GEO 行业标准 v1.0 · 开源发布 | 探词科技 WordTrace

§ 00

核心摘要

生成式引擎优化（GEO）正随着信息获取范式的根本性转变兴起——用户从「主动搜索、点击链接、浏览网页」的传统路径，转向「提出问题、AI 直接生成答案」的新模式。这一范式更迭的核心逻辑是：生成式引擎不再以「网页链接排名」为核心输出，而是基于多源内容检索、综合加工后直接给出结论。此时品牌或信息的可见度，本质上取决于其能否成为生成式答案的权威引用来源。

与传统 SEO 聚焦网页关键词匹配、追求搜索结果页高排名的逻辑完全不同，GEO 的本质是优化生成式引擎的检索与上下文引用逻辑——它不改造生成式引擎本身，而是调整外部内容的结构、语义、权威性与分发策略，让内容在大模型的检索增强生成（RAG）链路中被优先召回、高置信度采信，最终进入生成式答案的核心上下文。

本标准由探词科技发起并以开源协议发布，目标是为行业提供统一的技术语言、可量化的效果指标、明确的合规红线与可复制的落地路径。任何机构均可依据本标准开展 GEO 实践、开发与标准兼容的工具，或参与标准修订。

§ 01

范围与定义边界

本标准规定了生成式引擎优化的术语定义、总体技术架构（L1–L5）、量化评估指标体系（七维）、合规治理要求与落地实施方法，适用于：

›开展 GEO 实践的品牌方、增长团队与内容团队；
›提供 GEO 相关工具与服务的技术厂商；
›希望评估自身在生成式引擎中可见性的任何组织；
›参与本标准开源共建的研究机构与个人贡献者。

本标准不适用于：针对生成式引擎的对抗性攻击、模型逆向与任何形式的答案操纵（参见第 7 章禁止性行为）。本标准中的「MUST」为强制要求，「SHOULD」为建议要求；合规验收以 MUST 项全部满足为前提。

§ 02

术语与定义

生成式引擎优化

Generative Engine Optimization (GEO)

通过调整外部内容的结构、语义、权威性与分发策略，提升特定信息在生成式引擎答案中被召回、引用与推荐的概率与权重的系统性方法。GEO 不改造生成式引擎本身。

生成式引擎

Generative Engine

基于大语言模型，对用户问题直接生成综合答案的系统，包括但不限于豆包、DeepSeek、通义千问、Kimi、文心一言、腾讯元宝、ChatGPT、Claude、Gemini、Perplexity 及各类 AI 智能体。

