如何让AI推荐你的产品

这是来自Graphite CEO近期对GEO进行的一个系统分享

GEO的核心原理：LLM+RAG，LLM负责“会不会”，RAG负责“查什么”
GEO的本质：让产品或品牌成为“答案”的一部分
对传统SEO有效的一些方法，对GEO也仍然有效
GEO排名的核心逻辑，与SEO有很大的变化，主要是靠的“被提及次数”，比如一个品牌在多处被引用和出现，那么被AI搜索推荐的概率就会大很多
用户在AI平台的日常搜索，相比传统搜索引擎，问题会更长、更具体，这会产生大量过去未被搜索的细分问题，所以，GEO优化的一个重要方向，就是围绕用户可能的细分场景长尾问题，进行大量的问题规划
每一个AI平台有一定的信源偏好，信源管理与运营策略，也是一个极其重要的工作
文中分享了一个有意思的案例，Webflow的GEO流量转化为谷歌的6倍，且新注册中约8%来自ChatGPT等AI平台，作者分享了三个重点战术：高质量落地页（覆盖大量子问题）、YouTube 视频（容易被引用）、Reddit 真诚互动（社区把关、可信）
这和最近看到的各种有关GEO流量转化率的案例特点相似，这也进一步表明来自AI搜索的流量质量要高很多
这背后的原因，应该有两方面的原因，一是现在用户对于AI的推荐有着比传统搜索更高的信赖，二是用户在决定要点击或搜索某个品牌时，已经与AI进行了多次的沟通与探讨，其意向就已经很高了
出效果的速度，做SEO可能需要很长一段时间才能出效果，但是GEO因为时效性的权重因素，在当天或几天内就能见到明显的效果
在GEO时代，应该要重视官网，官网在国内的价值普遍被低估了，对AI来说，与品牌或产品有关的参考资料，最权威的来源应该是官网，可以借助官网的这类权威性，部署大量的长尾内容，比如用户关心的各种问题，越详细越好，这会大量的影响AI的各种长尾答案，收集这种问题的方法，可以是抓取AI推荐的相关问题，也可以是围绕销售或者客服遇到的常见问题来写
比较友好的GEO内容生成原则，应该是要对AI形成较多的信息增益，所以需要强调原创研究、专家视角、补足他人未覆盖的子问题
现在AI平台很多，每天有大量的AI蜘蛛在肆无忌惮的爬取网站，导致服务器带宽资源的过度消耗，因为不少网站开启了大量屏蔽模式，禁止大量的AI蜘蛛访问网站。但作者建议，尽量允许索引与引用，与AI共存，并通过GEO的方法，与AI搜索实现共赢
关于AI生成内容的做法，作者的态度是不可行。作者举了一个例子，加入所有的内容都是AI生成，那么人们为什么还需要搜索引擎呢？比较稳健的做法是： “AI辅助+人审+原创研究”

视频地址：

youtube.com

跑步的意义

早上完成了一次25KM的长距离慢跑

跑步的魅力在于，它不仅仅是一种运动方式，也是一种自我修行的方式

从生理层面，持续稳定的跑步活动，对健康的帮助，会体现在多方面

包括代谢水平、心肺功能、专注能力、睡眠质量、整体状态等，会全方面产生一些积极的变化

这种生理层面带来的诸多益处，也会导致在心理层面有很多的改善

比如情绪稳定性、平和的心态、韧性等等

除此之外，最近还有一个不一样的感触，长期跑步，可以更好的管理欲望和节制欲望

比如创业者，总是对结果有着很高的期待和欲望，这种期待和欲望，会导致大量的焦虑以及变形的行为动作

真正的自由不是放纵欲望，而是有能力控制欲望，保持一定的节制，并且用更理性和平和的心态去看待，持续的跑步，某种程度上就可以培养这种能力

找到适合自己的节奏，不急不慢，稳步前行

升维与降维

学习要升维，竞争要降维

这里的升维与降维，指的是思考、认知、竞争的层级、格局、视角等等

低维，局限于当前问题层面、局部视角、零碎细节、单一维度的技能

高维，提升到抽象层次、更高层次的认知、掌握更多视角和维度，能系统的看待问题

降维，把高维的思考或能力“简化”或“映射”到低维层面，从而在“低维维度的赛道”里碾压对手

学习升维

从个人行动层面：是指把自己从“在低维打拼”提升到“在更高的维度思考和行动”

比如，面对自己的工作，不断思考与实践，从做什么到 “为什么做” ，再到 “怎么做”，到 “是否要做、做什么样的事”，乃至 “做什么样的体系或者平台”

