1. 为什么品牌需要一套 GEO 评估框架

过去十年，做数字营销的人几乎都绕不开一个词：SEO。我们研究关键词密度、外链权重、页面加载速度，把排名从第三页硬生生推到第一页。但这套逻辑正在被快速改写。你现在打开任何一个主流 AI 搜索入口，输入“适合敏感肌的平价面霜”，得到的往往不是十条蓝色链接，而是一段整合好的推荐语，附带两三个引用来源。用户看完这段回答就走了，根本不会翻到下面的网页列表。

这就是 GEO（Generative Engine Optimization，生成式引擎优化）要解决的问题。它关注的不是“网页排第几”，而是“品牌有没有被 AI 提到、被怎么提到、被放在什么位置提到”。我把它理解成从“抢货架位置”到“抢导购话术”的转变——以前你争的是超市货架第几层，现在你争的是导购员向顾客推荐时，第一个说出的是不是你的牌子。

“探源者 GEO 全链路评估框架”就是在这个背景下被我反复打磨出来的一套方法论。它的核心目标很直接：把“品牌在 AI 搜索里的可见度”这件事，从模糊的感觉变成可量化、可追踪、可优化的指标。适合谁来参考？三类人最需要：一是负责品牌线上声量的市场同学，二是做内容策略和投放的运营，三是想搞清楚自家品牌在 AI 眼里到底长什么样的创业者。哪怕你之前完全没接触过 GEO，只要理解 SEO 的基本逻辑，这套框架就能上手。

我踩过的最大一个坑，就是一开始只用“AI 有没有提到我”这种二元判断。结果发现，提到了但排在第五个、语气还是负面的，跟没提到几乎一样糟。所以这套框架从一开始就强调“全链路”——从提问、检索、生成到最终呈现，每个环节都要拆开看。

2. 拆解 GEO 全链路：从用户提问到品牌露出

2.1 全链路的四个关键环节

要评估，先得把链路拆清楚。我把 AI 搜索的完整过程分成四段，每一段都有品牌可以发力的地方，也都有对应的评估指标。

第一段是意图解析。用户输入一句话，AI 先要理解他到底想要什么。比如“leica geo office lgo 还能用吗”这种问题，AI 需要判断这是工具咨询还是怀旧讨论。品牌在这里能做的，是让自己的内容覆盖足够多的意图表达方式。

第二段是信息检索。AI 会去它的索引里找相关内容，可能是实时联网搜索，也可能是训练数据里的记忆。这一步决定了哪些品牌“有资格”被考虑。如果你的内容压根没被检索到，后面的事都无从谈起。

第三段是内容生成。AI 把检索到的信息整合成一段回答，决定提谁、不提谁、谁排前面、用什么语气。这是品牌可见度竞争最激烈的地方。

第四段是呈现与引用。最终用户看到的回答里，品牌名出现在正文还是引用列表，有没有附带链接，这些细节直接影响点击和信任。

注意：很多团队只盯着第三段，忽略了第一段和第二段。实际上，意图覆盖不全，检索阶段就被过滤掉了，生成阶段再努力也没用。

2.2 为什么传统 SEO 指标在这里失效

我刚开始做 GEO 的时候，习惯性地把 SEO 那套指标搬过来，结果发现完全对不上。排名位置？AI 回答里根本没有“第 1 位”这种概念，它是自然语言段落。点击率？用户可能看完回答就走了，压根不点链接。外链数量？AI 更看重内容的语义相关性和事实一致性，而不是谁链了你。

这里必须说清楚一个底层逻辑：SEO 优化的是“机器爬虫对网页的排序”，GEO 优化的是“生成模型对品牌的提及概率和情感倾向”。前者是排序问题，后者是概率和语义问题。你没法用“关键词密度 2.8%”这种指标去衡量一段 AI 回答里品牌出现的合理性。

所以这套框架重新定义了一组指标，后面会详细展开。先记住一个原则：GEO 评估的是“品牌在 AI 生成内容中的存在质量”，而不是“网页在搜索结果中的位置”。

2.3 全链路评估框架的整体结构

“探源者”框架我把它分成三层，从下到上依次是数据采集层、指标计算层和策略输出层。

数据采集层负责模拟真实用户向多个 AI 搜索入口提问，记录完整的回答内容、引用来源和品牌提及情况。这里的关键是“多入口”和“多轮次”——同一个问题问三次，答案可能都不一样，必须多次采样。

