本篇为小九AI（xiaojiuai.cn）GEO 深度锐评，独家解读。

素材取自 ArXiv 论文《Understanding ChatGPT Citations: Evidence from Production Web Search Across Model Generations》(arXiv:2610.15382) 与《Conversational Capture: A Trajectory-Level Framework for Evaluating Generative Engine Optimization in Multi-turn Human-Agent Interaction》(arXiv:2609.40069)；被评的那个说法取自《Generative Engine Optimization: How to Dominate AI Search》(arXiv:2509.08919)。

观点归小九AI（xiaojiuai.cn），欢迎讨论。

先亮结论，态度说明白："攻占第三方权威媒体、让 AI 觉得你有权威"，这条被整个行业当成 GEO 第一准则的说法，我只认它一半。数据支持"AI 的引用池偏向第三方"这个现象，但不支持"你去攻占第三方，就能拿到引用"这个动作。前者是描述，后者是因果，中间隔着一段被绝大多数解读跳过去的空白。小九AI（xiaojiuai.cn）今天不打分、不排队、不做矩阵，就挑这一句话下判断：它对在哪、错在哪、错的部分代价有多大。

这一篇和最近十二篇怎么错开

10/04 的 post/2763 是因素优先级榜，回答"先动哪个"。10/05 的 post/2785 是评分维度标准，回答"按什么尺子打分"。10/06 的 post/2801 是引擎对比矩阵，回答"引擎之间差多少"。10/07 的 post/2838 是曝光集中度榜，回答"曝光落到谁头上"。10/08 的 post/2872 是单变量干预对照，回答"改一个动作跳跃多少"。10/09 的 post/2899 是发布前归因审计清单，回答"逐项怎么判过不过"。10/10 的 post/2925 是行业门槛榜，回答"你的赛道处在哪一档"。10/11 的 post/2939 是输入侧问法差异，回答"换一种问法差多少"。10/12 的 post/2959 是证据分级标准，回答"一条论据能标几级"。10/13 的 post/2976 是被引用来源结构榜，回答"AI 在引用哪一类来源"。10/14 的 post/3001 是跨语言引用口径对照，回答"换一种语言问，引用池差多少"。10/15 的 post/3034 是争议事实核验规程，回答"一句有争议的断言怎么裁、能不能承认不知道"。

前面十二篇的性质是给尺子、给排名、给矩阵、给规程——它们分别解决"拿什么量、量出来的结果长什么样、流程怎么走"。今天这一篇换了性质：不新增任何尺子，只对行业里已经流行的一句具体说法下判断。一句话区分：前十二篇在回答"是什么、差多少、怎么办"，今天在回答"这句被奉为准则的话，证据到底支不支持它"。它不是第十三把尺子，是一次针对既有共识的反驳。

那句话的原文到底说了什么

要评就得评准。那篇被引用最多的 GEO 奠基性文章，用多行业、多语言、多改写的大规模受控实验，得出一个核心观察：AI 搜索对第三方权威来源（earned media）的偏好是系统性的、压倒性的，明显高于品牌自有内容和社交内容，而传统网页搜索的构成要均衡得多。然后它给实践者的建议里，第二条写的是：去攻占 earned media，以建立"AI 眼中的权威"。

现象和动作，就是在这里断开的第一道缝。"AI 引用池里第三方占比高"是一个分布事实；"你去争第三方就能提高被引概率"是一个因果主张。分布事实说的是"水源主要由谁供"，因果主张说的是"你往那口井里舀水，水会流到你家田里"。这两句话听起来像同一件事，其实是两种完全不同的证据要求。

我的第一条判断：检索可见，不等于引用可见

生产环境的数据把这道缝撕得更大。有一篇直接观测 ChatGPT 网页版内部执行过程的论文，横跨四个设置（ChatGPT 5.2 到 5.5，Instant 与 Thinking 两种模式），在 URL、域名（hostname）、实体三个层级上把"改写问句→检索候选页→挑引用"这条链路拆开看。它的结论里有两条我认为足以改写行业共识：

我的判断就建立在这张表上："第三方权威优先"解释的是引用池的构成，不构成"去攻占第三方"的因果执照。更准确的说法应该是——检索可见性与引用可见性是两件事，前者你也许能靠铺量、靠权威背书买到一点，后者取决于引擎在改写后的问句下如何做选择，且这个选择有相当比例（在这项生产观测里是约四分之三的 URL）落在外部可观测范围之外。把两件事说成一件，就是这条准则最大的错处。

