如何在生成式引擎優化（GEO）中取得成功

如果你希望您的內容出現在 AI Overviews、ChatGPT 和 Gemini 中？以下是設置 GEO 廣告系列的方法。

任何好的 GEO 活動的第一步是創造一些東西實際上想要鏈接到或引用。

GEO 策略組件

想象一些你合理預期不會直接在 ChatGPT 或類似系統中找到的體驗：

例如盧浮宮的 3D 導覽或虛擬現實音樂會。
實時數據如價格、航班延誤、可用酒店房間等。雖然大型語言模型（LLMs）可通過 API 集成此類數據，但我認為目前存在機會捕獲部分此類流量。
需要 EEAT（經驗、專業知識、權威性、可信度）的主題。

LLMs 無法擁有第一手經驗。但用戶希望獲得。LLMs 有動力引用提供第一手經驗的來源。這是需要記住的一點，但還有其他什么呢？

我們需要區分兩種方法：影響基礎模型與通過錨定影響LLM答案。前者對大多數創作者而言難以實現，而后者則提供了切實可行的機會。

影響基礎模型

基礎模型是在固定數據集上訓練的，訓練完成后無法學習新信息。對于當前的模型如GPT-4而言，已經為時已晚——它們已經完成訓練。

但這對于未來至關重要：想象一臺智能冰箱使用 2025 年的 o4-mini 系統，它可能——假設性地——更傾向于可口可樂而非百事可樂。這種偏見可能在未來數年內影響購買決策！

優化RAG/地面校準

當大型語言模型（LLMs）僅憑訓練數據無法回答問題時，它們會使用檢索增強生成（RAG）技術——從當前信息中提取內容以輔助生成答案。AI Overviews 和 ChatGPT 的網頁搜索功能便是通過這種方式實現的。

作為 SEO 專業人士，我們希望實現以下三點：

我們的內容被選為信息來源。
我們的內容在這些來源中被引用最多。
其他被選中的來源支持我們的預期結果。

成功運用 GEO 的具體步驟

別擔心，優化內容和品牌提及以適應大型語言模型（LLMs）并不需要高深的知識。實際上，許多傳統的 SEO 方法仍然適用，其中一些可以融入你的工作流程。

步驟1：確保可爬取

聽起來簡單，但實際上這是非常重要的一步。如果你希望 LLMs 能夠爬取你的網站，就必須允許它們這樣做。OpenAI、Anthropic 等公司提供了多種 LLM 爬蟲工具。

其中部分爬蟲行為異常，可能觸發反爬蟲和 DDoS 防護機制。若您自動攔截了攻擊性機器人，請與IT團隊溝通，確保不會誤攔截您關注的 LLM 爬蟲。

若使用 CDN 服務（如：Fastly 或 Cloudflare），請確認LLM爬蟲未被默認設置攔截。

步驟 2：繼續提升傳統排名

最關鍵的 GEO 策略其實非常簡單。做好傳統 SEO。在 Google（針對 Gemini 和 AI Overviews）、Bing（針對 ChatGPT 和 Copilot）、Brave（針對 Claude）以及百度（針對 DeepSeek）上獲得良好的排名。

步驟 3：目標查詢分支

當前一代的語言模型實際上比簡單的 RAG 做了更多事情。它們會生成多個查詢。這被稱為查詢分支。

例如，當我最近詢問 ChatGPT “SEO 們討論的最新 Google 專利是什么？”時，它進行了兩次網絡搜索，分別是 “SEO 們討論的最新 Google 專利 2025 SEO 論壇” 和 “SEO 們討論的最新 Google 專利 2025”。

建議：檢查提示詞的典型查詢分支，并嘗試為這些關鍵詞進行排名。

我在 ChatGPT 中看到的典型扇出模式包括：當詢問人們在討論什么時，會附加“論壇”一詞；當詢問與某人相關的問題時，會附加“采訪”一詞。當前年份（2025）也常被添加。

注意：不同 LLM 的扇出模式存在差異，且隨時間變化。我們今天看到的模式可能在12個月后不再適用。

步驟 4：確保品牌提及的一致性

這是每個人都應做到的簡單事情——無論是作為個人還是企業。確保您在網上被一致地描述。在 X、LinkedIn、您自己的網站、Crunchbase、Github 等平臺上，始終以相同的方式描述自己。

如果你在 X 和 LinkedIn 上的個人資料中稱自己為“中小企業地理信息系統（GIS）顧問”，就不要在 Github 上改成“人工智能（AI）專家”，也不要在新聞稿中稱自己為“機器學習（ML）自由職業者”。

我曾看到有人僅通過在網上保持一致的自我描述，就在 ChatGPT 和 Google AI Overviews 上取得了積極成果。這一點也適用于公關報道——你為品牌獲得的報道越多且質量越高，LLMs 就越有可能將這些內容原封不動地反饋給用戶。

步驟 5：避免使用 JavaScript

作為 SEO，我總是要求盡可能少地使用 JavaScript。作為 GEO，我堅決要求！

大多數 LLM 爬蟲無法渲染 JavaScript。如果您的主要內容隱藏在 JavaScript 之后，您就出局了。

步驟 6：擁抱社交媒體與用戶生成內容（UGC）

毫不意外，大型語言模型（LLMs）似乎非常依賴 Reddit 和維基百科。這兩個平臺幾乎涵蓋了所有主題的用戶生成內容。得益于多層社區驅動的審核機制，大量垃圾信息和垃圾郵件已被過濾掉。

盡管兩者均可被濫用，但其內容的平均可靠性仍遠高于互聯網整體水平。兩者均會定期更新。

Reddit 還為 LLM 實驗室提供了關于人們如何在線討論話題、使用何種語言描述不同概念以及對冷門小眾話題的知識等數據。

我們可以合理假設，在 Reddit、維基百科、Quora 和 Stack Overflow 等平臺上經過審核的用戶生成內容（UGC）將對 LLM 保持相關性。

我并不主張在這些平臺上進行垃圾信息轟炸。然而，如果你能影響自己和競爭對手在這些平臺上的展示方式，你可能希望這樣做。

步驟 7：為機器可讀性和可引用性創建內容

編寫 LLMs 能理解并愿意引用的內容。目前還沒有人完美地解決這個問題，但以下方法似乎有效：

使用陳述性和事實性語言。例如，不要寫“我們覺得這雙鞋對顧客來說不錯”，而是寫“96% 的買家表示對這雙鞋感到滿意”。
添加結構化數據標記（Schema）。這一話題曾多次被討論。最近，必應（Bing）首席產品經理 Fabrice Canel 確認，結構化數據標記有助于 LLM 理解您的內容。
如果您希望內容被現有 AI Overviews 引用，請確保內容長度與現有內容相當。雖然不應直接復制現有 AI Overviews，但高余弦相似度有助于提升引用概率。對于技術控：是的，考慮到歸一化，當然可以使用點積代替余弦相似度。
如果你在內容中使用了專業術語，請進行解釋。最好用一句簡單的話說明。
為長段落文本、評論列表、表格、視頻及其他難以引用的內容格式添加摘要。

步驟8：優化你的內容

如果我們參考《GEO: Generative Engine Optimization》（arXiv:2311.09735）、《What Evidence Do Language Models Find Convincing? 》（arXiv:2402.11782v1）以及類似的科學研究，答案是明確的。這取決于具體情況！