信源层
要解决的问题：大模型无法交叉验证品牌真实性
单一来源的信息不会被大模型当作事实。信源层的任务是梳理品牌在全网的可验证信息分布，识别缺口，并在百科、权威媒体、行业垂直站点、问答社区与自有阵地五个层级补齐独立信源，使品牌实体具备多源交叉验证的条件。
具体动作：信源地图绘制、实体名称统一、第三方内容发布与收录跟进、自有站点权威性提升。
交付物：信源缺口分析报告、信源建设执行方案、已上线信源清单与链接矩阵。
核心方法论
泓·智信引擎
泓·智信引擎
让品牌成为AI愿意采信的事实
「泓·智信引擎」是鲤元GEO自研的生成式引擎优化方法论，由三层架构、五维评估指标与六步服务闭环构成，帮助品牌系统性地进入AI的答案层。
本页完整公开方法论框架，欢迎客户在合作前逐项核验。
命名由来
为什么叫「泓·智信引擎」
「泓」取深水之意。水深则静，静则可鉴。在信息过载的时代，品牌需要的不是更多的噪音，而是一层足够深、足够清澈的可验证事实沉淀——这就是品牌在互联网上应当建立的「事实层」。只有当事实层足够厚实，大模型才能在检索时触达并采信它。
「智信」拆解为两个字：「智」指让大模型能够识别（智能理解）品牌的实体身份、业务范畴与核心主张；「信」指让大模型愿意采信（信任引用）这些信息作为生成答案时的依据。识别是前提，采信是目的，两者缺一不可。
「引擎」并非指我们造了一个搜索引擎，而是指这套方法论像一台发动机一样，持续驱动品牌在AI生态中的可见度增长。它不是一次性动作，而是一个可运转、可度量、可迭代的系统。
三层架构
泓·智信引擎的三层工作架构
每一层解决一个核心问题，层层递进，共同构成完整的GEO优化链路。
结构层
要解决的问题：品牌内容无法被AI有效抽取
大模型不会阅读整篇营销软文来提取答案。结构层的任务是将品牌的核心信息改写为定义句、参数项、场景例、对比表、问答体等可抽取的事实结构，并通过JSON-LD结构化数据标记、语义化HTML标签与FAQ矩阵，让爬虫和解析器能精准定位每一个事实片段。
具体动作：内容可抽取性审计、文案结构化改写、Schema标记部署、术语词条页建设、百字黄金摘要段撰写。
交付物：结构化内容改写稿、JSON-LD部署清单、FAQ矩阵文档、术语词条库。
语义层
要解决的问题：品牌与用户提问词之间缺乏语义关联
即使用户问的问题和品牌高度相关，如果品牌内容中没有出现与提问词语义匹配的表述，大模型在检索阶段就会将其过滤。语义层的任务是建立提问词建模体系，将品类词、场景词、对比词、地域词四类提问意图与品牌内容进行精准的语义桥接。
具体动作：提问词库构建、语义差距分析、内容语义补充、内链拓扑重建、实体绑定策略实施。
交付物：提问词库文档、语义桥接方案、优化后的内容版本、内链架构图。
评估体系
鲤元AI可见度指数（AIV Index）
AIV Index是鲤元GEO自创的品牌AI可见度评估模型，由五个维度构成，用于量化品牌在生成式AI问答平台中的真实表现。
| 维度编号 | 维度名称 | 定义 | 计算口径 | 数据来源 | 为何重要 | 参考基准区间 |
|---|---|---|---|---|---|---|
| AIV-01 | 提及率 | 在目标提问词集中，AI回答里出现品牌名称的比例。 | 提及次数 ÷ 总测试提问数 × 100%。每个提问词在指定平台重复测试至少3次取众数结果。 | 豆包、DeepSeek、通义千问、腾讯元宝、Kimi、文心一言、ChatGPT等平台的真实对话记录。 | 提及率是可见度的基础门槛。未被提及意味着品牌在该提问场景中完全缺席，后续所有优化无从谈起。 | 行业头部品牌通常 60%-90%；新品牌或信源薄弱品牌常低于 10%。 |
| AIV-02 | 推荐位次 | 品牌在被提及时，出现在回答列表中的排序位置。 | 对每次提及记录其排列序号，取中位数位次。首位记为1，第二位记为2，以此类推。 | 同上，关注回答中多个品牌并列时的排列顺序。 | 用户注意力随位次递减。排在第一位的品牌获得的点击与信任远高于末位。位次反映大模型对品牌优先级的判断。 | 理想状态为前3位；第5位之后实际转化价值显著下降。 |
| AIV-03 | 表述准确度 | AI对品牌信息的描述与品牌官方事实的一致程度。 | 逐条核对AI回答中的品牌描述（业务范围、成立时间、地址、产品特性等），统计准确条目占比。 | 平台回答文本 vs 品牌官方资料库。 | 错误的品牌信息比不被提及更有害。准确度低意味着信源存在矛盾或缺失，会直接损害品牌信任。 | 健康值 ≥ 85%；低于 70% 说明全网存在严重的信息混乱。 |