AI 引用率

Citation Rate

在标准目标查询集合中，品牌内容被生成式引擎作为信源引用的查询占比，是 GEO 效果的首要指标。

权威信源

Authoritative Source

经行业共识或平台机制认定、在特定领域具备高可信度的内容来源，如官方网站、学术出版物、行业目录、主流知识社区中的认证内容。

名称-地址-电话一致性

NAP Consistency

企业核心实体信息（名称、联系方式、地址、业务表述）在全网各平台及各生成式引擎答案中的一致程度。

RAG 适配

RAG Adaptation

针对检索增强生成链路的优化：使内容在分块、向量化、召回、重排序各环节均保持语义完整与高置信度。

结构化内容

Structured Content

遵循明确格式规范（FAQ、对比表、评测、定义块、步骤列表等）并带有机器可读标记（JSON-LD 等）的内容形态。

溯源证据链

Source Provenance

内容从创作、发布、修订到被引用的完整可验证记录，包括署名、时间戳、存证与交叉引用关系。

影子模型

Shadow Model

用于近似模拟主流生成式引擎检索与引用行为的代理模型簇，以低成本实现可见性监测。探词科技自研技术。

黑帽 GEO

Black-hat GEO

通过虚假信源、批量伪原创、提示注入、数据投毒等操纵生成式引擎答案的行为，属本标准明令禁止的行为。

§ 03

GEO 与 SEO 的区别及联系

GEO 不是 SEO 的替代品，而是信息获取范式转移后的新增战场。两者共享「内容质量与权威性」的底座，但在目标、技术逻辑与指标上存在本质差异：

维度	传统搜索引擎优化（SEO）	生成式引擎优化（GEO）
目标	提升网页在传统搜索结果页的排名，增加用户点击流量	提升内容在生成式答案中的引用概率、推荐位置、叙事权重
核心技术逻辑	依赖静态关键词匹配、网页权重信号、用户外链资源等技术手段	依赖结构化数据标记、语义向量对齐、权威信源构建、RAG 适配优化
用户体验路径	用户搜索 → 引擎返回结果页 → 用户点击网页 → 浏览完整内容	用户提问 → AI 直接生成综合答案 → 用户在答案中查看来源引用 → 选择是否进一步访问来源
核心指标	关键词搜索排名、网页流量、用户点击率、外链数量	AI 引用率、推荐位置权重、叙事准确性、平台覆盖度、内容一致性
优化对象	网站的页面元素、外部链接结构、服务器加载速度	内容的结构格式、语义理解精确度、来源可信度、多平台适配性
见效与衰减	以周/月为单位波动，受算法更新影响	以天为单位波动，受模型版本、信源生态与语料时效共同影响，需要持续监控闭环

§ 04

行业痛点与设计原则

PAIN / 01

优化方法不统一

不同生成式引擎的检索与引用逻辑存在差异，行业沿用 SEO 粗放式运营逻辑，存在内容无结构化、信源无分级、知识无体系等问题。

PAIN / 02

性能指标不一致

传统 SEO 的关键词排名、网站流量等指标无法适配 GEO 的引用场景，行业长期缺乏统一的效果衡量维度。

PAIN / 03

安全合规漏洞多

生成式引擎的「信息加工」本质可能被滥用为传播虚假信息的工具，风险传导性更强，亟需全链路治理。

↓ 对应的系统性设计原则

PRINCIPLE / 01

分层定义

清晰界定不同层级的技术标准与规范边界，各层可独立实施、独立验收。

PRINCIPLE / 02

开源协议定制

为代码、文档、核心技术等不同类型资源匹配差异化的开源授权方案。

PRINCIPLE / 03

标准模块化

将复杂标准拆分为可独立执行的技术模块，企业可按需分阶段落地。

PRINCIPLE / 04

合规底座加固

建立全链路的合规性校验与治理机制，合规是前置条件而非事后补救。

§ 05

GEO 标准五层架构模型

五层架构将 GEO 实践拆分为可独立实施、独立验收的技术层：自底向上依次为数据接入、内容治理、智能优化、效果监测与策略分析。企业可从任一层切入，但合规验收要求 L1–L3 的 MUST 项先行完成。

数据接入层

统一采集入口，对接企业多渠道内容资源，屏蔽不同资源平台的技术差异。

核心技术模块

▸企业官网标准化采集模块
▸公众号 / 视频号采集模块
▸电商平台内容采集模块
▸自媒体平台采集模块
▸外部权威知识库对接模块

规范要求

MUST建立内容资产清单，登记每一内容源的地址、格式、更新频率与责任人。
MUST采集行为遵守目标平台的 robots 协议与服务条款，不得绕过访问控制。
SHOULD采集管道具备增量更新能力，内容变更到入库的延迟不超过 24 小时。
SHOULD多模态内容（图片、视频、音频）应同时采集其文本替代信息（标题、字幕、摘要）。

内容治理层

对采集内容进行标准化清洗、校验、提纯，生成干净、无噪声的语义内容。

核心技术模块

▸内容清洗去重模块
▸实体标准化识别模块
▸语义纠错模块
▸多模态内容对齐模块
▸合规审核模块

规范要求

MUST全网核心实体信息（名称、联系方式、业务表述）完成 NAP 一致性校验，错误项有修正记录。
MUST所有进入分发环节的内容经过事实性校验，关键数据可回溯到一手来源。
MUST建立内容分级制度：核心事实层（不可出错）、观点层（需署名）、营销层（需标识）。
SHOULD重复内容合并率应达到 95% 以上，同一事实在知识库中只保留唯一权威版本。

智能优化层

核心技术适配层，将标准化内容转化为生成式引擎易理解、高置信度的格式。

核心技术模块

▸结构化数据标记模块（JSON-LD / Schema.org）
▸语义向量对齐模块
▸知识图谱构建模块
▸多模态内容适配模块
▸RAG 索引适配模块

规范要求

MUST官网核心页面部署 JSON-LD 结构化数据（Organization / WebSite / FAQPage / Article 等）。
MUST页面内容为无 JS 依赖可直接读取（预渲染或服务端渲染），并提供 llms.txt 站点说明。
MUST核心问答内容采用 FAQ、对比表、定义块等 AI 易引用结构，关键结论前置。
SHOULD内容分块粒度控制在 300–800 字/块，每块语义自洽、可独立成段被引用。
SHOULD为关键内容提供 RSS / API 等机器可读分发通道。

