从 AI 创业角度看 GEO：如何引流、效果评估，以及创业机会在哪里？

GEO/AEO，并不是一个全新的概念。简单说来，就是 AI 搜索和 LLM 时代的 SEO。

但又跟 SEO 有些不太一样，比如效果的可监控、内容的准备策略等，都跟 SEO 时代完全不一样了。

GEO 是不是个值得做的大生意，目前也存在不少争议，有些人觉得带来了新的想象力，有些人觉得，最多也就是一个新的 SEO。

但共识是，这事儿值得做，而且得做。

公众号「thinkloop」的这篇文章，从 GEO 的原理切入，讲清楚了 GEO 当前的应对策略、效果监控逻辑以及代表产品等。

在他看来，一些从创业视角来看有意思的点是：

• 未来 ChatGPT 等 LLM 厂商会不会自己做商家推荐，甚至改造 API/Chatbot 等多层端口内置广告？

• SEO 和 GEO 和混合优化、混合测评、“官方推荐”会怎么影响客户看到的内容

• 目前 GEO 品类的红海和蓝海，大概要怎么做，如何从易到难。

本篇经授权转载，文章结构略有调整。

01

GEO 是什么，

从 Agent 的工作原理说起

LLM 来了以后，chatbot 最先替代的是一部分搜索引擎功能，我们利用这些 LLM 来收集和总结信息来回答用户的查询。类似传统搜索引擎的 SEO，GEO 也有一些 LLM 带来的特质和难点：

Ranking and Visibility（如何排序，如何让内容可见）：在传统搜索引擎中评估网站性能很简单，网站按排名顺序列出，内容为原文。然而，LLM 生成丰富和结构化的回复，通常将引用嵌入到一个块中。这使得排名和可见性的概念变得非常微妙。

Optimization of Websites（网站怎么优化）:与搜索引擎不同，尽管在提高网站可见性方面进行了大量研究，但生成式引擎响应的可见性优化方法仍不明确。

Black Box Nature（黑盒特性）:由于生成式引擎的黑盒特性，内容创作者对其内容何时以及如何展示几乎没有或完全没有控制权，这使得优化内容变得更加困难。

因此，GEO 优化中：内容优化、有效的指标评估、benchmark 和商业 GEO 实验中的可见性（优化对象可能包括网页结构、摘要方式、实体密度、引用链、语义可提取性等）都很重要。

GEO 本质上是从内容生产侧 倒推 RAG/LLM/Agent 的工作机制，并反向优化内容结构。未来的内容策略一定是“可被 AI 检索 + 可被 AI 引用 + 可被 AI 概括”的三位一体。

这其中有一部分与 SEO 相似，因此参考 https://serpapi.com/use-cases/seo 等 SEO/搜索引擎网站也有很大参考意义。

AI 原生搜索正在各个平台如 Instagram、Amazon 和 Siri 上变得碎片化，每个平台都由不同的模型和用户意图驱动。查询变得更长（平均 23 个词，对比 4 个），会话更深入（平均 6 分钟），并且响应因上下文和来源而异。与传统搜索不同，LLMs 能够记忆、推理，并以个性化、多源综合的方式作出响应。这从根本上改变了内容的发现方式以及内容需要优化的方式。传统 SEO 奖励精准和重复；生成式引擎优先考虑结构良好、易于解析且富含意义（而不仅仅是关键词）的内容。诸如“总结”或项目符号格式等短语有助于 LLMs 有效提取和再现内容。

LLMs 现在实际上带来了多少推荐流量？

如果查看了@Similarweb 的流量占前 100 家美国网站的百分比——对于大多数网站来说，推荐流量仍然不到 5%，占总流量的不到 1%。 但营销和广告技术将随着大型 LLM 平台开发自己的产品以及 AI 软件公司覆盖长尾需求（正如我们所见）而不断演变来适应 SEO 趋势。

Profound 的一个研究表示：ppl 里前几的外部 UGC 平台信息源。

02

从 RAG 和 Agent 原理

看 GEO 内容优化策略

我们在逆向之前需要重新看这三个架构（langchain 的：rag-from-scratch/agent-from-scratch/open_deep_research）

