用这是 GEO 的关键关卡。若为了迎合引用格式而改写正文，导致主题相关性下降，页面反而会在这一步出局。
怎么做改写时保持主题相关性，改写前后都做测量。
例子SAGEO Arena 对 171,003 篇文档的测试显示，单纯改写正文使前 20 名召回率下降约 9%，重排序后前 10 名入选率下降 16%，最终引用率反而下降 6%。
依据Kim 等 2026（SAGEO Arena），转引自 Martinez 综述。

09上下文位置偏差

定义大模型对输入上下文不同位置的信息利用率不均，通常优先提取开头和结尾的信息。
原理实验表明，相关信息放在输入开头或结尾时模型表现最佳，放在中间位置时准确率明显下滑，长上下文模型也存在同样现象。
作用解释了为什么“位置”是影响引用的稳定因素之一，也解释了“答案前置”写法的价值。
怎么做在页面和每个章节的开头给出结论和关键数字，不要把核心事实埋在长文中间。
例子一项覆盖 6 个大模型、252,000 次试验的研究表明，内容相关性与上下文位置共同决定了谁能拿到首条引用。
依据Liu 等，Lost in the Middle: How Language Models Use Long Contexts；Vishwakarma 等，SIGIR 2026。

10引用与引用支持度

定义引用是 AI 在回答中标注的来源链接；引用支持度是这些来源是否真的支持对应论点。
原理模型常在生成文本后再将句子匹配回来源，这一步常有偏差：某个链接虽获引用却并未支撑该论点，或者品牌虽获提及却未附任何来源链接。
作用获得链接引用、获得准确表述与获得正面推荐是三件独立的事，度量时需分别统计。
怎么做监测时同时记录“引用了哪些 URL”和“答案对品牌说了什么”。
例子2023 年对四个生成式搜索引擎的研究发现，只有 51.5% 的句子完全得到引用支持，74.5% 的引用真正支持对应论点。
依据Liu 等 2023，转引自白皮书第 4.3 节。

11幻觉与事实保真度

定义幻觉指模型生成与事实不符或无法核实的内容；事实保真度指 AI 转述品牌信息时是否与事实一致。
原理模型会把多个来源和自身记忆混合生成；来源之间矛盾、信息过时或记忆有误时，就会出现错误描述。
作用错误描述对品牌的伤害往往大于未获提及，涉及价格、合规资质和安全性信息时尤甚。
怎么做每项核心事实只保留一个官方主页面；统一各渠道上的品牌信息；将事实准确率纳入常规监测指标（见第 39 讲）。
例子对 AI Overviews 40 天的追踪显示，98,020 条原子事实中约 11% 没有得到充分支持。
依据Xu 等 2026（预印本），转引自白皮书第 4.3 节。

12零点击与 AI 摘要的点击影响

定义用户在 AI 答案或摘要中获得信息后，不再点击任何链接就结束搜索。
原理AI 把多个来源的信息直接写成答案，用户点击的必要性下降。
作用单看点击量和站内流量会低估 AI 渠道的实际贡献，品牌在答案正文中的曝光同样关键。
怎么做同时观察提及率、品牌搜索量和直接访问；把落地页对准“已经做完研究、准备试用”的用户。
例子Pew 对 68,879 次 Google 搜索的追踪显示，结果页出现 AI 摘要时传统链接点击率为 8%，未出现摘要时为 15%；点击 AI 摘要内嵌链接的访问仅占约 1%。
依据Pew Research Center。

二、内容与技术（13～24）

13可抓取性

定义AI 平台的爬虫能否访问、读取并索引你的页面。
原理这是七环节流水线的第二步。页面若未完成抓取和索引，就无法进入检索候选集。
作用证据最强、投入最小的 GEO 工作，应该最先做。
怎么做逐一核对 robots.txt、CDN 和 WAF 三层拦截规则；确认核心内容采用服务端渲染；保持 sitemap 完整且 lastmod 时间准确；结合服务器日志交叉验证。
例子2025 年 7 月起，Cloudflare 默认为托管网站开启 AI 爬虫拦截，导致不少站点在未察觉的情况下丢失了 AI 搜索引用。
依据各平台爬虫文档；MIT Technology Review。