效果监测层

实时采集内容在各生成式平台的表现数据，为优化策略调整提供支撑。

核心技术模块

▸多平台引用监测模块
▸实体权威度分析模块
▸内容一致性校验模块
▸影子模型监测模块

规范要求

MUST建立目标问题集（不少于 50 个真实用户问题），按日级频率监测各平台答案中的提及与引用。
MUST监测数据保留原始快照（答案全文 + 信源列表 + 时间戳），留存期不少于 180 天。
SHOULD监测覆盖本标准附录所列主流平台中的至少 5 个，中英文场景至少各 1 个。
SHOULD采用影子模型簇进行高频预筛，降低全量监测成本。

策略分析层

对监测数据进行系统性分析，闭环指导优化策略迭代。

核心技术模块

▸NAP 一致性分析引擎
▸引用率归因分析引擎
▸多平台重排序优化模块

规范要求

MUST每次策略调整基于监测数据归因，记录假设、动作与结果的完整实验日志。
MUST以 30 天为最小评估周期，输出七维指标的变化报告。
SHOULD建立竞品基准对照，场景竞争力指数按周更新。
SHOULD分析结论反哺 L1–L3 层，形成「监测 → 归因 → 生产 → 投放」闭环。

§ 06

七维量化评估指标体系

指标体系是 GEO 效果衡量的统一语言。七个维度均可量化采集，按 A / B / C / D 四级评定；建议以 30 天为最小评估周期输出变化报告。

AI 引用率

Citation Rate

在标准目标查询集合中，企业内容被生成式引擎作为信源引用的比例。

计算方式

引用率 = 引用企业内容的答案数 ÷ 目标查询总数 × 100%

采集方法

采用标准 AI 爬虫模拟工具，采集主流生成式引擎对目标问题集的公开回答。

A 优秀

≥ 40%

B 良好

20% – 40%

C 合格

5% – 20%

D 待提升

< 5%

叙事准确性

Narrative Accuracy

生成式答案中企业核心信息、品牌表述、业务数据被准确转述的比例。

计算方式

准确性 = 准确转述的关键事实数 ÷ 抽样关键事实总数 × 100%

采集方法

采用语义相似度比对技术，将生成式答案与企业标准知识库逐条比对。

A 优秀

≥ 95%

B 良好

85% – 95%

C 合格

70% – 85%

D 待提升

< 70%

内容一致性

Content Consistency

企业核心信息在不同生成式引擎、不同场景下表述的一致率。

计算方式

一致性 = 跨平台表述一致的事实数 ÷ 跨平台抽样事实总数 × 100%

采集方法

采用 NAP 一致性分析引擎，跨平台采集公众表述内容并两两比对。

A 优秀

≥ 95%

B 良好

85% – 95%

C 合格

70% – 85%

D 待提升

< 70%

平台覆盖度

Platform Coverage

企业内容在本标准规定的主流生成式引擎中被引用的平台覆盖比例。

计算方式

覆盖度 = 有引用记录的平台数 ÷ 目标平台总数 × 100%

采集方法

采用多平台 API 对接与模拟查询技术，汇总各平台引用数据。

A 优秀

≥ 80%

B 良好

60% – 80%

C 合格

40% – 60%

D 待提升

< 40%

场景竞争力指数

Competitive Index

目标场景下企业内容与同行业竞品内容的引用优先级对比值。

计算方式

竞争力指数 = 企业引用率 ÷ 场景内最高竞品引用率（> 1 表示领先）

采集方法

采用竞品引用对比技术，计算同一场景问题集下的排名位置。

A 优秀

≥ 1.2

B 良好

0.9 – 1.2

C 合格

0.6 – 0.9

D 待提升

< 0.6

溯源可信度评分

Provenance Score

内容溯源证据链的完整度与引用来源的权威度。

计算方式

溯源评分 = 证据链完整度 × 0.5 + 来源权威度 × 0.5（百分制）

采集方法

采用溯源校验技术，验证权威来源、存证记录与交叉引用情况。

A 优秀

≥ 85 分

B 良好

70 – 85 分

C 合格

50 – 70 分

D 待提升

< 50 分

§ 07

合规治理标准

