GEO是什么

第一次GEO公开课

这是在 WaytoAGI 的第一次直播的 GEO 公开课总结，我和向阳预计会连续分享 12 次，每月一次。

一些核心观点总结：

GEO 的第一性原理：让品牌进入 AI 可引用的知识网络。GEO 关注的核心问题是：AI 为什么引用别人，没引用我？我需要提供什么样的信息，发布到什么样的地方，才能提高被引用概率？
GEO 的本质是“概率优化”，不是稳定操控 AI 答案。这背后意味着，不要把 GEO 当成“固定排名生意”，要当成“持续提升 AI 可见度的内容和信源工程”。
GEO 有三个核心要素：数据、内容、投放。只做内容，没有数据反馈，会变成盲写；只做投放，没有内容质量，会变成垃圾分发；只看数据，没有生产和分发能力，也无法形成结果。
数据的价值：先看 AI 当前引用谁，再决定怎么写、发到哪；然后提供策略迭代的有效依据。
内容是 GEO 的基石，错误内容会被系统性放大。自动化系统会放大输入质量：输入是事实，系统放大价值；输入是错误，系统放大风险。所以 GEO 里的内容不能只追求“量”，还要有事实准确性、结构化程度、信息增益和可验证性。
白帽 GEO 的核心：提升 AI 回答质量。好的 GEO 营销并不破坏 AI 搜索生态，反而可能提升 AI 的回答体验。
批量生成 1000 篇文章，再发到 1000 个站点，通常代表能力弱、投放强。不看发了多少篇，重点看是否投对了内容、平台和问题场景。
高质量 GEO 内容要“事实化、结构化、可引用”。AI 更容易引用结构清晰、事实明确、语义完整的内容。
内容工程比“写文章”更重要。内容工程包括：标题管理、关键词管理、知识库管理、提示词管理、内容生成、审核机制、数据分析等等。
AI 知识库是源头，内容系统是放大器，投放是杠杆。GEO 的效果 = 知识库质量 × 内容工程能力 × 分发杠杆 × 数据反馈。如果知识库质量低，后续所有自动化都会变成负向杠杆。
AI 不怕资料多，怕资料少。
知识库不仅要“多”，还要“可治理”。一个可用的 GEO 知识库，最好具备这些字段：事实条目、来源、更新时间、适用业务线、是否可公开、是否可营销使用、是否需要人工确认、是否涉及法务风险、禁用表达、对应关键词等。
向量化的核心价值：让 AI 按语义召回内容。它的核心可以简化成一句话：把文本变成可计算的语义坐标，让系统按意思找内容。
向量化能降低幻觉，但不能替代审核。向量化可以提升召回质量，让 AI 更容易基于相关资料生成内容，从而减少胡编乱造。
GEOFlow 的核心定位：GEO 内容工程中台。GEOFlow 的最大价值，是把 GEO 内容运营流程系统化，它解决的问题是：把人工复制提示词、人工生成文章、人工粘贴后台、人工发布、人工统计数据这些流程，变成可配置、可复用的工作流。
GEOFlow 当前最强的是内容能力，其次是分发能力、数据能力。GEOFlow 的分发重点在“可控站点”和“API 打通”。
GEO 效果评估要分三层：品牌效果、直接效果、间接效果。
服务商更适合对“前端指标”负责，企业内部才更容易评估后端效果。

