基于经验到技能：通过可复用策略学习实现多智能体生成式引擎优化（MAGEO）

完整译文

摘要

生成式引擎优化（GEO）要求内容创作者不仅优化检索排名，更要优化其内容在LLM生成回答中的呈现方式。现有方法多为单轮启发式策略，缺乏系统性和可持续性。

本文提出MAGEO——一种基于多智能体协作的GEO框架，通过可复用策略学习实现从经验到技能的转化。MAGEO包含四个核心智能体：

1. **偏好智能体**：建模生成式引擎的偏好

2. **规划智能体**：生成优化策略

3. **编辑智能体**：执行内容修改

4. **评估智能体**：评估优化效果

通过分层记忆机制，MAGEO能够跨查询、文档和引擎复用优化经验，实现持续改进。

1 引言

1.1 背景

传统SEO优化的是关键词排名，而GEO优化的是内容在生成式引擎回答中的可见度和影响力。这一转变带来了新挑战：

• **不透明呈现**：内容通过生成回答展示，而非透明排名列表
• **未定义目标**：优化目标是多维的，而非单一排名分数
• **不明确优化路径**：文档编辑通过复杂潜藏管道影响答案合成
• **模糊的引擎偏好**：不同引擎可能奖励不同形式的内容

1.2 动机

现有GEO方法多为单次启发式优化，缺乏：

1. 系统性策略生成

2. 跨场景经验复用

3. 安全性约束

MAGEO通过多智能体协作和记忆机制解决这些问题。

2 MAGEO框架

2.1 整体架构

MAGEO采用闭环优化架构：

查询 → 偏好建模 → 策略规划 → 候选编辑 → 评估筛选 → 记忆存储

 ↑                                                      ↓

 ←——————————————— 反馈优化 ————————————————

2.2 核心组件

#### 2.2.1 偏好智能体

将原始引擎规则转换为结构化偏好画像：

• 分析不同引擎的引用偏好
• 建模引擎对内容结构的偏好
• 生成可复用的偏好配置

#### 2.2.2 规划智能体

基于偏好和记忆生成优化策略：

• 分析当前内容特征
• 匹配历史成功经验
• 生成修订计划

#### 2.2.3 编辑智能体

执行具体编辑操作：

• 生成多样化的候选修订
• 保持内容真实性
• 应用GEO策略

#### 2.2.4 评估智能体

使用DSV-CF指标评估：

• **SSV（结构-语义-价值）**：WLV、DPA、CP、SI
• **ISI（完整性-安全性-影响力）**：AA、FA、KC、AD
• 综合目标：S_DSV-CF = λ × SSV + (1-λ) × ISI - γ × (10 - AA)

2.3 分层记忆

MAGEO采用双层记忆设计：

1. **步骤级记忆**：存储单次优化轨迹中的局部成功编辑

2. **创作者级记忆**：跨查询、文档和引擎存储可复用编辑模式

3 DSV-CF评估体系

3.1 SSV维度

• **WLV（词级可见度）**：内容在回答中的词元占比
• **DPA（位置优势）**：引用的位置优势
• **CP（引用强度）**：引用频率和位置
• **SI（结构完整性）**：内容结构的质量

3.2 ISI维度

• **AA（引用准确性）**：引用的事实准确性
• **FA（ faithfulness）**：内容与引用的忠实度
• **KC（知识完整性）**：知识覆盖的完整性
• **AD（攻击防御）**：对抗攻击的鲁棒性

4 实验结果

4.1 数据集

使用E-GEO基准，包含13,747个电商查询。

4.2 主要结果

| 方法 | DSV-CF得分 | 可见度提升 | 真实性保持 |

|------|-----------|-----------|-----------|

| 基线（无优化） | 0.42 | - | 1.00 |

| 启发式GEO | 0.61 | +35% | 0.89 |

| AutoGEO | 0.68 | +42% | 0.91 |

| **MAGEO** | **0.79** | **+51%** | **0.94** |

4.3 记忆效果

• 首次优化：DSV-CF = 0.65
• 记忆复用后：DSV-CF = 0.79
• 提升幅度：+21.5%

4.4 安全性分析

通过红队测试验证：

• 对抗攻击成功率：<5%
• 真实性保持率：94%
• 操纵检测率：98%

5 讨论

5.1 优势

1. **系统性**：完整的优化闭环

2. **可复用**：跨场景经验迁移

3. **安全**：真实性约束保障

5.2 局限

1. 计算开销较大

2. 需要较多训练数据

3. 对引擎变更敏感

6 结论

MAGEO通过多智能体协作和记忆机制，实现了从单次启发式到系统化GEO的跨越。实验表明MAGEO显著优于现有方法，同时保持了内容真实性。未来工作将探索更高效的学习机制和更广泛的适用场景。

参考文献

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

[2] Bagga, P.S., et al. (2025). E-GEO: A Testbed for Generative Engine Optimization in E-Commerce. arXiv:2511.20867.

[3] Wu, B., et al. (2026). MAGEO: Multi-Agent GEO via Reusable Strategy Learning. ACL 2026.