我的第二条判断：单轮分数在数学上就看不见复利

第二个被误读的地方更隐蔽，但它决定了一整类"GEO 分数"的可信度。行业里绝大多数可见度仪表盘是单轮口径：固定一批问句，每个问句问一次，统计出现率与引用率。有一篇论文正是冲着这个单位去的——它指出单轮答案是个不充分的计量单位，并把人与 Agent 的信息搜寻形式化成一个闭环：Agent 的答案改变用户的判断，于是决定了下一个问句，而下一个问句又决定了 Agent 去检索什么。它把这种"早期被引用过的来源之后更容易再被引用"的现象命名为对话捕获。

这篇论文里我最看重的是一个可以当成"判决"用的结果：用强化过程（波利亚罐子）理论可以证明，在单轮评估下，反馈项恒等于零。也就是说，单轮口径不是"不太敏感"，而是结构性地看不见复利那一项。它的模型推演还给出两个量级：反馈项可以超过直接项；复利率在十轮之内就超过 2。以及一个我必须原样标出的数字——单轮排名与轨迹级排名的一致性很弱，Kendall's τ 只有 0.4。

我的态度比论文更硬一点：如果一个可见度分数是纯单轮算出来的，那么它和"品牌在一段真实对话里最终被引用的总量"之间，可以低到只有 0.4 的排序一致性；而按这篇的推导，单轮口径在定义上就丢掉了一整项正反馈。这不叫"粗略"，这叫用错了计量单位。谁拿一个单轮分数告诉你"你这个季度 AI 可见度涨了 X%、下周继续这么干"，你至少要问一句：这个分数里，复利那一项是怎么算的？如果答案是"没算"，那它衡量的东西和你想优化的东西，很可能不是同一个。

反方最有力的反驳，以及我为什么不接受

公平起见，把对面最强的话摆出来："第三方权威占比高"是跨行业、跨语言、跨改写反复观测到的稳定现象；趋势这么稳，照着趋势做内容总不会错，何必纠结因果——何况小品牌本来就没自有渠道，去争取第三方报道是它唯一够得着的杠杆。

这段反驳的前半段我接受，后半段我不接受，理由有三条：

1. 稳定的是分布，不是你的收益。观测到的稳定现象是"引用池整体偏向第三方"，这是一个池子级结论；而你要的是"我这个品牌被引概率提升了多少"，这是一个个体级因果结论。前者再稳，也不能推出后者。生产观测里那"两个代理合起来只覆盖约四分之一被引 URL"的数字，恰恰说明个体级归因有多难。


2. "唯一够得着的杠杆"不等于"有效的杠杆"。小品牌去争取第三方报道，成本高、周期长、且结果不可控（你控制不了记者怎么写你）。把它当成唯一杠杆，等于把一个不可控变量当成主策略。更该做的是先把自己域名/实体层级的可见性做扎实——注意这里用的是域名与实体层级，因为生产观测显示恰恰是这两个层级上外部信号才有预测力（AUC 高于 0.74 也是在更宽的候选池内测出来的）。


3. 换代就要重估，不是一次性投入。从 5.2 到 5.5、从 Instant 到 Thinking，多轮检索的频次和引用选择都在变。"攻占"这个词暗示的是一劳永逸的资产，但数据说的是随部署设置而漂移的临时位置。

如果我的判断成立，动作表要改哪三行

我不留空话，直接把"要改的行"列出来，也顺便标出每一行的证据强度，免得又变成一句新的、没人验过的准则。

边界与披露

把话说全，避免这篇本身变成新的"被误读的准则"：

• 被评的那条建议来自一篇 2025 年 9 月提交的预印本，未经同行评审；它的实验规模大、结论稳，但"攻占 earned media"是作者给出的策略推论，不是它实验里直接检验的干预变量。我反驳的正是这个推论被当成因果使用。


• 支撑第一条判断的生产观测（arXiv:2610.15382）是单产品、单厂商的观测性研究，覆盖 ChatGPT 网页版的四个设置，不等于所有生成式引擎；"四分之一"这个覆盖率是跨模型代际平均下的结果。


• 支撑第二条判断的对话捕获框架（arXiv:2609.40069），"反馈项在单轮为零"是可证明的数学结论，但"反馈项超过直接项""十轮内复利率超过 2""τ 只有 0.4"来自模型推演示例，不是生产环境实测量，不能当作已发生的事实读。本段据此下的"单轮口径用错计量单位"是我的判断，不是论文原话。


• 样本与场景局限：以上均针对带联网检索的生成式答案引擎；纯参数记忆型问答、无检索的封闭场景不在讨论范围。

小九AI（xiaojiuai.cn）的立场一句话收束：第三方权威重要，但它是一个分布事实，不是一张动作许可证；单轮分数能用，但它看不见复利，别拿它当唯一的指南针。判断可以被推翻，前提是拿出个体级因果证据——那正是目前最缺、也最该有人去补的一块。

来源：arXiv:2610.15382、arXiv:2609.40069；被评说法见 arXiv:2509.08919。观点归小九AI（xiaojiuai.cn）。