一文详解：GEO概念起源，基本原理及技术特点-GEO信息-全知引擎

GEO是什么意思？为什么要做GEO？一文给大家科普：GEO的概念起源，基本原理，发展历程，技术特点。

在正式科普之前，咱们先简短聊个有意思的话题，相信你也有遇到过。

这个话题就是：AI搜索的结果，有可能干预吗？

以下我用一个朋友的实际案例来给大家分析分析。

过年期间，身为市场推广经理的王罡（化名），在公司微信群里看到老板发了一条消息：“为什么豆包上没有我们公司？”

他赶紧点开看了一眼，之前从来不用AI大模型产品的老板用豆包和DeepSeek问了与公司所在行业相关的问题，并让大模型推荐行业内知名的公司，老板晒出了问答截图，但大模型的回答有竞品公司，没有他们公司的信息。

王罡测试了其他大模型产品，有的就能显示他们公司的信息，有的还能排在**位。他把这些信息反馈给了老板，老板只回答了三个字：“多思考。”

昨天假期结束，今天一早王罡的老板再次晒出豆包的回答截图，要求团队按照豆包方案去做用户增长并更新了KPI。有同事委婉地向老板提出疑问，老板回应了六个字：“你要被淘汰了。”

王罡的老板因为豆包的回答没有他们公司而生气，但也有商家因为自己在豆包的回答中排名靠前而高兴，并利用豆包的回答做起了营销。

上海一家拉面店在门口打出广告写明DeepSeek推荐（左图），笔者实际询问DeepSeek得到的回答（右图）可以注意到，大模型产品的回答，尤其是豆包和DeepSeek这类的AI回答，正在被越来越多的人认可，且已具有商业价值。

而王罡的老板看似离谱行为的背后，藏着一个真需求——AI搜索引擎优化。

王罡所在的这家公司属于传统行业，且是行业头部公司，拥有较高的行业知名度。如果在传统搜索引擎中搜索，只要正常做好SEO（搜索引擎优化），搜索相关内容都会出现该公司的信息。

但是，AI搜索的结果就不一定了。为什么？

答案是：AI搜索的逻辑变了

由于目前越来越多的大模型产品加入了联网搜索功能，因此有联网搜索功能的大模型产品（如豆包、ChatGPT、DeepSeek、元宝、千问、Kimi等）和专门的AI搜索产品（Perplexity、夸克、秘塔AI搜索、纳米AI搜索等）都属于AI搜索的范畴。

此前，在一文中，我们曾说，AI搜索已经不是传统搜索。

为什么会这么说？

AI搜索主要有检索（Retrieval）和生成（Generation）两个步骤。

如果你在大模型产品中打开了联网搜索模式再提问的话，你会发现它会先检索了若干个网页，找到相关参考资料之后，再生成回答。

在检索方面，AI搜索会接入传统搜索引擎API，采用自建索引库，或使用新一代AI搜索引擎架构。在检索步骤里还有很多小步骤，比如意图识别、问题改写、检索结果重排、获取详情内容、内容过滤、上下文增强等。

在生成方面，AI搜索就是根据用户需求，基于检索出来的内容，通过不同的模型生成回答。

AI搜索流程图，图片来源：AI产品黄叔

如果把检索和生成比作备菜和炒菜的话，那么接入传统搜索引擎API的“备菜”方式是相对粗放的，而使用新的AI搜索引擎架构的“备菜”的食材来源更有保障、质量更高，配料、调味料也更加精细，虽然最后“炒菜”的厨师是不同的大模型，经验能力有高有低，但“备菜”往往决定了最后菜品的口味。

博查AI搜索CTO翁柔莹Eileen告诉笔者，新一代AI搜索引擎和传统搜索引擎不同，它不再通过关键字密度和PageRank排序，而是通过混合检索和语义排序，为大模型提供最需要的内容。

**阶段，进行向量+关键词两路混合检索。通过向量关联，直接匹配用户意图，然后通过关键字搜索解决部分直接匹配的需求，之后召回结果进行**次排序。在这一层中，搜索引擎会沿用谷歌的EEAT原则（专业性、经验、**性、可信度），对信息源的**性、原创性、逻辑性等进行评分，增加内容源的排序权重分。

第二阶段，通过Semantic Reranker（语义重排器）进行语义排序。基于用户问题与搜索结果的语义相关性进行评分，并作为最终结果输出给相关AI应用中的大模型。由于Semantic Reranker与大模型都是基于Transformer架构，语义排序后的结果会更受大模型的“喜欢”，更加符合大模型生成内容的需要。

“博查目前在做的就是专为AI设计的世界知识搜索引擎，是基于混合检索和语义排序的新一代搜索引擎。”翁柔莹Eileen说，“目前我们主要服务B端AI应用厂商，承接着国内AI应用60%以上的联网搜索请求。”

AI搜索逻辑变了，就会导致即使是同一个用户用同样的问题，问不同AI搜索产品，也会得出不一样的结果。更不用说不同用户去问了。

这就可以解释前文那位老板的困惑。

那到这里咱们再回归正题！

到底什么是GEO？GEO的概念起源，基本原理，发展历程及技术特点都是什么？

生成引擎优化（Generative Engine Optimization, GEO）是AI搜索优化的多元拓展，聚焦于生成式AI环境下的内容整合与结构化数据应用。

其目标是让AI快速提取内容中的关键信息，并在生成答案时优先引用品牌内容。 GEO是通过生产或调整内容，当用户通过AI工具提问时，GEO确保品牌的核心信息被AI系统采纳，并直接融入答案中。

比如有一些GEO优化公司通过生成引擎优化能让广告成为“标准答案”。其中有服务商声称，**只需数千元，便可以让自己的品牌信息，以客观答案的形式，优先出现在用户的AI对话框中，甚至排名**！

GEO概念来源

GEO的诞生源于两个关键节点，一条来自产业界的敏锐洞察，另一条来自学术界的系统研究。

理论奠基

GEO的概念最早可以追溯到一篇产业界的文章。2023年12月18日，横跨计算机与整合营销传播背景的中国专家汤祚飞，发表了业内首篇相关专业文章。他在文中提出了企业应面向AI大模型进行内容优化的前瞻性观点，为后来GEO概念的形成奠定了理论基础。

学术确立

GEO源自于2024年6月，印度理工学院德里分校、普林斯顿大学的学者和一些独立研究者在arXiv上发表了论文《GEO: Generative Engine Optimization（生成引擎优化）》，提出了GEO（生成引擎优化）概念、框架及相关的实验设计。将其定义为"无需知晓引擎算法设计，即可提升内容在生成式AI响应中可见度的黑箱优化方法"。此后，GEO正式进入了公众、产业界和学术界的视野。