2.1 RAG 内容优化策略

RAG from scratch 中我们可以看到一个典型的 RAG 工作流包括：

1.文档加载（Loader）：爬网页、读取 PDF、数据库等；

2.文档分块（Chunking）：按结构将长文拆分成 200～1000 字的块，支持后续检索；

3.向量化（Embedding）：将每个块转为向量，保存进向量数据库；

4.检索（Retrieval）根据用户问题用 embedding 检索相似文块；

5.生成（Augmented Generation）将检索块+问题放进 LLM，生成答案。

结构优化 → 提高 Chunk 可读性 & 可引用性

GEO 目标：让内容块被优雅切割、每块都“自洽易读”，能独立引用。

• 使用清晰的标题、子标题结构（h1/h2/h3）；

• 每段控制在 2～4 句，信息密度高；

• 每个小节都有“中心句”或明确主题；

• 少废话，避免过长段落；

• 避免“上下文依赖强”的叙述（如：见上文、下图所示）；

• 用 bullet point 或表格结构明确表达对比、列表、关键值。（使用确定的数据、量化指标会有明显优势）

向量友好 → 提高检索准确率

GEO 目标：让 embedding 表达内容意图清晰，不模糊、不歧义。

优化策略：

• 多使用实体词（如“RAG 框架”、“ChatGPT”、“LangChain”）而非模糊代词（它、这个、那样）；

• 内容中包含重要关键词的复述或近义变体（例如“企业知识库” = “公司内部资料问答系统”）；

• 每段都要有主题词；降低冗余性、重复性；

举个不一定恰当的例子：

在向量数据库 Pinecone 的 SEO 文案中，不应该写：Pinecone 更加稳定、而可以：RAG 框架结合向量数据库 Pinecone 的方式，比传统 SQL 检索更稳定。

检索匹配 → 增加触发概率

GEO 目标：让 LLM 能通过用户 query 轻易匹配到你内容块。

优化策略：

• 使用多种方式表达同一概念（synonym redundancy）；

• 使用常见问法进行内容扩展（如“什么是 GEO？”、“GEO 的优劣对比”）；

• 标准化概念（如用“生成式搜索优化（GEO）”一次定义后多次复用）；

• FAQ 模板化内容写作（如产品问答、功能解释、行业术语说明）；

引用友好 → 提升品牌和链接曝光

GEO 目标：内容被引用时带有出处、品牌、上下文锚点。

优化策略：

• 每段底部加结构化锚点（如“【公司名】【模块名】【更新日期】”）；

• 加入自引用语句：如“根据 LangChain 的官方文档…”；

• 使用 Schema.org 标注结构化数据；

• 在文中自然嵌入产品/品牌名，方便作为生成内容中的 attribution anchor；

比如：

这段内容能被：

• chunk 干净；embedding 表达得清晰；

• 匹配用户“企业 RAG 接入方案”问题；

• 被引用时能显示“LangServe by LangChain”；

2.2 Agent 内容优化策略

现在硅谷提出 AEO， agentic engine optimization， is the new SEO，也就是所谓 Agent 的引擎优化。目前来看算是子集。

Agent 检索友好

除了 RAG、Agent 往往有 action，也有更多的 context 理解

优化点：

1.任务导向内容设计：

• 内容要围绕“Agent 能完成的任务”进行结构化描述；

• 比如“如何帮用户退货”、“推荐 3 家附近奶茶店并生成路线”。

2.可操作性内容结构：

• 用 checklist、步骤卡片、流程图描述任务；

• 比“长篇大论”的解释性内容更容易被 Agent 利用。

3.指令友好型写作：

• 模仿 prompt 风格写作，让 Agent 更容易提取；

• 如：如果用户在找 xx，请使用以下 API 并回复 JSON。

4.保持“自洽块”原则：

• Agent 有上下文窗口限制，内容要自带背景，不依赖其他上下文。

Agent Action 友好

优化点：

1.定义清晰的 Tool Schema（函数签名）

• 函数名、参数名、描述要高度可读、task-oriented；

• 避免使用抽象缩写或专业术语；

• 示例多写几个触发用例；

2.语义对齐命名

• 如果你是一个“订餐工具”，就用 orderFood（），而不是 triggerService（）；

• 工具名要像动词组合而非品牌名，Agent 更容易“match intent”。

3.为 Agent 编写 prompt-friendly 用法介绍

• 写“当用户问 xxx 时，请调用这个工具”的用例；

• 例如 OpenAI Function Calling 中的 "description": "Call this when user wants to book a flight"。

4.托管工具文档/入口页面 GEO 优化

• 让工具的使用文档也能被 AI 搜索引擎检索（Perplexity、ChatGPT Browse 等）；

• 用结构化写法定义 API 入口点，让 RAG 系统能“读懂”。

03

GEO 具体实操建议

1.开放爬虫权限：别挡 GPTBot、ClaudeBot、PerplexityBot 的路。robots.txt 开绿灯、提交 sitemap、别屏蔽 Google-Extended。

