美国,加利福尼亚州
长久以来，大家做线上内容优化，思维都扎根在传统 SEO 体系里。传统搜索引擎的核心是链接排序，优化思路围绕关键词匹配展开。但随着回答引擎不断普及，大模型不再只是返回一堆相关网页链接，而是直接整合信息、输出完整答案。在这个变化之下，原来的优化逻辑不再完全适配，行业一直缺少一套专门服务于大模型采信、源文本引用的内容标准，这也是这份研究想要解决的痛点。
2024 年 8 月，一篇《Generative Engine Optimization: Optimizing Content For Answer Engines》的论文发布，首次搭建起系统化的 GEO 理论框架，对于所有做生成式引擎内容优化的从业者来说，是一份具备参考意义的研究。
为了验证猜想，研究团队选取了 4 款开源大模型，搭建了包含 1200 组对照文本的测试集。针对同一个选题，研究者准备两类内容版本：一类沿用传统 SEO 写法，侧重关键词堆砌，带有营销属性；另一类按照 GEO 的设想重构，做到实体定义清晰、事实相互独立、逻辑分层、标注清楚内容的适用范围。之后使用统一的提问话术，统计两份素材被模型抽取、用作答案支撑依据的频次。
实验得到了几个值得关注的结论。首先，关键词密度在 GEO 体系里带来的正向收益很微弱，实体清晰、事实可以核验、内容不自相矛盾、结构化分段表达，才是更容易被引擎识别采信的强信号。在同等信息体量的前提下，遵循 GEO 原则改写后的内容，被模型引用的概率提升了 62%。同时研究者还发现，大模型更倾向单独识别独立事实，揉在同一个超长段落里的信息，很容易被模型忽略。
论文作者也客观写明了本次研究存在的局限。整个实验全部基于开源模型开展，没有接入国内商用大模型，不同厂商检索、召回的权重设计存在差异，这份结论不能直接等同于通用的平台算法规则。其次，测试素材以英文科普内容为主，没有大批量 B 端技术服务类样本。实验仅统计了 “素材是否被引用” 这个指标，没办法衡量引用之后模型输出答案的准确度，以及内容的优先级排序情况。
这份研究发布之后，行业内也产生了不少讨论。一部分后续跟进的研究者提出质疑：本次实验没有隔离文本长度、可读性这类干扰变量，我们没办法断定，引用率提升就是实体信号带来的结果。还有一种观点认为，这份论文总结的现象本质只是 “高质量内容更容易被引用”，不需要单独提炼出一套名为 GEO 的全新理论。
对于国内做 B 端内容的从业者来说，这项研究依然有落地的参考价值。它提醒我们，内容优化的重心，慢慢从 “讨好搜索排序” 转向 “方便模型理解、采信事实”。芳晟科技在 B 端技术内容 GEO 实践中，也遵循 “清晰实体边界、写明适用约束” 这套内容原则，生产事实干净、边界明确的行业干货。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
