CSDN 原文镜像

本文为作者 CSDN 博客的全文镜像，原文发布于 2026-08-24。为适配本站结构，仅补充了站内元数据与来源说明，正文主体保持原文内容。

• 原文链接：https://blog.csdn.net/m0_63309778/article/details/164025027
• 站内分区：Prompt / SEO 到 GEO

过去很多年，我们获取互联网信息的方式都非常固定：

先搜索，再点网页。

比如想了解“RAG 为什么需要 Rerank”，通常会先打开 Google、百度或者 Bing，输入关键词，然后从搜索结果里挑几篇文章阅读。

整个过程大概是：

用户
↓
搜索关键词
↓
搜索引擎
↓
网页排名
↓
用户点击
↓
阅读内容

因此，对于网站和内容创作者来说，最重要的问题一直是：

怎么让自己的网页排得更靠前？

这就是 SEO。

但生成式 AI 出现之后，这条链路正在改变。

现在用户可能直接问：

RAG 为什么需要 Rerank？

AI 会自己搜索、读取多个来源，然后直接告诉你：

Rerank 的核心作用，是对初次召回的候选文档进行更精细的相关性判断，从而解决向量检索只负责“召回”、但无法保证 TopK 排序足够准确的问题……

用户甚至不一定需要打开任何网页。

于是，内容竞争从过去的：

谁能排到搜索结果第一页？

逐渐增加了一个新的问题：

AI 在回答这个问题的时候，会不会使用我的内容？

这就是 GEO 出现的背景。

---

一、SEO 解决的是“被找到”

SEO 全称 Search Engine Optimization，即搜索引擎优化。

虽然今天 SEO 已经发展出了非常复杂的方法体系，但它的底层目标其实很简单：

让搜索引擎能够发现你的内容、理解你的内容，并认为你的内容值得排在前面。

一个网页最终出现在搜索结果里，大致需要经历：

网页
↓
Crawl
搜索引擎抓取
↓
Index
建立索引
↓
Rank
计算相关性和质量
↓
Search Result
返回给用户

所以 SEO 首先解决的并不是“怎么排名第一”，而是三个更基础的问题：

搜索引擎能不能找到你？

搜索引擎能不能理解你？

搜索引擎为什么应该把你排在别人前面？

这也是为什么 SEO 不只是所谓“关键词优化”。

真正完整的 SEO，至少包括两类事情。

一类是技术层面的，比如：

robots.txt
sitemap.xml
URL 结构
Canonical
SSR / SSG
页面性能
内部链接
结构化数据

这些东西解决的是：

搜索引擎能不能稳定拿到你的内容。

另一类则是内容本身。

比如用户搜索：

Milvus vs Elasticsearch

他真正想知道的，并不是页面里出现多少次“Milvus”和“Elasticsearch”。

真正的搜索意图可能是：

两者定位有什么区别？

谁更适合向量检索？

谁更适合全文搜索？

Hybrid Search 怎么样？

做企业 RAG 应该选谁？

数据量上来以后哪个更好维护？

所以现代 SEO 真正优化的，其实已经不是单纯的 Keyword，而是：

Search Intent。

也就是：

用户到底想解决什么问题。

---

二、GEO 解决的是“被 AI 选择”

GEO 全称：

Generative Engine Optimization

即生成式引擎优化。

它出现的根本原因，并不是搜索引擎突然换了一套算法，而是：

用户和网页之间，多了一层 AI。

传统搜索是：

用户
↓
Search Engine
↓
网页 A
网页 B
网页 C
↓
用户自己阅读和判断

生成式搜索则越来越像：

用户
↓
AI
↓
Search / Retrieval
↓
网页 A
网页 B
网页 C
↓
LLM 阅读和整理
↓
直接生成答案

以前搜索引擎负责：

帮用户找到网页。

现在 AI 开始进一步负责：

帮用户读网页。

甚至：

帮用户做判断。

这就是一个非常重要的变化。

过去内容创作者竞争的是：

Ranking

比如：

我的文章能不能排第 1？

现在又增加了另一种竞争：

Citation / Mention / Recommendation

比如：

AI 回答问题时会不会引用我的文章？

用户问“有哪些优秀的 Agent Evaluation 项目”时，AI 会不会推荐我的项目？

这就是 GEO 真正关注的东西。

因此可以把 SEO 和 GEO 简单概括成一句话：

SEO 解决“能不能被搜索到”，GEO 解决“被搜索到以后，AI 会不会选择你”。

---

三、为什么说 GEO 本质上很像 RAG？

如果做过 RAG，其实理解 GEO 会非常容易。

一个典型的 RAG 系统大概是：

User Query
↓
Query Understanding
↓
Retriever
↓
TopK Documents
↓
Reranker
↓
Context
↓
LLM
↓
Answer

