Vibe Coding的心法
一位微信好友，分享了一份他们团队目前在做的事情，发来一份文档，我提炼了下这份文档里关于Vibe Coding的一些观点和心法，团队是前nasa科学家和comcast工程师，很有启发：
- AI越来越强，但AI创造的软件，反而越来越难以被信任
- 模型独立，不代表判断独立，AI时代真正的瓶颈，变成了人的判断力，从软件工程视角，真正稀缺的能力会变成：定义问题、选择方向、制定标准、判断结果
- 代码和测试可以完全一致，结果依然可能是错的，这是因为，AI答案和评测标准高度一致，也可能一起建立在错误的问题定义之上，所以，我们还有一个很重要的需要关注的问题：我们解决的是正确的问题吗？
- 目前AI一个最大的问题，会很容易基于一个错误的答案，自己验证，自己通过，然后制造一种危险的确定感，错误+验证通过，比单纯的错误更危险
- 换一个模型，并不天然意味着获得了独立审查，现在很多人的AI Review方法是：Claude写完，然后GPT Review，看起来已经交叉验证。但如果GPT看到的是Claude已经写好的PRD、推理和结论，它很容易被前面的框架锚定，所以真正的多Agent协作应该考虑“信息独立性”
- 先独立思考，再比较收敛。先让不同的AI独立思考，再互相比较，不要让5个Agent一上来就讨论，有价值的多Agent讨论，来自独立信息路径
- 什么能够证明这件事情成功了？也就是定义成功的标准是什么？做事之前先回答：什么证据证明成功
- 项目的流程，每一个关口都要有证据，不能等到最终交付才验证，比如需求、定义、设计、开发、验证、交付，每一个环节，都需要有对成功的定义
- 客户应该购买结果，而不是自己拼一堆工具，比如，不需要对用户表达那么多的Agent、MCP、API、工作流等等，只需要表达一个目标，一套系统，一个可验证结果
- 每一次经过验证的交付，都让下一次交付变得更好，定义了一个真正的AI原生组织应该具备的能力：组织不能只是完成任务，还必须从每一次任务中学习
- 一个真正的AI员工，每完成一次任务，都应该让下一次同类任务做得更好
这套心法，总结起来就是：先定义正确的问题，再独立形成判断；先定义成功证据，再开始执行；过程中持续验证，完成后沉淀经验，让下一次做得更好
第二届GEO大会
第二届GEO大会，报名后，可以提交自己关心的问题，到时候会把这些问题，分享给大会的嘉宾，以帮助他们更好的优化自己的分享主题
目前后台收到的一些问题，我看了下，还挺有价值的
问题大致有这几类：
- 效果怎么衡量
比如ToB的GEO，ROI怎么算？多久能见效？监测工具如何评价？哪些指标可以作为交付依据？
- GEO项目，在企业怎么推进？
哪个部门牵头？大企业和中小企业的策略有何不同？预算有限时，先做什么、后做什么？
- GEO的内容，如何让AI建立信任？
不同AI平台如何选择信源？大量分发如何避免过度营销？律师案例怎样兼顾脱敏、可信度与可引用性？
- 外贸行业做GEO怎么获得询盘？
海外GEO怎么做？工业企业的独立站如何被AI引用，并引导采购客户访问网站、留下询盘？
- Agent与GEO如何联动
AI引用与Agent分发怎样衔接？不同渠道的线索如何区分？询盘怎么追踪，获客成本怎么算？
这些问题已经把GEO放进了具体的经营语境里
谁来做、怎么推进、如何验证、能带来什么结果，都需要说清楚
意图覆盖率
一位X网友的问题：
GEO如何去找到最应该优化的用户query呢？ 我的衡量标准是得找到最多用户问的query，但是这个很难得到吧？ 1.除了模型公司内部，没人知道 2. 每个人问的具体格式千奇百怪。比如我要一个鞋子，推荐一个鞋子，一双鞋子推荐给我。这3种表达的意思是一样的。 该如何去找最多人问的query呢？
