第02章｜GEO（生成式引擎优化）到底是什么
一、从“增加出现”转向“改善决策中的呈现”
第一章已经说明，引用、提及、推荐、发布和商业转化都只是GEO（Generative Engine Optimization，生成式引擎优化）中可能出现的局部环节。要得到一个能够指导真实工作的定义，需要把研究边界、真实性约束、可控作用面、可观测对象、诊断方法、干预方法和结果分层纳入同一个系统。
本书对GEO（生成式引擎优化）的核心理解是：它不是一项单一内容技术，而是一套研究“人工智能如何介入用户决策”，并在真实、证据、适配、安全和可测量条件下尝试改善实体答案层呈现的方法体系。
二、完整工作定义
GEO（生成式引擎优化）是一套以具有可说明Decision Relevance（决策相关性）的目标决策情境为分析边界，以Entity Reality（实体真实状态）以及可核查、可评估的Claim（命题）为约束，以实体能够合法干预的公开Claim-Evidence Environment（命题—证据环境）为主要作用面，以生成式人工智能在已知与未知上下文条件下的Conditional AI Answer Behavior（条件化人工智能答案行为）为主要Observation Object（观测对象）的假设与证据驱动方法体系，并在可行条件下采用实验方法。
它依据分层用户决策证据研究User-DVM（User Decision Variable Map，用户决策变量地图），将其与具有证据状态和置信边界的实体适配判断、命题—证据状态及AI-DVM（AI Decision Variable Map，人工智能决策变量地图；正式边界为条件化答案行为观察）进行比较，形成可追溯的Gap Diagnosis（缺口诊断）；再通过证据、表达、分发和实验干预，以及必要的上游Entity Reality Remediation（实体真实状态修复）或商业场景中的Business Improve（业务改进）反馈，进行重复测量与Attribution Assessment（归因评估），检验并尝试改善实体的Decision-Appropriate Representation（决策适当呈现）：在有证据支持的真实适配情境中提高Effective Visibility（有效可见性），在不适配、受限或高风险情境中提高Boundary Fidelity（边界忠实度）并减少Misrecommendation（错误推荐）。整个过程受Truthfulness, Non-deception, Safety and Regulatory Constraints（真实性、非欺骗、安全与监管约束）。
这个定义很长，因为它承担的不是广告口号功能，而是系统边界功能。它需要明确哪些事情可以做，哪些事情可以观察，哪些结论只能作为假设，以及什么情况下“更多出现”反而不是正确目标。
三、一句话的简短定义
在不需要展开全部方法边界的场景中，可以使用以下简短定义：
GEO（生成式引擎优化）是在具有明确决策相关性的情境中，以实体真实状态和证据为约束，通过可检验干预与条件化重复观测，改善实体在生成式人工智能答案中准确、证据一致、与决策相关且符合真实适配与安全边界的呈现。
简短定义是完整定义的表达缩写，不是一套边界更宽的平行定义。当项目涉及诊断、执行、验收、对外承诺或风险责任时，必须回到完整定义。
四、定义中的五类对象
| 对象 | 工作含义 | 关键边界 |
|---|---|---|
| Research Object（研究对象） | 特定决策情境中实体真实状态、公开命题—证据环境、条件化人工智能答案行为与用户决策之间的关系及变化 | 不是某个媒体或某篇文章“如何被人工智能喜欢” |
| Intervention Object（干预对象） | 实体真实状态修复、事实与证据建设、公开命题表达、实体一致性、载体与分发，以及实验条件 | 不自动覆盖用户上传的私有文件、封闭数据库、模型参数或不可观测的个性化上下文 |
| Observation Object（观测对象） | 人工智能在明确条件下的答案行为 | 最低观测键见下方；无法观测的个性化因素记为Latent Residual（潜在残差） |
| Target State（目标状态） | Decision-Appropriate Representation（决策适当呈现） | 答案对实体的呈现应当与真实适配状态、证据、风险和边界相匹配 |
| Downstream Outcome（下游结果） | Audience Exposure（受众实际暴露）、用户认知、候选进入、咨询、转化和商业结果 | 处于答案层之后，必须与答案状态分开记录和归因 |
观测对象的最低观测键包括：
Decision Situation（决策情境）
× Query Cluster（查询簇）
× Functional Probe（功能性探针）
× Paraphrase（同义改写）