14AI 爬虫分类：训练、搜索、用户触发

定义各平台按用途将爬虫分为三类。第一类用于模型训练，如 GPTBot、ClaudeBot 和 Google-Extended；第二类用于搜索与实时引用，如 OAI-SearchBot、PerplexityBot、Claude-SearchBot 和 Googlebot；第三类由用户操作实时触发，如 ChatGPT-User、Perplexity-User 和 Claude-User。
原理三类爬虫的设置互相独立，品牌可以“允许搜索、拒绝训练”。例外是 Google-Extended：它同时控制 Gemini 训练和 Gemini 应用的落地引用。
作用搜索类爬虫决定页面能否获得实时引用，训练类爬虫影响模型后续版本的长期品牌认知。
怎么做搜索类和用户触发类放行；训练类按内容资产价值决定并记录理由。
例子只屏蔽 GPTBot 不会让品牌从 ChatGPT 搜索中消失，搜索展示由 OAI-SearchBot 决定。
依据OpenAI、Perplexity、Anthropic 和 Google 的爬虫文档。

15服务端渲染

定义服务器直接生成并返回包含完整正文的 HTML，无需等待客户端浏览器执行 JavaScript 再拼接渲染。
原理主流 AI 爬虫不执行 JavaScript，只读取服务器初始返回的 HTML 源码。纯客户端渲染（CSR）页面在爬虫视角下近乎空白。
作用决定单页应用网站的内容能否让 ChatGPT、Claude 和 Perplexity 顺利读取。
怎么做产品页、定价页、技术文档和常见问题页采用服务端渲染（SSR）或静态生成（SSG）；上线后用禁用 JavaScript 的浏览器或 curl 命令自检。
例子Vercel 将技术文档改为静态生成与服务端渲染，配合其他改进，使其来自 ChatGPT 的新注册用户占比从 1% 升至约 10%。
依据Vercel：The rise of the AI crawler：GPTBot、ClaudeBot 和 PerplexityBot 均不执行 JavaScript，目前仅共用 Googlebot 基础设施的 Gemini 与 Applebot 支持渲染C，历史数据。

16结构化数据（schema.org）

定义用 schema.org 规范在页面中标注实体与属性（如 Organization、Product、Offer 和 LocalBusiness），协助机器准确解析页面字段。
原理它将“该价格对应哪款产品”、“公司官方名称叫什么”等信息，转为机器可直接读取的字段，减少语义歧义。
作用支持实体一致性和智能体功能；但不是进入 AI 答案的开关。
怎么做按业务类型标注 Product、MerchantListing、LocalBusiness、Event、JobPosting 和 Organization 等字段，确保标注值与页面可见文本及 Merchant Center 数据一致。
例子某连锁品牌为每个门店页添加 LocalBusiness 标记，保持地址、电话和营业时间与 Google Business Profile 一致。
依据Google 表示进入 AI Overviews 不需要特殊 schema，也不存在“AI schema”；结构化数据须与可见文本一致。

17llms.txt

定义一种部署在网站根目录下的 Markdown 文件格式提案。文件开头列出项目名称与简介，随后附上核心 Markdown 文档链接，旨在协助大模型快速定位站点重点内容。
原理大模型很难一次处理整个网站，提案者希望用一份精简导览补充 robots.txt 和 sitemap。
作用目前没有证据表明它能提升 AI 搜索引用。
怎么做开发者文档类网站可低成本提供；其他网站不必优先投入。
例子Chrome Lighthouse 13.3 的“智能体浏览”审计会检查它是否存在，定位是帮助浏览器智能体理解站点。
依据2024 年由 Jeremy Howard 提出（The Decoder 报道）；Google 2026 年 5 月的 AI 优化指南明确 Google 搜索不使用它。

18可抽取性与内容分块

定义页面中的一个段落或小节能否被单独抽取出来，并独立回答一个问题。
原理检索系统与大模型通常按段落或文本块切分并调用内容。若段落依赖上文的“它”或“该产品”等代词，单独抽取出来就会语义不明。
作用提升页面段落获系统摘取并准确转述的概率。
怎么做使用描述性标题、短段落、清晰的定义、列表和对比表格；每节只讲一件事，主语明确。但不要把内容切成不自然的碎片。
例子把“该产品支持三种部署方式”改为“X 支持公有云、私有云和本地部署三种方式”。
依据Google 指南建议的写法，同时明确不必切成不自然的碎片。

19答案前置

定义每个页面和每个小节的第一句直接给出结论和关键数字，再展开解释。
原理受上下文位置偏差（第 9 讲）和文本块抽取机制（第 18 讲）影响，放在段首的结论更容易获模型采纳。实验同时表明，直接切中问题核心比堆砌看似专业的修辞更能影响模型取舍。
作用提升内容获引用并准确转述的概率。
怎么做标题写成问题或结论；第一句回答“是什么、多少、适合谁”。
例子Webflow 把博客标题改写成用户问题后，在 10 对实验与对照 URL 的测试中，经对照调整的 AI 访问量增长 58%D，小规模对照。
依据Wan 等 2024（ConflictingQA）；Graphite × Webflow 案例。

