GEO生成式引擎优化是什么？2026年核心策略与实战指南

基于普林斯顿大学等机构的研究论文

论文标题：GEO: Generative Engine Optimization

作者：Pranjal Aggarwal, Vishvak Murahari, Tanmay Rajpurohit, Ashwin Kalyan, Karthik Narasimhan, Ameet Deshpande

机构：Princeton, Georgia Tech, Allen Institute for AI, IIT Delhi

发布：KDD 2024

Based on research papers from Princeton University and other institutions.

Paper Title: GEO: Generative Engine Optimization

Authors: Pranjal Aggarwal, Vishvak Murahari, Tanmay Rajpurohit, Ashwin Kalyan, Karthik Narasimhan, Ameet Deshpande

Institutions: Princeton, Georgia Tech, Allen Institute for AI, IIT Delhi

Published: KDD 2024

---

目录

1. 核心概念
2. 什么是生成式引擎一种基于机器学习的技术，能够自动生成和优化系统配置或代码，以提高性能和效率。
3. 为什么需要 GEO
4. GEO 方法论
5. 9 种优化策略
6. 实验结果
7. 实战应用
8. 领域特定优化
9. 工具和资源

Table of Contents

1. Core Concepts
2. What is a Generative Engine
3. Why GEO is Needed
4. GEO Methodology
5. 9 Optimization Strategies
6. Experimental Results
7. Practical Applications
8. Domain-Specific Optimization
9. Tools and Resources

---

核心概念

什么是生成式引擎一种基于机器学习的技术，能够自动生成和优化系统配置或代码，以提高性能和效率。（Generative Engines, GE）？

生成式引擎一种基于机器学习的技术，能够自动生成和优化系统配置或代码，以提高性能和效率。是新一代搜索系统，它们：

1. 使用大语言模型Advanced AI models trained on massive text data to understand and generate human language across multiple tasks.（LLM） 来理解和生成内容
2. 聚合多个来源 的信息
3. 生成综合性回答 而不是简单的链接列表
4. 提供引用和归属 确保信息可验证

Generative Engines are a new generation of search systems that:

1. Utilize Large Language Models (LLMs) to understand and generate content.
2. Aggregate information from multiple sources.
3. Generate comprehensive answers instead of simple link lists.
4. Provide citations and attribution to ensure information verifiability.

典型例子

• 🔍 Bing Chat (Microsoft)
• 🔍 Google SGE (Search Generative Experience)
• 🔍 Perplexity.ai
• 🔍 ChatGPT Search (OpenAI)

Typical Examples

• 🔍 Bing Chat (Microsoft)
• 🔍 Google SGE (Search Generative Experience)
• 🔍 Perplexity.ai
• 🔍 ChatGPT Search (OpenAI)

传统搜索 vs 生成式引擎一种基于机器学习的技术，能够自动生成和优化系统配置或代码，以提高性能和效率。

特性	传统搜索引擎	生成式引擎一种基于机器学习的技术，能够自动生成和优化系统配置或代码，以提高性能和效率。
输出	网站链接列表	综合性文本回答
信息来源	单一网页	多个来源聚合
用户交互	点击链接访问	直接阅读答案
引用方式	排名顺序	嵌入式引用
可见性指标	点击率、排名	引用频率、字数

Traditional Search vs. Generative Engines

Feature	Traditional Search Engine	Generative Engine
Output	List of website links	Comprehensive text answer
Information Source	Single webpage	Aggregation of multiple sources
User Interaction	Click links to visit	Read answer directly
Citation Method	Ranking order	Embedded citations
Visibility Metric	Click-through rate, ranking	Citation frequency, word count

---

为什么需要 GEO？

三方利益关系

生成式引擎一种基于机器学习的技术，能够自动生成和优化系统配置或代码，以提高性能和效率。涉及三个关键利益相关方：

┌─────────────┐
│   用户      │ ✅ 更快获取准确信息
└─────────────┘
       ↓
┌─────────────┐
│ GE平台商    │ ✅ 提升用户满意度和收入
└─────────────┘
       ↓
┌─────────────┐
│ 内容创作者  │ ⚠️ 流量减少、可见度下降
└─────────────┘

Tripartite Stakeholder Relationship

Generative Engines involve three key stakeholders:

