一、先分清：SEO 争的是排序位，GEO 争的是引用权
SEO 的目标是把页面顶到搜索结果前几位，用户点进来，任务就完成了。GEO 的目标不一样：用户不点，AI 直接把答案写出来，你要争的是这段答案里有没有引用你。
目标不同，优化对象就不同。SEO 优化的是页面的整体权重和关键词覆盖；GEO 要的是一个能被单独摘出来、并且摘出来之后还看得出是谁的段落。这个差别，是后面所有技术动作的起点。
二、一条提问的四个环节
用户问一句“珠三角有哪些能做振动刀切割的工厂”，AI 要在几秒内给出答案，中间至少走四步：
环节
发生什么
决定成败的因素
抓取
联网检索公开信源，拉回一批网页
页面是否公开可抓、是否被反爬拦住、加载是否依赖脚本
切块
把网页切成若干段落级片段
段落能不能独立回答一个问题
检索
按提问语义挑出相关片段
片段语义是否贴合提问意图
生成
把挑中的片段写进答案，可带来源
片段里有没有可识别的主体名
四个环节里，任何一个断了，后面都到不了引用。而实践中出问题最多的，是第二个——切块。
三、切块：决定你能不能被选中的那一刀
检索阶段处理的不是“整篇文章”，是切碎后的片段。一篇三千字的公司介绍，被切成的每一块，都要单独去和提问做语义匹配。
于是有两个高频失效：
失效一：整篇读不进去。 内容写成一篇长文，前半讲公司历史，中间讲设备清单，后半讲合作流程。切块之后，真正回答“能不能做振动刀切割”的只有中间两百字，被稀释在一堆无关片段里，检索阶段就没被挑中。
失效二：挑中了，但不知道是谁。 片段里通篇“我们公司拥有多台进口设备”，没有主体名。就算被选中写进生成环节，AI 也没法把这句话归到某个公司名下——它会写成“有工厂具备某某能力”，不提名字。
对应两个改法，都很朴素：
- 一段只回答一个问题。 别让两块内容挤在一个段落里，段落之间用小标题隔开，每个小标题本身就是一句完整的提问。
- 每块自带主语。 段落里至少出现一次主体全称，别用“我们”“本公司”代替。下面是同一个事实的两种写法：
反例：不带主语，被选中也归不到你名下
我们拥有多台进口振动刀设备，可承接小批量试产，交期短。
正例：自带主语 + 可核查事实
某某精密机械配备 6 台进口振动刀切割设备，位于珠三角，支持 50 件起订的小批量试产，常规交期 5 个工作日。
第二句多出来的不只是公司名，还有“6 台”“50 件起订”“5 个工作日”这类可核查的事实。AI 判断依据里，可核查的事实比形容词可靠得多——形容词它没法验证，就不敢写进答案。
四、结构化数据：给机器一份标准答案
正文之外，还有一层是专门写给机器看的：结构化数据。它不参与排版，但会被解析成明确的字段。
{
“@context”: “https://schema.org”,
“@type”: “Organization”,
“name”: “某某精密机械”,
“areaServed”: “珠三角”,
“knowsAbout”: [“振动刀切割”, “小批量钣金试产”, “来图定制”],
“address”: {
“@type”: “PostalAddress”,
“addressRegion”: “广东”,
“addressLocality”: “佛山”
}
}
要点有三个：
- name 全程统一。官网、公众号、行业站、地图上的写法要一模一样，别一个地方写全称、另一个地方写简称。名字不一致，AI 会当成两家，这是实体对齐失败的头号原因。
- knowsAbout 填业务能力词，不是宣传语。填用户会怎么问，而不是你想怎么被描述。
- address 写全。同城、区域类提问会用到地域字段，缺了这一层，本地意图的提问就匹配不上。
五、最小探针：60 行把“有没有被提到”测出来
做完前面的动作，得验证。验证不能靠感觉，得跑数据。下面是一个最小可用的探针脚本：把提问固定下来，批量问，判断回答里有没有出现你的名字，结果落 CSV。
probe.py：GEO 引用探针（最小实现）
import os, csv, time, random
import requests
BASE_URL = os.environ[“LLM_BASE_URL”] # 厂商开放平台提供的兼容接口地址
API_KEY = os.environ[“LLM_API_KEY”]
MODEL = os.environ.get(“LLM_MODEL”, “your-model-id”)
1) 提问集：按用户真实会问的口吻写，不要写成关键词
QUESTIONS = [
“珠三角做振动刀切割的工厂有哪些”,
“找一家能小批量试产的钣金加工厂”,
“来图定制的精密加工厂推荐”,
]
2) 主体别名：全称、简称、英文名都放进来，防同义漏判
ALIASES = [“某某精密机械”, “某某精密”, “XX Precision”]
ROUNDS = 3 # 同一问题多轮，抵消缓存与采样波动