20信息增益与非同质化内容

定义页面提供了互联网现有资料之外的增量信息，如原创数据、实测结果、一手经验和独立观点。
原理生成式引擎会综合多方信源，同质化内容随时可由其他页面替代，唯独一手数据与实测信息只能引用原始出处。
作用各主流平台均优先采信此类内容，它也是最难由 AI 直接替代的内容资产。
怎么做发布自有数据、实测、截图、模板和一手案例；说明研究方法；不要重新汇总别人已经发布的内容。
例子Chegg 的核心业务就是提供现成标准答案，其非订阅用户流量在 2025 年 1 月同比下滑 49%。能由 AI 直接生成的同质化内容面临最大的流量冲击。
依据Google 将“非同质化内容”列为影响 AI 可见性的首要因素，建议直接产出原创一手内容，避免重复拼凑网上已有资料。

21主题覆盖（子问题覆盖）

定义围绕单一主题，完整覆盖用户关心的关联子问题，包括定义、对比、适用场景、成本、风险和实操步骤等。
原理查询扇出机制会将单次提问拆成多条并行子查询。页面覆盖的相关子问题越完整，命中子查询召回的概率越高。
作用即便页面未进入传统自然搜索前排，仍有机会通过子查询命中获得 AI 引用。
怎么做用“主题 × 子问题”矩阵规划内容；不要为每个提示词单独做一个页面，Google 已将这种做法列为不必做的事。
例子对 4,706 个查询的审计显示，AI Overviews 引用的域名中 53% 不在自然结果前 10，27% 不在前 100。
依据Kirsten 等 2026，转引自 Martinez 综述。

22新鲜度与日期信号

定义内容的发布和更新时间，以及页面是否明确标注。
原理涉及价格、政策和产品功能等动态变化的信息时，模型优先采用发布或更新时间较近的信源。
作用有助于获得引用，但目前证据等级为“有迹象”，缺少跨平台的因果证据。
怎么做页面标明发布和更新日期，变更后同步更新 sitemap 的 lastmod；定期复审数据。不要只改日期不改内容。
例子Vercel 按 30 天、90 天和 180 天三个周期定期巡检更新文档，并清理 404 死链。
依据Vishwakarma 等（SIGIR 2026）发现写明价格和较新的日期有助于获得引用。

23E-E-A-T（经验、专业、权威、信任）

定义Google 评估内容质量的核心框架，包含经验（Experience）、专业（Expertise）、权威（Authoritativeness）和信任（Trust）。其中“经验”维度于 2022 年 12 月新增。
原理E-E-A-T 并非单一的数值排序因子，它通过核查“作者是谁、具备何种资历、内容是否可信”来综合评估页面质量。
作用Google 强调其中“信任最重要”，并把它应用到 AI 搜索。
怎么做公开作者简介、专业资质与审稿人信息；展示公司真实主体与联系方式；写明研究方法、引用一手信源并附勘误说明。
例子一篇“移动电源实际容量评测”附上测试方法、设备照片和测试人资历，就是“经验”和“信任”的体现。
依据Google Search Central 与《搜索质量评估员指南》。

24证据密度：统计、引语、来源

定义在正文中补充可核实的统计数据、专家引语和一手出处。
原理当页面已进入模型上下文窗口时，包含具体数字与明确出处的段落更容易获模型采信。
作用是学术研究最多的 GEO 方法，但效果有严格前提，且不同领域差异很大。
怎么做数据必须真实可查；改写不能牺牲主题相关性；改写前后都要测量。
例子在 GEO-bench 测试中，补充引语、统计数据和明确出处是提升最明显的三类改写方式，最佳策略使位置加权字数指标从 19.3 升至 27.2（增幅约 40%），而堆砌关键词反而低于基线。不过在 C-SEO Bench 复现测试中，54 个实验组合仅有 3 个取得显著正向提升。
依据Aggarwal 等（KDD 2024）；Puerto 等 2025（C-SEO Bench），转引自 Martinez 综述。

三、实体、品牌与信源（25～33）

25实体

定义可以被唯一识别的人、组织、产品、地点或概念，如“某品牌”“某型号移动电源”。
原理现代搜索引擎和大模型超越了单纯的字符串匹配，能够识别文本背后的具体实体并归拢关联信息。命名不统一的品牌容易拆散成多个孤立实体，或与外部同名对象混淆。
作用让系统将品牌识别为独立清晰的实体，是后续获得准确描述与推荐的前提。
怎么做统一品牌名、产品名的写法；在官网“关于我们”页和 Organization 结构化数据中写清公司名称、成立时间、总部和官方账号。
例子某出海品牌在英文媒体用拼音名、在电商平台用英文名、在官网用中文名，模型往往无法将三处信息归入同一品牌。
依据白皮书第 5.3 节“实体一致”建议；行业普遍重视实体一致性，不过目前尚缺乏跨平台的严格因果实验证据。