┌─────────────┐
│   Users     │ ✅ Faster access to accurate information
└─────────────┘
       ↓
┌─────────────┐
│ GE Platforms│ ✅ Increased user satisfaction and revenue
└─────────────┘
       ↓
┌─────────────┐
│ Content     │ ⚠️ Reduced traffic, decreased visibility
│ Creators    │
└─────────────┘

内容创作者面临的挑战

1. 流量下降 - 用户无需点击网站即可获得答案
2. 可见度难以控制 - 黑盒算法，无法预测内容如何被引用
3. 传统 SEO 失效 - 关键词优化等方法不再适用
4. 收入受影响 - 依赖网站流量的小企业和创作者受冲击

Challenges Faced by Content Creators

1. Traffic Decline - Users get answers without needing to click on websites.
2. Uncontrollable Visibility - Black-box algorithms make it impossible to predict how content will be cited.
3. Traditional SEO Ineffective - Methods like keyword optimization are no longer applicable.
4. Revenue Impact - Small businesses and creators reliant on website traffic are affected.

GEO 的目标

Generative Engine Optimization (GEO) 是一个灵活的黑盒优化框架，旨在帮助内容创作者提升其内容在生成式引擎一种基于机器学习的技术，能够自动生成和优化系统配置或代码，以提高性能和效率。响应中的可见度。

核心价值：

• ✅ 赋能内容创作者
• ✅ 提升内容可见度
• ✅ 平衡创作者经济
• ✅ 提供可衡量的优化方法

The Goal of GEO

Generative Engine Optimization (GEO) is a flexible black-box optimization framework designed to help content creators enhance the visibility of their content in generative engine responses.

Core Value:

• ✅ Empowers content creators
• ✅ Increases content visibility
• ✅ Balances the creator economy
• ✅ Provides measurable optimization methods

---

什么是生成式引擎一种基于机器学习的技术，能够自动生成和优化系统配置或代码，以提高性能和效率。

技术架构

生成式引擎一种基于机器学习的技术，能够自动生成和优化系统配置或代码，以提高性能和效率。由两个核心组件组成：

1. 生成模型集合 (Generative Models)

多个专用 LLM 协同工作：

• 查询重构模型 - 将复杂查询分解为简单子查询
• 摘要生成模型 - 为每个源生成摘要
• 响应生成模型 - 综合所有信息生成最终回答

Technical Architecture

A Generative Engine consists of two core components:

1. Generative Model Ensemble

Multiple specialized LLMs work together:

• Query Rewriting Model - Decomposes complex queries into simple sub-queries.
• Summary Generation Model - Generates summaries for each source.
• Response Generation Model - Synthesizes all information to produce the final answer.

2. 搜索引擎 (Search Engine)

根据查询检索相关网页源。

2. Search Engine

Retrieves relevant web page sources based on the query.

工作流程

用户查询 q
    ↓
[查询重构] → 生成子查询 q1, q2, q3...
    ↓
[搜索引擎] → 检索源文档 S = {s1, s2, s3...}
    ↓
[摘要生成] → 为每个源生成摘要
    ↓
[响应生成] → 综合生成带引用的回答
    ↓
最终响应 r (含嵌入式引用)

Workflow

User Query q
    ↓
[Query Rewriting] → Generates sub-queries q1, q2, q3...
    ↓
[Search Engine] → Retrieves source documents S = {s1, s2, s3...}
    ↓
[Summary Generation] → Generates a summary for each source
    ↓
[Response Generation] → Synthesizes to generate an answer with citations
    ↓
Final Response r (with embedded citations)

数学形式化

生成式引擎一种基于机器学习的技术，能够自动生成和优化系统配置或代码，以提高性能和效率。可以表示为函数：

GE(q, u) → r

其中：

• q = 用户查询
• u = 用户个性化信息
• r = 生成的响应（含引用）

Mathematical Formulation

A Generative Engine can be represented as a function:

GE(q, u) → r

Where:

• q = User query
• u = User personalization information
• r = Generated response (with citations)

---

GEO 方法论

可见度指标在GEO中用于衡量内容在生成式引擎响应中曝光程度的量化标准，包括字数统计、位置调整字数和主观印象。 (Impression Metrics)

在传统 SEO 中，可见度 = 平均排名。但在生成式引擎一种基于机器学习的技术，能够自动生成和优化系统配置或代码，以提高性能和效率。中，情况更复杂。

为什么传统指标不适用？

生成式引擎一种基于机器学习的技术，能够自动生成和优化系统配置或代码，以提高性能和效率。的响应：

• ✅ 富文本、结构化内容
• ✅ 多个引用交织在一起
• ✅ 引用位置、长度、呈现方式各不相同
• ✅ 非线性的信息组织

Impression Metrics

In traditional SEO, visibility = average ranking. However, in generative engines, the situation is more complex.

