GEO 与 AI 可见度术语表
30 个来自生成式引擎优化与 AI 搜索的术语，用通俗语言定义 — 并链接到每个概念在实践中出现的文档、工具和指南。
GEO（生成式引擎优化）
生成式引擎优化（Generative Engine Optimization）是让企业、品牌或网站更有可能出现在 ChatGPT、Gemini、Perplexity、Google AI Overviews 等生成式 AI 系统的回答中——并被推荐——的一整套实践。经典 SEO 优化的对象是排序后的链接列表，而 GEO 优化的对象是合成后的回答：模型会阅读、总结并给出推荐，而不只是给出链接。GEO 的实际工作包括让内容可被 AI 爬虫抓取、发布清晰的事实页面（企业做什么、在哪里）、添加结构化数据、在引擎信任的来源上赢得引用，并监测品牌被提及的真实频率。GEO 与 AEO（答案引擎优化）高度重叠，许多团队将两个词混用。这门学科还很年轻，测量标准仍在形成中——所以诚实的工具会公开自己如何采样 prompt、查询了哪些平台。
相关链接： What is AI visibility? · Methodology
AEO（答案引擎优化）
答案引擎优化（Answer Engine Optimization）是 GEO 的近亲：优化的目标是让答案引擎——用一条合成回答而非链接列表来响应的系统——正确地描述并推荐你的企业。这个词在企业级平台中更流行（例如 Profound 就以 AEO 为定位），而 GEO 在小企业和内容营销圈更常见。实际工作是一样的：确保 AI 爬虫能读取你的网站，发布无歧义的事实（服务、地点、价格、佐证），在全网维持一致的实体信息，并测量当买家提出相关问题时引擎是否提及或引用你。与经典 SEO 的最大区别在于：回答里不存在「第 4 名」——你要么是回答的一部分，要么就是隐形的，这让测量变得更加重要。
相关链接： Profound alternative · How a scan works
AI 可见度
AI 可见度是指当人们提出相关问题时，一个品牌或企业在 AI 生成的回答中出现的程度——例如，当有人向助手询问某市的水管工推荐时，本地的某家水管工是否被点名。它是 AI 时代的「搜索排名」，但更难观察：回答是个性化、概率性的，每次运行都会变化，因此必须通过采样大量 prompt、统计提及次数、位置和情感来测量。这个品类的工具（RankedByAI 是其中之一，还有 Peec AI、Otterly.AI 等）把这种采样自动化，并报告提及率、share of voice 等指标。由于各工具的采样方法不同，绝对数字的意义不如「用同一方法持续测量的趋势」——这也是应优先选择公开方法论的工具的原因。
相关链接： What is AI visibility? · Visibility grade & mention rate
AI 搜索
AI 搜索是所有由生成式模型撰写答案的搜索体验的统称：带浏览功能的 ChatGPT、Perplexity、Google AI Overviews 与 AI Mode、Microsoft Copilot 及类似产品。它与经典搜索有三点对企业至关重要的区别。第一，答案是合成的——用户往往根本看不到链接列表。第二，模型只会挑选一小组来源来支撑答案，因此「成为被信任的来源」比「排在第十名」更重要。第三，答案会因运行、用户和措辞不同而变化，可见度因此成为一种统计属性，而不是固定的名次。如今越来越多的购买调研始于这些界面——这正是测量并提升 AI 搜索存在感成为一门独立学科（见 GEO）的原因。
相关链接： Which AI platforms are covered · AI visibility benchmark
答案引擎（Answer engine）
答案引擎是直接用一条组织好的回答来响应查询的系统，而不是返回文档列表。ChatGPT、Perplexity、Gemini、Copilot 和 Google 的 AI Overviews 都表现为答案引擎：它们收集或回忆信息、进行综合，然后给出推荐或解释，有时附带引用。对企业而言，关键属性是「筛选」：答案引擎通常只点名少数几个选项，因此入选是二元且竞争性的。这个词把这些系统与搜索引擎（对链接排序）和纯聊天机器人（可能根本不检索信息）区分开来。为答案引擎做优化——即 AEO——意味着成为引擎认为安全且相关、值得推荐的少数选项之一，并在被推荐时得到准确的描述。
LLM（大语言模型）
