GEO术语词典

核心概念

GEO Generative Engine Optimization

生成式引擎优化。指通过优化品牌内容的语义结构、权威信源与实体一致性，提升品牌在生成式AI问答平台（如豆包、DeepSeek、通义千问、ChatGPT等）的回答中被提及、被引用和被优先推荐的概率的方法体系。该术语由普林斯顿大学等研究团队于2023年在学术论文中正式提出，是有学术根基的研究方向而非营销杜撰。

生成式引擎 Generative Engine

以大型语言模型（LLM）为核心、能够根据用户自然语言提问生成连贯回答的AI系统。与传统搜索引擎返回链接列表不同，生成式引擎直接输出整合后的答案文本，可能附带引用来源。典型产品包括豆包、DeepSeek、通义千问、腾讯元宝、Kimi、ChatGPT、Gemini、Perplexity等。

AEO Answer Engine Optimization

答案引擎优化。与GEO含义相近的早期术语，侧重于优化内容以获得搜索引擎精选摘要（Featured Snippet）和语音助手回答中的位置。随着生成式AI的兴起，AEO的概念逐渐被GEO所涵盖和扩展，GEO的优化对象从传统搜索引擎的答案功能扩展到了独立的AI问答平台。

SEO Search Engine Optimization

搜索引擎优化。通过优化网站内容、技术和外链等因素，提升网页在传统搜索引擎（如Google、百度）搜索结果页中排名的方法体系。SEO是GEO的重要基础，两者不冲突但优化对象、核心手段和效果衡量指标不同。详见GEO与SEO的区别。

LLM Large Language Model

大型语言模型。基于Transformer架构、通过海量文本语料预训练而成的深度学习模型，具备自然语言理解、生成、推理和多轮对话能力。LLM是生成式引擎的核心组件，其参数规模从数十亿到数万亿不等。GEO的优化对象本质上就是LLM的检索、采信与生成行为。

答案层 Answer Layer

AI生成的那段直接呈现给用户的结论文字。与传统搜索结果页可以同时展示十个以上链接不同，答案层通常只提及三到五个品牌或信源，竞争更加集中。GEO的核心目标就是让品牌进入答案层并获得有利的位置和准确的描述。

技术与方法

RAG Retrieval-Augmented Generation

检索增强生成。大语言模型获取外部信息的核心技术路径。模型在生成回答前先通过检索系统获取相关外部文档，再将检索结果作为上下文输入生成过程，以提升回答的事实准确性和时效性。GEO的大部分优化工作都是针对RAG流程中的各个环节进行的。

Embedding向量检索 Embedding / Vector Search

将文本转换为高维数值向量（Embedding），再通过向量相似度计算来检索语义相关内容的方法。与传统关键词匹配不同，向量检索能理解语义相似性，例如"汽车保养"和"车辆维护"会被识别为相关概念。部分AI平台在RAG流程中使用向量检索作为补充或替代传统全文检索的手段。

知识图谱 Knowledge Graph

以图结构组织和表示知识的技术体系，节点代表实体（人、公司、产品、概念等），边代表实体之间的关系。大模型在理解和归并品牌信息时会参考知识图谱中的实体关系。GEO中的实体一致性建设和语义绑定工作，本质上就是在帮助AI的知识图谱正确识别和关联品牌实体。

实体 Entity

知识图谱和信息检索中的基本单元，指可以被唯一标识的人、组织、地点、产品或概念。在GEO语境下，品牌、公司、产品都是需要被AI正确识别和归并的实体。实体名称的一致性和明确性是AI能否准确理解品牌信息的前提。

实体指纹 Entity Fingerprint

用于唯一标识一个实体的特征组合，包括名称、属性、关系和上下文的综合签名。当多个信源中的实体指纹高度一致时，AI更有信心将它们归并为同一个实体。GEO中的实体一致性工作就是在强化品牌实体的指纹信号，避免被AI误判为多个不同主体。

