第9讲：GEO 生成引擎优化
从 SEO 到 GEO 的范式转移——面向生成式搜索的内容优化新学科，涵盖策略、度量和真实案例
从 SEO 到 GEO：一场正在发生的范式转移
在过去二十多年里，SEO（Search Engine Optimization，搜索引擎优化）的核心假设是稳定的：用户键入关键词，搜索引擎返回一个排序链接列表，点击发生在蓝色链接上。整个产业的杠杆（关键词密度、反向链接、页面权重、Schema 标记）都围绕着"如何进入 Top 10 蓝链"而建立。
但到 2025—2026 年，这个假设正在迅速失效。Pew Research Center 的数据显示，当 Google 搜索结果中出现 AI 摘要时，用户点击传统网页链接的比例从 15% 跌到 8%；Bain & Company 报告约 60% 的搜索不再产生任何点击；Adobe Analytics 记录到美国零售网站来自生成式 AI 的引流流量在七个月内增长 12 倍。用户正在与一个新的界面交互——它不再给你"蓝色链接的列表"，而是直接合成一段答案，并在其中夹杂若干内联引用。
GEO（Generative Engine Optimization，生成引擎优化） 就是面向这种新界面的内容优化学科。它关心的核心问题不再是"我如何排在第 3 位"，而是：在一个黑箱的 LLM 搜索系统中，我的内容如何被检索、被合成、最终被引用到答案里？这一差异看似细微，但它改变了整条优化链路——从关键词、到结构、到写作风格、到度量指标、再到防御对抗性攻击的方法。
学习目标
完成本讲后，你将能够：
- 解释 GEO 与传统 SEO 的根本差异，理解生成式引擎的三种架构（Search-then-Synthesize / Iterative Refinement / Integrated Search-Generation）
- 掌握 Aggarwal 等人（KDD 2024）提出的 9 种 GEO 优化策略，以及 GEO-SFE（Yu et al., 2026）的结构特征工程三层模型
- 设计 GEO 效果的可度量实验：Impression Metric、Citation Metric（词频加权 / 位置加权）、引用位次与引用忠实性
- 分析 生成式搜索生态的来源偏差：Perplexity、ChatGPT Search、Google AI Overview、秘塔、DeepSeek 等入口的可操作差异
- 独立完成 一次 GEO 小型实证：对同一主题发起多轮查询、记录引用源、按策略改写自有内容并对比引用变化
学时分配
| 环节 | 时长 | 内容 |
|---|---|---|
| 讲授 | ~60 分钟 | 基础概念 / 优化策略 / 评估指标 / 案例分析 |
| 上机实验 | ~50 分钟 | 在可观测入口（推荐秘塔）上做 GEO 小实验 |
课程内容
9.1 GEO 基础：定义、与 SEO 的异同、生态现状
GEO 的学术定义、生成式引擎三类架构、主流入口全景、用户行为层面的变化
9.2 GEO 核心优化策略
Aggarwal 的 9 种策略、GEO-SFE 结构三层模型、E-GEO 电商场景、Chen et al. "赢得媒体"
9.3 评估指标与实验设计
Impression Metric、Citation Metric、位置加权、A/B 实验、引用忠实性测量
9.4 真实案例分析
学术文章的 Perplexity 引用轨迹、品牌方 GEO 实践正反面、中文入口（秘塔/DeepSeek）观察
上机实验：GEO 小型实证
在秘塔搜索上对同一主题 20 个 query、记录引用源、GEO 策略改写博文再测
参考文献
Aggarwal (KDD 2024)、C-SEO Bench、GEO-SFE、E-GEO 及综述译本
关键词
GEO · Generative Engine · Impression Metric · Citation Metric · SEO vs GEO · Perplexity · ChatGPT Search · 秘塔搜索 · C-SEO Bench · GEO-SFE · Earned Media