× Run（运行轮次）
× Engine（引擎）
× Time（时间）
× Known User Context（已知用户上下文）
无法观测的个性化因素记为Latent Residual（潜在残差），不得将其影响全部解释为公开信息干预结果。五层研究框架见第1章第四节。
五、谁有资格进入目标决策空间
如果任何一个信息问题都被默认为GEO目标，服务边界就会无限扩张。因此，每个候选情境需要标记Decision Relevance Status（决策相关性状态）：
| 状态 | 含义 | 处理方式 |
|---|---|---|
| Direct（直接） | 问题本身涉及选择、比较、资格、风险、淘汰或推荐 | 可进入优先目标空间 |
| Linked（可连接） | 有用户或市场证据表明该前置认知会影响后续决策 | 证据足够时可进入 |
| Hypothesized（假设） | 只有合理推测，尚未验证 | 进入研究队列，不得冒充已知用户需求 |
| Unknown（未知） | 当前信息不足 | 保留未知并请求证据 |
| Outside（范围外） | 无法说明与目标决策的关系 | 不进入当前目标空间 |
这个分类并不说明所有Direct（直接）问题都值得投入，也不说明Linked（可连接）关系已经构成因果。它的作用是阻止服务将所有关键词、百科问题或大流量话题无区别地纳入同一个优化空间。
六、适配判断不是企业自述
实体是否适合某个决策情境，不是简单的布尔值，也不是企业宣传部门可以自行授予的属性。Eligibility or Fit Claim（适配性命题）必须绑定决策情境、用户群体、约束、时间和证据，并使用受控状态：Supported within Scope（在限定范围内获得支持）、Partially Supported（部分获得支持）、Contested（存在争议）、Indeterminate（无法判断）或Not Supported（未获得支持）。
只有在限定范围内获得证据支持的适配性命题，才有资格进入正向Effective Visibility（有效可见性）优化。存在争议或无法判断时，优先任务是调查，而不是先推动确定性推荐。
七、目标不是单向度的“更多”
完整GEO（生成式引擎优化）目标具有两条路径：
Supported Fit（适配获得证据支持）
→ Effective Visibility（有效可见性）
Not Fit / Restricted / High-risk（不适配／受限／高风险）
→ Boundary Fidelity（边界忠实度）
→ 减少 Misrecommendation（错误推荐）
Contested / Indeterminate（存在争议／无法判断）
→ Investigation（调查）
→ 不推动确定性推荐
Effective Visibility（有效可见性）指的不是任何情况下的更多出现，而是：当适配性命题在限定范围内获得证据支持时，人工智能在明确观测条件下，以实体正确、命题准确、证据一致、与决策相关且保留适用与安全边界的方式将实体纳入答案，并且这种表现可在一定查询簇、同义改写、运行轮次、引擎和时间范围内被重复观察。它仍然只是Answer-environment State（答案环境状态），不等于目标受众已经看到答案，也不等于用户已经改变决策或企业已经获得收入。
八、答案与证据的三种不同判断
| 判断 | 检查什么 | 不能越界成什么 |
|---|---|---|
| Claim-Evidence Consistency（命题—证据一致性） | 答案中的命题是否与当前Qualified Evidence（合格证据）相容 | 不等于人工智能内部使用了该证据 |
| Citation Support Fit（引用支持匹配） | 显示引用是否真正支持其附近或关联结论 | 有引用不等于引用支持结论 |
| AI Evidence Use（人工智能证据使用） | 人工智能内部是否、如何使用某项证据 | 通常只能标记Coded Inference（编码推断）或Latent or Unknown（潜在或未知） |
这三种判断必须分开。答案与企业证据一致，不证明模型内部使用了该证据；显示了一个来源，也不证明该来源支持结论。
九、GEO（生成式引擎优化）的方法论循环
Decision Situation and Relevance Status（决策情境与相关性状态）
→ User-DVM（用户决策变量地图）
→ Fit Claim with Evidence Status（具有证据状态的适配性命题）
→ Entity Reality and Claim-Evidence State（实体真实状态与命题—证据状态）
→ AI-DVM（人工智能决策变量地图）
→ Gap Diagnosis（缺口诊断）
→ Hypothesis（假设）
→ Intervention（干预）