大语言模型是现代 AI 助手核心的神经网络——GPT-4o 及其后继者、Gemini、Claude、Llama、DeepSeek 等。LLM 在海量文本语料上训练以预测语言，这赋予它们广博的知识，但有两个对可见度工作至关重要的限制：内置知识有截止日期，且可能生成貌似可信却错误的陈述（幻觉）。助手通过 grounding 来弥补：在回答时检索最新的网页内容并加以引用。对企业来说，这意味着有两个不同的影响面——模型从训练数据中已经「相信」的关于你的信息，以及它从你的网站和第三方来源实时读到的信息。GEO 同时处理这两者，但实时检索面是你能最快改变的那一个。
相关链接： How a scan works · Methodology
Prompt（提示词）
Prompt 是用户发送给 AI 助手的文本——在可见度工作中，特指那些你在意其答案的买家式问题，例如「适合小型律所的最佳 CRM」或「上海性价比高的婚礼摄影师」。可见度工具为每个品牌跟踪一组 prompt：按计划把每条 prompt 提交给各 AI 平台，记录品牌是否被提及、处于什么位置、情感如何、哪些竞品出现。prompt 的选择是这个品类最大的方法论杠杆：手工挑选的 prompt 可能美化品牌，而自动生成的买家问题旨在代表真实客户的提问。由于答案是概率性的，单次运行说明不了什么；有意义的测量会反复采样大量 prompt，报告的是比率而非一次性的结果。
Prompt 采样
Prompt 采样是大多数 AI 可见度指标背后的测量技术：工具不是把一个问题问一次，而是提交大量相关 prompt（并常常随时间重复），把结果聚合成比率——提及率、平均位置、share of voice。采样之所以必要，是因为 AI 的回答不是确定性的：同一个问题在不同运行、不同用户、不同措辞下可能给出不同的推荐。可靠的采样需要有代表性的 prompt 集合（真实的买家问题，而非精心挑选的问题）、足够的样本量、一致的调度节奏，以及对样本量的诚实披露——小样本应有明确标注。在比较工具或阅读任何可见度分数时，首先要问的是 prompt 如何选取、数字建立在多少样本之上；没有这些背景，一个百分比只是营销，不是测量。
相关链接： Methodology · How a scan works
买家问题
买家问题是按真实潜在客户的口吻表述的 prompt——「利兹周末营业的最好的急诊牙医是哪家？」而不是「牙医 利兹」。买家问题对 AI 可见度很重要，因为助手回答的是对话式查询，而带购买意图的问题正是「被推荐」转化为营收的地方。工具在获取方式上有差异：有的让用户手动输入 prompt（有跟踪「讨巧」查询的风险），有的根据企业的品类、服务和位置自动生成买家问题，力求代表真实需求的样本。一组好的买家问题应覆盖完整的购买旅程——发现（「X 有哪些选择」）、比较（「X 和 Y 哪个好」）和验证（「X 靠谱吗」）——这样得出的可见度指标才能反映企业在整个购买决策中的真实呈现。
提及率
提及率是采样的 AI 回答中提到某个品牌的百分比——最基础的 AI 可见度指标。如果工具向助手提出五十个与你的业务相关的买家问题，你的品牌在十条回答中被点名，你的提及率就是 20%。它通常与位置（你是第一推荐还是顺带一提？）、情感（你被如何描述？）和 share of voice（在同一批 prompt 上你与竞品相比如何？）互为补充。由于回答在不同运行间会变化，提及率是一个统计估计：需要足够的样本量和一致的方法论才有意义，诚实的报告会把两者都披露出来。在稳定的 prompt 集合上长期跟踪，它是判断你的 GEO 工作是否见效的最干净的单一信号。
相关链接： Visibility grade & mention rate · AI visibility benchmark
引用（Citation）
在 AI 搜索中，引用是助手附在回答某一部分上的来源链接——Perplexity 列出的参考页面，或 Google AI Overview 下方的链接。引用的重要性是双重的。对用户，它是信任的线索；对企业，它是内容在回答中赢得存在感的机制：如果你的页面被引用，即使品牌名没有被说出，你也已是回答的一部分。要变得可被引用，需要可抓取、基于事实、结构良好、直接回答常见问题的页面。分析引擎在你的品类中引用了哪些域名，就能知道该去哪里赢得曝光——目录站、评价网站、本地媒体、行业出版物。一个在经典搜索中排名不错却从未被引用的页面，往往说明爬虫被屏蔽，或内容让模型难以提取事实。
相关链接： Citation gap · How a scan works
引用缺口（Citation gap）