我的回答：
外部通常拿不到AI平台完整的query日志
也就很难准确的证明，某一句话就是用户问得最多的问题
其中一个思路是：将GEO的优化单位，从单条query变成意图组
比如“推荐一双鞋”“给我推荐个鞋子”“什么鞋适合我”，表达不同，但可以归为同一个推荐决策意图
可以先根据场景、人群、需求、痛点、预算、品牌对比、信任验证和购买决策等维度，建立一套商业意图地图，再为每个意图扩展多种自然问法
数据来源可以结合搜索词、客服记录、销售沟通、站内搜索、电商问答、社交媒体和竞品内容，再用AI完成聚类、去重和问句扩展
这个工作有它的繁琐性和系统性
最终可以衡量两个指标：
第一是“加权意图覆盖率”，看品牌覆盖了多少高价值意图。不同意图的权重，可以结合真实需求证据、商业价值、决策距离和品牌适配度确定
第二是“问法鲁棒性”，看同一个意图换一种表达后，品牌还能不能稳定出现
我们很难获得绝对准确的AI搜索量，但可以建立一套有真实数据支撑、持续更新，并且能够指导业务决策的意图需求地图
一位X友的补充：
很认同姚老师从“单条 Query”往“意图归类”走，这应该比追求某一句用户问得最多的问题更接近实际。
我们在实战里现在也是类似思路。面对大量 Prompt 和 AI 回答，不直接把每一种措辞当成一个新的需求，而是先做语义去重和归类，再从回答中抽取细分市场、搜索意图、品牌卖点、品牌、引用这些结构化维度，最后还可以回到原始 AI 回答验证。下面这张图是意图归类举例
不过实际做下来，我觉得真正难的可能还不是“怎么聚类”，而是怎么建立正确的分类层级。
最近一个户外品牌项目。同样是“帐篷”，车尾帐、冬季热帐、精致露营帐的用户场景、决策条件和关注卖点都完全不同。如果只是从语言相似度把它们归到一个大的“帐篷推荐”意图里，技术上聚类成功了，但对 GEO 优化未必有价值。
所以我们自己现在也在继续调整这套结构，我越来越倾向于：细分市场 → 搜索意图 / 品牌卖点 → 具体问法，同时再用多标签和交叉维度处理场景、人群、预算、购买阶段这些变量。
现在无法拿到完整的真实 Query 日志，所以我现在也反而不太追求一个看起来很精确的“AI 搜索量”。更重要的是能不能把足够大的观测数据，整理成一套有真实业务依据、可以回溯验证、最终能够指导优化的需求地图。
一个GEO项目的成交故事
昨晚接待了一位上市公司的CTO朋友，在北京的后海边，看着夜景，喝了点啤酒
他们从去年年初就开始GEO，算是国内非常早期关注到这个趋势的公司了
然后他就开始在内部推动这个事情
大概半年左右过去，终于内部达成共识，开始挑选供应商
这个过程，也是挺艰难的
最终，他们锁定了三家候选供应商：A、B、C
A在北京，B在上海，C在杭州
最终选择了跟A合作，放弃了B和C，合作金额大概一年接近100万
我问：原因是什么
他说：C更像是“GEO投毒”的做法，所以直接放弃；B相比A，其实有两个优势，一个是产品化水平高，一个是公司规模更大
我问：那为什么最终选择了A呢？
他说：选择A，主要有两个原因，一个是A的COO给他们分享宣讲时，更专业，认知更深，B的负责人分享时更空；二是A的价格相比B更有优势，但是产品化水平和公司规模与实力是劣势，内部综合讨论下来，还是A更好
他又继续补充：所以A当时的价格策略还是很明智，合理的有一定优势的定价，是很难得的事情
合作后，他们又做了一个很有意思的事情
在和A公司合作的同时，又与D合作，只买他们的GEO监测工具产品
CTO说：他们内部需要通过增加一套第三方工具，来对A的数据进行交叉验证，同时也借助第三方工具，来获得更多的有价值的信息
我说：这个策略很明智啊
两点收获：
- 专业认知 + 合理价格 > 产品化优势 + 公司规模优势
- 越重要的结果，越需要独立验证
