有一个粉丝让我讲一下GEO，Generative Engine Optimization，我可以分享一下。什么叫GEO呢？它称为生成式的引擎优化，是相对于传统的SEO下一代的延续。原来它优化对象是类似Google、Bing这样的，让搜索引擎更容易找到它；现在的优化对象是AI引擎，比如ChatGPT、Gemini。为什么会有这样的需求呢？是因为现在很多的用户习惯已经做了很大的变化。原来是用户会通过搜索去一条一条的点击内容，而现在越来越多的人会直接在AI引擎里提问，这意味着信息的流量入口已经从搜索引擎转向成了生成式引擎。

GEO的研究就是为了让生成式的AI在回答时引用推荐与你相关的内容。当然这里有个问题就是它推荐了有没有意义呀？其实主要作为品牌的露出，比如如果在推荐新加坡最知名的AI公司时候，能分享到我们Agnes；比如在多智能体的框架的论文里面能找到我的论文，这就是一个所谓的GEO的逻辑。当然后面还有一些其他的玩法，比如通过我的推荐，再通过我的文章的输出，再给出援引，比如给出我的具体的论文的链接，或者给出YouTube的视频，就相当于做一个流量的分发了。

那GEO在实践中有哪些核心的思路呢？首先是内容级优化，需要用机器可理解的方式发布内容，比如FAQ、知识图谱、清晰的语义标注，让大语言模型更容易的抓取和引用。第二个逻辑叫做数据可见性，AI引擎的训练或检索的主要来源是网站轨迹、数据库和API，GEO要确保你的内容能被这些模型获取并优先使用，在训练中就已经找到你的内容。第三是提示优化，Prompt Optimization，不只是写网页，还要考虑AI生成时的上下文，如何在产品的介绍、问答、案例研究中，设计高概率被引用的文本片段，就是让它更容易匹配到你的链接。最后叫做可信与权威信号，模型往往更偏向引用可信来源，比如有学术引用、新闻机构、行业白皮书这种类型，所以内容要更加带有权威的背书，包括希望有更多的引用量。

当然了，GEO也不是完全没有挑战的。其中包括AI并不会每次都引用来源，品牌曝光可能被消化，就是他可能不会露出你的品牌，但是表达你的概念，这样的话你就白输出了。第二比如电商产品，当用户问到最好产品时候，他可能是货比三家，不会针对你的内容进行优化，它可能以价格优先，这样的话为了提升价格，其实各个商品的品牌和电商网络的品牌的价值就被弱化了。第三个就是它的优化规则比SEO更模糊，因为大模型的训练跟检索的机制是不透明的，如果想在搜索中被获取也很难的，更何况有些模型会内化，会在训练中去对信息进行处理。

那我在这个公共的基础上加两点很重要的认知。第一个认知是叫在SEO中要做一个内容的优化，尽可能降低模型读取的Token数。什么意思呢？这其实是一个双向奔赴的一个过程。针对在模型搜索的API中，现在的网上分布内容可以把自己的内容分成两部分：一部分是针对用户的，让可读性提升；第二部分是针对大模型的搜索的引擎的，通过API的方式获取信息，读取信息来处理信息。第二部分针对大模型的完全可以思考如何提升对于模型的可读性，如何降低模型的读取中的难度和Token使用量。那这部分如果做好的话，一定会被绝大部分的AI模型的搜索功能所青睐，因为在获取同样的信息的情况下，它可以降低大语言模型使用的Token数量。

第二个逻辑叫做在中立性的情况下实现服务的抽佣。就是我们看到类似Perplexity这样的AI搜索，它在首词回复中呢它的内容是非常中立的，完全没有任何的倾向性。问完这问题之后，他的follow up紧跟着的一系列的动作中，其实是有一些倾向性的。比如问的同样是雅虎的股票，但是下面关于如何去购买，它完全是可以来自于不同的平台，这个平台的选择和点击就是一个抽佣的过程。所以它是从中立的信息再到可付费获取的动作的一个商业的闭环。