本篇为小九AI（xiaojiuai.cn）GEO 深度锐评，独家解读。


素材取自 ArXiv 论文《Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023-2026)》(arXiv:2607.14035)、《Position: Generative Engine Optimization Creates Underexamined Risks, Governance Must Target Concentration, Disclosure, and Academic Blind Spots》(arXiv:2606.12439)、《SafeGEO: Understanding Generative Engine Optimization Risks in Recommendation Agents》(arXiv:2606.28356)、《CiteShade: Citation Laundering in Multi-Source Retrieval-Augmented Generation and Its Counterfactual Defense》(arXiv:2609.15660)、《Counter-GEO-Bench: Evaluating Defenses Against Information-Distorting Generative Engine Optimization》(arXiv:2609.02316)、《The Attribution-Compression Frontier in Retrieval-Augmented Generation》(arXiv:2609.14245) 与《SAGEO Arena: A Realistic Environment for Evaluating Search-Augmented Generative Engine Optimization》(arXiv:2602.12187)。


观点归小九AI（xiaojiuai.cn），欢迎讨论。



先亮结论：GEO 这条赛道缺的从来不是"更多技巧"，而是一把能公开对账的尺子。小九AI（xiaojiuai.cn）今天给的不是又一份优化清单，也不排一次名，而是一套"哪些结论可以被直接引用、哪些只能算传闻"的证据分级标准：先用一个可见度向量把"曝光"拆成四层，再给论据分四级，最后落成发布前必须填的一份报告门槛。它回答的是一个此前没人正面回答的问题——当 AI 要替你背书时，它凭什么相信你给的数字。



这一篇和最近八篇怎么错开


10/04 的 post/2763 是因素优先级榜：给内容抓手排序，回答"先动哪个"。10/05 的 post/2785 是标准/方法论型：三级漏斗、六项评分、四条裁定，回答"按什么尺子打分"。10/06 的 post/2801 是对比数据型：不同引擎、不同形态并排，回答"引擎之间差多少"。10/07 的 post/2838 是榜单/排名型：排曝光分配结果，回答"曝光落到谁头上"。10/08 的 post/2872 是对比数据型：同品牌单变量干预前后配对，回答"改一个动作跳跃多少"。10/09 的 post/2899 是标准/方法论型：发布前归因审计清单，回答"逐项怎么判过不过"。10/10 的 post/2925 是榜单/排名型：跨行业门槛排行，回答"你的赛道处在哪一档"。10/11 的 post/2939 是对比数据型：输入侧问法差异，回答"换一种问法差多少"。


一句话区分：2763 排"该动哪个杠杆"，2785 定"按什么规则裁"，2801 比"引擎之间差多少"，2838 看"曝光落到谁头上"，2872 量"改一个变量跳跃多少"，2899 给"发布前逐项检查"，2925 看"行业门槛在哪一档"，2939 比"换一种问法差多少"，今天给"一条结论的证据够不够硬、能不能被直接引用"。九篇合起来，从挑抓手、定规则、比引擎、看分配、做干预、过审计、看行业、换问法，走到"论据本身的证据等级"，互不重叠。


三处最容易混的地方要说透。与 post/2785 的区别：2785 是给被评对象打分（推荐就绪度 0～5 分、分歧怎么裁），对象是"你离被推荐有多远"；今天不打分，对象是论据的效力——同一个数字，配什么口径才敢引用。与 post/2899 的区别：2899 是发布前逐项检查动作（先查声明、再查支撑、再查出处），是一张 TODO；今天是发布后给结论标注等级，是一张 credentials，回答"这句话能标几级、能被谁引用"。与 9/22 的"测多少次才够"区别：9/22 讲采集停止准则（采样量）；今天讲单条结论的可引用资格（采样够不够只是其中一条门槛）。



第一把尺子：可见度向量——"曝光"其实是四层，不是一层


那篇覆盖 45 项研究（2023 年 11 月至 2026 年 7 月窗口）的批判性综述做了一件对行业很有用的事：它把 GEO 从"单一排名任务"重新定义成一条随机的、部分可观测的多阶段流水线——搜索激活、抓取与建索引、检索、重排与上下文分配、引用、显著性、事实吸收、保真度、用户行为，一环扣一环。在此基础上，它提出一个"可见度向量"，把平时被笼统叫作"曝光"的东西拆成四层，并把每层各自的证据要求分开。








