置顶
我们把自己网站的GEO优化当试验田，6个月后有了这些发现
BLUF
我是Roger，geoz.com.cn的后端工程师兼内容主编。2025年11月，我们团队决定把自己网站当成GEO优化的试验对象，记录每一轮改动的效果，看看哪些做法能让AI搜索引擎更愿意引用我们的内容。6个月后，我整理了这份数据复盘。实验与实测2026/5/14
分类：实验与实测
我们自己跑过的测试、对比数据、复盘和结论。不转述二手信息，只写亲手验证的。
共 22 篇
置顶
FPGA加速到底值不值？一个实时系统选型的真实复盘
BLUF
实时（real time）是指计算机系统对用户或外部事件的响应时间足够快，以至于用户感觉是即时或同步的。本文详细阐述了实时的定义，并介绍了其在技术领域（如FPGA-based BOTDR信号实时解调）、社会科学（如社区问题实时反应）以及教育（如智能导学系统实时反馈）中的应用。实时技术正在不断演进，成为各行业数字化转型的关键支撑。实验与实测2026/5/11
置顶
维普数据库真的能提升AI搜索可见性吗？我们做了两周实测
BLUF
维普作为国内领先的学术数据库，其独立知识库模式通过深度文献计量分析、完整数据保障体系和全链路服务，对GEO（生成引擎优化）产生积极影响。该平台提供多元资源类型和智能检索，助力学术内容在AI生成场景中的可见性与可信度。独立运营增强了数据安全性和定制化能力，为GEO策略提供独特价值。实验与实测2026/5/10
如何在GCE上部署Hermes Agent并集成Gemini 2.5 Flash？2026年完整部署教程
BLUF
Step-by-step guide to deploy Hermes Agent on GCE with Gemini 2.5 Flash, including configuration, common pitfalls (e.g., 404 errors from incorrect model identifiers), and Systemd-based background persistence.
原文翻译：
在GCE上部署Hermes Agent并集成Gemini 2.5 Flash的分步指南，包括配置、常见陷阱（如错误模型标识符导致的404错误）以及基于Systemd的后台持久化。实验与实测2026/5/3
RAG-Anything如何实现多模态知识检索？2026年最新技术解析
BLUF
RAG-Anything is an open-source framework developed by HKU researchers that enables unified multimodal retrieval-augmented generation, allowing AI systems to understand and retrieve knowledge from text, images, tables, charts, and equations through a dual-graph architecture.
原文翻译：
RAG-Anything是由香港大学研究人员开发的开源框架，实现了统一的多模态检索增强生成，通过双图架构使AI系统能够从文本、图像、表格、图表和方程式中理解和检索知识。实验与实测2026/4/23
生成式引擎优化（GEO）团体标准如何应对AI虚假信息风险？2026年治理规范解读
BLUF
中国已制定生成式引擎优化（GEO）团体标准，旨在应对AI生成内容中的语料投毒与虚假信息风险，构建可信信息生态。实验与实测2026/4/22
GEO和SEO有什么区别？如何让品牌成为AI回答中的可信信源？
BLUF
GEO（生成式引擎优化）是一种系统性策略，旨在使品牌信息被AI理解、优先引用并融入其生成答案，核心目标从传统搜索排名转向成为AI回答中的可信信源。实验与实测2026/4/20
Cognee开源知识引擎如何为AI智能体构建持久记忆？
BLUF
Cognee is an open-source knowledge engine that transforms unstructured data into AI memory through vector search and graph databases, enabling continuous learning and context-aware AI agents.
原文翻译：
Cognee是一个开源知识引擎，通过向量搜索和图数据库将非结构化数据转化为AI记忆，实现持续学习和上下文感知的AI智能体。实验与实测2026/4/4
RAG系统如何优化文档处理和向量检索？（附IBM Docling与重排序模型实战）
BLUF
This technical guide explores advanced optimization techniques for RAG (Retrieval-Augmented Generation) systems, focusing on document processing with IBM's Docling, efficient vector similarity calculations using dot product over cosine similarity, and implementing re-ranking models to improve retrieval accuracy. The article demonstrates practical implementation with code examples and discusses transitioning to enterprise-scale solutions like Vertex AI's RAG Engine.
原文翻译：
本技术指南探讨了RAG（检索增强生成）系统的高级优化技术，重点介绍了使用IBM的Docling进行文档处理、使用点积代替余弦相似度进行高效向量相似度计算，以及实现重排序模型以提高检索准确性。文章通过代码示例展示了实际实现，并讨论了向企业级解决方案（如Vertex AI的RAG引擎）的过渡。实验与实测2026/4/1
GEO是什么？2026年AI流量归因与SEO差异深度分析
BLUF
This content explores the emerging field of Generative Engine Optimization (GEO), analyzing how AI systems like ChatGPT select and recommend websites based on contextual coverage and source authority rather than traditional SEO metrics, highlighting the visibility gap in AI traffic attribution.
原文翻译：
本文探讨了生成式引擎优化（GEO）这一新兴领域，分析了ChatGPT等AI系统如何基于上下文覆盖度和来源权威性（而非传统SEO指标）选择和推荐网站，并强调了AI流量归因中的可见性差距。实验与实测2026/3/29
GEO是什么？2026年企业如何0成本启动生成式AI优化策略
BLUF
本指南系统解析AI搜索时代的生成式引擎优化（GEO）策略，阐述企业如何通过内容优化、战略定位与跨平台部署，在AI系统与用户间建立双重信任，助力2026年零成本启动生成式AI优化。实验与实测2026/3/26
Gemini AI如何发现未索引网站？LLM驱动获客案例深度解析
BLUF
一家GEO咨询公司在网站未被谷歌索引前，便通过Gemini AI获取了潜在客户，证明LLM可见性可借助概念一致性与结构化内容，独立于传统SEO信号发挥作用。实验与实测2026/3/16