用户提出问题以后，系统不是直接让大模型回答。

而是先去知识库里检索。

假设 Retriever 找到了 20 个 Chunk：

Top20

Reranker 再从里面选出真正相关的 5 个：

Top5

最后把这些内容放进 Context：

Context
↓
LLM
↓
Answer

生成式搜索其实非常类似。

只不过知识库从：

企业内部知识库

变成了：

整个互联网。

于是整个链路可以理解成：

用户问题
↓
理解问题
↓
搜索互联网
↓
召回候选网页
↓
Ranking / Reranking
↓
选择部分内容进入 Context
↓
LLM 组织答案
↓
选择性引用 Source

这时候 GEO 的本质就变得非常清楚了。

它并不是：

在文章里加几个神奇关键词，让 ChatGPT 喜欢我。

而是在想办法提高下面几个概率：

我的网页能不能被发现？
↓
相关问题出现时能不能被召回？
↓
召回以后能不能排进前面的候选？
↓
能不能进入 LLM Context？
↓
进入 Context 后会不会被采用？
↓
最终会不会被引用？

这也是为什么 GEO 不能脱离 SEO 单独存在。

因为如果你的页面：

爬虫无法访问

没有被索引

网页结构混乱

主题和问题相关度很低

那么连 Retrieval 阶段都可能进不去。

后面所谓 GEO 优化自然没有意义。

所以我更愿意把两者理解成：

SEO
↓
让内容进入搜索系统

GEO
↓
让内容进一步进入 AI 的回答系统

---

四、从“关键词竞争”变成“问题竞争”

SEO 时代一个非常典型的方法是：

关键词研究。

比如围绕 RAG：

RAG

RAG 架构

RAG 优化

RAG Chunk

RAG Rerank

RAG Evaluation

然后围绕这些 Keyword 生产内容。

这种方法现在依然有效。

但是进入生成式搜索以后，仅仅考虑关键词已经不够了。

因为用户和 AI 的交互越来越接近自然语言问答。

用户不会只搜索：

RAG Rerank

而会问：

RAG 为什么一定要加 Rerank？

小规模知识库有必要使用 Reranker 吗？

Retriever 已经用了 Embedding，为什么还需要 Reranker？

Rerank 会不会让 RAG 延迟变高？

TopK 和 Rerank TopN 应该怎么设置？

所以未来做内容，更应该围绕：

Question Space

而不是只有 Keyword。

例如围绕“RAG”这个主题，可以形成：

RAG
│
├─ RAG 是什么？
│
├─ 为什么需要 RAG？
│
├─ RAG 和 Fine-tuning 有什么区别？
│
├─ Chunk 应该怎么切？
│
├─ Embedding 怎么选择？
│
├─ 为什么需要 Rerank？
│
├─ RAG 为什么会产生幻觉？
│
├─ RAG 怎么做 Evaluation？
│
├─ 企业 RAG 怎么做权限？
│
└─ 什么情况下不应该使用 RAG？

这其实已经不再是一组关键词。

而是一个：

Question Graph。

随着内容不断补全，又会逐渐形成一个完整的：

Knowledge Network。

所以未来高质量技术博客真正应该建设的，可能不是：

我有 300 篇文章。

而是：

我把某一个领域最核心的问题基本讲完整了。

---

五、GEO 时代，什么内容更有价值？

很多人看到 GEO 之后，第一反应是研究：

FAQ 要不要多写？

每段应该多少字？

是不是多加数字更容易被引用？

是不是应该增加 llms.txt？

标题怎么写 AI 更喜欢？

这些东西不是完全没有价值。

但如果把 GEO 理解成这种“小技巧集合”，很容易重新走回早期 SEO 的老路：

研究怎么迎合算法，而不是研究怎么生产真正好的信息。

我认为 GEO 时代真正更重要的是三个东西。

---

1. 先回答问题，再展开解释

比如一篇文章标题是：

什么是 Agent LongTask？

开头不要先写：

随着人工智能技术快速发展，大语言模型在越来越多场景得到应用……

写了半天用户还不知道 LongTask 是什么。

应该先说：

Agent LongTask 并不是简单让 Agent 运行更长时间，而是通过持久化状态、Checkpoint、Retry、Resume 和 Durable Execution 等机制，让一个 Agent 任务能够跨越进程生命周期和机器故障持续执行。

用户先得到答案。

然后再解释：

普通 Agent Run 是什么？

为什么普通 Run 不够？

Checkpoint 解决什么？

Persistence 解决什么？

Worker 挂了怎么办？

为什么 Temporal 适合这类任务？

这种结构既对人友好，也更加方便机器理解。

---

2. 从“信息整理”升级到“信息增量”