引用缺口是指 AI 助手在回答你所在品类的买家问题时引用的那些来源——但这些来源没有提到你的企业。如果助手回答「波尔图最好的精品酒店」时反复引用两本旅行指南、一个评价平台和一个本地博客，而你的酒店在这四个来源上都没有出现，它们就是你的引用缺口。这是 AI 可见度工作中最可执行的发现之一，因为它把抽象的分数转化为具体的外联清单：去引擎已经为你的细分领域所信任的那些来源上获得收录、评价或报道。补上引用缺口通常比只改自己网站更快地推动可见度，因为助手依赖这些第三方来源来判断哪些选项可以放心推荐。
相关链接： Citation gap · Website diagnosis
Grounding（事实锚定）
Grounding 是 AI 助手把回答建立在「检索到的、可核实的内容」（通常是实时网页结果）之上的过程，而不是只依赖训练时记住的内容。当 Perplexity 搜索网页并引用页面，或 Gemini 在回答前拉取 Google 结果时，回答就是被锚定的。Grounding 对企业重要，因为它是通往可见度的快车道：模型重训需要数月且不受你控制，但锚定的回答反映的是此刻网上的内容。如果你的网站可被抓取、事实是最新的、可信的第三方来源对你的描述准确，锚定的回答可能在你完成修复后几天内就开始推荐你。这也是屏蔽 AI 爬虫通常得不偿失的原因：助手无法把回答锚定在它读不到的内容上。
RAG（检索增强生成）
检索增强生成是锚定式 AI 回答背后的架构：在生成回答之前，系统先检索相关文档（来自搜索索引、数据库或实时网页），并将其送入模型的上下文，使回答建立在当前、具体的信息之上，而非仅靠训练记忆。RAG 让助手能知道上个月新开的餐厅或昨天变动的价格。对可见度工作而言，RAG 定义了赛场：检索环节的行为很像搜索引擎（可检索性和相关性很重要），生成环节决定说什么（内容的清晰度和可提取性很重要）。易于检索、易于引用的内容——直接的回答、干净的结构、无歧义的事实——在 RAG 流水线中胜出。
幻觉（Hallucination）
幻觉是语言模型生成的自信但错误的陈述——错误的营业时间、你并不提供的服务、你从未获得的奖项，或根本不存在的企业。幻觉的产生是因为 LLM 生成的是「貌似可信的文本」而非查证过的事实，而它有实际的商业影响：一个把你的价格说错、把你的服务范围讲错的助手，正在误导你的客户。主要的防御手段在你这一侧：在 AI 爬虫能读取的页面上发布清晰、最新、无歧义的事实，保持第三方目录信息一致，并监测助手实际上如何谈论你，以便及早发现错误。锚定的回答比纯记忆的回答幻觉更少——这也是让你的网站便于检索系统使用的又一个理由。
相关链接： Data privacy & retention · Methodology
知识截止日期
知识截止日期是语言模型训练数据的终点——此后发生的一切对模型的内置记忆都是不可见的。如果某个模型的截止日期早于你的品牌更名、新店开业，甚至早于你的企业成立，它不借助检索的回答就会过时或干脆遗漏你。截止日期正是 grounding 对企业如此重要的原因：能检索实时网页内容的助手无论模型何时训练都可能知道你，而纯记忆的回答做不到。实际上，截止日期把 GEO 分成两个时间线：影响训练数据（缓慢、间接——在全网被广泛且一致地描述，让未来的模型版本学到你）和影响检索（快速——让当前的事实今天就可被抓取和引用）。同时监测这两个面，才能知道你真正的问题在哪一个。
训练数据
训练数据是语言模型学习所用的文本语料——网页、书籍、代码、论坛和授权来源，收集截至模型的知识截止日期。收集期间网上如何描述你的企业，决定了模型默认「相信」你的什么：在众多有信誉的页面上被一致描述的企业往往被准确记住；覆盖稀少或互相矛盾的企业可能被遗忘或记混。你无法追溯修改训练数据，但可以影响未来的轮次：在可抓取的页面上持续、真实、一致的呈现，正是明天的模型将要学习的内容。与此同时，检索（RAG）让当前的助手能读取今天的网页——这也是 GEO 工作同时瞄准两个时间线的原因：语料中的长期声誉，和检索时刻的短期准确性。
AI 爬虫
AI 爬虫是 AI 公司用来抓取网页内容的机器人——OpenAI 的 GPTBot 和 OAI-SearchBot、Anthropic 的 ClaudeBot、Google-Extended、PerplexityBot、Meta 的爬虫等。它们服务于两个不同的目的：为未来的模型收集训练数据，以及实时抓取页面为当前回答提供锚定。这些机器人能否读取你的网站直接影响你的 AI 可见度：一个屏蔽它们的网站（无论是有意为之，还是 robots.txt 配置错误、防火墙或反爬保护所致）无法在锚定回答中被引用，也不会为未来的训练数据贡献任何内容。审计爬虫访问——哪些机器人被允许、哪些被屏蔽、这是否符合你的意图——是任何 AI 可见度诊断的第一批检查项之一，而当它出错时，也是最便宜的修复之一。
