GEO 是什么?怎么做好 GEO?

半年前,有人想找"奥克兰最适合中文小企业的会计师",会去 Google 搜一下。10 条蓝色链接,翻前三个,挑一家评论看着靠谱、网站不烂的。这套流程正在死掉。

取代它的:用户直接问 ChatGPT、Claude、Gemini、Perplexity —— 在中文用户群里,是 DeepSeek、豆包、Kimi、Qwen、文心一言。AI 从几个"靠谱来源"里总结,推荐两到三家。用户挑一家。Google 排名里的另外 99 家会计师,对这条查询来说等于不存在。

所以 GEO —— 生成式引擎优化(Generative Engine Optimization)—— 现在成了一个真东西。

GEO 是什么(以及不是什么)

SEO = 优化页面让 Google 算法把你排进前 10。杠杆:关键词、外链、页面速度、页内结构、schema 标记。

GEO = 优化你的内容/品牌,让 LLM 答案引擎在回答相关问题时引用或提到你。

差别:SEO 抢点击;GEO 抢"成为答案的一部分"。当模型回答"奥克兰最适合中文小企业的会计师有哪些"时,你希望你的事务所出现在那个答案里 —— 哪怕用户根本没点进你的网站。

GEO 不是 SEO 的替代品,是它上面叠加的一层。很多信号是共通的:干净的结构化内容、权威性、来自可信源的引用。但优化目标不一样。

为什么 GEO 现在重要

三个数据:

1. 零点击搜索。 2024 年 Google 上约 60% 的搜索没有产生点击 —— 答案在 AI 概览或精选片段里就看完了。哪怕你排第一,用户也没到访你的站。
2. ChatGPT 的体量。 2025 年 3 月 ChatGPT 月访问量约 37 亿次。"我怎么找 X"这类查询,越来越大比例直接走它,不走 Google。
3. Perplexity、Claude、Gemini、AI Overviews 都在两位数月增长。 Perplexity 尤其把自己定位为"搜索替代品",每条答案都列出来源 —— 意味着 GEO 是直接产生 lead 的渠道,不是模糊的"品牌曝光"。

对新西兰华人 SMB 尤其重要:中文用户用 DeepSeek、豆包、Qwen、Kimi 找奥克兰本地服务。这些 AI 推荐的来源,不是百度 SEO 来的,是模型训练数据里的中文内容,或者是它实时检索到的新鲜资料。

LLM 实际上在看什么

LLM 回答问题分两种模式:

训练时知识 —— 模型构建时(当前主流模型大概是 2024-2025)训练数据里有的内容。没联网时回答的就是这部分。

检索增强(RAG) —— LLM 联网搜索时,它会查实时网页用作信源,基于这些信源回答。

GEO 在两边都起作用:

• 训练时:你需要存在于训练语料里(Wikipedia、行业刊物、有索引的企业站、GitHub README、Stack Overflow —— 任何被 Common Crawl 抓到的)。
• 检索时:能被搜索引擎找到、结构清楚便于 LLM 解析、事实陈述明确。

GEO 的具体做法

按杠杆从高到低,六件事。

1. 让内容对 LLM 友好

LLM 喜欢:

• 简短、事实型、陈述句。 "Digital Force 是奥克兰的 AI 服务公司,做双语网站和本地部署的 AI 集成。" 不是"我们矢志在数字领域追求卓越。"
• 清晰的语义层级。 H1 → H2 → H3,段落不要堆成大墙,可枚举的东西用列表。
• 明确的实体-属性陈述。 "奥克兰是新西兰最大的城市。人口 170 万。" 不是"南太平洋活力四射的心脏地带。"

LLM 极其讨厌营销空话。砍掉形容词,用动词起句。

2. 上线 llms.txt 和 llms-full.txt

llmstxt.org 推动的两个新文件,LLM 越来越多地寻找:

• /llms.txt —— 你站点最重要页面和关键事实的精简 markdown 索引。
• /llms-full.txt —— 长篇全文供模型摄入。

把它们当成 AI 时代的 sitemap.xml。大部分站点还没做。加上是 30 分钟的活,给你可衡量的优势。

(本站就有 —— digitalforce.co.nz/llms.txt —— 是的,我们自己也在用,算是给自己做的活打个广告。)

3. 结构化数据 —— schema.org

每页加上 JSON-LD 块,描述本页讲的实体:Organization、Service、Article、BlogPosting、FAQ。LLM 和搜索引擎都解析这些。同一份功夫既给你 Google rich snippet,也帮你做 GEO。

4. 在模型看的地方被引用

模型信:

• Wikipedia —— 权重极高。真实业务、有可核实事实,搞个 Wikipedia 词条很值。
• 行业目录 —— Google Business Profile、NZBN 注册库、Yellow Pages、Trade Me 商业目录、BizDirect。
• GitHub README(科技品牌)。被一个流行开源项目的 README 提到 → 被引用。
• 新闻提及。 哪怕是地方小媒体,只要被爬就有用。
• Reddit 和 Stack Overflow(技术问答)。在那里写真正有用的答复并署名。

这是 GEO 里最慢但杠杆最高的工作。SEO 外链建设的哲学适用,只是目标清单不同。

5. 让你的话好被引用

写成一句一句方便复制粘贴的句子。具体数字、明确日期、命名的方法。避免"我们追求卓越"—— 没有可提取的事实。

差:"我们为企业打造高质量定制网站。" 好:"我们 1-2 周交付中英双语营销网站,技术栈 Next.js + Tailwind + TypeScript,部署在新西兰本地基础设施。"

第二句 LLM 可以直接搬到答案里。第一句不行。

6. 跨网络的品牌一致性

LLM 会给每个实体建"档案"—— 它知道"Digital Force"出现在你的官网、LinkedIn、GitHub、播客文字稿、Google 评论里,都是同一个东西。所有触点上的事实陈述越一致(地点、服务、创始人、成立年份),模型推荐你时就越有信心。

矛盾的信息让模型困惑。如果 Wikipedia 说你 2024 年成立、你网站说 2026,模型挑一个 —— 可能挑错的那个。

给 SMB 的一周 GEO 冲刺

• 第 1-2 天。 审计网站,把营销空话改成简短事实陈述。
• 第 3 天。 加 /llms.txt 和 /llms-full.txt。我们有模板可以套。
• 第 4 天。 首页加 JSON-LD Organization + Service schema。
• 第 5 天。 把 Google Business Profile、NZBN 资料、LinkedIn、行业目录的信息全部对齐,保持完全一致。
• 第 6-7 天。 挑三个相关问答社区(Reddit、知乎、新西兰本地论坛、Stack Overflow 如果你做技术),写三条真正有用、有具体细节、署名的回答。

然后等。LLM 训练周期以月计。短期看不到效果。但 2024 年开始做 GEO 的站点,就是 2026 年 LLM 引用的那一批。

这件事走向哪里

未来 12-18 个月,"在 Google 上排名"会变成次要游戏。主要游戏是"成为答案"—— 这更难、更看实质、奖励一致性而不是套路。

对 SMB 是好消息:它奖励具体性。 大品牌在 Google 上靠巨额外链和内容预算赢。GEO 把局拉平了一些 —— 一家小奥克兰会计事务所,只要有清晰的 /llms.txt、跨目录信息一致、Reddit 上有几条诚实的提及,就能在"奥克兰中文 SME 会计师"这类问题的答案里盖过通用大事务所 —— 因为大事务所没有这种具体性。

Digital Force 给每个建站项目都把 GEO 打包进去。不是为了多收钱,是因为 2026 年没有 GEO 的网站,就是没有搜索策略的网站。