GEO 论文：科学研究的发现
GEO（Generative Engine Optimization） 论文是首个针对 AI 搜索引擎内容可见性优化的学术框架。该论文发表于 KDD 2024（ACM SIGKDD），为 LLMO 框架所依据的内容优化策略提供了实证支持。
| 字段 | 内容 |
|---|---|
| 标题 | GEO: Generative Engine Optimization |
| 作者 | Aggarwal, Murahari, Rajpurohit, Kalyan, Narasimhan, Deshpande |
| 机构 | Princeton University、IIT Delhi、Adobe Research |
| 会议 | KDD 2024 (ACM SIGKDD) |
| arXiv | 2311.09735 |
| 发表年份 | 2024 |
研究者构建了 GEO-Bench，一个包含 10,000 个搜索查询的跨领域基准测试。他们针对生成式搜索引擎测试了 9 种内容优化策略，以衡量哪些方法能提升来源可见性。
测试的 9 种策略
Section titled “测试的 9 种策略”- 引用来源
- 添加引述
- 添加统计数据
- 流畅度优化
- 独特用词
- 技术术语
- 权威语调
- 通俗易懂的语言
- 关键词堆砌
| 策略 | 可见性提升 | LLMO 组件 |
|---|---|---|
| 添加统计数据 | +115.1% | 引用信号 |
| 引用来源 | +77.0% | 引用信号 |
| 添加引述 | +72.2% | 权威信号 |
| 权威语调 | +21.5% | 知识清晰度 |
| 流畅度优化 | +15.2% | 知识清晰度 |
| 技术术语 | +5.8% | 知识清晰度 |
| 通俗易懂 | +2.4% | 知识清晰度 |
| 独特用词 | -3.1% | — |
| 关键词堆砌 | -10.2% | — |
最有效的三种策略有一个共同特征：它们都提供了可验证的外部证据。
-
添加统计数据（+115.1%）：加入具体数字和数据点使内容可见性提升了一倍以上。例如：“收入同比增长 34%” vs “收入大幅增长。”
-
引用来源（+77.0%）：引用具体的论文、报告或文档使可见性提升了 77%。AI 系统偏好可交叉验证的内容。
-
添加引述（+72.2%）：引入专家或权威来源的直接引语增加了 AI 系统能识别并引用的可信度。
- 关键词堆砌（-10.2%）：传统 SEO 技巧会主动损害 AI 可见性。AI 系统能检测并惩罚人为的关键词密度。
- 独特用词（-3.1%）：使用生僻词汇并不能提升可见性。清晰胜过花哨。
对 LLMO 的启示
Section titled “对 LLMO 的启示”1. 引用信号是杠杆效应最大的组件
Section titled “1. 引用信号是杠杆效应最大的组件”GEO 数据表明，引用信号（统计数据、来源、引语）带来了最大的可见性提升。这也是 LLMO 框架将引用信号定位为组件 5 的原因 — 它是放大所有其他组件效果的顶石。
2. 内容清晰度很重要，但不如证据重要
Section titled “2. 内容清晰度很重要，但不如证据重要”与知识清晰度相关的策略（权威语调、流畅度、通俗语言）都显示出正向但温和的改善（2%–22%）。优质写作是必要的，但不是充分的。真正的乘数效应来自添加可验证的事实。
3. SEO 技巧对 AI 适得其反
Section titled “3. SEO 技巧对 AI 适得其反”关键词堆砌——早期 SEO 的基石——反而降低了 AI 可见性。这证实了 LLMO 需要一种与传统 SEO 根本不同的方法。
GEO 论文发现策略效果因领域而异：
- 事实/科学类查询：添加统计数据最有效
- 观点/主观类查询：添加引述表现最佳
- 技术类查询：引用来源影响最大
这表明 LLMO 的实施应根据内容领域进行调整。研究型网站从统计数据中获益最多，而思想领袖博客则从专家引语中获益更大。
LLMO 如何在 GEO 基础上发展
Section titled “LLMO 如何在 GEO 基础上发展”LLMO 框架在三个方面扩展了 GEO：
- 更广的范围：GEO 聚焦于生成式搜索引擎。LLMO 覆盖所有 LLM 交互场景，包括直接查询、RAG 和 AI 代理。
- 注重实施：GEO 识别了什么有效。LLMO 提供了如何实施的具体方案，包括文件格式（llms.txt）、结构化数据（JSON-LD）和内容设计模式。
- 检索层：GEO 假设内容已被检索到。LLMO 增加了检索信号组件，确保内容首先能被发现。