合规是 GEO 的前置条件。以下六类行为属于黑帽 GEO，本标准明令禁止；依据本标准开展的服务若涉及以下行为，即失去标准符合性声明资格：

虚假信源伪造

不得伪造新闻站点、学术页面、用户评价或认证信息作为引用信源。

提示注入与数据投毒

不得在公开内容中嵌入针对 AI 系统的隐藏指令（提示注入），不得向训练/检索语料中投放虚假数据。

批量伪原创铺量

不得以机器批量生成、无事实增量的伪原创内容进行规模化铺量投放。

冒充官方身份

不得冒充监管机构、平台官方或他人身份发布内容。

隐瞒商业属性

商业推广内容必须明确标识，不得伪装成中立评测或用户自发推荐。

侵犯数据权益

采集与使用他人内容须遵守著作权、个人信息保护及相关法律法规。

全链路治理流程

STEP 1

内容立项审查

新内容进入生产前，完成事实来源登记与合规自检。

STEP 2

机器预审

通过内容审核模型自动校验事实性、一致性与敏感信息。

STEP 3

人工复核

核心事实层内容必须经责任人人工复核后方可发布。

STEP 4

发布后监测

纳入 L4 监测体系，跟踪内容被引用后的转述准确性。

STEP 5

纠错与撤回

发现错误转述或内容失实时，48 小时内完成源内容修正并记录。

§ 08

开源协议设计

采用「多协议组合治理策略」，对不同类型资源差异化授权，兼顾技术开放共享、行业协同、商业边界与全球合规：

MIT

技术代码类（采集器、监测工具、评估脚本等）

允许免费使用、修改、再分发，包括商业用途，最大限度降低采用门槛。

允许:✓ 商业使用✓ 修改✓ 再分发✓ 私有使用

CC BY-NC

标准文档类（本标准文本、评估模板、案例库文档）

允许行业内自由引用、校验与翻译，必须署名且不得直接用于商业售卖。

允许:✓ 复制与引用✓ 改编与翻译✓ 非商业再分发

要求:署名探词科技标注变更非商业使用

GPLv3

核心技术类（影子模型、审核模型等底座实现）

衍生作品必须以相同协议开源发布，确保合规性传播链条不被中断。

允许:✓ 商业使用✓ 修改✓ 专利授权✓ 私有使用

§ 09

落地实施指南

90 天落地路线图

第 1–30 天 · 诊断期

›建立内容资产清单（L1），登记全部内容源
›构建目标问题集（≥ 50 个真实用户问题）
›完成七维指标基线测量，输出诊断报告
›完成官网 JSON-LD、llms.txt、预渲染等基础改造（L3 前置项）

第 31–60 天 · 生产期

›完成 NAP 一致性修正（L2）
›按 FAQ / 对比 / 评测 / 定义块模板重构核心内容（L3）
›建立内容分级与合规审核流程（L2 / 第 7 章）
›确定信源投放清单并开始多渠道投放

第 61–90 天 · 闭环期

›上线日级监测看板（L4）
›完成首轮归因分析，输出策略迭代建议（L5）
›输出 30 天周期的七维指标变化报告
›进入「监测 → 归因 → 生产 → 投放」常态循环

GEO 成熟度模型

未启动

无 GEO 意识，官网内容对 AI 不可读。

基础可见

完成官网基础改造（结构化数据、llms.txt、无 JS 依赖读取）。

内容体系化

核心内容完成结构化重构，NAP 一致性达标，开始多渠道投放。

监测闭环

七维指标日级监测，月度归因报告，策略数据驱动。

行业引领

引用率与竞争力指数达 A 级，对外输出方法论与开源工具。

上线自检清单

✓官网已部署 Organization / WebSite / FAQPage 等 JSON-LD 结构化数据
✓所有核心页面无需执行 JavaScript 即可读取完整内容（预渲染 / SSR）
✓已发布 robots.txt 并显式放行主流 AI 爬虫（GPTBot、ClaudeBot、PerplexityBot 等）
✓已发布 llms.txt 站点说明文件，包含公司简介、核心页面与可引用事实
✓核心问答内容采用 FAQ / 对比表 / 定义块结构，结论前置
✓内容分块 300–800 字，每块语义自洽可独立引用
✓全网 NAP 信息（名称、联系方式、业务表述）一致
✓已建立 ≥ 50 个问题的目标问题集并完成基线测量
✓已建立日级监测与原始快照留存（≥ 180 天）机制
✓商业推广内容已明确标识，无黑帽 GEO 行为