指标计算层把采集到的原始文本转化成可比较的数字。我设计了五个核心指标：提及率、首位率、情感倾向、引用深度和意图覆盖率。每个指标都有明确的计算公式，后面会逐个拆解。

策略输出层根据指标结果，反推内容策略该怎么调整。比如提及率低但情感好，说明内容质量没问题，是覆盖面不够；首位率低但提及率高，说明内容有竞争力但缺乏权威信号。

这三层结构的好处是，每一层都可以独立迭代。采集层换入口，计算层调权重，输出层改策略，互不影响。

3. 核心指标设计与计算逻辑

3.1 提及率与首位率：最基础的两个数字

提及率是我最看重的入门指标。计算方式很简单：在 N 次有效提问中，品牌被 AI 回答提及的次数除以 N。比如你模拟了 50 个问题，每个问题问 3 次，总共 150 次回答，其中 42 次提到了你的品牌，提及率就是 28%。

这个数字看起来粗糙，但它是所有后续分析的基础。我一般会按问题类型分组统计，比如“产品推荐类”问题的提及率、“对比评测类”问题的提及率、“使用教程类”问题的提及率。分组之后你就能看出品牌在哪些场景下有存在感，哪些场景完全缺席。

首位率是提及率的升级版：品牌不仅被提到，而且是第一个被提到的。这个指标直接反映 AI 对品牌行业地位的判断。计算公式是“品牌首次出现位置为第 1 的回答数”除以“总有效回答数”。注意，这里的分母是总回答数，不是提及数，因为没被提及的回答在首位率里应该算 0 分。

我实测下来，首位率和提及率往往不同步。有些品牌提及率能到 40%，但首位率只有 5%，说明 AI 知道它，但不认为它是首选。这种情况通常是因为品牌内容缺乏“权威性信号”，比如没有权威媒体报道、没有行业标准引用、没有专家背书。

3.2 情感倾向：AI 是在夸你还是在损你

情感倾向这个指标，我吃过亏。早期版本我只做了“正面/中性/负面”三分类，结果发现颗粒度太粗。AI 说“XX 品牌也有类似产品”和“XX 品牌是行业领导者”，都是正面，但价值差远了。

后来我改成五级评分：-2 到 +2。具体标准如下表：

评分由人工标注加规则匹配完成。规则匹配主要抓取情感词和程度副词，人工标注处理复杂语境。我一般会抽 20% 的样本做人工校验，确保规则准确率在 85% 以上。

这个指标最大的价值是发现“隐形危机”。有些品牌提及率很高，但情感倾向长期在 0 到 -1 之间徘徊，说明 AI 只是把它当凑数的，甚至带着负面暗示。这种情况比没被提到更危险，因为用户看到负面提及会直接排除。

3.3 引用深度：品牌出现在正文还是脚注

引用深度衡量的是品牌在 AI 回答中的“位置权重”。我把它分成四个层级：

• L1 正文核心：品牌出现在回答的主要论述段落，是推荐或对比的核心对象。
• L2 正文辅助：品牌出现在正文，但只是列举中的一个，没有展开论述。
• L3 引用列表：品牌只出现在回答末尾的参考来源或延伸阅读里。
• L4 未提及：完全没出现。

L1 和 L2 的差距，在实际转化上可能差三到五倍。因为用户读正文时注意力最集中，读到引用列表时已经准备离开了。

计算引用深度得分时，我给每个层级赋权：L1 得 1.0，L2 得 0.6，L3 得 0.2，L4 得 0。然后对所有回答求平均。这个加权平均分能综合反映品牌的“露出质量”。

我观察到一个规律：L1 占比高的品牌，通常在某一个细分场景里有非常密集的内容布局。比如某个国产护肤品牌，在“敏感肌修护”这个场景下 L1 占比超过 60%，但在“抗老”场景下几乎全是 L4。这说明它的 GEO 策略是聚焦打法，不是全面铺开。

3.4 意图覆盖率：你的内容能接住多少种问法

意图覆盖率是我认为最能体现“全链路”思维的指标。它衡量的是：在目标用户可能提出的所有问题类型中，品牌能被 AI 提及的比例。

具体做法是，先构建一个“意图图谱”。以“leica geo office lgo”这个工具为例，用户可能问：它还能用吗？有没有替代品？怎么导出数据？和最新版有什么区别？在哪里下载？每个问题是一个意图节点。