从学习层面：是指找到更高的视角、认知来看待当下的处境

比如，找牛人请教、看经典的书籍、付费学习，都属于升维的过程

竞争降维

一个产品团队如果在低维（功能细节、界面优化）竞争很难超越别人，那就要学会思考：是不是可以从商业模型、用户心智、系统生态、数据平台等“高维”方向突破；

当我们在这些更高维度形成优势时，再回到低维产品竞争场，一个小的调整、策略变化，可能就能碾压那些还在低维拼“功能多、界面好” 的竞争者

对公司而言

如果现在是做TO B的业务，那么就应该去学习TO C业务的营销打法、产品设计

TO B业务通常更注重理性决策、专业性、复杂的商务谈判流程，而TO C则更强调情感连接、用户体验、快速转化

TO C市场竞争更激烈，营销方法更丰富多样，产品迭代更快，把这些经验借鉴到TO B中，确实能带来新的突破

AI对职场的影响

这两周，有一篇关于AI与就业关系的研究，有一些很有意思的结论

这篇论文拿到了招聘平台的招聘数据，覆盖了约6200万名美国职场人、28.5万家企业、2.45亿条招聘信息，时间跨度从2015到2025

研究的底层逻辑：不是去猜哪家公司“可能用AI”，而是直接从招聘里找企业是否在招聘“AI”有关的岗位

这代表了企业真实的行为

一些关键结论：

2023Q1之后，应用AI的企业里，初级岗位相对非采用企业明显下滑，六个季度后降幅约7.7%，而初级岗位的净减少，主要是因为招聘变少，不是因为离职增加
已经在岗的员工，晋升机会反而增加了，这表明职场已经开始将初级任务更多交给AI，留下的人被推到更复杂的岗位上
资深岗位数量在持续增加，一方面初级任务越来越多的被AI替代或者辅助完成，另一方面组织或者公司，在不断提升高层级任务的相对需求，这就需要更多的资深岗位，这是目前AI仍然无法替代的
初级员工影响最大的，反而是传统的批发与零售领域，初级招聘每季度相对减少约40%，这是因为，这些行业的大量初级任务更容易被AI工具自动化，比如客服、基础文员等岗位
新毕业的大学生，也呈现出类似的特点，顶尖大学毕业的学生没有受到AI的影；，最低梯队的大学毕业生因为成本优势也没有受到太大的影响；影响和波及最大的是中间梯队的大学毕业生，比如一些一流大学，这些学生因为预期较高，但又还没有达到顶尖大学的水平
整体而言，在AI的企业内部落地过程中，企业普遍的策略不是进行裁员，主要的策略是降低对初级员工的招聘，同时提升组织内部对于会驾驭AI的员工的重视

对个人的启发

还是要学会去拥抱AI，并且慢慢学会让AI去替代自己的大量基础工作，这是驾驭AI的一个必要过程
在公司或组织，试着慢慢去挑战更有复杂度的任务，在任何时候，复杂度高的工作，其价值和不可替代性就非常高
无论当前在做什么，一定要想办法让自己达到专业或专家级的水平，“专家+AI”才能形成有效的生产力杠杆，“普通人+AI”并不会

借钱的原则

好友这几天在为要钱发愁

在要钱的过程中，有很多的无奈

比如，借给对方的钱，要了多次，对方赖着不给、微信不回

这种情况，其实还挺让人受伤的

然后我就给他说，去年一位好友，也对我分享了一个借钱的原则，他把借钱这事，做了一个SOP

这个SOP大致逻辑是：

当朋友找他借钱的时候，他需要先评估下，这个人是否值得借
如果初步评估值得借，会打电话给朋友，进行进一步的资金用途的确认，如果资金用途合理且风险不大，那么就可以考虑借款
不过这个时候，一般还不会正式借款，而是要求有一个“冷静期”，同时告知对方，自己会收取利息以及要求对方写借条，然后需要对方考虑下
如果对方考虑没问题，那么就可以让对方开始写借条，写明还款时间，当然一般也会给朋友三个月的免息期，就会自动计算利息和滞纳金

这个流程的好处是，一旦对方借钱后，就无需去思考如何去要账的问题

这个流程，既保护了出借方，又给了借款方充分的思考空间

冷静期很有意思，这样做有几个好处：让借款人真正思考是否必须借钱、降低感情用事的可能性、给双方都留下退路的机会

我后来给朋友说，真正拿你当朋友的人，不到万不得已，一般是不会找你借钱；而往往找你借钱的人，大多数时候，可能并没有拿你当他的朋友

还有一位好友，最近也在要债，多位朋友不还钱，于是他就一一起诉，这一招效果很好

李想在分享借钱原则时，这个观点还挺好的：关于借钱，不做好人，也不做坏人

为什么要检查

如果经验不足，经常犯一些低级的错误，怎么办？

我的经验是，多检查

在十几年前刚毕业后，也是没有工作经验，为了弥补这个问题，采取的方法就是不断的检查，每一次检查，都能发现一些新的小问题

这个过程非常枯燥而且乏味，但一段时间之后，自己对细节、对整体的质量把控，都得到了很大的锻炼

为什么经验不足的人容易犯低级错误?

表面上看，可能是因为这些原因：对整体流程缺乏全局认识、对细节的敏感度不够、没有经历过足够多的失败教训、过于自信或过于谨慎、缺乏有效的自我审查机制等等

但实际上，可能并不是这么简单

好友举了一个例子，假设某项工作如果是自己的事，很多低级的错误，大概率是不会出现的

所以对于很多的低级错误，更多的还是跟责任心有关

除了责任心外，还有一个重要的因素，就是精力

一个精力差的人，专注力必然差，但很多小事要真正做好，是需要很强的专注力的，需要全身心投入一个小时甚至两个小时心无旁骛才可能做到高质量的产出