2.打造权威信号（E-E-A-T）AI 更信任“专业、可信、有人格”的网站。经验（Experience）、专业性（Expertise）、权威性（Authoritativeness） 和 可信度（Trustworthiness）怎么具体做（实操）：

• 经验：展示你自己或品牌的亲身经历，比如「我亲自测试了这 10 款工具」或「我们自己就用这个方法增长了 3 倍」。

• 专业性：写你真正懂的领域内容，最好在页面加上作者介绍（有头有脸），注明你的背景或资格。

• 权威性：争取被别的站点、媒体、博客引用或推荐。比如出现在新闻报道、Reddit 讨论或被别人引用。

• 可信度：保持网站信息透明、页面设计专业、有联系方式、有隐私政策、SSL 加密（HTTPS）。

3.加上结构化数据 Schema：用 JSON-LD 向 AI 明示：这是文章？是产品？是 FAQ？Schema 就像是 AI 看得懂的简历。你可以直接问 Cursor 这个提示词：我的网站数据是否结构化，如果不是，请优化。用 Google 的 Rich Results Test 验证没错。

4.写给 AI 看，也写给人读。AI 喜欢结构清晰：使用 H2/H3 分段，项目符号列举， TL；DR 总结，一问一答 FAQ

5.覆盖对话式关键词：AI 用户不是在搜关键词，而是在问问题。把“用户会问什么”写进你的页面标题、H2、内容段落。比如：“如何 X”、“X vs Y”、“X 的最佳工具推荐”……

6.持续更新内容：AI 和 Google 一样讨厌过时信息。旧文定期更新，标注发布日期，加入 “2025 指南” 等字样。保持内容新鲜 = 保持可见。

7.用外部权威提升可信度：AI 喜欢引用「别人也相信」的内容。试着让你的网站被：媒体报道、博主引用、社区推荐、拿到优质 backlink（Ping-O-Matic- Pingler）

8.拓展内容触点：AI 也在读 Reddit、Quora、LinkedIn、Medium。把你的网站内容在这些平台做分发、生成讨论、提高引用率。你写的 Reddit 回答，有可能被 ChatGPT 读走整段！

9.页面结构要“留得住人”AI 帮你把人送来，留住才是本事。首屏高价值内容、清晰的 CTA（注册 / 提交 / 浏览）、延伸阅读 / FAQ 防止跳出、把“点击”变成“参与”。

10.持续监控 AI 曝光轨迹：手动用 ChatGPT / Perplexity 问问你的关键词，看自己有没有被提到。结合 GA 分析 AI 源流量表现。也可以试试 Semrush 的 AI Visibility 工具

内容 → 曝光 → 留存 → 优化=闭环

04

GEO 效果评估搭建

核心是理解品牌或页面在 AI 搜索、自然搜索或社交平台中是否被“看到”、“引用”或“推荐”。

曝光分析常见方法（包括 GEO 和 SEO）

也可以利用 AI 模型（如 GPT-4o）模拟用户问题流，构建问题 → 回答 → 引用链条，发现“内容覆盖空白区”。或者通过爬虫 + SERP API（如 SerpAPI）批量分析 AI Overviews 和 featured snippets 中是否包含自身内容。

YC S21 的 daydream 也写过一篇衡量来自 LLM 平台的流量：https://www.withdaydream.com/library/measure-traffic-from-llm-platforms

里面比较有意思的点是：为了让 LLM 流量可衡量且可行动，将其视为一个具有自身漏斗特征的独立获取来源。

4.1 给 AI 来源的流量进行字段标记

首先在您的分析平台创建一个自定义流量分段。标记来自已知 LLM 来源的会话：

• chat.openai.com

• perplexity.ai

• searchgenerativeexperience.google.com 或

• bard.google.com

• 其他包含直接引用或嵌入式链接的工具（例如，浏览器扩展、Claude 引用）

这使您能够隔离特定 AI 流量来源的性能、行为和转化模式。

4.2 根据行为而非页面浏览量定义漏斗阶段

传统漏斗追踪用户如何在不同页面间移动。但由 LLM 驱动的流量并非以相同方式导航，因为它到达时已被筛选且更加聚焦。尽管阶段仍然类似入口、参与和决策，但用户心理和速度从根本上不同。