但他们现在也面临新的一个课题或者难题，对于GEO整体而言，最终的贡献到底如何衡量？有哪些证据和数据归因方法，能够算出这个事的ROI？
AI Mention Effect
这是来自ProFound的一份关于AI Mention Effect的研究
研究的内容是：当用户原本没有主动搜索某个品牌，但AI在回答里提到了这个品牌，接下来7天，用户访问这个品牌官网的概率会发生什么变化
数据来自2026年1月至6月的200多万次AI对话及关联浏览记录，覆盖ChatGPT、Gemini和Google AI Overviews，研究将“提问未出现、AI回答出现”的品牌视为曝光
以Gemini为例，预测基线访问率只有2.21%，被AI提及之后变成5.42%，相当于原来的2.45倍
ChatGPT也从4.33%提升到了6.39%
具体数据如下：
如何理解这些数据
可以把这张表理解成一个非常简单的问题
同样是1000个潜在用户，如果AI没有主动提到这个品牌，预计多少人会访问官网？如果AI提到了，之后7天又有多少人访问官网？
这样看就更好理解了
对应的表格就变成了：
也就是，如果AI向潜在用户推荐过目标品牌，会对目标品牌的用户访问产生极大的增量价值
用户的一个行为特征是，AI提到品牌以后，用户未必马上点击链接
他可能当天记住这个名字，晚上去百度搜索，第二天访问官网，几天后再去看案例，最后才咨询
所以很多时候，我们在网站统计里看到的“百度流量”“直接访问”“品牌词搜索”，越来越多的证据表明，最早的起点可能来自一次AI回答里的推荐
这个数据可以帮助我们更直观的理解AI带来的数据与价值，当然，实际情况肯定要因企业而异，每家企业的情况都不一样
报告原文
慢中求快
周末去一位老朋友的公司
创始人给我说，这个月预计会亏损一百多万
原因有很多，核心原因总结下来就是，前期跑得太快，很多动作相对激进，团队不扎实、产品不扎实、服务不扎实，导致公司外强中干，虚胖得很厉害
我问，那接下来打算怎么办
他说，一方面把之前的坑快速填一下，然后就把各个核心模块的能力，做扎实一些，聚焦一下，走稳一点，不要那么着急了
后来，我们总结了几条心法，共勉：
- 我们看到的绝大部分的机会，其实，都不是我们的机会，所谓聚焦，只是在找到属于自己的机会面前持续做深而已
- 创始人的注意力相当重要，那些看似捡钱的但又在聚焦点之外的机会，其实都是一种注意力与资源的消耗
- 宁愿前慢后快，也不要前快后崩
- 一步一步做扎实，找准方向，定好边界，很重要，找准方向很多人都具备这个能力，但边界的把控，似乎会更难
Jev是什么
Jev是TypeSafe AI发布的首个公开模型，2026年9月15日开放访问
它是面向类型化语义决策的模型产品，这个模型一发布，便引起了极大的关注
如何理解这个新的模型？
可以把它理解成一个“会读材料、按标准做选择题的评审器”
比如：
假设每天收到一万条客户留言，通用聊天模型可以阅读留言、解释诉求、起草回复
Jev的能力非常聚焦：只判断这些留言，该交给哪个部门、紧急程度处于哪一档、是否需要人工处理，系统随后按这些结果执行既定流程
现在的大模型，已经有这个能力，只是相比之下，成本更高，概率质量更低，速度更慢
它的输入通常包括材料、问题和评价标准；输出是受约束的选择或数值
理解它的原理
- 它的任务只做判断，把任务直接写成一个判断
- 把校准作为训练目标之一
- 共享材料，并行评估多个小问题
在GEO这个业务场景下，Jev可以帮助处理运营中产生的材料与判断任务，但接入一个评审模型，本身不会让搜索平台抓取、索引或引用某个网站，会极大的提升处理效率和降低成本
对GEO，它最直接的价值是辅助筛选、标注和核验，具体还需要进行对比测试
官网：typesafe.ai