这是我认为 GEO 时代最重要的一点。

假设互联网已经有 1 万篇文章：

什么是 RAG？

现在再写：

RAG 全称 Retrieval-Augmented Generation，是检索增强生成……

这种内容的价值正在快速降低。

因为今天的大模型自己就非常擅长：

整理已有信息。

真正稀缺的是别人没有的信息。

比如：

我们在百万级文档 RAG 系统上线过程中，发现 Milvus 批量写入时频繁 Flush 会触发限流，于是我们重新设计了写入和 Flush 策略……

然后把：

当时的架构

为什么会出问题

日志表现

错误判断

优化过程

最终效果

全部写出来。

这种内容拥有一个非常重要的东西：

Information Gain。

也就是：

相比互联网已有内容，你到底新增了什么？

这可能是 AI 时代内容竞争中越来越重要的指标。

因为 AI 可以帮所有人写：

什么是 Redis

什么是 RAG

什么是 Agent

什么是 Docker

但 AI 很难凭空生成：

你在真实生产环境中踩过什么坑，以及你最后为什么这样设计。

---

3. 用 Evidence 代替空泛结论

比如：

加 Reranker 可以显著提高 RAG 效果。

这句话没有错。

但是它的信息价值很有限。

更有价值的是：

Dataset：XXX

Retriever：XXX

Embedding：XXX

TopK：20

Reranker：XXX

Without Rerank：
Recall@5 = 0.71

With Rerank：
Recall@5 = 0.84

然后继续说明：

测试环境是什么？

数据规模是多少？

什么 Query 提升最大？

什么 Query 反而下降？

Latency 增加多少？

最终生产环境为什么还是决定上线？

于是你的文章就不只是：

观点。

而是：

观点 + Evidence。

Evidence 可以来自：

真实数据

Benchmark

源码

日志

系统架构

失败案例

实验

生产环境经验

这种内容同时对三个对象有价值：

用户

搜索引擎

生成式 AI

---

六、所以 SEO 和 GEO 到底应该怎么一起做？

如果现在重新做一个内容站，我不会分成：

这是 SEO 内容。

这是 GEO 内容。

而是把它们看成同一套内容基础设施的两个阶段。

第一步仍然是 SEO。

保证：

页面可访问
页面可抓取
页面可索引
URL 清晰
内部链接合理
内容结构明确
加载速度正常

这是：

Discoverability。

然后开始建立 Topic。

比如做 Agent 方向：

Agent

├─ Agent Runtime
├─ Agent Run
├─ LongTask
├─ Durable Execution
├─ Memory
├─ Tool
├─ MCP
├─ SubAgent
├─ Multi-Agent
├─ Context Engineering
└─ Agent Evaluation

然后围绕每个 Topic 建立 Question Graph：

是什么？

为什么？

怎么实现？

和 XXX 有什么区别？

什么时候使用？

什么时候不要使用？

生产环境有哪些问题？

有哪些真实案例？

最后再不断往里面加入：

Experience

Evidence

Experiment

Benchmark

Source Code

Architecture

Failure Case

最终形成的就不再是一堆为了排名而生产的文章。

而是一套真正完整的：

领域知识资产。

---

七、SEO 没有死，变化的是“搜索”

每隔几年都会有人说：

SEO 已经死了。

但实际上，只要互联网仍然存在海量信息，就一定存在一个问题：

有限的用户注意力，应该看到哪些信息？

所以一定需要：

Discovery

Retrieval

Ranking

Recommendation

过去主要负责这件事情的是搜索引擎。

现在逐渐变成：

Search Engine

+

Retriever

+

Reranker

+

LLM

+

Agent

所以真正发生变化的不是：

SEO → GEO

更准确地说应该是：

Search Optimization
↓
Information Retrieval Optimization
↓
AI Visibility Optimization

SEO 仍然是基础。

只是最终目标，从：

让网页排在前面

逐渐扩展为：

让高质量信息在 AI 的检索、理解和生成过程中被发现、被采用、被引用。

---

写在最后

如果一定要用一句话分别解释 SEO 和 GEO，我会这样说：

SEO 是让机器找到你。

而：

GEO 是机器找到你以后，愿不愿意选择你。

因此真正值得研究的，并不是：

怎么在文章里多塞几个 GEO 技巧？

而是：

为什么当 AI 需要回答这个问题的时候，我应该成为它最值得使用的信息源之一？

最终决定这件事情的，很可能并不是某一个神奇标签、某一个关键词密度，或者某一个所谓 AI 专用文件。

而是：

Discoverability
×
Relevance
×
Information Gain
×
Evidence
×
Authority
×
Machine Readability

在传统互联网时代，内容稀缺，所以“写出来”本身就有价值。

而在生成式 AI 时代，普通内容正在变得越来越廉价。

真正稀缺的开始变成：

真实经验、真实数据、真实实验，以及别人没有的信息增量。

这可能才是从 SEO 走向 GEO 之后，内容行业真正发生的变化。