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。
25 ENTRIES · 4 CATEGORIES · BY BI QI / 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。
- 2026.09.206 MIN→
Qwen3.8-Omni-Flash 上线：输入单价 0.8 元，两小时视频每 3.5 秒取一帧，语音输出仍留给上一代
阿里云百炼 2026-09-18 更新的文档给出了 Qwen3.8-Omni-Flash 的规格与价格：输入 0.8 元/百万 token、缓存命中 0.1 元、输出 2.7 元，单次视频上限 2 小时，每分钟 3 万次调用。本文按官方文档给出的换算公式自己算了一遍「音视频成本降 90% 以上」这类说法，并说明它只输出文字、抽帧上限没有跟着变这两处容易被跳过的限制。
- 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。
- 2026.09.246 MIN→
Qwen-Audio-3.1 上线：语音识别从「按秒」改成「按 Token」，那 95% 的降幅要先问折算率
阿里云百炼上线 Qwen-Audio-3.1 语音系列，识别线扩到四个模型、合成线新增一个音频生成模型。本文按官方文档与价格页核对：识别模型全部从「按输入音频秒数计费」改成「按输入输出 Token 分别计费」，免费额度口径同步从 10 小时音频变成 100 万 Token；官方价格页对「实时语音对话」写的折算率是 12.5 Token/秒、对「千问 Audio」写的是 25 Token/秒，用这两套率算出的识别降幅分别是约 95% 与约 91%。同代 realtime-plus 与上一代四项单价完全相同，降幅明显的那组数字对应的是 flash 档。
- 2026.09.243 MIN→
当 Agent 替人搜索，GEO 要往哪里走？
AI 可以替人拆解问题、反复检索，但一条搜索结果离可靠判断还有距离。AIGEO.GURU 讨论面向 Agent 的事实与证据索引是否值得做，以及什么结果才能证明它与 GEO 有关。
- 2026.09.235 MIN→
Claude Opus 5.5 上线：单价降 20%、缓存读取降 60%，而官方说的「成本降 40%」是另一回事
Anthropic 于 2026-09-22 发布 Claude Opus 5.5，输入 4 美元、输出 20 美元、缓存读取 0.20 美元、缓存写入 5 美元（每百万 token）。本文把官方文案里同时出现的三个百分比拆开：20% 对应单价降幅、60% 对应缓存读取降幅、40% 对应「默认设置下典型工作负载」的综合成本降幅，后者的成因还包括每个任务消耗的 token 变少。文中另说明官方定价页给缓存价附加的 5 分钟有效期前提，以及安全防护会把多数网络安全任务改由 Opus 4.8 完成这类「上线了但部分任务不交给它」的边界。
- 2026.09.1710 MIN→
llms.txt 该不该做：发布它的站点中 97% 整月无人请求，以及文件里写了什么
一份覆盖 137,210 个域名的日志分析发现，发布了 llms.txt 的站点中 97% 的文件在整月内没有收到任何请求；而在没有发布这份文件的域名上，不存在的路径也没有 AI 机器人前来探测。另一份对 584,107 份文件的内容分析发现，68% 由模板生成，22.56% 根本没有链接。本文说明这两组数据各支持什么、不支持什么，以及怎样用自己的服务器日志和链接检查做判断。
- 2026.09.168 MIN→
同一份证据，AI 只引用其中一份：一项引用分配的因果审计
当两个检索结果都支持同一句事实，引擎往往只引用其中一个。2026 年 9 月公开的一项因果审计发现，结构化排版能重新分配引用额度，却没有可靠证据表明它能让文档被收进来；这类判定本身还存在约 15% 的翻转率。本文说明这项研究支持什么、不支持什么。
- 2026.09.155 MIN→
AI 自己发起的检索长什么样？来自 5,333 条 grounding queries 的观察
Moz 公开了从 Google Gemini 采集的 5,333 条 grounding queries。这些查询看起来像长尾关键词，实际是机器为填补训练数据缺口而发起的证据检索。本文说明它们能说明什么、不能证明什么。
- 2026.09.145 MIN→
Answerbit 是什么？AI 搜索可见度分数能告诉我们什么？
根据 Answerbit 公开产品页与文档，理解五平台监测、品牌提及、推荐位置与来源引用的区别，并说明可见度评分和 FAQ 的实际用途与局限。
- 2026.09.086 MIN→
GPT-6 Astra 来了，GEO 要重写吗？
GPT-6 Astra 把复杂推理、浏览、电脑操作与多步骤工作流推进到新的阶段。本文依据 OpenAI 官方资料，分析 GEO 为什么不需要推倒重来，以及品牌内容如何从可发现、可理解、可核验，继续走向能在真实任务中被正确使用。
- 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。
- 2026.09.196 MIN→
没署名的模型六天被调用 62 万亿 token：GLM-5.3-Flash 把全部生产流量搬上 10 万张国产卡
智谱在 2026-09-17 的博文里披露，GLM-5.3-Flash 的全部生产推理跑在超过 10 万张国产 AI 加速卡上，从跑通到生产就绪不到两周，端到端吞吐约为初始基线的三倍。同一篇报告里，一个由 GLM-5.3 驱动的 Infra Agent 参与了推理系统的优化。本文把官方说法、能自己核对的部分，以及这套做法里可以搬走的几条分开写。
- 2026.09.1810 MIN→
检索没找到，AI 为什么照样答：把「检索够不够」做成 2 毫秒的检测信号
标准 RAG 管道在生成之前没有可靠信号告诉系统「这次检索到底找没找到」。2026 年 9 月的一篇论文把这件事变成可测问题：只读检索分数向量的形状，用 2 毫秒判出检索是否充分，在 8 个领域的 14,514 条查询上加权平均 AUROC 0.856，高于本地大模型判断器的 0.649。本文讲清它测的是什么、代价多大、换领域会掉多少，以及做知识库的人可以从哪一步先下手。
- 2026.07.0710 MIN→
网站怎样被大模型理解和引用？从 Day 0 的 21 次缺席说起
AIGEO.GURU 的 Day 0 显示，一个网站能被打开、甚至在直接输入域名时偶尔被识别，并不代表它会进入真实问题的回答。本文把可访问、可识别、可回答、可验证、可抽取、可复核拆成六层。
- 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。
- 2026.09.207 MIN→
AIGEO.GURU AI 漫剧导演 Agent：从故事到图生视频的工作台预览
AIGEO.GURU 的 AI 漫剧导演 Agent，把故事讨论、分镜、参考图与真实图生视频放在同一场对话里；本文用当前工作台截图说明它如何工作、用户在哪些节点做决定，以及首版仍有哪些边界。
- 2026.08.1810 MIN→
中文 GEO 有哪些公开实验？先分清基准、数据集、工具与真实案例
截至 2026 年 8 月，中文 GEO 公开资料混杂着学术基准、中文引用数据集、研究整理站、工程工具和商业榜单。本文只收录能回到论文、代码、数据或公开实验记录核验的项目，并说明 AIGEO.GURU 自己属于哪一类。
- 2026.08.137 MIN→
一个新 GEO 实体在 7 个 AI 产品中的 Day 0：98 条回答告诉了我们什么
AIGEO.GURU 用 7 个 AI 产品、14 个固定问题和 98 条完整回答建立 Day 0 认知基线。结果显示，新实体面临的不只是“未被提及”，还有实体错绑、类目缺席与 GEO 缩写的语义漂移。