生成式引擎优化（GEO）与搜索的未来

完整译文

摘要

本文从概念层面阐述了生成式引擎优化（GEO）的理论框架，讨论了从传统搜索向生成式搜索演进过程中优化目标的重新定义。

1 引言

1.1 搜索范式的转变

传统搜索：用户查询 → 检索文档列表 → 用户自行阅读

生成式搜索：用户查询 → 生成综合回答 → 用户获取答案

这一转变改变了内容创作者获得可见度的机制。

1.2 GEO的定义

GEO是优化内容在生成式引擎响应中可见度的系统性方法，包括：

• 可见度指标定义
• 优化策略设计
• 效果评估方法

2 概念框架

2.1 三层模型

1. **内容层**：内容的结构、质量、权威性

2. **引擎层**：引擎的检索、排序、生成机制

3. **用户层**：用户的查询意图、交互行为

2.2 优化目标

传统SEO：最大化点击率

GEO：最大化可见度（包含率、引用强度、占据份额）

3 评估方法

3.1 可见度指标

• **包含率**：内容被引擎引用的概率
• **引用强度**：内容在回答中的重要性
• **占据份额**：内容占据的回答词元比例

3.2 评估流程

1. 准备测试查询集

2. 获取引擎响应

3. 计算可见度指标

4. 对比优化前后效果

4 对搜索生态的影响

4.1 对内容创作者

• 新的优化维度
• 内容质量要求提升
• 长期价值更受重视

4.2 对用户

• 获取信息更高效
• 信息质量更可控
• 需要批判性思维

4.3 对平台

• 竞争格局变化
• 生态平衡挑战
• 治理难度增加

5 未来展望

5.1 研究方向

1. 多轮对话场景的GEO

2. 多模态内容的GEO

3. 跨引擎的GEO策略迁移

5.2 实践建议

1. 关注内容质量提升

2. 理解引擎工作机制

3. 持续监控和优化

6 结论

GEO是生成式搜索时代的必然产物，需要系统性研究和实践。本文提出的概念框架为后续研究奠定了基础。

参考文献

[1] Aggarwal, P., et al. (2024). GEO: Generative Engine Optimization. KDD 2024.

[2] Allouah, A., et al. (2025). The Impact of Generative AI on Web Traffic. arXiv:2501.00745.