Why Traditional Metrics Are Not Applicable?

Generative engine responses:

• ✅ Rich-text, structured content
• ✅ Multiple citations interwoven
• ✅ Citation position, length, and presentation vary
• ✅ Non-linear information organization

GEO 提出的三个核心指标

1. 字数统计 (Word Count)

定义： 与某个引用相关的句子的归一化字数。

公式：

Impression(ci) = Σ(|sj| / |S|)

其中：

• ci = 引用 i
• sj = 引用 ci 的句子 j
• |sj| = 句子 j 的字数
• |S| = 响应中所有句子

直观理解： 字数越多 = 该来源在回答中占比越大 = 用户接触度越高

Three Core Metrics Proposed by GEO

1. Word Count

Definition: The normalized word count of sentences associated with a specific citation.

Formula:

Impression(ci) = Σ(|sj| / |S|)

Where:

• ci = Citation i
• sj = Sentence j citing ci
• |sj| = Word count of sentence j
• |S| = All sentences in the response

Intuitive Understanding: More words = Greater proportion of the answer from this source = Higher user exposure.

2. 位置调整字数一种可见度指标，通过指数衰减函数对响应中不同位置的句子进行加权，以反映用户更可能阅读靠前内容的倾向。 (Position-Adjusted Word Count)

为什么需要位置调整？

用户更可能阅读出现在前面的内容！

公式：

Impression(ci) = Σ(|sj| × e^(-λ × pos(sj)) / |S|)

其中：

• pos(sj) = 句子 j 在响应中的位置
• λ = 衰减系数
• e^(-λ × pos) = 指数衰减函数

效果：

• 位置越靠前 → 权重越高
• 位置越靠后 → 权重越低

示例计算：

响应：
[句子1: 50字，引用A] 权重 = 50 × e^(-0.1×1) = 45.2
[句子2: 40字，引用B] 权重 = 40 × e^(-0.1×2) = 32.8
[句子3: 30字，引用A] 权重 = 30 × e^(-0.1×3) = 22.2

引用A总分 = 45.2 + 22.2 = 67.4
引用B总分 = 32.8

灵感来源：

基于搜索引擎点击率研究：

• 排名第 1 的结果：36.4% 点击率
• 排名越靠后，点击率呈指数级下降

2. Position-Adjusted Word Count

Why Position Adjustment is Needed?

Users are more likely to read content that appears earlier!

Formula:

Impression(ci) = Σ(|sj| × e^(-λ × pos(sj)) / |S|)

Where:

• pos(sj) = Position of sentence j in the response
• λ = Decay coefficient
• e^(-λ × pos) = Exponential decay function

Effect:

• Earlier position → Higher weight
• Later position → Lower weight

Example Calculation:

Response:
[Sentence1: 50 words, cites A] Weight = 50 × e^(-0.1×1) = 45.2
[Sentence2: 40 words, cites B] Weight = 40 × e^(-0.1×2) = 32.8
[Sentence3: 30 words, cites A] Weight = 30 × e^(-0.1×3) = 22.2

Total Score for Citation A = 45.2 + 22.2 = 67.4
Total Score for Citation B = 32.8

Inspiration:

Based on search engine click-through rate research:

• Rank 1 result: 36.4% click-through rate
• Click-through rate declines exponentially for lower ranks.