| AIV-04 | 引用来源质量 | AI在回答中标注的引用来源的权威性与相关性。 | 对每条引用来源按域名权威性分级（百科/官媒/行业站/问答社区/自有站/未知），加权计算来源质量分。 | 各平台回答底部或行内标注的引用链接。 | 高质量引用来源不仅提升当前回答的可信度，还会反向强化大模型对该品牌实体的知识图谱权重。 | 至少包含1个百科或权威媒体级来源为合格；全部来自低权重论坛为不合格。 |
| AIV-05 | 情感倾向 | AI在描述品牌时使用的语义情感色彩。 | 对回答文本进行正面/中性/负面三级标注，统计正面表述占比。人工复核为主，辅以语义分析工具。 | 平台回答文本中的形容词、评价句式与推荐语气。 | 即使被提及，若AI用消极或警示性语言描述品牌，反而会劝退用户。情感倾向直接影响转化率。 | 正面+中性占比 ≥ 90% 为健康；出现明确负面表述需立即排查信源。 |
综合评分
AIV综合分计算方式
AIV综合分采用加权求和逻辑，将五个维度归一化后按权重合并为一个百分制分数。默认权重分配如下：
- 提及率（AIV-01）：35% —— 未被提及则一切为零，因此赋予最高权重。
- 推荐位次（AIV-02）：25% —— 位次决定了品牌在竞争格局中的相对优先级。
- 表述准确度（AIV-03）：20% —— 准确性是信任的基础，错误信息会反向伤害品牌。
- 引用来源质量（AIV-04）：12% —— 来源质量影响长期权重的积累速度。
- 情感倾向（AIV-05）：8% —— 情感更多是结果指标，受前四项驱动。
计算公式：AIV综合分 = AIV-01×0.35 + AIV-02归一化×0.25 + AIV-03×0.20 + AIV-04归一化×0.12 + AIV-05归一化×0.08
权重可根据行业特征进行调整。例如，在高信任行业（医疗、金融、法律）中，表述准确度和来源质量的权重可适当上调；在快消品行业中，提及率和情感倾向可能更为关键。调整方案会在诊断阶段与客户协商确定。
服务流程
六步服务闭环
从提问词建模到周期复测，每一步都有明确的输入、动作、交付物与周期。
-
第一步：提问词建模
输入：客户的品牌名称、核心业务描述、目标客群画像、竞品名单。
动作：围绕品类词（如「XX服务商」）、场景词（如「适合中小企业的XX方案」）、对比词（如「A和B哪个好」）、地域词（如「重庆做XX的公司」）四个维度，构建覆盖用户真实提问意图的提问词库，通常包含50-200个核心词组。
交付物：提问词库文档（含分类标签与优先级标注）。
周期：3-5个工作日。
-
第二步：基线诊断
输入：提问词库、待测品牌名、指定AI平台清单。
动作：在每个目标平台上逐一输入提问词，记录AI回答的原始文本，提取AIV五维数据，并与主要竞品形成对照矩阵，定位品牌当前的可见度短板与优先级。
交付物：AIV五维基线报告、竞品对照矩阵、短板优先级排序表。
周期：3-5个工作日。
-
第三步：信源缺口分析
输入：基线报告、品牌现有全网信息盘点。
动作：按信源五层模型（百科层/权威媒体层/行业垂直层/问答社区层/自有阵地层）逐一扫描品牌的信息覆盖情况，标记缺失层级与薄弱环节，输出缺口地图。
交付物：信源缺口分析报告、信源建设优先级路线图。
周期：5-7个工作日。
-
第四步：内容与结构化改造
输入：缺口报告、品牌现有官网及核心内容物料。
动作：将营销导向的文案改写为定义句、参数项、场景例、对比表、问答体等AI可抽取的事实结构；部署JSON-LD结构化数据标记；设计FAQ矩阵；撰写100字黄金摘要段；建设术语词条页。
交付物：结构化改写稿、JSON-LD代码片段、FAQ矩阵文档、术语词条库。
周期：7-14个工作日（视内容体量）。
-
第五步：信源建设与实体绑定
输入：信源建设路线图、结构化内容成品。
动作：在各层级渠道推进内容发布与收录，确保品牌名称、公司全称、联系方式、业务描述在所有信源中保持实体一致性；同步完成官网技术侧的AI爬虫准入配置与语义化标签改造。
交付物：已上线信源清单及链接、实体一致性校验报告、技术改造验收单。
周期：14-30个工作日（信源收录周期不可控，此为持续推进过程）。
-
第六步：周期复测迭代
输入：基线报告（作为对照基准）、已完成的全部优化动作记录。
