小白如何从 0 开始做 GEO

作为 GEO 从业者，最近两年免不了或主动或被动的需要做 GEO，我也是，毕竟大势所趋。这篇文章，算是自己的一些方法论的总结吧，自己是怎么从 0 开始然后形成相对体系化的做法。

GEO 有个很烦人的点是，做完很难直接看出有没有用。人一旦收不到反馈，就会迷茫，所以体系非常重要。

第 0 步：先说清楚边界

动手之前只有一件事要想明白：你希望内容被哪一类 AI 读到。三类入口，做法不一样。

第一类，AI 搜索的实时检索。 用户问一句，系统临时去网上抓一批页面，读完生成答案，把来源链接挂在下面。ChatGPT、Perplexity、Copilot、AI Overviews、AI Mode 都是这一类。这一类能优化，也是 GEO 这个词真正指的地方。

第二类，训练语料。 内容被抓去训练模型。这一类没法优化，因为它跟用户问什么无关。能做的只有一件事：决定让不让抓。

第三类，产品里的商品推荐位。 用户在对话里问「300 美元降噪耳机推荐」，系统给出商品卡轮播。这一类要的是结构化商品数据，跟内容优化是两条路。

新手常犯的问题是拿第二类的做法去解决第一类的问题，或者反过来。

有一条机制要先记住，后面每一步都建立在它上面：检索型爬虫不执行 JavaScript。

你在浏览器里看到的页面，和它抓到的页面，可能不是同一个东西。内容如果是前端渲染出来的，它看到的就是一个空壳。

自检方法很朴素：打开浏览器的「查看网页源代码」，搜正文里的某一句话。搜得到，说明它在服务端；搜不到，说明它只在 JS 执行之后才存在。

也可以用命令行，抓的是服务器返回的原始 HTML：

curl -sL <你的页面URL> | grep -c "正文里的某句话"

返回 0 就是有问题。这条命令查的不只是内容在不在，还是内容在不在正确的位置上。

再或者，如果你在用 Claude Code，可以装 claude-seo 这个开源 skill（GitHub 上是 AgriciDaniel/claude-seo，MIT 协议，目前 1.9 万星左右）。命令行里先跑一句安装：

git clone --depth 1 https://github.com/AgriciDaniel/claude-seo.git && bash claude-seo/install.sh

然后在 Claude Code 里执行：

/seo audit https://你的域名

需要注意的是，它给的 0 到 100 健康分是自己的分诊启发式；全站审计消耗的额度不小，可以先拿 /seo page 跑单页试试；页面内容会发给模型，有合规要求的站先看清楚再跑。

第 1 步：装四个读数

这一步不产生流量，但是是我们衡量效果的主要来源。

读数一：Google Search Console 的生成式 AI 报告

2026 年 6 月 3 日上线，数据从 5 月 18 日开始，8 月 31 日推到全球所有站点。

它只有一个指标，曝光。维度四个：页面、国家、设备、日期。

它没有的东西比它有的更重要，得记清楚：

没有点击。点击是算的，但混在普通网页搜索里，没有任何过滤能单独捞出来
没有查询词维度，你没法知道是哪个问题带来了这次曝光
不区分 AI Overviews 和 AI Mode，两者合并报
没有历史回填，你哪天能看到，基线就从哪天开始
图表合计和表格合计会对不上，一个按站点聚合、一个按页面聚合
列表 1,000 行上限

还有一条容易被误用：这份报告的曝光已经包含在网页搜索总曝光里，是它的子集。所以「AI 曝光 ÷ 总曝光」算出来的不是份额，是一个东西比它自己，这个比值没有意义，别放进周报。

它能回答的问题其实只有一个：哪些页面在被 AI 挂出来。这一条够用了。按页面排序，靠前的就是你的资产。

读数二：Bing Webmaster Tools 的 AI Performance

2026 年 2 月 10 日公测，6 月 16 日加了四项。免费，覆盖 Copilot、Bing 的 AI 摘要和部分合作方。

四个基础指标：总引用次数、日均被引用页面数、grounding query、页面级引用数。

grounding query 是这份报告里最值得看的东西。 它是 AI 自己写给自己的检索词，不是用户打的那句话。用户问「哪个降噪耳机好」，AI 实际去搜的可能是「降噪耳机通勤 300 美元对比」。这类词在任何关键词工具里都找不到，因为没有人会这么打字。

6 月加的四项里，Citation Share 是唯一适合长期盯的，定义是某个 grounding query 下，你的引用数占所有站点引用数的百分比。

它比绝对引用数好用。绝对数会随查询量漂移，涨了不代表你变强，可能只是问的人多了。份额受这个影响小一些。

Bing 自己说得很清楚，这是观测指标，不是排名系统，不暴露竞对域名，也不代表流量份额。覆盖范围也有限，ChatGPT、Perplexity、Google 的 AI 功能都不在里面。