→ Repeated Measurement（重复测量）
→ Attribution Assessment（归因评估）
→ Learning（学习）
这个循环的重点不是将所有项目强行包装为严格实验，而是要求每个重要动作具有问题、假设、目标变量、改变对象、可观测结果、测量方法和失败条件。当严格对照不可行时，仍然可以记录干预与变化，但必须降低Causal Confidence（因果置信度），不得作强因果声明。
十、通用理论与商业实现的边界
通用GEO理论不应将自己限定为“帮助企业获客”。公共机构、非营利组织、专业信息服务与风险预警同样可能需要准确的答案层呈现。因此，通用上位概念是Entity Reality Remediation（实体真实状态修复）；在企业服务实现中，才可以具体表达为Business Improve（业务改进）。
GEO（生成式引擎优化）可以发现实体能力与决策需求之间的真实缺口，并将其反馈给负责产品、服务、交付或合规的经营环节，但不能用内容包装替代真实能力改进，也不应将企业所有经营活动都纳入GEO（生成式引擎优化）执行范围。
十一、GEO（生成式引擎优化）不是什么
- 不是人工智能内部机制的逆向工程；
- 不是保证被引用、提及、推荐或成交；
- 不是批量内容和媒体铺设；
- 不是SEO（搜索引擎优化）的简单改名；
- 不是一个固定综合分数；
- 不是Reputation Laundering（声誉漂白）；
- 不是将所有信息问题、私有上下文或人工智能行动自动纳入同一服务范围；
- 不是在没有因果证据时对商业结果作强归因。
十二、当前服务范围与未知
本版本主要研究Answer-level AI Mediation（答案层人工智能中介），包括解释、筛选、比较、限定和推荐。对于人工智能直接调用工具、发起交易或自主筛选供应商的Agentic Decision Mediation（智能体式决策中介），当前保持Unknown（未知），不提前将其纳入正式服务定义；这一点与第1章第八节和第3章第十一节一致。
其他当前Unknown（未知）包括：
- Decision-Appropriate Representation（决策适当呈现）是否长期保留为正式上位术语；
- 不同行业对适配性命题的最低证据要求；
- Linked（可连接）决策相关性的任务级准入标准；
- 无显示引用情况下的具体证据使用路径；
- 干预变化的持久性和跨Engine（引擎）迁移性；
- 答案层改善、受众实际暴露与用户决策之间的因果关系。
Validated Pattern（已验证模式）当前仍为空。任何关于媒体、页面结构、发布频率、实体一致性或某种干预“普遍有效”的结论，都不得在本章中新增。
十三、本章结论
GEO（生成式引擎优化）是一套面向人工智能介导决策的假设与证据驱动方法体系。它将真实决策情境作为分析边界，将实体真实状态和证据作为不可越过的约束，将可合法改变的公开命题—证据环境作为主要干预面，将条件化人工智能答案行为作为当前主要观测对象。
它的上位目标不是“让企业始终出现”，而是Decision-Appropriate Representation（决策适当呈现）：真实适配时，追求有效可见；不适配、受限或高风险时，忠实表达边界并减少错误推荐；存在争议或无法判断时，先调查，不先推动确定性结论。
在明确“GEO（生成式引擎优化）是什么”之后，下一章将回答更基础的问题：在人工智能内部机制大量不可观测、答案又会随条件和时间变化的情况下，我们凭什么知道一个GEO（生成式引擎优化）结论有资格成立？
十四、本章图表说明
图2-1｜GEO（生成式引擎优化）完整工作定义解构图
- 形式：五列横向结构图。
- 五列：Analysis Boundary（分析边界）、Reality Constraint（真实性约束）、Primary Intervention Surface（主要干预面）、Observation Object（观测对象）、Target State（目标状态）。
- 下方闭环：决策情境→User-DVM（用户决策变量地图）→AI-DVM（人工智能决策变量地图）→缺口诊断→假设→干预→测量→学习。
- 外框：Truthfulness, Non-deception, Safety and Regulatory Constraints（真实性、非欺骗、安全与监管约束）包围整个结构。
- 图注：该图是方法论解构，不是人工智能内部算法图。
图2-2｜决策适当呈现的三条路径
- 形式：三分支流程图。
- 分支一：适配获得支持→有效可见性。
- 分支二：不适配／受限／高风险→边界忠实度→减少错误推荐。
- 分支三：存在争议／无法判断→调查→不推动确定性推荐。
表2-1｜Decision Relevance Status（决策相关性状态）
使用本章第五节三列表，排版时以黑白灰层级、线型或文字标签区分Direct（直接）至Outside（范围外），避免使用红绿得分造成伪精确优先级。