相关链接： AI Crawler Checker · Website diagnosis
robots.txt
robots.txt 是位于网站根目录的纯文本文件，告诉爬虫哪些路径可以抓取。它已成为控制 AI 访问的主要界面：针对 GPTBot、ClaudeBot、Google-Extended、PerplexityBot 等 user agent 的规则，决定这些系统能否读取你的内容用于训练或实时回答。常见的失误有两种。有些网站无意间屏蔽了 AI 爬虫——从模板继承的一刀切 disallow，或叠加在上面的反爬保护——然后奇怪为什么助手从不引用它们。另一些网站以为 robots.txt 能保证合规；它是一种约定，不是强制机制，尽管主要的 AI 爬虫都声明会遵守。对照你真实的 AI 可见度目标检查一遍 robots.txt，是一项五分钟的检查，但无论哪个方向出了问题，影响都不成比例地大。
相关链接： AI Crawler Checker · Website diagnosis
llms.txt
llms.txt 是一项提议中的约定——放在 /llms.txt 的 Markdown 文件——为大语言模型提供一份经过整理、对机器友好的网站摘要：企业是什么、关键页面包含什么、最重要的信息在哪里。它的思路类似 robots.txt（一个机器人知道去查看的标准位置），但目标是「理解」而非访问控制：模型不必解析你的整个网站，而是可以阅读一份由你掌控的简明文档。AI 提供商对它的采用仍不均衡且在变化中，因此 llms.txt 应被视为可抓取页面、结构化数据和清晰页面事实的低成本补充——绝不是替代品。它生成成本低、易于保持更新，即使被忽略也无害。
相关链接： llms.txt Generator · Website diagnosis
结构化数据
结构化数据是嵌入网页的机器可读标记——最常见的是使用 schema.org 词汇表的 JSON-LD——它把事实显式声明出来：这是一家名为 X 的 LocalBusiness，地址在 Y，营业时间如此，提供这些服务，评分是多少。搜索引擎多年来用它驱动富媒体结果；对 AI 系统而言，它恰好在歧义最伤人的地方消除歧义，帮助检索流水线和答案引擎提取正确的名称、价格、位置和关系，而不是从行文中猜测。结构良好的页面更容易被准确引用，也更不容易在合成回答中被讲错。企业网站的常见优先级是：Organization 或 LocalBusiness 标记、适用时的 Product 或 Service、问答内容用 FAQPage，并保持标记与可见文本一致。
JSON-LD
JSON-LD（JavaScript Object Notation for Linked Data）是在网页中嵌入结构化数据的推荐格式：一个 script 块，包含用 schema.org 类型描述页面实体的 JSON 对象。与把标记和可见 HTML 交织在一起的旧格式（microdata、RDFa）不同，JSON-LD 存在于一个自包含的块中，因此更容易生成、校验，并与页面内容保持同步。对 AI 可见度而言，JSON-LD 是大部分结构化数据工作的实际载体：LocalBusiness 详情、产品与价格事实、FAQ、文章元数据和组织身份都通过它承载。搜索引擎直接解析它，而干净的 JSON-LD 与「答案引擎能准确引用的页面」高度相关。校验工具能抓住语法错误；更难的纪律是让标记中的声明保持真实和最新。
相关链接： Website diagnosis · llms.txt Generator
实体（Entity）
实体是机器能够识别的一个明确事物——特定的企业、人物、产品或地点——而不是一串单纯的字符。搜索和 AI 系统越来越多地基于实体进行推理：「主街上的罗莎面包店」应当解析为一家一致的企业，有一个地址、一套营业时间和一份声誉，无论名字如何表述。实体清晰度是 AI 可见度的地基，因为助手推荐的是实体，不是关键词。它靠一致性构建：你的网站、Google 商家资料、目录站和社交主页上使用相同的名称、地址和关键事实；用结构化数据显式声明实体；再由第三方报道加以强化。不一致的实体信号——旧地址、名称变体、重复条目——会让模型犹豫、把你和别人混淆，或干脆忽略你。
E-E-A-T