26知识图谱

定义将实体、属性及实体间关系组织成网状结构的数据库，例如“某公司 → 创始人 → 某人”、“某产品 → 属于 → 某品类”。Google 于 2012 年正式上线知识图谱。
原理知识图谱提供经过整理的事实，可以帮助引擎判断品牌属于哪个品类、与哪些实体相关。但各 AI 平台如何在生成时使用知识图谱，并未公开。
作用对“无来源推荐”比例高的平台（如 Gemini），品牌在结构化知识源中的准确程度尤其值得关注。
怎么做持续维护 Google Business Profile 与 Merchant Center 资料；达到收录标准时跟进核对 Wikipedia 和 Wikidata 词条，注意遵守利益冲突披露规则，切勿违规自编词条。
例子白皮书实证数据中，Gemini 有 45% 的回答推荐品牌却不给任何来源，这类回答依赖模型和知识源中已有的实体认知。
依据白皮书实证专题 Z.4；知识图谱参与 AI 生成的具体方式为机制推断，尚无平台公开说明。

27实体一致性

定义品牌的名称、地址、电话、产品型号、定价与合规资质等信息，在官网、百科、工商登记、社交账号和电商平台之间保持一致。
原理模型从多个来源综合信息，来源之间矛盾时，会增加错误描述或模糊表述的可能。
作用降低幻觉和过时信息的风险，提高事实准确率。
怎么做建立“品牌关键事实清单”，为每类事实指定唯一官方主页面与维护责任人；本地商户需保持全网名称、地址和电话（NAP）一致。
例子官网定价页已更新为新套餐，但帮助中心和第三方评测仍是旧价格，AI 回答便可能引用旧价。
依据白皮书第 5.3、8.3 节；Google 建议保持 Merchant Center 和 Business Profile 信息最新。

28品牌提及

定义第三方网页、媒体报道或用户社区中出现品牌名称，无论是否附带超链接。
原理提及频次越高、分布的独立信源越广，品牌越容易写入模型参数记忆，也越容易出现在实时检索召回的网页中。
作用是目前与 AI 可见度相关性最高的外部信号，高于外链数量。
怎么做通过媒体公关、原创研究、专家访谈和真实社区互动争取自然提及；重点追踪“提及竞品却漏掉你”的第三方页面。切勿批量购买软文提及或水军刷帖。
例子Ahrefs 对 7.5 万个品牌的研究中，网上品牌提及量与 AI Overviews 提及的相关系数为 0.664，外链数量只有 0.218；提及量前 25% 的品牌平均获得 169 次 AI Overviews 提及，后 50% 只有 0 次～3 次。
依据AhrefsC，相关而非因果。

29赢得媒体

定义第三方独立发布的报道、实测与推荐，有别于自有媒体（官网与官方账号）和付费媒体（商业广告）。
原理面对“哪款更好”等横向选购提问时，生成式引擎优先采信第三方独立评测，较少直接采纳品牌单方宣传。
作用是“可推荐”的核心资产。
怎么做进入行业媒体和评测站；维护 G2、Trustpilot 等评价平台的真实评价；付费合作内容必须明确标示。
例子多伦多大学的研究显示，在美国消费电子品类中，AI 搜索引用的 92.1% 是赢得媒体，汽车和软件品类也达到 69%～82%。不过在白皮书实证数据中，品牌官网仍占来源链接的 38%～58%，统计口径和提问品类不同会导致占比差异。
依据Chen 等，arXiv 2509.08919（预印本）；白皮书实证专题 Z.2。

30共现

定义品牌名与品类词、业务场景词或功能属性词在同一篇文章乃至同一段落中共同出现。
原理模型通过训练语料中的词汇共现规律，建立“某品牌属于某品类、适配某场景”的关联。若品牌名与“适合初创团队”等场景词高频共现，面对同类提问时就更容易获模型提及。
作用解释了为何 AI 点名时认识品牌，却在泛品类提问时不主动推荐。
怎么做在官网、百科、行业媒体和合作伙伴页面上使用统一的品类定位表述（“X 是一款用于 Y 的 Z”）。
例子直接点名提问时，ChatGPT 能认出 99.4% 的受测初创公司；但在不带品牌名的泛品类提问中，露出率仅 3.32%。这一落差可归因于品牌名与品类词的共现积累不足（白皮书推断）。
依据机制推理，尚无直接实验证据；参见白皮书实证专题 Z.4.1。