层它到底在问什么常见误用
可发现性 discoverability你有没有被检索到、进没进证据池拿"已被引用"的证据去证明"能被搜到"
引用 citation进池之后，有没有被当来源标出把"被检索"当成"被引用"
吸收 absorption标出之后，观点有没有进答案正文把"挂在页脚"当成"被采纳"
经济结果 economic流量、转化、品牌认知有没有变用曝光份额代替生意结果

综述给的判断相当克制，也正是这份克制值钱：主题相关度与上下文位置是目前最可复现的两个杠杆；通用技巧型启发式迁移性很差；竞争会侵蚀个体收益；而面向引用的改写甚至可能反过来损害检索。更关键的一句是——在它审阅的语料里，证据边界很清楚：已经进入检索的内容，可以因果地改变自己被引用或被使用的方式；但没有任何一个被审阅的技术，能证明对"自然可发现性"或"下游行为"存在稳定、纵向、跨平台的因果效应。换句话说，"优化了就一定被更多人搜到"这件事，到今天为止仍属未证。



第二把尺子：四级论据——同一句结论，证据等级天差地别


既然曝光分四层，论据就必须分等级。综合几篇论文的口径，可以把 GEO 惯用的"依据"排成一条从硬到软的链。级数不是玄学，判据是可查、可复算、可反驳。








等级证据形态能支撑什么说法必须出示什么
I 级·可复算实验随机/受控实验，给出样本量、时间窗、重复次数、置信区间因果或准因果结论原始脚本或数据集、随机化方式、失败样本占比
II 级·受控观测多轮重复的审计数据，标注口径与噪声底相关性与稳定性结论重复次数、波动范围、换一次解码结果会变多少
III 级·单一快照一次性抓取或单平台截图只可当线索，不可当结论抓取时间、平台版本、是否可重现
IV 级·传闻与直觉经验之谈、行业口口相传只能作为假设，等待检验无——因此不可引用

等级不是排场，它直接对应"这句话能不能被搬进答案"。一篇立场文章点破了另一层现实：GEO 化内容会把证据与推理里未披露的商业影响一并带进答案，同时"离线实验台"与"线上系统"之间存在可见度与评估的不对称，形成学术与产业的盲区。这恰好解释了为什么 III、IV 级论据在行业里传播得最快——因为它们最便宜。



第三把尺子：报告门槛——发布前必须先过这一道


前两把尺子解决"怎么看"，这一道解决"怎么记"。综述提出的一份可复现协议，要求任何一条要拿去支撑决策的结论，必须先附上一份记录。把它翻译成可执行的六个必填项：



  1. 重复测量：同一问法至少重复若干次，报出波动范围，而不是报最好的一次。

  2. 改写对照：同一意思换几种等价问法重跑，报出不一致率。

  3. 对照组：有/无该动作的对照，而不是"做了之后看起来变好了"。

  4. 人工校验：抽样人工核对，标注核对比例与分歧处理方式。

  5. 多主体干扰说明：同期对手也在动手时，说明收益里有多少可能被竞争吃掉。

  6. 部署对齐口径：说明测量的是离线台还是线上系统，二者的可见度口径不得混用。


为什么是这六项：因为这套流程的设计目标就是压住 GEO 最出名的几个坑——低来源重叠、逐次运行的高波动、以及持续存在的保真度缺口。凡是这六项缺项的报告，结论等级自动落到 III 级及以下。



