GEO 术语表：把概念说清楚

GEO 是一个被大量误用与混用的词。这一页把 30 个核心概念逐一定义，中英文对照， 并说明它在工程上究竟对应什么动作。如果你只想带走一句话：GEO 不是让 AI 说你好话， 而是让 AI 在提到你的时候说对。

按维度速查

  1. 方法论与定位 · 6 条（GEO / SEO / AEO / LLMO / CITE 方法论 / 4V 价值模型）
  2. 技术实现 · 9 条（RAG / Schema.org / JSON-LD / 结构化数据 / 知识图谱 / 实体 / 实体消歧 / 语义检索 / 向量嵌入）
  3. 指标体系 · 6 条（声音份额 / 引用 / 品牌提及 / 零点击 / L1–L4 指标分层 / 回答采样）
  4. 合规与治理 · 9 条（AI 幻觉 / 事实库 / 事实锚定 / 爬虫 / robots.txt / llms.txt / E-E-A-T / 跨平台一致性 / 承诺红线）
维度一

方法论与定位

先把「这件事叫什么」对齐，再谈怎么做。

GEO

Generative Engine Optimization · 生成式引擎优化

通过事实库治理、结构化改造、知识图谱构建与权威信源铺设，使品牌在生成式 AI 引擎的回答中获得引用与推荐的一整套工程方法。与 SEO 的关键区别：SEO 优化的是「排名位次」，GEO 优化的是「引用资格」。aileo 使用的行业术语即 GEO。
SEO

Search Engine Optimization · 搜索引擎优化

以提升网页在传统搜索结果中排名位次为目标的优化方法，核心变量是域名权重、外链规模与历史积累。典型见效周期 3–6 个月。GEO 并非取代 SEO，而是在其之上增加语义与实体层的工作。
AEO

Answer Engine Optimization · 答案引擎优化

以让内容被问答型引擎直接采纳为答案片段为目标的优化方向，可视为 GEO 的早期形态。它关注「被摘取」，GEO 进一步关注「被引用且被正确归因」。
LLMO

LLM Optimization · 大语言模型优化

聚焦于让内容更易被大语言模型在检索与生成环节采纳与引用。与 GEO 高度重叠，区别在于 LLMO 更强调模型侧的适配，GEO 更强调可被 AI 完整读取的内容资产建设。
CITE 方法论

CITE Framework

aileo 提出的 GEO 实施框架，四个字母分别对应：Content Authority 内容权威性、Information Structure 信息结构化、Technical Accessibility 技术可访问性、Entity Building 实体知识构建。四者构成一个不可跳跃的顺序：先有可验证的事实，才有可结构化的内容；先有机器可读，才谈得上实体建设。
4V 价值模型

4V Value Model

aileo 用于对齐客户预期的价值框架：Visibility 可见性（是否被提及）、Verifiability 可验证性（是否有官方出处）、Machine-Readability 机器可读性（是否可被稳定抽取，对应 V3）、Manageability 可管理性（是否可监测与复盘）。每一项都对应可验收的交付物。
维度二

技术实现

这一层的概念，决定了 AI 究竟能不能「读懂」你。

RAG

Retrieval-Augmented Generation · 检索增强生成

模型先从外部知识库检索相关片段，再基于检索结果生成答案的架构。GEO 的作用点非常明确：落在「检索」与「信源排序」环节——让品牌的官方内容进入候选集，并在候选集中排到前面。理解 RAG 是理解 GEO 为什么有效的前提。
Schema.org

Schema.org

由 Google、微软、Yahoo、Yandex 共同发起并持续维护的结构化数据词汇表，定义了 Organization（组织）、Service（服务）、FAQPage（问答页）、Dataset（数据集）等实体类型。用哪一类词汇标注，直接决定 AI 把你的页面理解成什么。
JSON-LD

JavaScript Object Notation for Linked Data

以 JSON 语法表达链接数据的格式，是当前落地 Schema.org 标注的主流方式，可直接内嵌在页面 <script type="application/ld+json"> 中且不影响渲染。aileo 的标准做法是用 @id 把 Organization、WebSite、Service、FAQPage 互引成一张实体图，而非孤立标注。
结构化数据

Structured Data

以机器可解析的格式标注内容语义的数据层。它的价值不是「让页面更漂亮」，而是让机器读懂而不只是读到——这是可读与可理解之间的分界线。
知识图谱

Knowledge Graph

以实体为节点、关系为边组织的结构化知识网络。它的作用是回答机器最关心的三个问题：这家主体是谁？做什么？与谁有关？跨平台口径不一致，本质上是知识图谱缺失。
实体

Entity

知识图谱中可被唯一标识的对象，例如一家企业、一项服务、一位负责人。GEO 的地基就是实体：没有清晰的实体，就没有稳定的引用。
实体消歧

Entity Disambiguation

当一个名称对应多个对象时（同名企业、同业简称），通过属性与关系标注明确指向唯一实体的过程。这是降低 AI 张冠李戴概率的直接手段，也是「幻觉治理」的组成部分。
语义检索