语义搜索 Semantic Search

基于语义理解而非精确关键词匹配的搜索方式。语义搜索能理解查询的意图和上下文，将含义相近但措辞不同的内容关联起来。GEO中的语义绑定工作就是确保品牌内容与用户真实提问词之间建立语义桥梁，使AI在检索环节能够命中品牌信息。

评估指标

AIV指数 AI Visibility Index（鲤元GEO提出）

鲤元AI可见度指数，由鲤元GEO提出的品牌AI可见度评估模型。从五个维度量化品牌在AI问答平台中的可见度表现：提及率（SOV）、推荐位次、表述准确度、引用来源质量和情感倾向。所有数据来自对AI平台的真实提问记录，可复测、可追溯。

提及率 Share of Voice (SOV)

在设定的真实提问词集合中，品牌出现在AI回答里的比例。衡量的是"有没有被说到"。提及率是GEO效果评估中最基础的指标，但不应该只看提及率而忽略位次、准确度和情感等其他维度。

推荐位次 Rank Position

品牌被AI提及时在答案中的排序位置。由于用户注意力集中在答案开头，前三个被提及的品牌获得的关注度远高于后面的。推荐位次直接影响品牌的实际转化价值。

引用来源 Citation Source

AI在回答中标注的信息来源网页链接。引用来源的域名权威度、内容质量和可控性是GEO效果评估的重要维度。理想状态下，AI引用的应该是品牌自有站点或高权威第三方信源上的准确内容。

E-E-A-T Experience, Expertise, Authoritativeness, Trustworthiness

经验、专业性、权威性和可信度的缩写，最初由Google在搜索质量评估指南中提出。在GEO语境下，E-E-A-T同样是AI评估信源可信度的重要参考框架。内容创作者的实际经验和可验证的专业资质是获得AI采信的关键因素。

信源权威度 Source Authority

AI对某个信息来源（域名、站点、出版物）的信任程度评估。权威度受域名历史、内容质量、被其他权威站点引用的频率、编辑审核机制等因素影响。高权威度信源上的内容更容易被AI采信和引用。

内容与标记

结构化数据 Structured Data

以标准化格式（如JSON-LD、Microdata、RDFa）嵌入网页中的机器可读数据，用于向搜索引擎和AI系统明确声明页面的内容类型、实体属性和关系。结构化数据能帮助AI更高效地理解和抽取页面内容，是GEO内容优化的重要技术手段。

Schema.org Schema.org

由Google、Microsoft、Yahoo和Yandex共同发起的结构化数据词汇表项目，定义了数百种内容类型及其属性的标准化描述。Schema.org是目前最广泛使用的结构化数据标准，GEO中常用的类型包括Article、FAQPage、DefinedTerm、Organization、LocalBusiness等。

JSON-LD JavaScript Object Notation for Linked Data

一种基于JSON格式的链接数据序列化标准，是目前部署Schema.org结构化数据的推荐方式。JSON-LD代码以script标签嵌入网页head中，不影响页面视觉呈现，但能被搜索引擎和AI系统直接解析。GEO实践中，JSON-LD是部署结构化数据的首选格式。

FAQPage FAQPage Schema

Schema.org定义的问答页面结构化数据类型，用于标记包含常见问题及其回答的页面。FAQPage标记能帮助AI快速识别和抽取问答内容，是GEO内容改造中最常用的结构化数据类型之一。标记中的问题和回答应与页面可见内容完全一致。

面包屑导航 Breadcrumb Navigation

显示当前页面在网站层级结构中位置的导航元素，通常以"首页 › 分类 › 当前页"的形式呈现。面包屑导航帮助用户理解所在位置，也帮助搜索引擎和AI理解站点的信息架构。配合BreadcrumbList结构化数据标记效果更佳。

