geo
15 notes on geo.
AI 搜索与答案生成机制：从提问到回答的完整管线
AI 搜索回答一个问题，不是「搜索→展示」的简单动作，而是一条检索→评分→装配→生成的多阶段管线。本文拆解 6 个核心问题：① AI 搜索的 8 阶段管线与 3 关漏斗如何互补描述同一过程；② 训练记忆 vs 实时搜索的本质区别及对 GEO 的意义；③ RAG 如何覆盖管线 6 个阶段成为 AI 搜索的技术骨架；④ AI 如何通过实体识别+意图分类+上下文+改写理解用户意图；⑤ AI 为什么会改写用户问题（4 个原因+Query Fan-out 机制）；⑥ AI 如何从多个网页中提取和综合答案（检索→评分→装配→生成的完整链路）。
从关键词到 AI 搜索：为什么旧规则在失效、新规则是什么
关键词搜索正在被自然语言搜索替代——这不是趋势预测，是已经发生的事实（88.8% 的用户已大幅改变搜索方式）。本文回答三个递进问题：① 为什么关键词逻辑在失效（LLM+RAG 让自然语言提问「能用」了，用户不再迁就搜索引擎的规则）；② AI 搜索和传统搜索的工作方式有什么本质不同（图书管理员 vs 厨师，8 维度对比 + 8 阶段管线 + 3 关漏斗）；③ AI 为什么会提到某些品牌而忽略另一些——四层机制的深度拆解：信源权重（100x 差异）+ 9 维内容评分（权威引用 +115%）+ 品牌实体清晰度（全渠道信息一致性）+ 3 关漏斗（85% 被检索内容从未被引用）。附带 GEO 三层目标体系（提及→引用→推荐）和最终公式。
GEO 的意图理解与问题分类：从关键词库到决策场景库
三个递进主题：① 为什么 GEO 不再是关键词库——AI 的 RAG 工作流决定了「关键词命中 ≠ 被引用」，决策场景库在决策期和成交期的价值远超关键词库。SHCRALT 7 维框架从用户侧拆解自然语言问题的标准结构，与 GEO 6 维拆解（创建侧）互补。低维 GEO 问题仍应用自然语言形式而非关键词形式。② 一个用户问题应该包含哪些意图信息——三个互补框架（意图词三要素 / 经典 5 类+AI 新增 2 类 / 决策旅程 5 类）从结构、行为、执行三个维度覆盖，高意图信号词的杠杆效应，以及三框架的整合用法。③ 如何区分知识型、比较型、推荐型和购买型问题——基于 AI 行为反应的 4 类 Prompt 分类，每类的 AI 行为模式、引用倾向和 GEO 内容策略。
AI 知识库，才是内容系统的核心杠杆
后面的手段、方法、分发、投放，都是杠杆；知识库决定杠杆的方向。知识库是整个内容系统从 0 到 1 的关键——它可以是 +1（白帽 GEO，真实可验证，正向复利），也可以是 -1（投毒，失真伪造，放大错误）。源头正确，系统越做越强；源头错误，放大越多，风险越大。
Mention vs Citation：品牌被「提到」和被「引用」的天壤之别，以及不同 AI 平台的检索机制差异
两个紧密关联的主题：① Mention（提及）≠ Citation（引用）——AI 在答案中提到品牌名和把品牌页面标注为来源，是两个完全不同的动作，来自两个不同的系统（训练记忆 vs Grounding）。拆解 AI 不引用官网的 5 个具体原因（非决策就绪型内容、第三方引用 6.5 倍效应、间接引用就够用、平台权重差异、68% 引用页不在 Google Top 10），以及品牌同时获得推荐+引用的实操路径。② 不同 AI 平台的检索和回答机制差异——三类 AI 系统架构、5 大平台引用行为对比、豆包「双模分裂」（移动端 >90% 抖音视频 vs Web 端权威媒体）及其三阶段演变（筑墙→治理→闭环），以及跨平台 GEO 策略启示。
一个问题可能同时包含多个意图吗？GEO 多意图问题的机制与应对
一个用户问题同时包含多个意图，不仅是可能的——它是 AI 搜索时代的常态。本文从 7 个角度证明：① 同一关键词的多维需求（一个「苹果蛋糕」= 3 个完全不同的意图）；② 提示簇 = 一个问题的多意图容器（1 个核心问题 → 4 个意图）；③ Query Fan-out = AI 自动拆出 10+ 子问题（73% 每次都会变）；④ SHCRALT 7 维 = 一句话同时存在 7 个面；⑤ 6 维笛卡尔积 = 任何真实问题都同时包含 6 维信息；⑥ 5 大决策意图可同时出现（一句话 = 6 个意图并行）；⑦ 5 大典型多意图组合 + 3 大内容生产启示。附带多意图问题的关键硬数据。