读数三：服务器日志里的 AI 爬虫

最容易做，也最少人做。去日志里看有没有这些爬虫来过、多久来一次、抓了哪些页面。关键是要分开看，两类爬虫用途完全不同：

检索型：OAI-SearchBot、PerplexityBot，它们来了说明你有机会被引用
训练型：GPTBot、ClaudeBot、CCBot，它们来了跟你能不能被引用无关

一个常见的事故是，为了让内容不进训练语料，把检索型爬虫一起挡了。结果是被引用率归零，而训练那边其实没受影响，因为 Google-Extended 这类指令只管训练，不影响 AI Overviews 的可见性。

读数四：自建固定 prompt 样本

前三个读数都有覆盖不到的地方，所以要自己补一个。

做法很土：挑 30 个你真正关心的问题，每周固定时间、固定入口问一遍，记三件事。

AI 有没有给出带来源的答案
来源里有没有你
如果有，它引用的是不是你想让它引用的那一页

这件事没有工具能替你做，因为工具跑的是它自己的 prompt 集，不是你的。但重复劳动那部分可以交给脚本。

前提是你得有对应 AI 的 API credentials。 有 OpenAI 的 key 就跑 OpenAI，有 Perplexity 的就跑 Perplexity，思路都一样：把 30 个问题存成一个 JSON，脚本挨个问，从回答里把引用链接抠出来，数里面有几个是你的域名，结果按日期存一份。

下面是一个最小可用版，用 OpenAI 的 Responses API，打开联网检索开关：

import json, os, time, urllib.request
API_KEY = os.environ["OPENAI_API_KEY"]
MODEL = os.environ.get("GEO_MODEL", "填你账号里可用的模型名")
SITE = "example.com"
PROMPTS_FILE = "prompts.json"
def ask(q):
    req = urllib.request.Request(
        "https://api.openai.com/v1/responses",
        data=json.dumps({
            "model": MODEL,
            "input": q,
            "tools": [{"type": "web_search_preview"}],
        }).encode(),
        headers={
            "Authorization": "Bearer " + API_KEY,
            "Content-Type": "application/json",
        },
    )
    with urllib.request.urlopen(req, timeout=90) as r:
        return json.load(r)
def cited(resp):
    """抽出这次回答里所有被引用的 URL。接口改版时只需要改这一个函数。"""
    urls = set()
    for item in resp.get("output", []):
        for block in item.get("content", []) or []:
            for a in block.get("annotations", []) or []:
                if a.get("type") == "url_citation" and a.get("url"):
                    urls.add(a["url"])
    return urls
rows = []
for q in json.load(open(PROMPTS_FILE, encoding="utf-8")):
    resp = ask(q)
    all_urls = cited(resp)
    mine = [u for u in all_urls if SITE in u]
    rows.append({
        "question": q,
        "cited_total": len(all_urls),
        "cited_mine": len(mine),
        "urls": mine,
    })
    time.sleep(2)
out = "sample_%s.json" % time.strftime("%Y%m%d")
json.dump(rows, open(out, "w", encoding="utf-8"), ensure_ascii=False, indent=2)
hit = sum(1 for r in rows if r["cited_mine"])
print("命中 %d / %d，明细见 %s" % (hit, len(rows), out))

三个使用要点：

结果文件按日期命名，扔进 git 仓库，每周固定跑一次，diff 就是趋势线
cited() 单独抽出来，接口改版只改这一个函数，其余不动
成本按次算，30 个问题一次几块钱以内，比人工半小时便宜，也比人工稳

四个读数合起来，是四层可见性，从上往下越来越难：AI 模块出现 → 你的内容被引用 → 有人点进来 → 有人下单或询盘。

第二篇那个案例就是典型：曝光从 118,193 涨到 251,282，多了 133,089，涨了 112.6%，点击从 0 变成 1。第一层涨了一倍多，第四层几乎没动。只看第一层的人会以为自己在赢。

真正的难点：成交不在 AI 里发生

四个读数能覆盖到第三层，第四层基本测不到，这是 GEO 衡量里最难的部分，得单独讲。

原因是用户的行为被切成了两段。前一段在 AI 里：问、比、筛，看答案里挂了谁。后一段不在 AI 里：回到 Google 搜品牌名，或者直接输域名进站，或者发邮件和线下谈。目前大部分人还只是拿 AI 做搜索和调研，真正下单那一脚仍发生在传统搜索里。

中间这一段没有标记位。AI 给的链接你改不了，加不了 UTM；从对话跳到你站上的访问，在统计里多半落到直接访问或自然搜索里；再加上手机问、电脑买，跨设备又断一层。

我这边后端能直接归到 AI 助手的订单，数量很少，少到没法拿来做判断。这不是统计工具没配好，是这条链路上本来就没有一个能被稳定识别的来源标记。

所以别把 GEO 当一个能算最后点击 ROI 的渠道用，它是影响上游的动作。真要判断，只能换几个间接的读法：

看品牌词和直接访问的位移。引用份额上去之后，过 4 到 8 周看品牌词搜索量和直接访问有没有跟着动。单独看没意义，要跟引用份额放在一起看
在询盘或下单流程里加一个自填项。问一句「你是怎么知道我们的」，选项里放上「AI 助手（ChatGPT 这类）」。自填不准，但这是唯一能直接问到的方式，攒几个月能看出方向
查一下日志里有没有 chatgpt.com 这类来源。少数情况下 referrer 会带出来，可以看看量级，但别指望它稳定，更别当主指标