LLMs 通过替用户完成比较工作来简化探索阶段。这意味着你的漏斗不应该模拟用户走了多远，而应该模拟他们来做什么以及多快能完成。

→ 进入（预认证到达）：一小部分用户点击 AI 平台提供的引用链接。这通常是他们唯一会点击的链接。这些会话通常在 LLM 已经完成筛选后，从产品页面、比较文章或功能说明开始，处于漏斗的中段。

→ 互动（快速验证）：用户扫描寻找与 AI 描述相匹配的快速信号（可信度、价格清晰度或社会证明）。他们不是广泛探索；而是在狭窄范围内验证。

→ 决策（转化或退出）：如果你的内容与 AI 摘要一致并满足用户期望，转化可以在会话中发生。如果不符合，他们可能会跳转或稍后通过品牌搜索或直接搜索返回。使用 UTM 参数和会话拼接来追踪这些跨触点的旅程。

4.3 使用漏斗分析工具来追踪流失或加速

漏斗探索工具可以揭示 LLM 流量行为的关键差异：

• AI 访客是否完全跳过网站导航直接访问行动号召？

• 页面停留时间是否较低，但转化率较高？

• 是因为会话时间短但成功，所以跳出率具有误导性吗？

例如，你可能会发现，来自 Perplexity 的用户的转化速度是 SEO 流量的 2 倍，但他们只浏览了一个页面。

4.4 将 AI 流量与传统自然流量和付费流量进行对比

最后，将 LLM 驱动的会话与其他获客渠道进行 benchmark 测试：

它在转化率方面是否优于品牌搜索？例如，Claude 会话可能通过单次访问就能转化为 demo request，而品牌自然流量需要多个触点。

它是否每会话产生更高的收入？你可能会发现 Perplexity 用户在网站上的停留时间较短，但结账率更高或购物车更大。

平均订单价值是更高还是更低？这可以表明 AI 平台是驱动了更优质的潜在客户，还是仅仅吸引了不同的买家群体。

这种基准测试有助于证明内容更新的合理性。更重要的是，它让你能够更有效地分配预算，集中资源在人工智能平台重点推广的页面、渠道和格式上。

这里有一个理论上的例子：一个 SaaS 品牌发现，来自 chat.openai.com 的人工智能推荐访客的免费试用转化率比付费搜索和电子邮件流量高出 32%。因此，他们重新分配预算，优化 ChatGPT 最常引用的页面，包括在页面顶部添加 Social Proof（如客户 logo 墙） 并简化他们的定价说明。

05

GEO 代表产品和公司介绍

套个娃

如果你问 ChatGPT：帮我推荐一些 GEO 工具和公司，那才是 GEO 公司真正的竞技场

如果你问 Google，哪个是最好的 GEO 工具，那就是 SEO 和 GEO 混合优化公司的竞技场。

https://www.athenahq.ai/

首页就是输入你的公司邮箱，根据公司邮箱进行竞品分析。

https://proseo.ai

ProSEO.ai（针对 Shopify 电商）针对产品页面生成“AI 购物助手”能理解的描述（如用于 ChatGPT 插件或 Google AI Overview）。支持 JSON-LD、Rich Snippets、AI Schema 建议。主打“AI-commerce GEO”，提升 AI 电商推荐中的可见度。

https://brandwell.ai/

GEO/SEO 融合平台。针对 AI-overview 和 ChatGPT 网页回答格式优化页面结构。支持 AIO（AI optimization）检查，模拟 LLM 抓取行为。提供“LLM 排名分数预测器”。特色： 提供 AI 视角的排名分析，而非传统 Google 爬虫模型。

https://www.byword.ai

GEO 内容生成平台，批量生成适配 AI 搜索的文章（如 Perplexity、ChatGPT）。支持嵌入 schema.org、FAQ、metadata 以提升 AI 可读性。自动部署到 WordPress、Shopify 等 CMS。

higoodie.com

Goodie AI 是一个帮助品牌在 ChatGPT、Perplexity、Gemini 等 AI 搜索平台中“被看见、被引用”的答案引擎优化平台。

tryprofound.com

Profound 是一家面向品牌和企业的 AI 可见性平台，专注于在 ChatGPT、Perplexity、Google AI Overview、Copilot、Grok、Meta AI 等生成式搜索引擎中提升品牌曝光度和引用率。支持实时监控与优化，帮助企业：分析品牌在 AI 回答中的曝光情况。探索用户在 AI 平台上的提问趋势（Conversation Explorer）。跟踪引用来源、表现和用户行为。优化内容结构，让 AI 更容易抓取并引用页面内容 。此外，Profound 于 2025 年完成 2000 万美元 A 轮融资，并推出了针对中小企业的 Profound Lite 自助服务，每月收费 499 美元

