RESEARCH ARCHIVE
研究档案
记录 AI 搜索时代的信息发现规律。围绕 GEO 的理论、趋势、方法与实验，持续沉淀为可被智能系统理解和引用的研究资产。
11 ENTRIES · 4 CATEGORIES · BY BEASON
知其理
FUNDAMENTALS · GEO 基础理论
厘清 GEO 的定义、原理与底层逻辑——生成式引擎优化到底在优化什么。
- 2026.07.0713 MIN→
GEO 不是发软文，而是建设 AI 能引用的证据链
很多企业把 GEO 理解成多发文章、多堆关键词、多制造曝光。但真正有效的 GEO，不是发软文，而是建设一套让 AI 能理解、能验证、能引用、能推荐的品牌证据链。
- 2026.07.061 MIN→
结构化数据在 GEO 中能做什么，不能做什么
JSON-LD 能明确表达页面、作者与品牌关系，但不保证搜索排名或 AI 引用。本文说明它的真实作用、边界与实施方法。
- 2026.06.301 MIN→
GEO 与 SEO 的区别与联系
SEO 提升网页在传统搜索中的可发现性，GEO 研究信息在生成式答案中的可见性与影响。本文比较两者的目标、方法和度量边界。
- 2026.06.285 MIN→
GEO 是什么？为什么它不是 NCBI GEO？
本文所说的 GEO 是 Generative Engine Optimization（生成式引擎优化），不是 NCBI 的 Gene Expression Omnibus。它讨论的是内容如何在生成式搜索场景中被准确理解与合理采用，以及一个新项目如何先消除名称与实体歧义。
观其势
OBSERVATIONS · AI 搜索趋势
观察 AI 搜索时代，信息如何被发现、理解与引用，品牌为何缺席或被推荐。
- 2026.07.2012 MIN→
从经验到智能：在WAIC听Richard Sutton谈下一代AI
2026年7月19日，在世界人工智能大会思想者论坛上，Richard S. Sutton围绕强化学习、智能体架构与"经验时代"展开了一场深入分享。听完整场演讲，我最大的感受并不是"大模型路线将被强化学习取代"，而是一个更基础的问题被重新摆到了我们面前：一个系统会生成答案，和它能够在真实世界中持续学习、形成技能、修正认识，可能是两件不同的事。Sutton讨论的是智能体如何通过动作、观察、奖励、状态、价值、选项和知识，逐渐形成对世界的理解。沿着这条思路，我们也可以重新审视今天的Agent，以及大模型究竟是如何理解一家企业、一个品牌和一个人的。
- 2026.07.0711 MIN→
一次 AI 可见度诊断，到底应该诊断什么？
AI 可见度诊断不是简单问一句“AI 知不知道我的品牌”，而是系统检测品牌在 AI 回答中的出现率、准确性、引用来源、竞品位置、内容缺口和优化优先级。
- 2026.07.0713 MIN→
为什么 AI 推荐竞品，却不推荐你的品牌？
AI 推荐竞品却不推荐你，通常不是因为竞品一定更强，而是因为竞品在定位、内容、证据、引用来源和用户问题覆盖上，更容易被 AI 理解和推荐。
- 2026.07.078 MIN→
品牌在 AI 答案里缺席，通常不是因为 AI 不懂你
很多品牌以为自己没有出现在 ChatGPT、豆包、Kimi、Perplexity 等 AI 回答里，是因为 AI 还不够聪明。实际上，更多时候是品牌没有给 AI 足够清晰、可信、可引用的理由。
试其法
METHODS · GEO 优化方法
可复用的 GEO 实操方法与结构化清单——如何让内容被 AI 正确理解和引用。
- 2026.07.0713 MIN→
官网怎么写，才更容易被 AI 理解和引用？
官网不是只给人看的，也正在成为 AI 理解品牌的重要资料源。一个更适合 AI 搜索的官网，应该清楚说明品牌是谁、服务谁、解决什么问题、有什么方法、有哪些证据，以及为什么值得被引用和推荐。
- 2026.07.041 MIN→
llms.txt 实战：一份仍在演进的站点内容索引
llms.txt 是面向大模型工具提出的站点内容索引约定，但尚不能替代 robots.txt、sitemap 或公开可访问的网页。本文介绍其格式、用途与边界。
- 2026.07.021 MIN→
如何为 AI 搜索优化你的内容：清晰语义与结构
写给内容创作者的实操清单——用清晰的标题层级、明确的实体与结论、可抓取的结构，让你的文章更容易被大模型引用。
录其实
EXPERIMENT LOG · AIGEO.GURU 实验记录
本站公开 GEO 实验的真实过程记录，随实验推进持续更新。
实验记录随 GEO 实验推进持续产生。
前往实验中枢查看实时日志 →