E-E-A-T 代表 Experience、Expertise、Authoritativeness 和 Trustworthiness（经验、专业、权威、可信）——出自 Google 搜索质量评估员指南、用于评判内容质量的框架。它不是直接的排名因素，而是对质量系统想要奖励什么的描述，而这一概念很自然地迁移到 AI 回答上：助手倾向于推荐那些在开放网络上看起来可信的企业——真实的作者、可核实的资质、一致的事实、真实的评价、来自独立可信来源的报道。对 GEO 来说，E-E-A-T 转化为具体的工作：发布展示第一手专业经验的内容，让企业背后的人可见，赢得你无法控制的评价和提及，并保持声明可核实。伪装权威的内容往往恰好在最关键的时刻失效——当引擎把它与全网其他信息交叉核对时。
相关链接： Get recommended by ChatGPT · Fix prescriptions & verification
情感分析
AI 可见度中的情感分析衡量的是品牌在 AI 回答中被如何描述，而不仅是是否出现。被提到「评价一贯很好的热门选择」和被提到「有客户反映计费问题的选项」都是提及——商业价值却截然相反。可见度工具会对每次品牌提及周围的措辞进行分类（正面、中性、负面，常有更细的类别），并在采样的 prompt 上聚合，把语气变成可跟踪的指标，与提及率和 share of voice 并列。情感发现的可执行性很具体：助手通常会复述其来源的情感，因此 AI 中的负面情感往往能追溯到可识别的评价平台、论坛帖子或文章——这恰好告诉你声誉工作需要落在哪里。
AI Overviews
AI Overviews 是 Google 在许多查询的经典结果上方展示的 AI 生成摘要，由 Gemini 模型基于检索到的网页内容撰写，并附来源链接。连同更完整的 AI Mode，它们代表了 AI 回答规模最大的一次落地，因为触达的是从未主动选择 AI 产品的主流 Google 用户。其实际影响有两方面。入选变成二元的：一条 Overview 只点名少数选项，落选的企业即使自然排名就在下方也会失去注意力。点击在下降：在 Overview 里得到答案的用户往往不再访问任何网站（见零点击搜索）。想出现在 AI Overviews 中，遵循的是锚定回答的打法——可抓取的内容、清晰的事实、扎实的实体信号，以及在 Google 系统已为该主题信任的来源上占有一席之地。
相关链接： Which AI platforms are covered · Semrush AI Toolkit alternative
零点击搜索
零点击搜索是用户不点击任何网站就解决的查询——答案直接在结果页或聊天界面中被消费。精选摘要开启了这一趋势；AI Overviews 和聊天助手让它急剧加速，因为一条合成的回答消除了大多数点击的理由。对企业而言，这改变了漏斗：流量指标会低估你在购买决策中的真实存在感，因为助手可能向一个在打电话或到店之前从未碰过你网站的用户——准确且有说服力地——推荐你。战略上的推论是：测量「回答中的可见度」，而不只是分析工具里的会话数；确保关键事实（产品、位置、联系方式、佐证）在回答内部就是正确的；把助手对你企业的描述当作一个你无法拥有、却必须优化的落地页。
可见度评级
可见度评级是一个概括性的分数——RankedByAI 使用从 A 到 F 的字母评级——把一个企业的 AI 可见度测量浓缩成一个可读的结论。字母背后是采样得来的指标：助手在相关买家问题上提及该企业的频率、它在推荐中的位置、情感，以及爬虫访问、结构化数据等网站就绪度因素。评级是一种沟通工具，不是精密仪器：它诚实的用途是让相对状态和进展一目了然（修复后从 D 升到 B 讲述了一个清晰的故事），而不是宣称小数点级的精度。任何可信的评级都会披露其输入、样本量和方法论，并对小样本明确标注。评级只应在同一工具的一致方法内比较——两个不同工具给出的「B」是两回事。
监测节奏
监测节奏是 AI 可见度测量重复的频率——按天、按周或按月，在相同的平台上重跑同一组 prompt。节奏之所以重要，是因为 AI 的回答会漂移：模型在更新、检索索引在刷新、竞品在发内容、评价在累积——任何单次测量都只是一张快照。对大多数小企业来说，每周的节奏最合适：足够频繁，能捕捉有意义的变化并验证修复是否生效（诊断 → 修复 → 复扫的闭环），又不会淹没在逐次运行随机性的噪音里——每日采样恰恰会放大这种噪音。一致性胜过频率——每个周期使用相同的 prompt、平台和方法，趋势线才有意义。节奏也是这个品类的定价维度之一：许多工具把每日更新留给高档套餐——让你付费的节奏与你实际处理发现的速度相匹配。