31信源类型

定义将 AI 引用的外部链接按站点性质归类，例如品牌官网、媒体与内容平台、用户社区、电商平台、政府与教育机构，以及百科参考资料等。
原理不同平台、不同问题阶段对信源类型有稳定的偏好；具体 URL 天天在变，信源类型的结构相对稳定。
作用用于决定把资源投向哪类渠道。
怎么做统计本品类各平台的信源类型构成，并按漏斗阶段拆分。
例子实证数据中，机构类来源在认知阶段占 10.4%、决策阶段只有 3.8%；电商来源从 2.6% 升到 4.8%；Copilot 的电商来源占 12.8%，是其他平台的 4 倍～6 倍。
依据白皮书实证专题 Z.2、Z.3。

32核心域名（稳定核心）

定义在同一类提问下长期高频入选引用的少数域名。
原理虽然具体 URL 轮换很快，但引擎在域名层面往往有一个反复信任的小集合。
作用进入核心域名上的内容，比追逐单个 URL 的引用更稳定。
怎么做从监测数据中筛出本品类的核心域名，优先在这些阵地布局内容（如官网、YouTube、主流评测站和百科词条）。
例子SISTRIX 对 155 万份快照的研究发现，86.5% 的 AI Mode 提示词拥有 1 个～5 个稳定的核心域名；YouTube 的核心域名入选率为 24%，维基百科为 12%，论坛与 UGC 站点仅 3%；在 43% 的品牌词提问中，品牌自有域名连续 17 周在列。
依据SISTRIX：AI Citation drift。

33来源集中度（CR10）与平台重叠度

定义CR10 是前 10 大非官网域名占全部非官网来源链接的比例；平台重叠度是两个平台引用域名集合的 Jaccard 相似度。
原理不同平台的索引、子查询拆分方式和重排序模型不同，导致信源分布的集中程度和重合度差异很大。
作用CR10 高的平台，少数平台型域名是“守门人”；重叠度低说明必须分平台制定策略。
怎么做面对 CR10 较高的 Google 搜索入口，重点运营 YouTube 与 Reddit 内容；面对信源分散的 ChatGPT，广泛争取独立站点、垂直媒体和行业机构的提及。
例子实证数据中，AI Overviews 的 CR10 为 43%～56%，AI Mode 为 37%～50%，ChatGPT 仅为 11%～14%；任意两个平台的引用域名重叠度均低于 0.25。
依据白皮书实证专题 Z.2.4、Z.2.5；Grossman 等（SIGIR 2026）发现 Google 自然结果、AI Overviews 和 Gemini 的引用网址重合度只有 0.11～0.18。

四、度量指标（34～45）

34提示词库

定义用于度量 AI 可见性的固定问题集合，相当于 SEO 的“关键词表”。
原理AI 答案会变，只有在同一组问题、同一采样规则下，前后两期的数字才可比。
作用是所有采样类指标（第 35 讲～第 43 讲）的计算分母与比较基准。
怎么做按用户意图分层（行业认知、选购推荐、竞品对比、决策细节、品牌直达和故障排查）；以不带品牌名的泛品类提问为主；同一信息需求准备 3 种～5 种问法；按目标市场和语种独立建库，纳入主要竞品；保持题库长期固定，仅按季度小幅微调。
例子一个 AI 网关品牌的提示词库可包括“什么是 AI 网关”（认知）、“有哪些好用的 AI 网关”（推荐）、“A 和 B 哪个延迟更低”（对比）等。
依据白皮书第 6.2 节；Martinez 2026 综述的测量规范。

35提及率（品牌可见度）

定义提及率 = 提到品牌名的回答数 ÷ 有效回答数。按平台、提问意图和目标市场分别统计。
原理对一个问题而言，“品牌是否出现”是一个概率，每问一次就是一次抽样。
作用最直观的“被引用”层指标；经过足够多次重复后，它比“排名位置”稳定得多。
怎么做完整保留未触发搜索、无外部引用或请求报错的样本，切勿人为剔除；汇报时同步附上 95% 置信区间。
例子实证数据中，决策阶段回答的商业品牌露出率为 93%～97%，认知阶段为 73%～87%。
依据白皮书第 6.1 节；SparkToro × Gumshoe 实验。

36引用率

定义引用率 = 引用品牌自有域名的回答数 ÷ 有效回答数。也可以扩展为“引用了提到品牌的第三方页面”的比例。
原理页面要拿到引用链接，需依次闯过三关：平台触发联网检索、页面进入召回候选集、模型生成答案时采纳该页面。
作用引用率下降时，可以按下式分解原因。
怎么做分别记录回答“是否附带来源”、“是否引用自有域名”，以及“是否引用提及品牌的第三方页面”。
例子遇到引用率下滑时，先排查平台附带来源的回答占比是否降低（平台减少了联网检索），再核查服务器爬虫日志是否正常（页面未进入候选集），最后再调整正文内容。
依据Martinez 2026 综述的分解式：

