做出绝对碾压优势的 GEO 效果
从 RAG 底层原理切入，对生成式引擎进行逆向分析
多数从业者急于求成，忽视基础知识的夯实。问题的根源在于普遍缺乏对算法的敬畏。
过度包装履历、伪造各式成果数据；问及实际任职，几乎都是不知名的中小公司，问及理论研究，更是一问三不知。
只谈页面上哪里可以重复加几次关键词，不讨论检索机制、不讨论用户需求 —— 只管自己做什么，不管做给谁看。
在勾选联网搜索之后，整个回答流程即被称为 RAG —— 检索增强生成。做 GEO 就是做 RAG 的逆向工作：必须先搞清楚 RAG 内部做了什么，才有机会在正确的方向上发力。
进行一轮搜索，找出几十条参考资料。
GEO 做到足够好时，仅此一步就可终结战斗 —— 若几十条参考资料全部来自我们自己发布，模型后续如何理解、如何生成，竞争对手压根没有机会。
从几十篇参考资料之中分析、提取信息。
大模型全面介入，看得极为精细 —— 远超出了人类可归纳总结的最小粒度，因此理论上的唯一最优解是训练我们自己的模型来逆向其规则。
将这些信息融入回答内容之中。
通过 RL 训练自己的生成模型 —— 让它懂得 RAG 的内部逻辑，直接产出会被目标模型高优先级引用的文章。这才是真正的降维打击。
输入大部分已知 —— 知道参考语料长什么样、知道着陆页长什么样；输出完全已知 —— 知道 AI 引用率、知道关键词位置；唯独中间过程极为有限。
学术上称之为混沌系统，正如天气预报。我们必须借助统计与逻辑学工具，以溯因推理的穆勒五法为核心方法去逼近其内部规律。
粗排 → 精排 → 重排，再叠加 AI 平台自身的二次召回排序。每一关都是我们的入场券。
AI 搜索往往会基于用户提问拓展出几个搜索词。豆包直接显示其改写结果，DeepSeek 虽不直接显示，但可以通过抓包看出其实际搜索词。
我们完全可以训练一个 Query 改写预测模型：输入用户查询，输出多个改写后的搜索词。一旦平台为打击恶意 GEO 而隐藏改写结果，没有预测模型的同行就会重新陷入「盲人摸象」—— 而我们已是彻底的降维打击。
搜索词确定后，平台调用传统商业搜索接口取回几十上百个候选网页 —— GPT 用 Bing、DeepSeek 据称用博查 AI。这一必经环节内部，其实完全是 SEO 工作。
不懂 SEO，就无法确保文章出现在参考资料列表之中。竞争一旦稍上去，不会 SEO 的人想要做好 GEO，则是件绝无可能的事情。
混合检索之中，BM25 稀疏检索之外，主要就是 Bi-Encoder 的向量稠密检索。落地策略是在文章中加入高度相关的词汇。
但词与词之间相关度有高有低，人脑无法理解高维向量空间。我们基于 Qwen 系列等开源 Embedding 模型做简单开发 —— 输入一个词，直接输出其向量空间中最接近的词汇列表，这些就是极为值得融入到 GEO 文章中的词。
Cross-Encoder 让关键词与内容完整交互，从类似人类用户视角去打分。不只是相关性，还要看需求满意度 —— 内容是否切实符合用户的具体需求。
但它仍是规模较小、用于实时检索的模型 —— 若主流大模型 IQ 大致 130，它接近 80，仍存在显而易见的偏差。例如豆包检索中，文章标题是否出现「2026」一度接近必要性因素；又如排行榜类型文章效果格外突出。这些被过度看重的细节，正是我们的发力点。
传统搜索排名重要性的大致顺序：文章标题 > 文章之外的附加因素 > 文章正文。商业搜索厂家规则积年累月、极其庞杂，不会为 AI 参考语料的需求另起炉灶。
理想情况下，GEO 应主要发布到自己完全可控的网站 —— 规模化后新闻稿成本过高，第三方平台大量发布有风控与法律风险。自有站每日数万乃至数十万篇都正常，且能确保爬虫全量抓取。此处的附加因素完全是 SEO 领域的话题。
已知规律：关键词堆砌负面效果，引用补充说明非常显著的正面作用。这是地板，不是天花板。
该论文与商业需求最大的违背在于：未探讨核心问题 —— 如何把这些手段做得更好，又如何发现更多可行的手段。
以穆勒五法为主要工具，留意那些没有使用任何已知手段、却仍被高优先级引用的资料。
实操技巧：批量获取模型对海量问题的不同回答，程序化筛出「无已知手段 + 字数最少」的高优引用文章 —— 干扰少，规律更易浮现。
大模型看的细节远超人类总结能力 —— 唯一最优解是自训模型。
Reward 模型预测引用优先级，再以 GRPO 等 RL 范式训练生成模型。真正的降维打击。
不再用现成的 DeepSeek 来生成文章，而是直接用自己训练的模型生成 —— 模型已将 RAG 内部的规则迁移到了生成能力之中。
AI 平台的检索环节，本质就是调用商业搜索接口。竞争一旦上去，不会 SEO 的人想要做好 GEO，是件绝无可能的事情 —— 我们把多年累积的 SEO 工程经验，作为 GEO 的底层基建。
被动的小修小补，需要消耗的精力远比人们想象中来得更大。我们一开始就冲着理论上限去做，目标是即便竞争对手层出不穷，排名与引用也能长期稳定。
黑盒问题的研究范式：概率、推理、机器学习。以溯因推理的穆勒五法为核心方法，在 SEO 和 GEO 之间大体共通 —— 这是真正深入无人领域去做研究的方式。
Query 改写预测、Embedding 相关词挖掘、Reward 模型、RL 生成模型 —— 一旦平台政策变化或同行追上来，已建立起来的模型壁垒，是别人难以一夜之间补齐的护城河。
在「检索」一步就终结战斗，让模型看到的几十条参考资料全部来自我们。
自训模型预测豆包等平台的改写结果，提前锁定真正该操作的关键词。
基于 Qwen 等 Embedding 模型，输出与目标词向量空间最接近的词汇列表。
针对 Cross-Encoder 在标题、时间、结构化排行等维度的偏好做精细对齐。
在自己完全可控的网站上规模化发布，确保抓取，覆盖文章之外的所有附加因素。
训练 Reward 模型 → GRPO 训练生成模型，直接产出高优先级被引用的内容。
只要把效果做到比其它竞争对手相对而言都更好那么一点，就能在 AI 模型的回答之中以最高优先级被引用，拥有最大化的效果。我们远不必真的做到理论上限 —— 但我们始终记得它在哪里。