先给答案：不存在一套通吃所有平台的引用算法
AI 搜索没有公开一条所有产品共用的流水线，更不存在一份可以反向破解成公式的 GEO 秘籍。
Google 明确说 AI Overviews 与 AI Mode 会使用检索增强生成和查询扇出；Perplexity 公开的是实时搜索、综合与来源链接；OpenAI 说明 ChatGPT search 会使用第三方搜索服务和合作伙伴直接提供的内容。这些事实都不能推出它们共享同一个索引、切块器、关键词检索器、向量库、重排器、上下文拼装方式或引用策略。
因此，我现在这样理解 GEO：
不要优化一条想象中的秘密管线。先让内容可访问、对人有用、证据可检查，再测量它在你真正关心的平台上发生了什么。
这是「GEO 生成式引擎优化」系列的第 2 篇（原理篇）。第 1 篇 铺开了整张地图；这一篇只做一件事：把公开事实、工程推断和可观测结果分开。
三个平台到底公开了什么
Google：RAG、查询扇出，以及没有消失的 SEO 地基
Google 的 Search Central 文档 说明，AI Overviews 和 AI Mode 可能使用 query fan-out（查询扇出）：模型围绕子主题和不同数据源发出多条相关搜索，再在生成回答时寻找支持页面。
Google 的 2026 生成式 AI 搜索优化指南 又明确了两件事：
- Google 的 AI 搜索功能会使用 RAG，并依靠核心 Search 排名系统从索引中取回相关网页。
- 传统搜索地基仍然有效。页面要成为支持链接，至少必须已被索引，并有资格在搜索中展示摘要。
这份官方指南也拆掉了几种很诱人的神话：进入 AI Overviews 或 AI Mode 不需要额外技术要求，不需要特殊 schema，也不需要所谓 AI 专用文本文件。可抓取、内部链接、可读文本、页面体验、与可见内容一致的结构化数据，以及真正帮助人的内容，仍是耐久工作。
Google 还直接提醒：为了操纵排名或生成式回答，给每一种可能的 fan-out 查询批量造独立页面，可能违反规模化内容滥用政策。
查询扇出是真的。“给每个扇出词造一篇薄文”不是它的正确推论。
Perplexity：实时搜索、综合与可检查引用
Perplexity 官方帮助页 公开的是一条更简单的可观察流程：理解问题、实时搜索网页、综合信息，并提供指向来源的引用。Pro Search 文档 进一步说明它会执行多次搜索、阅读更多来源、综合结果，并允许用户继续追问。
这些页面没有公开固定的 BM25、dense embedding、RRF、cross-encoder、“权威 ML 重排”或生成前分配引用槽。它们都是现代检索系统里合理的组件，却不能因为“听起来像”就写成 Perplexity 的已证实架构。
能留下的结论很克制：Perplexity 把来源链接展示给用户，方便回到原文核验。链接让答案可审计，不代表每一句都被旁边的引用完整支持。
ChatGPT search：第三方搜索服务与合作伙伴内容
OpenAI 在 ChatGPT search 公告 中说，产品使用第三方搜索提供商，也使用合作伙伴直接提供的内容；用户可以打开 Sources 面板，网站发布者也可以控制是否出现在 ChatGPT search 中。
官方没有把当前系统描述成简单的“Bing 索引 + OpenAI 自建索引”。搜索基础设施和模型都会变化。耐久文章应该写清公开接口与发布者控制，而不是把一条传闻冻成平台对比表。
仍然不知道的部分
三个产品都没有完整公开这些细节：
- 一次具体请求如何改写查询；
- 是否以及如何组合词面、语义、图谱或其他检索；
- 初次检索与后续证据抽取分别用什么粒度；
- 新鲜度、地区、个性化、安全、权威与来源多样性如何共同作用；
- 为什么一个来源影响了答案，却没有得到可见引用；
- 模型、索引、实验、账号和地区变化会怎样改变结果。
这些未知不是让营销文章替我们补齐的空白。它们就是实验的一部分。
一套有用、但不冒充后台实现的五段模型
审查自己的内容时，我会分开看五个结果：
flowchart LR
A["1. 可访问<br/>系统能否看见并考虑页面？"] --> B["2. 被选择<br/>是否取回或选中来源？"]
B --> C["3. 被吸收<br/>答案是否使用其事实或表达？"]
C --> D["4. 可见引用<br/>界面是否展示链接？"]
D --> E["5. 对人有用<br/>读者是否完成任务？"]这是测量模型，不是对某个产品五个微服务的爆料。
1. 可访问（eligible）
对 Google 来说，官方底线是被索引，并有资格展示搜索摘要。跨平台的实践检查包括：
robots.txt、身份验证、CDN 规则与意外noindex没有挡住抓取；- 关键信息存在于可访问文本中，而不只藏在图片或交互里；
- canonical URL 与重定向一致；