Semantic Search

基于语义相似度而非字面关键词匹配的检索方式。它意味着：用户问「哪家做危废处理的靠谱」，与页面里写「危险废弃物处置服务商」之间可以被匹配——但前提是内容表达足够清晰、结构化。
向量嵌入

Vector Embedding

将文本映射为高维向量的表示方式，是语义检索与信源排序的底层机制。它解释了为什么「堆关键词」在 AI 时代失效：模型比较的是语义距离，不是词频。
维度三

指标体系

不能被测量的优化，等于没有优化。这组概念是 GEO 效果的度量尺。

声音份额

Share of Voice (SOV)

在指定问题集下，品牌被 AI 提及或引用的次数占总采样次数的比例。这是 GEO 最核心的效果指标。为什么用「份额」而非「排名」：生成式引擎每次只给 3–5 个引用，答案本身还会因措辞变化而浮动，单次排名没有统计意义，必须用问题集 × 平台 × 多轮采样的份额来衡量。
引用

Citation

生成式引擎在回答中明确标注来源链接的行为。进入引用位是 GEO 的直接目标，也是「可验证性」的落地形式——被提及只是被看见，被引用才是被承认。
品牌提及

Brand Mention

品牌在 AI 回答中被文字提及的行为。提及与引用属于两个层级：提及是可见，引用是可验证。只追求提及会得到「AI 提过但我找不到出处」的脆弱结果。
零点击

Zero-click

用户在结果页直接获得答案而不再点击进入网站的行为模式。AI 回答是零点击的极端形态，这带来一个反直觉的结论：GEO 的目标不是「抢点击」，而是在被引用时把品牌与正确的事实绑定，让用户在后续决策路径上仍然找到你。
L1–L4 指标分层

Measuring Hierarchy

aileo 的四层指标结构：L1 曝光指标（提及率、SOV）、L2 引用指标（引用份额、来源正确率）、L3 转化指标（引荐流量、转化成本比）、L4 资产指标（事实条目数、Schema 覆盖度、跨平台一致率）。分层的原因是不同层级对应不同责任方与不同周期。
回答采样

Answer Sampling

以固定问题集在多个生成式引擎中反复提问并记录回答的做法，是 GEO 数据化的基础。关键在于问题集的构建——它必须来自真实客户决策路径，而非品牌自说自话。
维度四

合规与治理

这一层决定 GEO 的成果能不能守住。AI 说错一句话，可能比不说更糟。

AI 幻觉

AI Hallucination

模型生成与事实不符内容的现象。在品牌场景中具体表现为：捏造资质等级、夸大服务范围、给出错误的价格与联系方式、把同业案例安到别的企业头上。这类错误在 B2B 与合规敏感行业（环保、医疗、金融）中会直接演变为信任危机。
事实库

Fact Base

企业官方确认、口径统一、可追溯到出处的结构化事实条目集合。它是 AI 回答相关问题时应当优先采用的事实基准：当外部信息与事实库冲突时，事实库提供纠正依据。
事实锚定

Grounding

让模型生成内容锚定到可验证的外部事实来源的机制。事实库的价值正在于此——它把「模型自由发挥」转化为「模型引用事实」。
爬虫

Crawler / Bot

自动抓取网页内容的程序。主流生成式引擎对应关系：OpenAI 的 GPTBot 与 OAI-SearchBot、Anthropic 的 ClaudeBot、Perplexity 的 PerplexityBot、字节的 Bytespider、月之暗面的 KimiBot、Google 的 Google-Extended 等。默认被防火墙或 CDN 拦截，是 GEO 最常见的「技术可访问性」障碍。
robots.txt

Robots Exclusion Standard

位于站点根目录的爬虫访问规则文件。GEO 的要求是对 AI 爬虫显式 Allow——而不是依赖默认放行。原因很简单：显式声明是可审计的证据，默认放行在排查时无法举证。
llms.txt

llms.txt

面向大语言模型的站点索引约定文件，以 Markdown 形式提供站点结构与可直接引用的官方口径。本站即同时提供 llms.txt 与 llms-full.txt 两份文件。
E-E-A-T

Experience, Expertise, Authoritativeness, Trustworthiness

经验、专业性、权威性、可信度四项内容质量评估维度。虽然它源自传统搜索质量评估体系，但在 AI 信源筛选环节依然是有效的指导原则——模型同样倾向于引用看起来更可信的来源。
跨平台一致性

Cross-platform Consistency

同一事实在官网、官方公众号、行业专栏、视频平台等所有渠道口径统一的程度。它之所以是治理问题而非内容问题：口径不一致会被 AI 当作矛盾信息处理，从而降低整体可信度，而这类问题往往源自企业内部不同部门各写各的。
承诺红线

Commitment Boundaries

aileo 明确不承诺的三件事：保证推荐第一、保证 100% 出现、销量对赌。原因是生成式引擎的回答具有概率性与平台侧不可控性，任何对此的「保证」都构成误导。可承诺的是过程指标：事实条目交付量、Schema 覆盖度、监测报告频率与 SLA 响应时效。

概念清楚了，下一步是看清自己的位置

用真实数据测出你所在品牌在主流生成式引擎中的可见性基线，比读十篇概念文章更有用。

预约 AI 信息体检 →