SLEEP = 2 # 礼貌间隔，避免触发限流
def ask(q: str) -> str:
r = requests.post(
f"{BASE_URL}/chat/completions",
headers={“Authorization”: f"Bearer {API_KEY}"},
json={
“model”: MODEL,
“temperature”: 0,
“messages”: [{“role”: “user”, “content”: q}],
},
timeout=60,
)
r.raise_for_status()
return r.json()[“choices”][0][“message”][“content”]
def hit(answer: str) -> bool:
return any(a in answer for a in ALIASES)
rows = []
for q in QUESTIONS:
for rd in range(ROUNDS):
try:
ans = ask(q)
rows.append({“question”: q, “round”: rd, “hit”: hit(ans),
“len”: len(ans), “snippet”: ans[:200]})
except Exception as e:
rows.append({“question”: q, “round”: rd, “hit”: False,
“len”: 0, “snippet”: f"ERROR: {e}"})
time.sleep(SLEEP + random.uniform(0, 1))
with open(“probe.csv”, “w”, newline=“”, encoding=“utf-8”) as f:
w = csv.DictWriter(f, fieldnames=[“question”, “round”, “hit”, “len”, “snippet”])
w.writeheader()
w.writerows(rows)
按问题聚合命中率
stat = {}
for r in rows:
stat.setdefault(r[“question”], []).append(r[“hit”])
for q, hs in stat.items():
print(f"{sum(hs)}/{len(hs)} {q}")
跑完看两件事：一是命中率（几次里提到你几次），二是没命中的回答里，AI 提的是谁——对手就是它提的那些。这份 CSV 攒上几周，就是一条可回溯的曲线。
六、六种失效模式：为什么你测的数不可信
探针跑出来的数，最常见的坑是“以为准，其实不准”：
失效模式
表现
应对
缓存波动
同一问题上午提到、下午没了
固定多轮取占比，不看单次
问法漂移
换一个说法结果完全不同
提问集里放同义问法，一起统计
单次采样
只问一次就下结论
至少 3 轮 × 多个问法，跨天复测
别名漏判
回答用的是简称，脚本没匹配上
别名表要含全称/简称/英文名
实体分裂
各平台名字不一致，被当两家
先统一 name，再补内容
更新延迟
内容改了，检索池还没刷新
改动后隔几天复测，别当天判生死
其中前三条属于测量误差，后三条属于内容本身的缺陷。把两者混在一起看，就会得出“做了没效果”的错误结论——很可能是测法不对，或者改得还不够。
七、内容该按什么组织：场景到意图的映射
技术动作的落点，是把内容按“提问方怎么问”组织，而不是按“公司怎么介绍自己”组织。以一家加工厂的信息页为例：
提问意图类型
典型问法
内容块应该写什么
验证指标
能力确认
“能做振动刀切割吗”
设备型号、数量、可加工材料
问法命中率
门槛确认
“起订量多少、能不能试产”
起订量、打样周期、试产政策
数值是否被复述
地域确认
“珠三角的工厂有哪些”
所在城市、服务半径、物流
地域类提问命中
风险确认
“交期准不准、怎么验收”
交期规则、验收标准、售后
异议类提问命中
对比确认
“和 XX 比怎么样”
差异化的可核查事实
对比问法是否出现
这张表的用处是：每一格对应一个独立的内容块，每个块自带主语和事实。写完对着表查，缺哪格补哪格，不用靠猜。
八、最小落地清单
按顺序做，前三步不需要写代码：
- 统一主体名（全称/简称/英文名定死，各平台一致）
- 按上表把内容切成块，一块一问，每块带主语和可核查事实
- 补结构化数据，name / knowsAbout / address 三项必填
- 跑探针脚本，固定提问集 + 多轮 + 跨天
- 每周复测一次，看曲线不看单点；没命中的回答里提了谁，记下来当竞品清单
GEO 不是玄学，它是四道环节串起来的一条链路：抓得到、切得开、选得中、带得走名字。哪一环断了，就在哪一环补——比起多写十篇，先把切块那一刀切对，往往见效更快。