然后针对每个意图节点设计 3 到 5 个自然语言问法，模拟提问。如果品牌在某个意图下的提及率超过阈值（我一般设 30%），就算“覆盖”了这个意图。意图覆盖率就是被覆盖的意图节点数除以总节点数。

这个指标低，说明内容策略有盲区。我见过一个工具类产品，在“功能对比”意图下覆盖很好，但在“故障排查”意图下完全空白。结果就是，用户搜“XX 报错怎么办”时，AI 推荐的全是竞品。

提示：意图图谱不是拍脑袋想的，要从真实用户提问里挖。客服记录、社区问答、搜索下拉词，都是好来源。

4. 实操：从零搭建一次 GEO 评估

4.1 准备阶段：确定评估范围和采样方案

动手之前先想清楚三件事：评估哪个品牌、覆盖哪些场景、采样多少轮次。

品牌不用多说。场景要具体，不能写“护肤”，要写“敏感肌修护”“油皮控油”“平价抗老”这种颗粒度。我一般建议初次评估选 3 到 5 个核心场景，每个场景 10 到 15 个意图节点。

采样轮次是个经验活。AI 生成有随机性，同一个问题问一次不够。我的做法是每个问法至少问 3 次，取并集分析。如果预算和时间允许，5 次更稳。采样时间也要分散，不要一个下午全问完，最好跨 2 到 3 天，避免某个时间点的模型状态偏差。

工具方面，我早期用表格手动记录，后来写了个简单的 Python 脚本做批量提问和结果解析。如果你不想写代码，用在线表格加人工复制粘贴也能做，就是累一点。关键是记录要完整：问题原文、回答全文、引用来源、品牌提及位置、情感判断。

4.2 数据采集：模拟真实提问的五个技巧

采集数据看着简单，其实坑很多。我总结了五个技巧，都是踩坑换来的。

第一，问法要口语化。别用“请评价 XX 品牌的产品质量”这种书面语，真实用户会说“XX 的XX 好用吗”。AI 对口语化问法的回答更接近真实场景。

第二，混合开放式和封闭式问题。开放式如“推荐几款适合新手的相机”，封闭式如“XX 和 YY 哪个更适合拍视频”。两种问法得到的品牌露出模式完全不同。

第三，加入对比类问题。对比问法最能暴露品牌的相对位置。我一般会设计“品牌 vs 竞品 A”“品牌 vs 竞品 B”“品牌 vs 行业通用方案”三组对比。

第四，记录引用来源。AI 回答里如果有引用链接或来源标注，一定要记下来。这些来源就是 AI 眼中的“权威信源”，是后续优化的重点目标。

第五，截图存档。文字记录可能丢失格式信息，截图能保留回答的完整呈现方式。我习惯用带时间戳的截图，方便后续复查。

4.3 指标计算：一个完整的计算示例

假设我们评估“XX 品牌”在“新手相机推荐”场景下的表现。设计了 10 个问法，每个问法采样 3 次，共 30 次有效回答。

统计结果如下：提及次数 12 次，其中首位提及 3 次，L1 层级 4 次，L2 层级 5 次，L3 层级 3 次。情感评分总和为 +8（12 次提及的平均分约 +0.67）。

计算过程：

• 提及率 = 12 / 30 = 40%
• 首位率 = 3 / 30 = 10%
• 引用深度得分 = (4×1.0 + 5×0.6 + 3×0.2 + 18×0) / 30 = (4 + 3 + 0.6) / 30 = 7.6 / 30 ≈ 0.253
• 平均情感倾向 = +8 / 12 ≈ +0.67

意图覆盖率方面，10 个问法覆盖了 6 个意图节点中的 4 个，覆盖率 67%。

把这些数字放在一起看：提及率 40% 不算低，但首位率只有 10%，说明品牌有存在感但缺乏首选地位。引用深度 0.253 偏低，因为 L1 占比只有 33%。情感 +0.67 属于中等偏正面，没有明显危机。意图覆盖率 67% 说明还有三分之一的用户问法接不住。