\Pr(\text{cited}) = \Pr(A=1) \times \Pr(s \in R \mid A=1) \times \Pr(\text{cited} \mid s \in R, A=1)

其中 A = 1 表示平台触发了联网搜索，s ∈ R 表示你的页面进入了检索候选集。

37声量份额（Share of Voice）

定义声量份额 = 品牌提及次数 ÷ 同品类所有品牌提及次数。
原理提及率只看自己，声量份额把竞争对手放进分母，反映相对地位。
作用适合向管理层汇报，也能排除“整个品类提及都变多”的干扰。
怎么做提示词库必须包含主要竞品，并统一品牌名的识别规则（别名、拼写变体）。
例子Webflow 在追踪问题中的声量份额从 33% 升至 64%；OtterlyAI 公布的 YouTube 实验中，AI Mode 上的声量份额从 14% 升到 23%。
依据白皮书第 6.1 节；Graphite × Webflow、OtterlyAI。

38位置加权可见度与首位率

定义位置加权字数（PAWC）是 GEO 论文中的可见度指标：来源在答案中的字数按出现位置加权。首位率指在推荐类问题中排在第一位的比例。
原理同样是被提到，占用篇幅更长、位置更靠前的品牌，对用户的影响更大。
作用可以补充提及率，但位置本身波动很大，单次观察没有参考价值。
怎么做只在大量重复采样后报告平均位置或首位率；对外汇报以提及率和声量份额为主。
例子GEO-bench 中最佳改写方法使 PAWC 从 19.3 升至 27.2（增幅约 40%）；SparkToro 实测发现，重复提问给出相同品牌且排列顺序一致的概率不足 0.1%。
依据Aggarwal 等（KDD 2024）；SparkToro × Gumshoe。

39事实准确率与情感倾向

定义事实准确率 = 关键事实（价格、功能、资质等）表述正确的回答 ÷ 提到这些事实的回答；情感倾向是提及品牌时正面、中性和负面评价的占比。
原理拿到引用链接不代表表述无误，模型即使附上了官网链接，仍可能张冠李戴或引用过期参数。
作用是“被吸收且准确”层的核心指标，往往也是企业最在意的风险点。
怎么做建立品牌关键事实清单作为核对标准；用模型自动核查时，评分模型与被测模型应来自不同厂商，并抽样人工核查。
例子发现 AI 仍在引用旧定价，可以定位到仍保留旧价的帮助中心页面并修正。
依据白皮书第 4.3、6.1、6.3 节。

40无来源推荐率

定义无来源推荐率 = 提及品牌但未附来源的回答数 ÷ 提及品牌的回答总数。
原理衡量品牌露出源于模型参数记忆的比例，借此与实时联网检索带来的曝光区分开。
作用帮助区分“引用驱动型”和“记忆驱动型”平台，决定工作重心在页面还是实体。
怎么做分平台、分月追踪；对比例高的平台，不要用“引用数为零”否定品牌表现。
例子实证数据中，Gemini 的无来源推荐率在四个月内稳定在 48%～54%；ChatGPT 从 6 月的 1.3% 升至 9 月的 11.6%；AI Overviews 始终低于 6%。
依据白皮书实证专题 Z.4。

41Jaccard 相似度

定义两个集合的交集大小除以并集大小，取值范围为 0～1，1 表示完全重合。常用于对比两次回答的引用链接、域名或提及品牌集合。
原理它把“两次结果有多像”变成一个数字。直观理解：两次回答各提到 5 个品牌、Jaccard 为 0.36 时，平均只有约 2.6 个是重合的。
作用衡量稳定性（同平台不同时间）和差异性（不同平台同一时间）。
怎么做分别在 URL、域名、信源类型和品牌四个层级计算，并区分周内波动与跨周变化。
例子实证数据中，相邻两周的 URL Jaccard 为 0.03～0.25，品牌层为 0.33～0.40；同平台同日重测的品牌 Jaccard 为 0.38～0.65，跨平台对比仅为 0.20～0.25。
依据白皮书实证专题 Z.5、Z.6；Schulte 等 2026 年追踪四个引擎 45 天，测得每日引用 Jaccard 约为 0.34～0.42。