3. 主观印象使用GPT-3.5等模型评估引用内容在相关性、影响力、独特性等7个维度的用户主观感知的可见度指标。 (Subjective Impression)

前两个指标是客观的，但忽略了用户的主观感受。

评估的 7 个维度：

维度	说明	评分方法
Relevance	引用内容与查询的相关性	GPT-3.5 评分
Influence	引用对生成回答的影响力	GPT-3.5 评分
Uniqueness	引用提供的独特信息	GPT-3.5 评分
Subjective Position	用户眼中的引用位置显著性	GPT-3.5 评分
Subjective Count	用户感知的内容量	GPT-3.5 评分
Click Likelihood	用户点击引用的可能性	GPT-3.5 评分
Diversity	引用提供的信息多样性	GPT-3.5 评分

评估方法：G-Eval

使用 GPT-3.5 作为评估器，基于结构化模板打分：

评估任务：评估引用的相关性

查询：[用户查询]
响应：[生成的回答]
引用：[要评估的引用]

请从 1-10 评分，评估此引用与查询的相关性：

- 10 分：高度相关，直接回答核心问题
- 5 分：部分相关，提供辅助信息
- 1 分：不相关，偏离主题

评分：_____

分数归一化：

由于 G-Eval 分数校准不佳，需要归一化：

normalized_score = (score - mean) / std × target_std + target_mean

确保与 Position-Adjusted Word Count 具有相同的均值和方差，便于比较。

3. Subjective Impression

The first two metrics are objective but ignore users' subjective perceptions.

7 Dimensions for Evaluation:

Dimension	Description	Scoring Method
Relevance	Relevance of cited content to the query	GPT-3.5 Scoring
Influence	Influence of the citation on the generated answer	GPT-3.5 Scoring
Uniqueness	Unique information provided by the citation	GPT-3.5 Scoring
Subjective Position	Perceived prominence of citation position by users	GPT-3.5 Scoring
Subjective Count	Perceived amount of content by users	GPT-3.5 Scoring
Click Likelihood	Likelihood of users clicking the citation	GPT-3.5 Scoring
Diversity	Diversity of information provided by the citation	GPT-3.5 Scoring

Evaluation Method: G-Eval

Uses GPT-3.5 as an evaluator, scoring based on a structured template:

Evaluation Task: Assess citation relevance

Query: [User Query]
Response: [Generated Answer]
Citation: [Citation to Evaluate]

Please rate from 1-10 the relevance of this citation to the query:

- 10: Highly relevant, directly answers the core question
- 5: Partially relevant, provides auxiliary information
- 1: Irrelevant, off-topic

Score: _____

Score Normalization:

Due to poor calibration of G-Eval scores, normalization is required:

normalized_score = (score - mean) / std × target_std + target_mean

Ensures the same mean and variance as Position-Adjusted Word Count for easier comparison.

---

9 种优化策略

Princeton 研究团队提出并测试了 9 种 GEO 方法。

方法分类

类别 A：内容增强（需要添加新内容）

这些方法需要添加额外信息：

1. Cite Sources - 引用来源
2. Quotation Addition - 添加引用
3. Statistics Addition - 添加统计数据
4. Keyword Stuffing - 关键词堆砌

9 Optimization Strategies

The Princeton research team proposed and tested 9 GEO methods.

Method Classification

Category A: Content Enhancement (Requires Adding New Content)

These methods require adding additional information:

1. Cite Sources - Citing sources
2. Quotation Addition - Adding quotations

常见问题（FAQ）

GEO和传统SEO有什么区别？

GEO针对生成式引擎优化一种优化品牌在生成式AI模型输出结果中可见性与知名度的技术，旨在使品牌信息被AI采纳并融入生成答案。，关注内容被AI引用和聚合，使用引用来源、添加引语等策略。传统SEO针对链接列表排名，依赖关键词和点击率，在生成式引擎一种基于机器学习的技术，能够自动生成和优化系统配置或代码，以提高性能和效率。中可能失效。

如何让我的内容被Bing Chat或Google SGE更多引用？

根据GEO框架，最有效的策略包括：清晰引用权威来源、在关键位置添加相关引语、确保内容全面准确。避免使用传统的关键词堆砌，这会被识别为低质量内容。

生成式引擎一种基于机器学习的技术，能够自动生成和优化系统配置或代码，以提高性能和效率。对内容创作者的主要挑战是什么？

主要挑战包括：用户无需点击网站即可获得答案导致流量下降；AI算法是黑盒，内容可见度难以预测和控制；依赖流量的创作者收入可能受影响。