GEO 的适用边界、学科构成与终极衡量
三个实际决策问题：① 所有企业都适合做 GEO 吗？不适合——取决于用户行为、内容能力、行业特征和投入意愿，有明确的四类不适合企业画像和五条自测标准。② GEO 到底是内容运营、技术 SEO 还是品牌工程？三者缺一不可——技术是底座、内容是主战场、品牌决定天花板，用 5 模块框架统一理解。③ GEO 最终该衡量曝光、提及还是成交？三层递进——从被 AI 提到（曝光）到被 AI 引用（信任）到被 AI 调用（转化），以及本地生活企业为什么是最该做 GEO 但最被忽视的群体。
AI 知识库的语义切片与向量化原理
把一整套文本知识拆成有意义的知识片段，再变成可计算的向量，才能让 AI 更懂问题、更准召回、更好引用。语义切片解决的是「怎么拆」——按意思单元而非固定字数，让每个 Chunk 完整且单一主题；向量化解决的是「怎么找」——Embedding 模型把文本映射到高维语义坐标，相似度计算代替关键词匹配。两者结合，知识库才真正可检索、可引用、可放大。
GEO 信源矩阵：多平台信源组合的战略框架
信源不是清单，是矩阵。单一平台无法覆盖 AI 引用的全部信号维度——权威性、新鲜度、相关性、可验证性、结构化程度分别由不同类型的信源承载。本文提出「GEO 信源矩阵」框架：用内容类型 × 信源梯队的二维矩阵替代线性清单，用信号覆盖热力图发现盲区，用动态再平衡策略应对平台权重波动。附带可直接套用的 5 步搭建模板和季度审计表格。
GEO 三核心要素：数据 × 内容 × 投放
GEO 不是一堆技巧的集合，而是一个由三个核心要素驱动的系统：数据看清现状并提供有效反馈，内容是基石并决定长期上限，投放因平台而异并放大优质内容价值。三者不是线性流程，而是互相咬合的飞轮——数据指导投放策略，投放放大内容价值，内容质量反过来决定数据和投放能走多远。本文拆解每个要素的核心能力、三者之间的咬合关系、以及最常见的失衡模式。
AI 的信源信任、引用选择与品牌推荐机制
四个层层递进的问题：① 为什么大多数网页最终没被引用——85% 流失的 5 大原因（相关性不足、权威性不足、结构不清晰、无 llms.txt 锚点、第三方无引用），背后的 3 关漏斗逐层淘汰机制；② AI 如何判断一个来源是否可信——E-E-A-T 理论根基 + 三个互补评估体系（9 维评分权威维度 + 16 项要素前 5 项占 65% + 信源权重 100x 差异）+ AI 与 Google 判断可信度的关键差异；③ AI 为什么会引用 A 页面而不是 B 页面——三道关卡逐层淘汰 + 6 个最常见被淘汰原因 + DeepSeek 12 信源只引用少数几个的真实案例；④ AI 为什么推荐品牌却不引用官网——训练记忆（品牌认知）和 Grounding 实时检索（引用来源）是两个不同的系统。
豆包召回信源向抖音倾斜：不是技术事故，而是 KPI 驱动的渠道权重实验
豆包将部分行业的召回信源全面切向抖音——这不是技术事故，而是平台基于当期 KPI 对召回渠道权重的主动调整。理解平台召回策略变化的逻辑（KPI 驱动 / 没有永恒的流量红利 / 多平台布局是唯一对冲）比讨论现象本身更有价值。
GEO 中的「信源」是什么：AI 引用决策的核心变量与 4 梯队实战指南
信源（Source）是 GEO 中 AI 引用决策的核心变量。内容质量 × 平台权重 = AI 引用概率——同样一条内容，发在知乎可能获 1000 次 AI 引用，发在某新闻聚合站可能只有 10 次。本文拆解 5 层信源层级体系、4 梯队信源权重金字塔、双核四轮方法论与季度复盘机制。
GEO 是什么：让内容被生成式引擎引用，而不是只在 Google 里被点开
GEO（Generative Engine Optimization）是面向 ChatGPT / Claude / Perplexity 等生成式答案引擎的内容优化方法。它和传统 SEO 不是替代关系，而是回答层、引用层、可抽取性层的一次升级。
为什么企业做 GEO 第一时间没有看到效果：8 阶段管线 × 4 关漏斗 × 5/6/7 三道重排
GEO 不是『做完即见效』的工具，而是长期内容战略。内容从发布到被 AI 引用，需经过一条 8 阶段管线 + 4 关漏斗 + 5/6/7 三道重排，每一关都会过滤掉大部分内容。理解这条链路，才能解释为什么 85% 被检索的页面从未被引用。