42引用漂移：流失率与半衰期

定义流失率是上一期出现、下一期不再出现的元素比例；半衰期是一半元素不再连续出现所需的时间。
原理引用漂移主要来自五个因素：生成采样随机性、子查询拆分随机性、搜索索引与排序更新、平台实验与模型迭代，以及用户地理位置与个性化上下文。
作用单个 URL 的引用状态波动极大，日常运营应追踪周期内的整体出现率，不必纠结单次测试的得失。
怎么做用 7 天或 28 天滚动出现率观察趋势；比较周内与跨周相似度，判断变化是随机波动还是时间漂移。
例子实证数据中，URL 每周流失率为 62%～93%，半衰期约 1 天；ChatGPT 周内与跨周相似度几乎持平（0.108 对 0.106），AI Mode 周内相似度则是跨周的两倍（0.284 对 0.135）。SISTRIX 测得 URL 周更替率约 85%，Yotpo 测得 70%～81%。
依据白皮书实证专题 Z.5；SISTRIX、Yotpo。

43置信区间与采样次数

定义置信区间是对真实可见度可能范围的估计；采样次数是同一问题在同一平台重复提问的次数。比例类指标推荐使用 Wilson 区间，小样本时比简单的正态近似更可靠。
原理抽样次数太少，得到的只是对真实概率非常粗糙的估计。区间宽度大致与采样次数的平方根成反比。
作用判断一个变化是真实提升还是随机波动；也是审核服务商报告的标准。
怎么做评估整个提示词库时，每道题至少重复采样 5 次～10 次。若单独评估某道题（假设可见度为 50%），要将误差控制在 ±15 个、±10 个和 ±5 个百分点以内，分别约需采样 43 次、97 次和 385 次。仅当两期置信区间不重叠，或双比例检验 p < 0.05 时，才判定为有效提升。
例子实证数据显示，每题仅重复 2 次～3 次时，品牌可见度的 95% 置信区间宽度高达 0.59～0.69；即便单轮测出 60%，真实可见度仍可能落在 30%～90% 之间。
依据白皮书实证专题 Z.6；Martinez 综述建议每个提示词至少重复采样 7 次～8 次。Wilson 区间（p̂ 为样本比例，n 为采样次数，95% 时 z 约为 1.96）：

\frac{\hat{p} + \frac{z^2}{2n} \pm z\sqrt{\frac{\hat{p}(1-\hat{p})}{n} + \frac{z^2}{4n^2}}}{1 + \frac{z^2}{n}}

44AI 引荐流量

定义用户从 AI 平台的回答中点击链接进入网站产生的会话，以及由此带来的线索和订单。
原理只有带来源信息的点击才能被识别；移动应用、应用内浏览器和复制链接的访问会落入“直接访问”。
作用最接近业务结果的指标，但会系统性低估 AI 的影响。
怎么做启用 GA4 默认的“AI Assistant”渠道分组，并配置自定义规则补齐遗漏的 AI 域名；留意 ChatGPT 外链自带的 utm_source=chatgpt.com 参数；同步结合品牌词搜索量与注册问卷中的用户自报来源交叉归因。
例子受 AI 推荐影响的访问中，只有 8.8% 是从 AI 平台直接点进来的，55.9% 是用户之后再去搜索进站的；Tally 在注册问卷中看到的 ChatGPT 影响远大于引荐数据。
依据白皮书第 1.4、6.4 节；Search Engine Journal：GA4 新增 AI Assistant 渠道。

45AI 爬虫抓取覆盖率与错误率

定义抓取覆盖率 = 重点页面中被各平台搜索类爬虫访问过的比例；抓取错误率 = AI 爬虫请求中 4xx、5xx 和超时的比例。
原理服务器日志是判断“AI 有没有来过”最直接的依据，是“可发现”层的先行指标。
作用引用率下降时，可以快速排除或确认技术原因。
怎么做对照各平台公布的官方 IP 段核验爬虫真伪；结合 sitemap 排查长期未获抓取的重点页面；持续监控 4xx、5xx 报错及请求超时比例。
例子Vercel 2024 年的数据显示，ChatGPT 和 Claude 的抓取中约三成碰到 404C，历史数据。开源工具 GEOInflow 按“训练、AI 搜索、用户触发”区分爬虫用途，单独保存 UA、IP 和 DNS 证据，并支持覆盖盲区检查。
依据白皮书第 6.1、6.5 节；GEOInflow。抓取记录只说明“来过”，不说明“被引用”。