能稳定衡量的是前三层。第四层只能靠间接信号拼。接受这一点，比硬凑一个 ROI 数字要诚实，也省得在会上被一个问题问倒。

第 2 步：选战场，别全站改

衡量装好之后，才是选改哪里。

不要全站改。 新手第二个常犯的错，是拿到一份 GEO 优化清单就逐页套。100 个页面改完三个月，数据没变化，因为你改的 100 个页面里，可能只有 3 个有机会被引用。

选战场的标准只有一条：这个页面在 Google 里已经有基础。

做法是打开 GSC 的查询报表，筛排名在 5 到 20 位、有曝光但点击偏低的词。这批词方向被验证过，AI 检索时大概率会翻到；同时还没到顶，改一改有空间。

排名 50 开外的先放着。不是它们不重要，是在它们身上做的每次改动都收不到反馈，没法迭代。

第二个筛选条件常被忽略：这个问题 AI 会不会真的去检索。

会去检索的：有时效性的（今年最好的 X）、需要对比的（A 和 B 的区别）、带具体参数的（300 美元以内的 X）、涉及评测实测的。

不会去检索的：纯品牌导航（某某官网登录）、简单事实、模型自己就知道的常识。

如果你卖的东西全在第二类，GEO 对你基本无效。这句话很少有人讲，但它能帮你省下三个月。

用 Bing 的话，10 月 13 日上线的 Topics Portfolio 可以直接用。它把站点的 grounding query 聚成主题，每个主题下列出机会 query，也就是别人被引用了、你没有的那些。官方明说这些数字是方向和区间，不是精确账本，拿来排序可以，做流量预测不行。

第 3 步：改的四条，每条都有个理由

选好 5 到 10 个页面，才开始改。

第一，让段落能被整句摘走。

AI 引用的时候摘的是能独立成立的一段话。那种靠上下文才读得懂的段落，它摘不走。

判断方法：把某一页的任一小节复制到空白文档，去掉前后文，看它还成不成立。不成立就重写。

这条在 2026 年 10 月之后更急了。有测试显示 Google 在试着把 AI Overview 右侧那列引用卡片整个拿掉，只留答案正文里的内联链接。如果这个改动铺开，正文内联链接就从其中一个出口变成唯一出口。

第二，把实体说清楚。

你写的是哪个品牌、哪个产品、哪个人，要让机器能确定。第十篇里查过一堆实验，结论是结构化数据里唯一稳定正相关的是实体消歧，也就是 Organization 加上 sameAs 指向 Wikidata、LinkedIn、Crunchbase 这类能被第三方核对的身份源。

这条换个地方也成立：一个东西的权重，等于它能被第三方验证的程度。自己说自己是谁没用，有独立信源能核对才有用。

第三，别堆 schema。

这条跟市面上大部分 GEO 入门文相反，但数据在这：有对照组的实验里，1,885 个加了 JSON-LD 的页面对比 4,000 个控制页，AI Overviews 的引用率下降 4.6%。另一项研究发现，半填充的 schema 比完全没有 schema 差 18 个百分点。

插件自动生成的残缺标记是重灾区。宁可删，不要留。

第四，别把 llms.txt 当主业。

84.4 万个站点写了 llms.txt，没有一家主要 AI 厂商承认会读它。很多人不信这个数字，我一开始也不信。

判断这类新东西值不值得做，用三问：谁承诺读了？读了之后改什么行为？不做的代价是什么？三问答不上来，多半只是供给端热闹，跟你没关系。

第 4 步：三个控制别搞混

这一步不是优化，是防事故。新手容易在这里做错，而且做错会伤到自然流量。

Google-Extended：放在 robots.txt 里，只挡用于训练模型的抓取，不影响你在 AI Overviews 里的可见性
nosnippet / data-nosnippet：不让搜索引擎抽取正文生成摘要。它能挡 AI Overviews，代价是普通自然结果的摘要也没了，点击率一起掉
Search Console 里的 AI 开关：只退出 AI Overviews、AI Mode 和 Discover 的 AI 功能，不影响自然排名。这是三个里唯一干净的那个，不适用于独立的 Gemini 应用

默认建议是三个都不动，先把基线攒起来再说。

30 天怎么排

时间	做什么	产出
第 1 周	装四个读数，跑第一次	一份基线数字
第 2 周	用 curl 或看源码确认核心页服务端有内容	一份问题页面清单
第 3 周	筛出 5 到 10 个有基础的页面	一份战场清单
第 4 周	改 5 个页面，只改能被摘走的段落和实体	第一版改动
第 5 周起	每周跑一遍固定 prompt 样本，脚本或手跑都行	第一条趋势线