LLMO vs SEO vs AEO vs GEO

搜索优化的演进

1997: SEO — 针对搜索引擎优化
2018: AEO — 针对答案引擎优化
2023: GEO — 针对生成引擎优化
2024: LLMO — 针对所有LLM交互优化

对比

	SEO	AEO	GEO	LLMO
侧重点	搜索排名	AI回答	生成式搜索	所有LLM交互
目标平台	Google、Bing	语音助手、AI搜索	AI搜索引擎	ChatGPT、Claude、Gemini、Perplexity
学术支撑	数十年的研究积累	有限	普林斯顿大学（KDD 2024）	新兴领域
框架	成熟完善	非正式	以研究为导向	LLMO Framework（6大组件）
覆盖范围	网页搜索	较窄（仅限答案）	较窄（仅限生成式搜索）	广泛（所有LLM场景）

相互关系

LLMO涵盖了AEO和GEO等方法，同时将覆盖范围扩展到搜索之外，涵盖LLM与网络内容交互的所有场景。

LLMO（所有LLM交互）
├── GEO（生成式搜索引擎）
│   └── AEO（以答案为核心的搜索）
└── 直接LLM查询（ChatGPT、Claude等）
    └── 基于RAG的应用
    └── AI Agent的网页浏览

LLMO和SEO会冲突吗？

部分冲突——“将所有LLMO策略应用于所有页面”正是站点发现这一冲突的典型方式。在一个有据可查的案例中，一个在所有页面统一采用结论先行改写、压缩正文和问题形式标题的站点，在一个月内AI引用增加，但Google Search Console显示现有搜索流量下降（实测报告，日文）。

相对于SEO，LLMO策略分为三类：

1. 共存策略——无需犹豫，全站适用

• 内容精简：合并薄页面或重复页面对SEO（链接权重、质量信号）和LLMO都有效——多个URL竞争同一概念在生成引擎看来是低置信度的表现。精简时应与保持留存页面更新同步：停止更新的页面引用频率会下降。
• 结构化标题和Q&A格式：为AI提供更丰富的提取体验，为搜索提供更丰富的摘要。
• 统计数据和引用来源：最强的共存策略。GEO研究表明添加统计数据能提高引用率；同样的一手数据也直接强化了E-E-A-T。Google自身的AI优化指南将生成式可见度定位为强SEO的延伸，而非替代。

2. 条件性策略——结果取决于执行方式

• 内部链接：不重新指向链接就进行精简会产生孤立页面，破坏人类导航和爬虫路径。精简和重新链接应作为一项操作同步进行。
• 关键词：密度型重复会可测量地降低AI可见度，而一致的实体级别术语对两种引擎都有效。一致性比密度更重要。

3. 冲突策略——按页面角色分配，绝不统一适用

• 结论先行结构提高AI引用（实时检索根据开头段落判断相关性），但当读者在开头就获得完整答案时，可能降低停留时间和滚动深度。
• 过度压缩使块更易于提取，但剥夺了搜索奖励的话题深度和长尾覆盖。解决方案在于结构：保持开头摘要和章节引导句简洁，保持总体内容深度，用列表和表格使深层内容可提取。缩短的是到达答案的距离，而非内容本身。

解决方案是按页面角色分配：词汇表和FAQ页面完全采用结论先行；案例研究和深度技术页面保留开头摘要但保持深度。不要试图在单个页面上同时最大化两个方向。

分别衡量两个方向。 混合仪表板会将权衡平均掉——AI引用增加的同时，搜索流量悄然下降。通过Search Console（流量、排名）追踪SEO，通过全新会话中的直接AI查询追踪LLMO（指标见衡量LLMO）。只有并排追踪才能揭示某一策略实际的交换比率。