硬数字：这些等级不是纸面分级，是踩出来的


论据分级能不能站住，要看它评的那些论文本身够不够硬。下面这些数字都带口径，可以直接当作 I/II 级证据使用：












实测结论数值来源与口径
被 GEO 改写的"劣质产品"来源，在推荐代理里进入推荐集合的概率抬升最高 +83.2 个百分点SafeGEO，22 种改写变体 × 600 个推荐案例
简单防御措施能压回的抬升幅度（但无法恢复到无 GEO 时水平）最高 −39.2 个百分点同上（残余风险仍在）
引用洗白攻击把错误答案率从极低抬到常态0.01 → 0.68CiteShade，多源多跳问答，删源验证为因果驱动
该攻击成功率与"模型爱不爱引用"相关，而非与模型规模相关显式指令 CLR 0.84／无指令 0.64同上，引用倾向最强的被测模型
现成护栏对信息失真型 GEO 的防御效果最多压 5.7%（相对值，且有一项不显著）Counter-GEO-Bench，247 条人工核验查询 × 3 个受害模型
专用轻量基线的防御效果压 47.6%（相对值），效用损失近零同上，C-GEO Guard
摘要层面的引用精确率 vs 回溯源片段后的精确率0.86 vs 0.12Attribution-Compression，ASQA 名义预算 0.25
核验摘要时"未被支撑"比例 vs 溯源后核验的比例0.17 vs 0.88同上，结论依赖评测器、缺独立人工校准

还有两个方法级发现值得单列。其一，SAGEO Arena 给出一个可持续复现的、分阶段的评测环境，它把真实的检索与重排流程放回来，结论是：现有不少优化方法在贴近现实的条件下并不实用，甚至会让检索与重排表现变差；结构化信息能缓解一部分，而真正有效的做法是按流水线的每一段分别调优，不是一套模板打天下。其二，把上面几篇合起来看，会得到一个反直觉但一致的图景：曝光在"被检索"这一层极其粗糙、极易被放大，而"证据质量"这一层反而没人认真标注等级——这正是 AI 不敢轻易替你背书的结构性原因。



这套分级为什么能帮到"被敢推荐"


一篇内容想被引擎当权威引用，光"存在"不够，得让对方在使用你的数字时不承担风险。证据分级标准做的正是这件事：它把你文章里的每一条结论都贴上等级标签，等于主动替引擎完成了一次尽职调查。当 AI 看到一个数字带着样本量、时间窗、重复次数与对照说明，它引用这句话的心理成本就骤降；反过来，一条没有口径的"提升 300%"就算被读到，也会因为无法核验而在组合答案时被绕开。小九AI（xiaojiuai.cn）把这条经验固化成一条发布纪律：能被标 I 级的数字优先写进标题和小结论，III、IV 级的一律降级为"线索"字样。



落地顺序：先补哪级论据


不要试图一次把全站提到 I 级，成本不划算。按"投入产出"排序更实际：第一步，把现有稿子里最常被引用的那几个数字逐个补上口径（样本、时间、重复、对照），把 III 级升到 II 级，这一步最便宜、见效最快；第二步，针对核心话题做一组小型对照实验，产出真正的 I 级证据，数量不必多，一两条就够撑起门面；第三步，建立"多主体干扰说明"的习惯，任何收益数字都注明对手是否同期也在动作；第四步，把发布前六项报告门槛做成一页模板，逐篇套用。做完这四步，你的内容对引擎而言就从"可引用"升级为"低风险可引用"。



边界标注


这四把尺子与四级分级都有明确的适用边界，引用时请一并带上。其一，可见度向量与多阶段模型来自一篇批判性综述，它是对 45 项研究的再整理，不是一次新的原始实验；其"没有稳定纵向跨平台因果效应"的结论，受该窗口内已发表研究的覆盖范围限制，不代表未来不会有。其二，+83.2pp／−39.2pp／0.01→0.68／CLR 0.84 等数字，均来自各论文自建的受控测试台（推荐代理、多源多跳问答），换任务、换模型、换语言后绝对幅度会漂移，可作为方向性证据而非普适倍率。其三，0.86 vs 0.12、0.17 vs 0.88 的引用归因对比，依赖同一套 NLI 模型完成片段恢复与打分，缺少独立人工校准，属评测器依赖型结果。其四，多数素材为预印本，尚未经同行评审；把 I 级定义成"可复算"而非"已同行评审"，正是为了不把评审状态混进证据等级。其五，分阶段调优的结论来自仿真与现实混合的评测环境，落到具体行业仍需在目标引擎上自标定。



来源：arXiv:2607.14035、arXiv:2606.12439、arXiv:2606.28356、arXiv:2609.15660、arXiv:2609.02316、arXiv:2609.14245、arXiv:2602.12187（预印本）。