- 内部链接能让页面被发现；
- 日期、作者和来源链接对读者可见。
可访问是必要条件，从来不是充分条件。
2. 被选择（selection）
被选择是指：对某个具体问题，系统是否把这页选成候选来源。Google 确认 fan-out 会发出相关搜索，因此页面可能因某个支持性子主题出现，而不是命中主查询的字面词。
但这不能推出旧稿的“主查询排名第 40 也会被引用”。排名、意图、地区、新鲜度与竞争页面都在变，没有官方公开一个跨查询阈值。更可测的问题是：
哪些提示变体、日期、地区和平台会选择这个 URL？
3. 被吸收（absorption）
一个被选择的页面可能真实影响答案，却没有获得可见链接；反过来，一页可能出现在来源列表里，却几乎没有贡献语言或证据。
2026 年论文 《From Citation Selection to Citation Absorption》 把这两个结果分开测：
- citation selection：搜索或引用层是否选择了这个页面；
- citation absorption：最终回答在多大程度上使用了页面的语言、事实、结构或证据。
它的跨平台数据也提醒我们：不同产品的引用广度与内容吸收深度并不相同。不能用一个平台的习惯替所有平台立法。
4. 可见引用（citation）
引用最容易被发布者观察，却不是完整质量信号。同行评审研究 《Evaluating Verifiability in Generative Search Engines》 曾发现“有引用但不支持旁边句子”的情况。它测量的是 2023 年产品，不能拿来充当 2026 平台分数；真正耐久的贡献，是把引用召回率和引用准确率分开。
对内容作者来说，正确反应不是“多塞几个链接等模型奖励”，而是：
- 把事实主张收窄到能被验证；
- 引原始来源，不沿着转载链引用；
- 写清日期、样本、单位与条件；
- 分开观察、推断和建议；
- 把限制条件放在它限制的主张旁边。
即便答案引擎永远不引用，一份更好核验的证据也仍然服务读者。这就是它能穿越算法更新的原因。
5. 对人有用（useful）
被引用不是终点。读者点击后有没有找到问题答案、完成操作、理解限制，才决定可见度有没有价值。
因此不要把引用率和业务结果焊成一个分数。至少分开看：可见引用、点击、停留、订阅或转化，以及内容是否真的解决了任务。
页面、段落与“统一 chunk 长度”神话
AI 系统在检索和综合的某个环节经常会处理摘录或片段。Google 的公开说法是从索引中取回相关网页，再审阅其中具体信息；它没有公开一套统一切块器，也没有发布“最容易被引用的段落字数”。
旧稿曾写：134–167 词是甜区、62% 入选内容落在 100–300 词、每个小节都会独立嵌入。我找不到足以支持工程规范的一手方法论，所以全部删除。
但让小节可以独立理解，仍然同时对人和机器有价值：
- 标题说清这一节回答什么；
- 第一段先给答案，再展开理由；
- 代词指向明确；
- 数字带单位、日期、样本与来源；
- 限制条件贴着主张写；
- 表格保留表头，不把关键含义藏进样式。
我把它叫作 extractable clarity（可抽取的清晰度），不再叫“chunk 优化”。
乐高的比喻仍然成立：每一节都应当能被单独拿起来引用，但整座房子仍要站得住。装满精致零件的盒子，不会自动变成好建筑。
研究真正支持什么
KDD 2024 的 GEO 原论文 提出 GEO-bench，并在其生成式引擎实验中报告最高约 40% 的可见度提升。加入引用、权威引语或统计，在部分领域有效；关键词堆砌表现较差。
这份证据有清晰边界：
- “最高 40%”是 benchmark 最大值，不是每个网站的预期收益；
- 可见度指标不等于点击、信任、转化或长期排名；
- 最有效方法会随领域变化；
- 引擎、索引和模型已经改变；
- 在受控来源集合里有效，不代表能修复不可索引或不相关的页面。
更新的受控研究 《What Gets Cited》 在双文档 RAG 试验里发现，主题相关性和来源位置是最强因素；新时间戳和明确价格在该环境中也有帮助，完整性与信任线索提升较小，纯格式修改作用有限。
它仍是 testbed，不是 Google 或 Perplexity 排名算法披露。真正值得学的是实验方法：一次只改一个因素、平衡位置、重复试验、报告不确定性。这比转述一篇没有公开样本的营销文章可靠得多。
一套可复现的 GEO 实验协议
黑盒不是放弃测量的理由，反而要求更严格的记录。
第一步：一次只定义一个结果
每轮实验选择一个主指标：
- URL 是否出现为可见引用；
- 域名是否出现，不限定 URL；
- 回答是否使用页面中某条有来源的事实；
- 回答是否吸收独特措辞或结构；
- 引用段落是否完整支持对应主张；
- 用户是否点击并完成有意义的动作。
在各项仍不可见时，不要急着揉成一个“AI 可见度总分”。
