第01章｜为什么传统GEO（生成式引擎优化）定义不够
一、当GEO（生成式引擎优化）被简化成“让人工智能提到我”
GEO（Generative Engine Optimization，生成式引擎优化）迅速进入企业市场语境后，人们常用几句话概括它：让内容被人工智能引用，让品牌被提及，让人工智能推荐企业，或者“做给人工智能看的SEO（Search Engine Optimization，搜索引擎优化）”。
这些说法并非全部错误。它们确实捕捉到了一些现象：人工智能可能显示来源、提到实体、吸收公开信息中的某些命题，甚至在比较和选择问题中提供建议。问题在于，每种说法都只抓住了整个问题的一个局部，却经常被当成GEO（生成式引擎优化）的完整定义。
一旦定义过窄，服务也会随之变形。“被引用”会把工作引向引用数量；“被提及”会把工作引向品牌出现次数；“被推荐”会鼓励企业在资格、证据和边界不明时追求更强的推荐措辞；“批量发内容”则容易让产量取代诊断。
因此，本书的第一个任务不是再发明一个更吸引人的口号，而是先说明：一个足以指导研究、服务和测量的GEO（生成式引擎优化）定义，究竟必须回答哪些问题。
二、一个可工作的定义必须回答什么
完整的GEO（生成式引擎优化）定义至少应说明以下九个问题：
- 它研究的对象是什么？
- 它面向什么 Decision Situation（决策情境）？
- 企业或实体能够合法改变的作用面是什么？
- 哪些环节可以直接观测，哪些内部机制仍然不可观测？
- 企业命题的真实性、证据资格和公开授权如何约束干预？
- 人工智能答案层面追求的状态是什么？
- 结果在什么条件下被测量？
- 人工智能答案、用户接触、用户决策和业务结果如何分层？
- GEO与SEO（搜索引擎优化）、公关、内容营销、品牌管理、声誉管理和业务改进的边界在哪里？
如果一个定义只回答“要做什么动作”、“要提高哪个数字”或“希望带来什么商业结果”，它就还不是一个完整的研究和实践定义。
三、七种常见定义，七个局部切面
| 常见定义 | 它抓住的真实环节 | 无法独立解释的问题 |
|---|---|---|
| 让内容被引用 | Citation Selection（引用选择） | 引用是否支持结论、命题是否被吸收、是否正确归属给实体、是否进入决策 |
| 让品牌被提及 | Entity Presence（实体出现） | 提及是否准确、正向、相关、适配，是否保留必要边界 |
| 让人工智能推荐企业 | 接近商业目的 | 企业是否真实适配、推荐条件是否有证据、何时应当不推荐 |
| 面向人工智能的SEO（搜索引擎优化） | 抓取、索引、结构和检索基础 | 综合生成、命题吸收、实体归属、比较、边界和推荐行为 |
| 批量生产和分发内容 | 表达和分发可能是干预组成项 | 决策情境、命题资格、证据缺口、干预假设和结果测量 |
| 获得权威媒体背书 | 来源环境可能影响信息使用 | 不存在可通用声称的固定来源权重；付费、转载和同源重复不等于独立验证 |
| 训练或改变人工智能认知 | 信息环境与答案可能存在关系 | 企业通常无法直接观察训练使用、参数变化、内部权重和真实来源路径 |
局部定义最大的问题不是“说少了”，而是它们容易把不同层级的事物当成同一件事。引用是答案层的一种显示现象，发布是信息环境层的一种执行动作，获客是更下游的业务结果。它们可能处于同一项目中，但不能相互替代。
四、五层研究框架
为了把局部现象放回完整系统，本书采用以下五层研究框架：
Entity Reality（实体真实状态）
→ Claim-Evidence Environment（命题—证据环境）
→ Controllable Public Information Environment（可控公开信息环境）
→ Conditional AI Answer Behavior（条件化人工智能答案行为）
→ User Decision and Downstream Outcome（用户决策与下游结果）
第一层是约束。企业是否真实具备某项能力，是否适合某类客户，资格是否有效，必须先于信息包装。
第二层是可被审查的表达与证明环境。企业希望公开表达的每个关键判断，都应还原成可核查的Claim（命题），并检查对应Evidence（证据）的资格。
第三层是企业能够合法干预的主要作用面，例如官网、公开文档、合格第三方载体、实体命名、命题结构和证据连接。但这只是主要可控面，不是人工智能的全部信息上下文。用户上传的私有文件、不可见的个性化条件和模型供应商内部状态，通常不在企业可控范围内。
第四层是当前主要观测对象。我们可以在明确的查询、引擎、产品模式、账户状态、时间和工具条件下，观察人工智能如何提及实体、表达命题、显示来源、进行比较或设置推荐边界。我们不能因此宣称知道人工智能的内部算法。
第五层是下游结果。答案发生变化，不等于目标用户看到它；用户看到它，不等于决策发生改变；决策发生改变，也不能在没有识别条件时直接归因于GEO（生成式引擎优化）。
需要特别强调：这五层是研究与测量框架，不是已被证实的模型内部因果链。
五、三类经常被混为一谈的东西
| 对象 | 工作含义 | 关键边界 |
|---|---|---|
| Execution Action（执行动作） | 企业或服务团队做了什么：整理事实、建立证据、修改页面结构、发布文档、提交第三方稿件、澄清过时信息或设计实验 | 是动作，不是结果 |
| Proxy Metric（代理指标） | 观察某个环节的信号：可访问性、索引代理、显示引用、实体提及、列表位置、推荐频率和发布数量 | 只有在其分母、条件、缺失和结论资格被锁定时才能被解释 |
| Target State（目标状态） | 实体在真实适配的决策情境中获得准确、有证据、与决策相关并保留必要边界的答案层呈现 | 不是“数字越大越好”；实体并不适配时，目标反而可能是降低错误推荐 |
因此：