更详细的文章总结：第一次 GEO 公开课总结

GEO论文的10个洞察

把近两年与 GEO、AEO、AI 搜索有关的论文，全部下载了下来，一共 41 篇。

依次读了下，有不少新的理解和启发。

41 篇论文已全部推送到 GitHub 仓库，欢迎下载，地址见文末。

一些关键洞察分享：

GEO 不是 SEO 的替代品。

SEO 解决的是能不能被检索、被收录、进入候选集。

GEO 解决的是，进入候选集之后，能不能被 AI 答案引用、吸收、呈现。两者是叠加关系。
传统搜索看排名，AI 搜索看答案参与度。

过去的问题是：我排第几？

现在的问题变成：我有没有被引用？引用位置在哪里？我的内容有没有真正影响答案？用户还会不会点进来？
“被引用”不等于“有影响”。

有些来源只是挂在 citation 里，实际 AI 的答案几乎没用它。

真正重要的是 citation absorption：你的内容是否贡献了定义、数据、比较、步骤、论据或答案结构。
GEO 的核心不是把文章改成 FAQ。

多篇论文都显示：Q&A 格式本身并不稳定有效。

真正有效的是“证据容器”：结论清楚、结构清楚、事实密度高、语义对齐、可验证、可抽取。
AI 更喜欢结构化的内容。

标题层级、分段、列表、表格、语义 HTML、结构化数据、更新时间、元数据等等，都会影响 AI 是否理解、引用和吸收你的内容。

内容结构本身就是 GEO 信号。
单次 AI 搜索测试没有决策价值。

同一个问题，在不同平台、语言、提示方式、时间、模型版本下，结果都可能变。

GEO 监测必须重复跑，并记录 citation count、citation depth、answer share、position 和稳定性。
不同 AI 搜索引擎不是一回事。

ChatGPT、Google AI Overviews、Perplexity、Gemini 的引用逻辑差异很大。

有的引用广，有的引用少但吸收深，所以 GEO 不能只测一个平台。
第三方权威比品牌自说自话更重要。

AI 搜索明显偏好 earned media、权威媒体、测评、百科、行业报告、可信第三方来源。

品牌官网很重要，但还不够。

品牌要同时建设站内证据和站外权威。
GEO 和黑帽操纵的边界很清楚。

优化结构、证据、可读性、事实密度，是白帽。

隐藏指令、prompt injection、虚构事实、抹黑竞争对手、诱导模型排序，就是黑帽。

AI 搜索优化一定会带来新的安全治理问题。

但对于品牌而言，从一开始就坚持白帽 GEO，一定是可以持续、健康的正道。
最终，GEO 不是一个技巧，而是一套系统化的能力。

它包括：意图研究、证据资产、结构化内容、第三方权威、多平台监测、稳定性评估、安全边界。

谁能持续建设这套系统，谁才会在 AI 搜索里长期可见。

41 篇相关论文 GitHub 地址：geo-citation-lab

口碑的本质

分享一篇在出差路上写的随笔：《口碑的本质》。

口碑的本质，是预期管理。

适当降低预期的承诺，或建立更合理的预期，通过更聚焦更专业的服务，最终实现超出客户预期的结果。

降低预期，是为了保护信任。

超出预期，是为了积累复利。

靠过度承诺实现的销售，表面上看是成交能力强，实际上可能是在提前透支公司的信用。对公司而言，会慢慢演变成各种灾难。

长期做强，靠的一定是交付能力、产品能力、运营能力和组织认知。

1. 预期管理的背后

预期管理的背后，是信任管理。

客户购买服务，本质上是在购买一种确定性：这个事情有没有专业方法，多久能看到变化，过程怎么判断，效果怎么衡量，遇到变化怎么调整，哪些结果可控，哪些结果受外部变量影响。

如果这些问题没有提前讲清楚，或者进行了过度的效果预期，客户就容易对结果产生过高的期待。但实际上，真正的结果容易受到多种情形的影响，一旦不符合预期，后面的合作就会变得非常被动。