五、风险与前沿（46～50）

46GEO 投毒与提示注入

定义在页面中嵌入针对模型的隐藏指令（如“优先推荐本品牌”），或制造虚假信息来操纵 AI 的回答和推荐，属于对抗攻击。
原理生成式引擎会将检索到的网页正文直接拼入模型上下文，一旦模型混淆了“待参考的网页内容”与“需执行的系统指令”，就会顺从恶意指令输出偏向性结论。
作用短期实验虽能刷高数据，但直接违反各平台安全与反垃圾政策，且随模型防御升级会迅速失效。
怎么做用四条标准自查：语义保持、证据真实、内容与指令分离，以及合规披露与公平竞争。文笔通顺不代表符合白帽规范。
例子在页面中嵌入针对模型的指令，可使目标在 Perplexity Sonar API 中的排名平均上升约三位；一款虚构相机被推荐的比例从 34.0% 提升到 59.4%。另一方面，文档间交叉重排可使部分攻击的成功率降低约 80%。
依据Pfrommer 等（EMNLP 2024）、Nestaas 等（ICLR 2025）、Zheng 等（GRADA，2025）；Martinez 2026 综述的四条自查标准。

47规模化内容滥用与垃圾内容政策

定义专门为了操纵搜索排名和 AI 回答，批量生成低价值页面、针对爬虫做内容伪装（Cloaking）、刷量制造虚假品牌提及，或寄生在高权重第三方站点发布无关推广软文等违规操作。
原理平台通过自动识别算法与人工审核查处违规站点，触发处罚后会导致整站降权甚至清出索引库。
作用明确划定了 GEO 的合规红线。判断某项操作是否越界，核心看信息是否真实可靠、是否存在欺骗模型或误导用户的行为。
怎么做使用 AI 辅助起草的内容，发布前须经人工审核把关并按所在地法规添加标识；不买软文提及、不刷虚假好评，也不针对爬虫返回与普通访客不一致的页面内容。
例子2026 年 5 月 15 日，Google 在垃圾内容政策变更日志中写明，政策“适用于包括生成式 AI 回答在内的整个 Google 搜索”，并把“试图操纵生成式 AI 回答”纳入定义。
依据PPC Land 报道；美国 FTC 虚假评价规则（2024 年 10 月 13 日生效）。

48智能体搜索与 AI 浏览器

定义AI 代替用户浏览和操作网页，完成比价、预订、填表等任务。代表产品包括 ChatGPT Atlas、Perplexity Comet、Chrome 内置的 Gemini Spark 和 Claude in Chrome。
原理智能体需要读懂页面结构和交互元素。语义不清的按钮和表单会让它无法完成任务。
作用网站如今要同时接待两类 AI 访客：一类是读取文本并汇总答案的问答模型，另一类是直接打开网页执行比价、填表和下单的行动智能体。
怎么做按钮、表单、菜单使用语义化 HTML 和 ARIA 标签；按业务类型补充 Product、LocalBusiness 和 Event 等结构化数据；在日志中观察“用户触发”类 AI 访问的变化。
例子2026 年 7 月起，Gemini Spark 可以直接操作用户桌面端 Chrome，用已登录的账号完成查航班等任务。
依据OpenAI 建议为 Atlas 智能体补全 ARIA 标签；Chrome Lighthouse 加入“智能体浏览”审计。

49智能体商务

定义用户在 AI 对话中直接发现商品并完成购买，或由智能体代为下单。主要协议包括 Google 与零售商发布的通用商务协议（UCP），以及 OpenAI 与 Stripe 发布的智能体商务协议（ACP）。
原理AI 的角色正从导购推荐延伸到直接促成交易，结构化商品数据随之成为模型筛选与比价的直接依据。
作用对电商品牌，商品数据的准确性和实时性比结账技术更重要。
怎么做优先维护 Merchant Center 和 OpenAI 商品 Feed（必填 9 个字段，含价格和库存状态），再视平台进展评估结账接入。
例子Walmart 在 ChatGPT 内完成结账的转化率，约为把用户导向自家网站的三分之一；2026 年 3 月 OpenAI 将重心转向商品发现。
依据OpenAI 商品 Feed 规范；白皮书第 3.1、9.3 节。

50AI 答案广告

定义在 AI 回答旁边或下方展示的付费广告，如 ChatGPT 答案下方的赞助内容、AI Mode 中的对话式广告和 Direct Offers。
原理各主流平台均公开声明商业广告与自然生成答案相互独立：付费可买到答案周边展示位，但无法干预模型在答案正文中的自然推荐结果。
作用付费曝光和自然推荐将长期并存，答案中的推荐仍要靠 GEO。
怎么做把广告和 GEO 分开规划、分开度量；对承诺无广告的平台（如 Claude），可见性完全取决于自然检索和模型认知。
例子2026 年 2 月 9 日 ChatGPT 在美国免费版和 Go 版上线广告，OpenAI 称“广告不影响 ChatGPT 给出的答案”；Similarweb 估算约 26% 的 ChatGPT 回答带有广告。2026 年 2 月 4 日 Anthropic 承诺 Claude 保持无广告。
依据白皮书第 3.3、3.5、9.4 节。