零点击搜索 Zero-Click Search

用户在搜索结果页或AI回答中直接获取所需信息后不再点击任何链接的行为。生成式AI将零点击趋势推向极致——AI不仅提供摘要还提供完整结论。品牌的曝光机会从"出现在搜索结果里"变成了"出现在AI的回答里"，这是GEO诞生的重要驱动力。

抓取与索引

AI爬虫 AI Crawler / AI Bot

AI平台用于抓取互联网内容的自动化程序。不同平台使用不同的爬虫标识，常见的包括：OpenAI的GPTBot、Perplexity的PerplexityBot、字节跳动的Bytespider、Google的Google-Extended等。企业需要在robots.txt中正确配置这些爬虫的准入规则，确保AI能抓取到品牌内容。

robots.txt robots.txt

放置在网站根目录下的纯文本文件，用于告知搜索引擎和AI爬虫哪些页面可以抓取、哪些不可以。在GEO语境下，需要特别注意不要误屏蔽AI爬虫。同时，robots.txt只是建议而非强制，合规的爬虫会遵守，但不能替代其他安全措施。

sitemap.xml XML Sitemap

以XML格式列出网站所有重要页面URL的文件，帮助搜索引擎和AI爬虫发现和抓取页面内容。sitemap.xml应包含每个页面的最后更新时间、更新频率和优先级信息。保持sitemap的及时更新有助于AI更快地发现新内容和内容变更。

llms.txt llms.txt

新兴的标准文件，类似于robots.txt之于搜索引擎。放置在网站根目录下，用于向AI系统声明站点的核心信息、内容结构和关键页面URL。虽然目前并非所有AI平台都支持读取llms.txt，但它代表了AI友好站点配置的趋势方向，建议作为GEO技术改造的一部分进行部署。

风险与安全

幻觉 Hallucination

AI生成了看似合理但实际上不正确或无依据的信息。对于品牌来说，幻觉可能表现为错误的产品描述、不准确的公司信息或凭空捏造的服务内容。幻觉的成因包括信源缺失导致的推测、信源冲突导致的混淆、过时信息和同名实体混淆等。持续的AI回答监测是发现和纠正幻觉的必要手段。

语义一致性 Semantic Consistency

品牌在不同信源和不同平台上关于同一事实的表述保持一致的程度。语义不一致会导致AI无法正确归并信息，甚至产生矛盾的描述。例如，一个信源说公司成立于2023年，另一个说2022年，AI可能会选择其中一个或产生混乱。语义一致性是GEO信源建设的核心要求之一。

提示词注入 Prompt Injection

通过在输入中嵌入恶意指令来操纵AI行为的攻击手法。在GEO语境下，有些不法服务商可能通过提示词注入来人为操控AI的回答内容，使其推荐特定品牌。这种做法违反AI平台的使用条款，一旦被检测到会导致品牌被降权甚至封禁，且效果不可持续。专业的GEO服务不应使用此类手段。

鲤元专属概念

泓·智信引擎 Hong · ZhiXin Engine（鲤元GEO自研方法论）

鲤元GEO自研的GEO方法论与服务引擎。「泓」取深水之意，指品牌沉淀的可验证事实层；「智信」指让大模型能够识别（智）并愿意采信（信）。引擎按三层递进组织GEO工作：信源层（让品牌"查得到"）、结构层（让内容"抽得出"）、语义层（让品牌"接得上"）。详见方法论页面。

AIV指数 AI Visibility Index（鲤元GEO评估模型）

鲤元AI可见度指数，由鲤元GEO首创的品牌AI可见度五维评估模型。从提及率（Share of Voice）、推荐位次（Rank Position）、表述准确度（Accuracy）、引用来源质量（Source Quality）和情感倾向（Sentiment）五个维度量化品牌在AI问答平台中的可见度表现。所有数据来自真实提问测试，可复测、可追溯、可对账。

---

延伸阅读：什么是GEO · GEO与SEO的区别 · AI是怎么决定引用谁的 · 泓·智信引擎方法论