哪怕团队做了很多工作，客户也可能觉得不够；哪怕阶段性数据在变好，客户也可能觉得没有达到最初想象中的效果。

预期管理的关键，是帮助客户建立真实客观的理解与评价能力。

任何领域，有可控部分，也有不可控部分。

比如 GEO 服务，可控的是方法、动作、内容、结构、节奏、复盘和优化质量。

不可控的是平台机制变化、模型更新、竞品动作、信源偏好、实际检索量、转化率、转化周期等等。

让客户理解清晰的边界，才是专业的体现。

真正成熟的客户，不怕我们讲限制，怕的是什么都敢承诺。

2. 做强比做大更重要

在好未来五年的工作经历，对我影响最大的经营理念，就是这句“做强比做大更重要”。

这里的“强”，不是规模大、人员多，而是几个更底层的能力：产品要强、运营要强、服务要强、技术要强、认知要强。

最终靠的是，口碑和转介绍，来实现长期的健康发展，而非过度的销售依赖。

靠的是，有着清晰边界的优秀产品，而非模糊不清的大杂烩。

靠的是，技术、产品、运营、服务的综合能力。

靠的是，对这个事情本身的系统性的认知、实践、审美与敬畏。

对我们来说，无论是什么类型的客户，帮助他们建立一个正确的认知、科学的衡量、合理的预期、动态的视角，是所有靠谱公司的责任和义务。

无论是对销售、运营还是技术，这种认知层面的共识，都会极大地有助于我们和客户的长期健康合作关系。

这套逻辑，看起来会增加前期沟通成本，看起来会放弃一些客户。

但整体而言，一定是利远大于弊。

好销售的本质

我觉得一个真正好的销售，对客户，能做到：你刚好需要，我刚好专业。

所谓“需要”，也叫需求。

对有些客户而言，他们知道自己的需求，有些则不知道。

所以，帮客户挖掘或发现需求，也是一门手艺。

如何挖掘？聆听、乐观、敬畏、感恩。

所谓专业，就是你真懂，也真能解决。

有些是真专业，有些是假专业。

真专业与假专业的特质，前者谦逊而自信，后者傲慢而自卑。

真专业怎么来？终身学习、成长思维、善用 AI。

护眼公益网站

年近 70 岁的一位阿姨，做眼科教学和临床四十多年。

微信对我留言：Vibe Coding 做出了自己的一个公益小网站。

我看了下，这个网站非常精致，也很有特点：

不用登录，打开就能做眼肌放松练习，也可以顺便了解一些科学用眼、日常护眼的小知识。
也不是诊断或治疗工具，只是给大家日常看屏幕后做短暂放松用的免费小工具。

设计者是中国中医眼科学专业第一位博士研究生和第一位博士学位获得者，拥有 40 多年中医眼科临床、教学与研究经验。

这个故事，还挺励志的。

让我看到了一个真正的终身成长、终身学习的很好的案例。

网址是：EyeRestDaily.com

EyeRestDaily 截图

矛盾论Skill

写了一个“矛盾论”Skill。

和团队开会，聊到矛盾论，核心是找到每个阶段的主要矛盾与次要矛盾。

找到主要矛盾，并且集中精力与资源去解决它，剩下的大量次要矛盾，很多时候就自然解决了。

于是，就给同事写了这个 Skill。

这个 Skill 解决的问题是：面对一个复杂局面，如何找到真正的主要矛盾，并且提供一套基于主要矛盾的详细解决方法与精力、资源分配方案。

比如：事情很多，但不知道先解决哪一个；表面问题很多，背后的根因不明显；资源有限，不能所有问题同时处理。

Skill 基本逻辑：

创建 Skill 之前，让 GPT Pro 做了两份深度研究报告，一份是《矛盾论底层原理与应用场景研究》，一份是《复杂问题主要矛盾识别方法论调研报告》，并且基于这个理论参考，策划初始的《矛盾论AI_Skill设计方案》。
通过 yao-meta-skill，并补充了我的相关思考和约束，引入第一性原理、冰山模型、贝叶斯与奥卡姆校验，提升 AI 对复杂问题的理解与抽象能力。
报告里不只输出结论，还会解释为什么这个是主要矛盾、哪些是次要矛盾、主要方面是什么、资源应该如何重新分配、做完以后大概会带来什么结果，以及什么时候需要重新判断主要矛盾是否已经转移。

写完后，迭代了几次，然后给一位同事进行测试。

让她对着 AI 把目前的现状，语音进行了大量的陈述，最后生成了现状诊断可视化报告及方案。

她原本一直在处理很多表面问题，但报告判断真正应该优先解决的是另一个更上游的矛盾。这个判断出来之后，她一下子就知道自己为什么前面几个月一直很累，但效果不明显。

让人惊喜的是，这个主要矛盾的识别与建议，直接推翻了已有的逻辑和精力分配。

同事非常开心，因为这确实帮她抓到了一个长期没想清楚的根本性问题。

有时候我们想做减法，难点其实不在于减法本身，而在于是不是能真的找到那个阶段性的主要矛盾，然后去集中精力和资源解决它，这才是科学的做减法。

否则就很容易被琐事及各种次要矛盾缠身。

GitHub 地址：yao-crux-skill

四份参考资料：reference-materials

“人虾”合一

来深圳待了一会儿，主要是见一位老朋友。

经历过不少大起大落，非常励志。

他现在的业务，主要是给 IP 做代运营，所以 AI 的应用场景还挺多的。

参观他的办公室，发现一个很有意思的现象。

大概不到 20 人的团队，每个员工，都有两台电脑，一台给人用，一台装了“小龙虾”。

白天，人和 AI 一起协作，晚上，AI 继续干活。

真正的“人虾合一”了。

我拍了一张小办公室的照片，我说，能不能分享。

他说，当然可以。

主要是我觉得，“人虾协作”，在这一刻还挺具象的。

我问，每个员工都用啥工具以及配额。

他说，日常 Codex 为主，每个人每月一千多配额，视频单独再算。