第二步：冻结问题集
从真实读者任务建立问题集：
10 个核心问题
10 个诊断或操作问题
10 个比较问题
10 个来自支持记录、Search Console 或社区的长尾问题
保存精确措辞。有计划地加入同义改写，不在每次运行时随手改变。
第三步：记录环境
每次运行保留：
平台与产品模式
日期与本地时间
国家 / 语言
登录或未登录
订阅层级
界面显示的模型（若有）
新对话或追问
完整提示
答案、引用与截图
缺少这些元数据，两次看似相同的运行可能根本不属于同一实验。
第四步：重复
一个答案只是轶事。同一问题在多天里重复运行，再报告：
- 引用率的分子和分母；
- 域名与 URL 多样性；
- 由人工规则核验的引用支持率；
- 可测时的吸收程度或事实贡献；
- 对提示改写的敏感度；
- 编辑前后与未修改对照组的差异。
小博客不必伪装成大实验室。目标只是别把一张幸运截图当成稳定机制。
第五步：一次只改一件事
可测试的修改包括：
- 把二手引用换成原始来源；
- 给数字补日期、范围、单位与方法；
- 把一个小节改为 answer-first；
- 将图片里的关键信息暴露为文本；
- 修复内部链接或抓取控制；
- 补上反例与限制条件。
标题、结构、来源、schema 和措辞同时变化，就无法知道什么起了作用。
第六步：保留失败样本
尤其保留这些情况：
- 页面被引用，却不支持答案；
- 页面没被引用，答案却吸收了独特事实；
- 竞争页面因覆盖了你遗漏的条件而胜出；
- 结果随地区或提示改写变化；
- 系统引用了过时信息。
这些失败比一张通用 GEO checklist 更适合作为编辑待办。
我愿意在 2026 年继续使用的写作清单
- 以人为先：页面解决真实任务，而不是迎合想象中的 fan-out 词。
- 搜索资格：可索引、可摘要、可抓取、canonical 正确，并有内部链接。
- 答案先行：读者能先找到直接答案，再读展开。
- 证据可抽取：数字带单位、日期、范围、方法和原始来源。
- 引用与主张同尺寸：来源支持旁边完整句子。
- 不确定性可见：限制和分歧靠近结论。
- 关键文本可访问：重要信息不只存在于图片、视频或交互中。
- 事实有复查日期：价格、API、政策与产品名都标记时点。
- 结构化数据诚实：markup 与页面可见内容一致。
- 有测量计划：固定问题集，并约定下一次复测日期。
这里没有“恰好 167 词”，也没有引用密度配额。证据的任务是让读者更容易验证，而不是给爬虫戴首饰。
回到我的博客：观察不是因果
我的 Hugo 建站文章 曾在某次 Search Console 快照中显示 10.4% CTR。它由一段段可独立执行的操作步骤组成，所以“可抽取的清晰度可能有帮助”是一个合理编辑假设。
但 CTR 不能证明文章被答案引擎引用，更不能证明段落结构导致了点击率。要把这个例子变得有用，我还需要记录 Search Console 日期范围、查询组合、设备和国家、排名位置、固定问题集观察到的 AI 引用，以及受控修改后的变化。
这不是统计洁癖。它能阻止个人写作声线在不知不觉中变成营销口吻。个人观察只有在边界清楚时，才真正有价值。
FAQ
不在搜索前十，就没有机会了吗？
没有公开的统一排除规则。Google 说 fan-out 可以带来更多样的支持链接，也说 AI 搜索扎根于核心排名和质量系统。把扎实 SEO 当地基，不要把它当保证，更不要把它宣布为过时仪式。
一个答案小节应该多长？
长到足以回答问题并带上必要证据与限制，短到读者能快速定位主张。不存在官方公布的跨平台最优字数。应该在自己的内容和读者中测理解与抽取效果。
向量时代还要关键词吗？
自然使用读者和行业真正采用的术语。Google 说明即使没有精确词面匹配，系统也能理解相关性，同时基础 SEO 仍有效。这支持精确自然的表达，不支持堆词。
怎样应对查询扇出？
覆盖读者完成任务真正需要的子问题。不要为猜测的 fan-out 短语批量发布薄页面；Google 明确警告，这类操纵生成式回答的规模化内容可能违反垃圾内容政策。
有引用就代表答案正确吗？
不。打开它，检查原文是否支持整句话，是否为原始来源，日期和条件是否匹配。
能穿过下一次模型更新的东西
旧稿试图用六步管线、魔法段落长度和平台“脾气”让黑盒显得可控。那种确定感很舒服，也很脆。
现在我更信任这条不那么炫的链：
可访问 → 被选择 → 被吸收 → 可见引用 → 对人有用
每一根箭头都可能断，每次失败都可以测，没有一处能靠格式技巧包治百病。
GEO 真正耐久的优势，不是知道一条秘密重排规则，而是发布这样的内容：证据容易核验，不确定性没有被擦掉，效果被认真测量，相关性没有被包装成民间传说。
这听起来不太像在玩弄一个引擎。
更像是在挣得被引用的资格。
- 上一篇：GEO 支柱篇：五层模型与完整地图
- 下一篇：结构化内容实战
读者回响