研究主题页 · GEO
GEO 生成式引擎优化AI 回答里，
有没有你？
GEO（Generative Engine Optimization，生成式引擎优化）是针对 AI 回答中的品牌呈现与来源引用所做的内容改善，涵盖网站信息、可核对来源与外部数据的一致性。
这里整理检索原理、MCAC 观测方法与引用查证，分开看品牌被提及、网页被引用，以及信息是否正确。
01
GEO 阅读指南
从检索原理到实际观测，再看流量与引用来源。
- 营销成长
从向量到引用：GEO 背后的语义检索逻辑
理解语义检索如何找出候选内容，以及被找回与被引用的差别。
- 研究报告
AI 搜索时代的检索机制报告
用台北牛肉面店的观测，分开看品牌提及、引用来源与信息正确性。
- 营销成长
从 Referral 到 AI Assistant：GA4 如何重新定义 AI 时代的流量来源
辨认 AI 带来的造访，厘清流量报表看不到的回答曝光。
- 研究报告
当 AI 开始引用 AI 生成的文章，网络知识会发生什么事？
沿引用来源追查证据，理解 AI 生成内容如何进入知识传播。
延伸阅读：AI 如何比较品牌：从检索到推荐排序（繁体中文）。
02
MCAC 四项检查
MCAC 是 LS-Labs 的诊断框架，不是 GEO 的通用评分标准，也不是搜索平台的排名标准。它把 GEO 的成效拆成品牌提及、来源引用、信息正确性与行动承接度四项，分开记录、不能加总成一个品牌总分，才分得出问题出在被提到、被引用、说得对，还是回答里没有下一步。完整定义见名词解释〈MCAC〉，测量方式与样本见〈AI 搜索时代的检索机制报告〉。
- 01
品牌提及 Mention
回答里，有没有你？
先确认它说的是哪个品牌，再看你出现在推荐、比较还是批评。提问已经带品牌名称的结果，要分开记。
- 02
来源引用 Citation
它连到哪一页？
记下回答附上的链接、注脚或来源清单，并核对来源是否支持那句话。品牌被提到，不代表你的网站被引用；看得到的引用，也不是模型用过的全部数据。
- 03
信息正确性 Accuracy
它有没有把你的信息说错？
把地址、电话、价格这些事实对回有效数据。正确、错误、未提供与无法核对，要分开记录。
- 04
行动承接度 Conversion-readiness
回答有没有给出下一步？
只看回答有没有提供电话、网址或地址这类下一步，不代表用户已经联系、预订或交易。
03
一则餐厅回答的检查示例
同一则餐厅回答，依 MCAC 四项各检查一次。切换下面四个状态，依序看餐厅 A 有没有被提到、附了什么来源、说得对不对，以及回答有没有提供下一步。
用户问“今晚 19:00，帮两位找一家餐厅并预订。”
回答里出现你的名字
可以看看餐厅 A，适合两人晚餐；预订前先确认今晚有没有空位。
回答中出现了餐厅名称
怎么检查名字出现一次，算一次品牌提及。接着看它被放在推荐、比较还是其他语境，以及回答附了哪些链接。
回答引用的来源
餐厅 A 提供线上预订。来源
怎么检查点开回答附的来源，确认信息来自官网、媒体还是目录页。被提到的品牌，不一定是被引用的网站。
来源要能支持回答的内容
缺少证据：即时空位
怎么检查营业信息回答得了几点开门，回答不了今晚有没有位子。即时空位要查预订系统，回答直接断言就缺少证据。
回答有没有提供下一步
餐厅 A 提供线上预订，也可以来电询问。
回答附上了预订页与来电入口
怎么检查只看回答有没有提供电话、网址或地址这类下一步。有入口，不代表读者真的订了位。
AI 是怎么挑出这些来源的？看图解 ↓
04
AI 怎么用向量比对内容
向量检索可以用文字向量的相似度寻找候选内容。下图是二维教学模型：用“讲预订”与“讲餐厅故事”两条轴说明方向和夹角；角度与名次均为示意设定，不是 Google 或其他 AI 平台的实测排名。
你的页面这样写
“主厨在东京学艺十年，回台后用老木料亲手打造这间店，希望每位客人都吃得到家的味道。”
“主厨在东京学艺十年，店内只有二十个座位。想来用餐，欢迎来电询问。”
“晚餐 17:30 至 21:30，每 30 分钟一个时段。两位以上可在官网线上预订，画面会显示当晚还有哪些空位。”
方向差异较大：在这组设定中，相似度较低。
模型内第 4，未进入前 2 个候选。
- A 预订平台的店家页0.990
- B 美食博主食记0.866
- C 杂志主厨专访0.574
- d 你的页面0.469
这个模型只比较设定好的方向。实际检索还会受到查询、索引与排序方式影响；被取回的内容，也不一定成为答案的引用来源。
cos θ = (q · d) / (‖q‖ ‖d‖)，夹角 0° 时为 1，90° 时为 0
- 01
文字变成箭头
Embedding 模型把问题和每段内容换成一串数字，也就是一支有方向的箭。意思相近的文字，箭头指向也相近。
- 02
比对夹角并取回前几名
在这个模型中，依 cos θ 排序并取回前两段。实际系统的相似度算法与候选数，依实现而异。
- 03
用候选段落写答案
候选内容还需要经过后续选材与回答生成。清楚的条件、数字与来源有助于读者核对内容，但不能保证被引用。
05
常见问题
GEO 是谁提出的？
GEO 的学术命名来自 Aggarwal 等人的〈GEO: Generative Engine Optimization〉。预印本在 2023 年 11 月公开，后来获 KDD 2024 接受，提出内容优化与可见度评估框架。
GEO 和 SEO 有什么不同？做了 SEO 还需要 GEO 吗？
SEO 看搜索结果的排名与点击，GEO 看 AI 回答里有没有提到你、引用你的网页，并把信息说对。依 Google Search Central 的说明，网页要出现在 Google 的 AI 功能里，得先能被索引、能显示摘要，所以 SEO 的基本功仍是前提；但回答里有没有你、说得对不对，要另外检查。
AI 提到品牌，就代表引用了官网吗？
要看回答附上的链接。品牌名称可能出现在回答里，引用来源则来自官网、媒体、目录或其他网站。
MCAC 是什么，和 GEO 有什么关系？
MCAC 是 LS-Labs 的诊断框架，把 GEO 的成效拆成品牌提及、来源引用、信息正确性与行动承接度四项。它是本站的诊断做法，不是 GEO 的通用评分标准。
改了内容之后，怎么知道有没有用？
固定问题与判定规则，保留平台、模型、日期、完整回答和来源，并重复观察。不同问题、平台与时间可能得到不同回答，所以一次被提到，不能证明改写有效。
可以把 MCAC 四项加成一个分数吗？
不行。四项衡量的是不同的事，要分项比较。把不同问题的结果加成一个通用品牌分数，会看不出问题出在提及、引用、正确性还是下一步。
没有官网，还能出现在 AI 回答里吗？
能。在 LS-Labs 对台北六家牛肉面店的观测样本中，没有官网的商家也被 AI 提及，可见来源包括商家资料、食记与评论。官网是商家自己能维护的第一方信息入口，但这不证明官网会让答案更正确。
06
四个研究主题的关系
GEO 看自然回答里的提及与引用，TSO 看智能体选用哪个工具，AX 看任务能不能完成，AI 广告看回答下方的付费版位如何匹配与转化。四者处理相邻的问题，可依内容交叉阅读。