这个诊断结果指向的策略很明确：加强权威内容建设提升首位率，增加深度评测类内容提升 L1 占比，补齐缺失的意图节点。

4.4 结果解读：从数字到策略的映射

指标算出来不是终点，关键是翻译成可执行的策略。我整理了一个映射表，方便快速定位问题。

这个表我贴在工位上，每次评估完对着看一遍，基本能确定下一步做什么。

5. 常见问题与排查技巧实录

5.1 为什么同一个问题问三次答案不一样

这是被问得最多的问题。原因有三个：一是 AI 生成本身有随机性，温度参数决定了输出不是确定性的；二是联网搜索的结果会随时间变化，今天搜到的网页和明天不一样；三是模型可能在不同时间点更新。

应对方法很简单：接受随机性，用多次采样取统计值。不要纠结单次回答的差异，要看 30 次采样的整体分布。如果三次回答差异极大，说明这个问题处于模型的“不确定区域”，反而是品牌可以发力的机会点。

5.2 品牌被提到但排名靠后怎么办

排名靠后通常意味着 AI 认为你的品牌“相关但不优先”。提升优先级的方法有几个：一是增加权威信源的引用，比如行业报告、学术论文、知名媒体评测；二是优化内容的“对比优势”表达，让 AI 更容易提取出你的差异化卖点；三是增加在高质量问答社区的自然提及。

我实测下来，权威信源的效果最明显。同样一段产品介绍，放在个人博客和放在行业媒体上，被 AI 优先引用的概率差好几倍。

5.3 负面提及怎么处理

先别慌。负面提及分两种：一种是事实性的，比如“XX 已停止服务”，这种要尽快更新信息源；另一种是观点性的，比如“XX 性价比不高”，这种可以用正面内容对冲。

处理流程是：定位负面来源，判断是事实错误还是观点差异。事实错误就联系来源方更正，同时发布正确信息；观点差异就增加正面评测和用户好评的曝光，让 AI 在生成时有更多正面素材可选。

注意：不要试图“删除”负面信息，AI 会从多个来源交叉验证。更有效的做法是增加正面信息的密度和权威性。

5.4 评估频率多久一次合适

我的建议是：核心场景每月一次，全量场景每季度一次。AI 搜索的生态变化很快，新入口、新模型、新内容源不断出现，评估频率太低会错过变化。

但也不要过度频繁。每周一次意义不大，因为内容优化需要时间生效，评估太密只会看到噪声。月度的节奏刚好能观察到策略调整后的效果。

5.5 小团队没有预算怎么做

这套框架不一定非要大预算。我见过最精简的做法是：一个人、一个表格、每周两小时。选 3 个核心场景，每个场景 5 个问法，每个问法问 2 次，手动记录。虽然样本量小，但趋势判断足够用。

关键是坚持记录，形成时间序列。有了连续三个月的数据，你就能看出品牌可见度是在涨还是在跌，这比单次评估有价值得多。

6. 我在这套框架上踩过的坑

第一个坑是指标太多导致失焦。我最初设计了十几个指标，结果每次评估完看着一堆数字不知道从哪下手。后来砍到五个核心指标，每个指标对应明确的策略方向，效率反而高了。指标不是越多越好，能指导行动的才有价值。

第二个坑是忽略平台差异。不同 AI 搜索入口的检索逻辑和生成风格差别很大。同一个品牌，在 A 入口提及率 50%，在 B 入口可能只有 15%。所以评估一定要分入口统计，不能混在一起算平均值，否则会掩盖问题。

第三个坑是把 GEO 当成一次性项目。我早期做完一轮评估，出了报告，然后就放下了。三个月后再看，数据全变了。GEO 是持续运营，不是一次性审计。现在我的做法是把它嵌入月度内容复盘流程，跟 SEO 数据一起看。

第四个坑是过度优化导致内容失真。为了让 AI 多提品牌，我一度在内容里堆砌品牌名和推荐语，结果内容质量下降，反而影响了权威信源的引用。后来明白一个道理：GEO 的底层还是内容质量，AI 不傻，它能识别出什么是真正有价值的信息。

这套框架到现在还在迭代。最近我在尝试把“引用来源的权威度”也纳入评估，因为发现同样被提及，引用来源是行业媒体还是个人博客，对用户信任的影响完全不同。等跑通了我再单独写一篇分享。如果你也在做 GEO 相关的事，欢迎交流踩坑经验，这个领域变化太快，一个人摸索容易走弯路。