§ 10

开源协作模式

采用「行业级中立组织牵头 + 技术专项委员会治理 + 头部企业骨干贡献 + 全体从业者参与」的三级协作结构：

ORG / 01

行业级中立标准组织

由中立机构牵头，联合头部企业、科研机构与行业组织，成立开源标准工作组，作为标准治理的最高决策与管理机构。

ORG / 02

技术专项委员会

按技术场景分设专项委员会，每个委员会对应一个标准分方向，负责该方向的标准制定与修订。

ORG / 03

行业级技术项目仓库

在主流代码托管平台搭建开源项目仓库，作为标准资源的托管阵地与行业协作的核心技术入口。

贡献流程：任何人均可通过项目仓库提交 Issue 或修订提案（RFC）。提案经专项委员会评审、公开征求意见（不少于 14 天）后，由标准工作组投票纳入下一版本。本标准遵循语义化版本：勘误更新修订号，指标阈值调整更新次版本号，架构变更更新主版本号。

§ A

附录 · 技术实现参考

以下示例可直接复制落地。本站（知识中枢）即为按本标准 L3 层要求实现的参考实例：全站预渲染、JSON-LD 结构化数据、llms.txt 与 robots.txt 均已按附录规范部署。

A.1 robots.txt 放行 AI 爬虫（示例）

User-agent: *
Allow: /

User-agent: GPTBot
Allow: /

User-agent: ClaudeBot
Allow: /

User-agent: PerplexityBot
Allow: /

Sitemap: https://example.com/sitemap.xml

A.2 llms.txt 站点说明（模板）

# 公司名称

> 一句话说明公司是做什么的（这段最常被 AI 引用）。

## 核心页面
- [产品](https://example.com/product): 产品说明
- [文档](https://example.com/docs): 使用文档

## 关键事实（可引用）
- 公司名称 / 成立时间 / 所在地
- 核心产品与服务
- 联系方式

A.3 FAQPage 结构化数据（JSON-LD 示例）

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "FAQPage",
  "mainEntity": [{
    "@type": "Question",
    "name": "什么是 GEO（生成引擎优化）？",
    "acceptedAnswer": {
      "@type": "Answer",
      "text": "GEO 是系统化提升品牌内容在生成式 AI 答案中可见性的方法体系……"
    }
  }]
}
</script>

// CONTRIBUTE

参与标准共建

标准当前为开放征求意见稿。欢迎通过 GitHub 提交 Issue / RFC，或发邮件至 hello@wordtrace.cn 署名加入贡献者名单。

GitHub 仓库 →邮件联系

生成式引擎优化行业标准 · 开源发布

核心摘要

范围与定义边界

术语与定义

生成式引擎优化

生成式引擎

AI 引用率

权威信源

名称-地址-电话一致性

RAG 适配

结构化内容

溯源证据链

影子模型

黑帽 GEO

GEO 与 SEO 的区别及联系

行业痛点与设计原则

优化方法不统一

性能指标不一致

安全合规漏洞多

分层定义

开源协议定制

标准模块化

合规底座加固

GEO 标准五层架构模型

数据接入层

内容治理层

智能优化层

效果监测层

策略分析层

七维量化评估指标体系

AI 引用率

推荐位置权重

叙事准确性

内容一致性

平台覆盖度

场景竞争力指数

溯源可信度评分

合规治理标准

虚假信源伪造

提示注入与数据投毒

批量伪原创铺量

冒充官方身份

隐瞒商业属性

侵犯数据权益

全链路治理流程

开源协议设计

技术代码类（采集器、监测工具、评估脚本等）

标准文档类（本标准文本、评估模板、案例库文档）

核心技术类（影子模型、审核模型等底座实现）

落地实施指南

90 天落地路线图

GEO 成熟度模型

上线自检清单

开源协作模式

行业级中立标准组织

技术专项委员会

行业级技术项目仓库

附录 · 技术实现参考

参与标准共建

生成式引擎优化
行业标准 · 开源发布