举个数据分析看板例子：

Foundation （Source: https://foundationinc.co/lab/generative-engine-optimization)的 dashboard 中：在 LLM 中，与 Lululemon 相关的 24%的对话框会导致包含它们的响应。然而，在整体情感方面，它们在 LLM 中处于中等水平。

客户实施例子：Ramp 利用了 Profound 的答案引擎洞察，注意到 AI 引擎经常引用与自动化、AI 和软件比较相关的内容——这些内容在传统搜索中传统上被忽视。

分析显示，Ramp 先前 6%的引用来自此类与自动化相关的内容。Ramp 创建了两个定制页面，专门设计供 AI 回答引擎抓取——小型企业应付账款软件和大型企业应付账款软件，以及类似的产品比较页面，如《前六款应付账款自动化软件》和《应付账款中的 AI》，它们对 Ramp 的可见度增长做出了重要贡献。（Ramp 注意到一个立即的战略重点：他们在应付账款领域的可见度极低，并且他们知道通过正确的方法可以主导这一领域）

Ramp 的战略方法迅速证明了其有效性：

• 300 多次引用：这两个目标页面在一个月内产生了 300 多次引用，位列 Ramp 最受引用的内容之列。

• 7 倍 AI 可见性提升：Ramp 的 AI 可见性在一个月内从 3.2%跃升至 22.2%。

• 竞争优势：Ramp 在应付账款领域的金融科技品牌中从第 19 位跃升至第 8 位，超越了 11 个竞争对手，并为 AI 优化内容设定了新的基准。

总结一下：

开个脑洞：目前 SEO 算是一个比较确定性的“封闭场景”，两个 facts：一是目前暂无主流产品原生支持 RL，大多是离线分析或 prompt 微调。二是根据上面这张表我们发现核心的差异点集中在“写作风格 + 页面结构 + schema 嵌入深度”，而不是学习机制。

那么，如果搭一套成本可控的 GEO RL，不知道会不会是一个合适的实验项目

• Agent: 选择关键词、写作模板、FAQ 问题结构

• Environment: 发布到站点 → 被 ChatGPT/Perplexity 抓取 → 看是否出现在回答中

• Reward: 来自 ChatGPT/Perplexity 的引用频率、搜索引擎流量数据、CTR

目前这些数据是脱线采集 + 手动分析，而 RL 能让这种反馈成为训练的一部分。

06

相比 SEO，

GEO 的更多想象在哪里？

尽管规模庞大，但 SEO 从未产生过垄断性赢家。像 Semrush、Ahrefs、Moz 和 Similarweb 这样帮助公司进行 SEO 和关键词研究的工具，在各自的领域取得了成功，但它们都没有掌握完整的生态系统（或像 Similarweb 那样通过收购增长）。每个工具都开辟了一个细分市场：反向链接分析、流量监控、关键词智能或技术审核。

SEO 一直都很分散。这项工作分散在各个代理机构、内部团队和自由运营商之间。数据很混乱，排名是推断出来的，而不是经过验证的。Google 掌握着算法的钥匙，但没有任何供应商能够控制界面。

即使在巅峰时期，最大的 SEO 参与者也只是工具提供者。他们没有用户参与度、数据控制权或网络效应，无法成为 SEO 活动集中的中心。

点击流数据——即用户在浏览网站时点击的链接记录——可以说是洞察真实用户行为的最清晰窗口。然而，从历史上看，获取这些数据一直非常困难，被互联网服务提供商、软件开发工具包、浏览器扩展和数据中介牢牢锁住。这使得在没有深厚基础设施或特殊访问权限的情况下，构建准确、可扩展的 know-how 几乎不可能。

GEO 改变了这一切。

甚至：

Agent: 选择关键词、写作模板、FAQ 问题结构

Environment: 发布到站点 → 被 ChatGPT/Perplexity 抓取 → 看是否出现在回答中

Reward: 来自 ChatGPT/Perplexity 的引用频率、搜索引擎流量数据、CTR

目前这些数据是脱线采集 + 手动分析，而 RL 等等手段可能会让这种反馈成为训练的一部分。也会带来更多的潜能。

文章来自于微信公众号“Founder Park”。