动作：使用相同的提问词库在同一批平台上重新实测，对比AIV五维数据的变化，分析哪些动作产生了正向影响、哪些环节仍需补强，据此制定下一轮迭代计划。
交付物：复测对比报告、AIV趋势曲线、下阶段迭代建议。
周期：按月或按季度执行，单次复测3-5个工作日。
技术核查
GEO技术Checklist
以下每一项都是确保品牌信息能被AI爬虫正常抓取、解析和引用的基础条件。
抓取与索引
- ✓ 渲染方式：确认页面不依赖纯CSR（客户端渲染），核心内容可通过SSR或SSG输出完整HTML
- ✓ robots.txt：未误封AI爬虫（GPTBot、OAI-SearchBot、PerplexityBot、ClaudeBot、Bytespider等）
- ✓ sitemap.xml：包含所有需要被索引的页面，且定期更新
- ✓ llms.txt：在站点根目录提供llms.txt文件，声明站点用途、核心实体与AI访问指引
- ✓ AI爬虫准入：针对主流AI爬虫的User-Agent逐一测试可达性
语义与结构
- ✓ JSON-LD：按页面类型部署Organization、Service、FAQPage、Article、Product、BreadcrumbList等结构化数据
- ✓ 语义化标签：正确使用header、main、nav、article、section、aside、footer等HTML5语义元素
- ✓ 标题层级：每页唯一h1，h2-h6不跳级，标题文本包含核心语义关键词
- ✓ 内链拓扑：核心页面之间有合理的内链连接，锚文本使用描述性短语而非「点击这里」
- ✓ 页面性能：Core Web Vitals达标（LCP、FID/INP、CLS），移动端适配正确
- ✓ HTTPS有效性：SSL证书未过期，无混合内容警告，证书链完整
底线承诺
我们明确不做的事
以下是鲤元GEO的服务红线。我们相信，只有明确边界的方法论才能建立真正的信任。
这些行为不在我们的服务范围内
- 不伪造评价：不会在任何平台上创建虚假的用户好评、五星打分或编造的使用体验。
- 不投放虚假问答：不会在知乎、百度知道等社区自问自答，制造品牌被推荐的假象。
- 不做提示词注入：不会尝试通过prompt injection等技术手段操纵大模型的输出结果。
- 不承诺「必上推荐」：大模型的输出具有不确定性，任何声称保证排名的承诺都不符合技术现实。
- 不做黑帽操作：不使用隐藏文本、关键词堆砌、垃圾外链、伪装内容等违反平台规则的手段。
常见问题
关于泓·智信引擎的常见疑问
传统SEO针对搜索引擎的排名算法优化网页，目标是让页面出现在搜索结果前列。泓·智信引擎针对的是大模型的检索与生成机制，目标是让品牌信息成为AI生成答案时被采信的事实片段。两者的优化对象、衡量标准和操作方法都有本质区别，但GEO通常建立在良好的SEO基础之上。
优化启动初期建议每月复测一次，观察短期变化趋势；进入稳定期后可调整为每季度复测。如果所在行业竞争激烈或大模型频繁更新，可缩短至每两周一次。复测频率应在诊断阶段根据品牌实际情况协商确定。
可以单独选择某一层的服务，但需要注意：GEO是一个系统工程，只做结构层而不补信源，大模型仍然缺乏采信依据；只建信源而不做语义层，用户提问可能根本检索不到你的内容。我们会在诊断阶段指出最关键的短板，建议优先处理瓶颈环节。
目前覆盖国内主流的豆包、DeepSeek、通义千问、腾讯元宝、Kimi、文心一言、智谱清言、纳米AI、夸克，以及海外的ChatGPT、Gemini、Perplexity、Claude等生成式AI问答平台。具体覆盖清单会随平台迭代持续更新。
大模型的输出具有概率性和动态性，同一提问在不同时间、不同会话中可能产生不同回答。这取决于模型的训练数据更新、检索索引变化、甚至温度参数的设定。我们能做的是系统性地提升品牌被采信的结构性条件，但无法控制模型的最终输出。任何做出绝对承诺的服务商都需要警惕其方法的合规性。
首轮完整闭环通常需要2-3个月，其中信源建设环节耗时最长，因为第三方平台的审核与收录周期不可控。后续的复测迭代按月度或季度滚动进行。具体时间线会在签约前的方案阶段根据品牌基础状况详细规划。
服务体系
基于泓·智信引擎的六项服务
方法论落地为具体的服务模块，每项服务对应闭环中的一个或多个环节。
开始行动
想知道你的品牌在AI眼中是什么样子？
提交品牌名称与核心业务，我们将基于AIV五维模型为你出具一份AI可见度基线诊断，帮助你判断当前最值得优先补强的环节。