Execution Action（执行动作）
≠ Proxy Metric（代理指标）
≠ Target State（目标状态）
≠ Downstream Business Outcome（下游业务结果）
这个不等式是全书最重要的防错结构之一。
六、反例告诉我们的事
好的定义不只能解释顺利场景，也应当承受边界场景的压力。
一个用户询问“复式记账法是什么”，并不能自动证明他正在选择代账公司。该查询可以进入知识观测或候选查询空间，但只有存在Decision Link Evidence（决策连接证据）时，才有资格被提升为优先决策空间。
一家企业声称自己适合跨境电商客户，也不能因此将“适配”当成无误的真值。Eligibility（适配资格）本身也是需要证据、范围、时间和置信边界的命题。同一家企业可能适合苏州小微制造业客户，却不适合跨国集团。
人工智能准确描述了企业的资格，但没有显示引用，只能说明输出与已知证据一致，不能证明人工智能内部使用了某项指定证据。反过来，显示了引用，也需要检查Citation Support Fit（引用支持匹配）：如果被引用页面并不支持“最适合制造业”的结论，就不能称为“有据呈现”。
一个错误答案长期稳定出现，只能说明Stability（稳定性）较高，不能用稳定性抵消Claim Accuracy（命题准确性）的失败。
如果企业许可证已失效，却希望通过大量正面内容继续获得推荐，这不是合规的GEO干预，而是Reputation Laundering（声誉漂白）风险。反之，若企业曾受到的处罚已被撤销，人工智能仍沿用过时报道，企业可以通过更新证据和来源纠错修复Temporal Validity（时间有效性）。这是澄清真实状态，不是压制真实负面信息。
这些反例共同说明：GEO（生成式引擎优化）不能只追求更多、更高、更稳定的出现，它必须同时管理真实性、证据、适配、范围、时间、安全和不可观测性。
七、一个不完整定义会如何损害服务
定义不只是理论问题，它会直接决定服务体系如何运作。
如果GEO（生成式引擎优化）被定义为“发内容”，交付就会从发稿数量开始，而不是从决策情境、命题、证据和缺口开始。如果GEO（生成式引擎优化）被定义为“提高提及率”，服务会容易忽视提及是否准确、是否属于目标决策情境、是否伴随错误推荐。如果GEO（生成式引擎优化）被定义为“带来获客”，任何同期的销售上升都可能被误写成GEO（生成式引擎优化）效果。
完整定义则要求服务按更严格的顺序运作：先确认真实决策情境和实体资格，再组织命题与证据；先观测条件化答案行为，再诊断缺口；先提出可反证的假设，再选择干预和执行渠道；先锁定测量契约，再评估变化与归因资格。完整方法循环见第2章第九节。
这也意味着，On-site / Off-site（站内／站外）只能是Execution Channel（执行渠道），不能成为GEO的一级方法论。“在哪里做”不能替代“为什么做、要改变什么变量、希望观察到什么”。
八、本章必须保留的边界
- 不是所有知识查询都已证明具有Decision Relevance（决策相关性）。
- 公开命题—证据环境是Public GEO（公开信息范围内的GEO）的主要作用面，不是人工智能的全部上下文。
- “企业适合某类用户”本身是需要证据、范围、时间和置信边界的Claim（命题）。
- Claim-Evidence Consistency（命题—证据一致性）不等于AI Evidence Use（人工智能证据使用）。
- 没有严格对照不代表不能观察和学习，但必须降级因果表达。
- 稳定出现不能补偿事实错误，下游成交也不能倒推上游答案链成立。
- Truthfulness, Non-deception, Safety and Regulatory Constraints（真实性、非欺骗、安全与监管约束）不是可选修饰，而是方法边界。
- 当前理论主要覆盖Answer-level AI Mediation（答案层人工智能中介）；是否扩展到Agentic Decision Mediation（智能体式决策中介）仍为Unknown（未知）。
其中第4项的三种判断在第2章第八节展开，第8项的Agentic Decision Mediation（智能体式决策中介）未知在第2章第十二节和第3章第十一节保持一致。
九、本章结论
传统GEO（生成式引擎优化）定义的问题，不是它们所描述的现象完全不存在，而是它们常把一个真实局部误当成完整对象。
引用、提及、推荐、索引、发布和业务转化都可能是GEO项目中需要观察或处理的环节，但没有一个环节可以单独代表GEO。一个完整定义必须以Entity Reality（实体真实状态）和证据为约束，以明确的Decision Situation（决策情境）为边界，以可合法干预的公开命题—证据环境为主要作用面，以Conditional AI Answer Behavior（条件化人工智能答案行为）为当前主要观测对象，并将答案状态、用户接触、用户决策和业务结果分层处理。
只有在这些层次被分开之后，我们才能进入下一个问题：如果GEO（生成式引擎优化）不只是引用、提及、发布或获客，那么它到底是什么？
十、本章图表说明
图1-1｜从局部定义到完整研究对象
- 形式：五层纵向关系图。
- 节点：实体真实状态、命题—证据环境、可控公开信息环境、条件化人工智能答案行为、用户决策与下游结果。
- 连线：用虚线表示可研究的关联与假设链，不使用实线冒充已证实的内部因果链。
- 侧边标注：Execution Action（执行动作）、Proxy Metric（代理指标）、Target State（目标状态）和Downstream Business Outcome（下游业务结果）分属不同层级。
- 图注：本图是研究与测量框架，不是人工智能内部机制图。
表1-1｜传统GEO（生成式引擎优化）定义的有效部分与缺失部分
使用本章第三节的三列对照表，排版时保留“有效部分”，避免把行业常见说法简化为全错。