主题：GEO 优化的分层现实——为什么大多数"优化动作"在真实检索链路上会掉分
类型：标准方法论型 · 分阶段优化
一、一个不太好听的结论先放在前面
做 GEO 的团队普遍有一个默认假设：只要把内容按"GEO 最佳实践"改一遍，AI 答案里就会更多地提到我。这个假设在小规模实验里经常成立，但在接近真实的检索链路上，它经常不成立——甚至是负的。
2026 年的两项研究把这件事量了出来。一项专门搭了可复现的分阶段评测环境，另一项做了自动化的 GEO 策略选择系统。它们的共同结论，我认为对每个做 GEO 的人都很关键：**优化必须按流水线的阶段分开做，做成一锅"通用优化"会互相抵消。**
这篇文章不再给新的榜单，也不给评分表，而是给一条我一直想讲清楚的判断：**GEO 是一个多阶段问题，单点优化在真实链路上会被稀释甚至反噬。**
二、先看真实链路长什么样
把一次 AI 回答拆开，至少要经过四段：
| 阶段 | 在这一段发生了什么 | 哪类优化在这里起作用 |
|---|---|---|
| 1. 查询改写 | 系统把你的问题改写成若干检索式 | 几乎不起作用——这一层由查询侧决定 |
| 2. 检索（召回） | 从海量文档里拉候选集 | SEO 基础：可抓取、可索引、主题相关 |
| 3. 重排（rerank） | 候选集被重新打分排序 | 结构与可抽取性：schema、清晰的事实块、权威信号 |
| 4. 生成与引用 | 模型写出答案并挑选引用 | 可引用的原子事实、口径与时间标注 |
多数 GEO 教程把 2、3、4 揉在一起说，比如"多写列表、多放数据、加 FAQ"——这些动作在不同阶段的收益完全不同。**在召回阶段有效的动作，在重排阶段可能无效；在生成阶段有效的，可能根本进不了候选集。**
三、第一项研究的硬结论：现有方法在真实链路上常常掉分
那篇分阶段评测环境的研究，做的事很朴素：把一整套生成式搜索流水线（含大规模网页语料与丰富的结构信息）搭起来，然后在**阶段层面**看各种优化策略到底在哪一段起作用。
它指出了两个此前基准的系统性缺口：
- **缺端到端可见度评测**。以前的基准直接给你一堆"预先定好的候选文档"，把检索与重排跳过了——而这两段恰恰是决定能不能被引用的关键。
- **丢弃了结构信息**。真实网页里的 schema 标记等结构信号，是搜索系统实际在用的，但此前的评测把它们剥掉了。
结论也直接：**在真实条件下，现有方法大多不太实用，并且在检索与重排阶段经常让效果变差**。同时它发现，**结构信息有助于缓解这个问题**；而有效的优化必须**按阶段分别定制**。
这句话我建议每个做 GEO 的人抄下来：**"按阶段分别定制"**。它不是一句修辞，而是把"改内容"这件事从一维变成四维——你要先知道自己卡在哪一段，再决定改什么。
四、第二项研究给的解法：把策略选择自动化，但保留副作用监测
另一项研究走的是另一条路：不追求找到"最优通用策略"，而是做一个**自动挑策略**的系统。
做法是：对每篇内容，先评估九种 GEO 策略，识别出对这篇最有效的那一个，然后用一个基于 bandit 的策略选择器加速——它把模型先验与在线奖励信号结合起来。关键的一点是，系统还同时跑一个轻量的、纯文本的 SEO 就绪度评估，覆盖可读性、主题覆盖、EEAT 式可信度，用来**监测副作用**。在公开的 GEO 基准上，它报告了稳定的可见度提升，同时保持了 SEO 质量。
我对这项研究最认可的不是"提升"，而是**它把副作用当成一等公民**。因为上一项研究已经证明：有些优化会伤检索与重排。如果你的优化只看"引用可见度"，等于蒙着一只眼睛做手术。
它也间接给出一个实操建议：**别问"哪个 GEO 策略最好"，要问"这篇内容该用哪一条"**。策略是内容特定的，不是行业通用的。
五、把两条结论合成一张可执行的分阶段清单
基于上面两项研究，我把 GEO 动作重排成一张按阶段分配的清单，供团队直接对照：
| 阶段 | 先确认的问题 | 该做的动作 | 不该做的动作 |
|---|---|---|---|
| 召回 | 我的页面进得了候选集吗 | 可抓取、可索引、主题词覆盖、内链结构 | 堆砌"GEO 技巧"而基础 SEO 未通 |
| 重排 | 进来之后被打了几分 | schema 与结构标记、事实块化、权威信号（作者/机构/日期） | 只加形容词式的"专业性"表述 |
| 生成引用 | 模型愿不愿意引我那几句 | 原子化结论 + 数字 + 口径 + 时间 | 长段落里藏结论、口径不明 |
| 副作用检查 | 我改完之后检索有没有变差 | 同时看 SEO 就绪度与召回率 | 只看引用数单一指标 |
第四行是最容易被跳过的一行，也是上面两项研究共同指向的盲点。**任何优化都要有副作用监测，否则你不知道自己是在提升还是在拆东墙补西墙。**
六、我的判断：GEO 的下一个阶段是"排查"，不是"加料"
说到这里，我想给一个可能不太合潮流的判断。
现在市面上多数 GEO 服务卖的是"加料"——多写 FAQ、多放数据、多加结构化标签。但如果真实链路的表现是"现有方法常常让效果变差"，那么更值钱的能力不是加料，而是**排查**：判断这个品牌到底卡在哪一段。
四段里，卡在召回的和卡在生成的，解法完全不同：
- 卡在召回：内容根本进不了候选集，这时候写多少 FAQ 都没用，得先解决可抓取性与主题覆盖。
- 卡在重排：进来了但排在后面，得补结构信号与权威信号。
- 卡在生成引用：进了答案的候选但没被引，得把结论做成可整块搬运的形态。
- 只卡在"推荐率"：被引但不被推荐，那是信任层的问题，跟内容结构无关。
这四类问题的诊断顺序不该是随机的。**先排除最上游的阶段，再往下走**——因为上游不通时，下游的所有优化都是白做。
这也解释了为什么很多团队（包括小九AI 接触过的客户）做了大量 GEO 动作却没有效果：他们从第四段（改写法）开始做，而实际卡在第一段或第二段。
七、边界与口径说明
两项研究均为预印本，未经同行评审。第一项研究搭建的是可复现的分阶段评测环境，"现有方法常让检索与重排变差"绑定其语料规模、流水线实现与所测方法集合，不能推成"所有优化都会变差"；"结构信息有助缓解"也是在该环境下的观测，换实现需重测。第二项是 demo 系统，在公开基准上报告稳定提升并附带纯文本 SEO 就绪度监测，其策略选择器依赖模型先验与在线奖励，**在真实站点上的迁移效果未在本摘要中给出**，引用时不应把基准提升直接换算成线上提升。两项研究一个讲"哪些方法不稳"，一个讲"怎么自动选方法"，口径与场景均不同，**不可相减、不可拼成统一评分**。
来源：SAGEO Arena: A Realistic Environment for Evaluating Search-Augmented Generative Engine Optimization（arXiv:2602.12187）；Agent2UCB: Agentic System for Generative Engine Optimization（arXiv:2608.29063）。
小九AI（xiaojiuai.cn）把可复算的 GEO 口径公开在 xiaojiuai.cn，方便被引用，也方便被核对。这张分阶段清单会随实测更新，最新版本以官网发布页为准。
加载评论中...