这次访谈最大的价值在于，它将我们从“术”的层面（如何改写文章）拉升到了“道”的层面（AI如何工作）。鲁扬指出，市面上大部分所谓的GEO服务仍停留在SEO的惯性思维中，甚至停留在“手搓”和“碰运气”的初级阶段。真正的GEO，本质上是一场针对大模型工作原理的学习工程。
我们达成的核心共识是：AI正在重构商业的底层架构，Prompt（提示词）就是新的货架。
大模型处理用户问题并非简单的关键词匹配，而是经过了“意图理解（拆解关键词根）-> 深度分析（内容筛选）-> 排序（信源权重）-> 生成引用（最终答案）”的复杂漏斗。这意味着，传统的SEO堆砌关键词在GEO面前失效了。如果品牌的内容不能被AI在“生成引用”的层层筛选中“活”到最后，前面的所有曝光都是无效的。
鲁扬指出了行业内“假（虚构数据）、大（海量灌水）、黑（攻击竞品）”的黑灰产做法。他提醒企业，低质量的稿件和海量发稿不仅无效，反而会拉低品牌在AI眼中的整体评分。未来的AI，能够轻易识破这样的行为。这提醒我们，GEO不仅是技术战，更是AI时代品牌信誉的信任保卫战。
- 破解“黑盒”逻辑：大模型处理流程为“意图理解→深度分析→排序→生成引用”，优化需针对全链路。
- 量化战胜经验：人工永远无法参透算法，只有用算法模型去学习AI的信任原则，才能精准高效。
-拒绝“投毒”：低质量稿件会拉低品牌整体评分，需坚守“科学GEO”。
-新货架革命：Prompt即新货架，企业需构建品牌知识图谱与内容资产体系。
共有四步
鲁 扬：这是一个很核心的问题。今天不管是品牌自己做 GEO，还是服务商做 GEO，都停留在研究这个文章如何去改写，让它看起来有可能被 AI 所采信。在我看来，这只是一个“术”的层面，很少有人去研究 AI 背后的工作逻辑。所以我们看到，现在市场上很多的方法论什么的，甚至有些还是拿以前的 E-E-A-T 框架（E - Experience经验、E - Expertise专业性、A - Authoritativeness权威性、T - Trustworthiness可信度）来做标准，很明显这是 SEO 时代的逻辑，这样的逻辑，依然还聚焦在什么样的内容有可能被 AI 所采信。
其实我们首先应该研究的是，到底一个品牌怎么样才能够被 AI 所推荐，这个工作原理反而是我们应该先去理解的，然后才是 AI 采信什么样的内容的标准。
鲁 扬：这个工作原理和RAG（检索增强生成）相关。我们对 Chatbot 的工作做了拆解，详细的工作流程其实有十几个步骤，但如果把各家 Chatbot 的工作步骤做一定的抽象，基本上能归纳为四步。
第一步，类似于 Research，Chatbot 会对用户搜索的问句做意图理解和搜索返回。我举个例子，如果有人问这么一句话：“新能源车哪家好？”AI 会怎么工作？一些 SEO 服务商会认为，大模型是把“新能源车哪家好”作为一个长尾词，直接就调取搜索引擎。如果这么认为的话，就会简单地去优化“新能源车哪家好”这个关键词，最后还是在做 SEO。这么理解，其实第一步就错了。
鲁 扬：Chatbot 第一步是去理解用户的一个搜索问句背后是什么搜索意图。这个搜索意图才是 GEO 优化的核心单元，一个 “Intent（意图）”，而不是一个“关键词”。那 Chatbot 怎么去界定搜索意图呢？它会把搜索意图拆解成一系列的关键词词根，它是一组关键词，用这一组关键词去锚定一个搜索意图。
比如刚才说的“新能源车哪家好”。用户有可能问的是一大段话，比如“我想换辆车，最好是新能源车。我是一个三口之家，主要用于家庭出游。我在北京朝阳区，最好附近有 4S 店，预算是 30 万，你给我一个推荐。”这么一大段话，肯定不可能把它作为一个长尾词直接去调取，对吧？AI 会先去拆解背后到底是什么样的一个搜索意图，然后用一组关键词去锚定这个意图。我刚才说的这段话，AI 大概率有可能把它拆成：换车、新能源车、家庭出游、30万、北京朝阳……如果是豆包，它还经常会给你加一些关键词，比如说加个“2026”，因为它要体现时效性，得是最新的。或者呢，它还有可能会解析你的 LBS 定位，你不仅仅是在朝阳，你在望京，它可能把望京也加上去，都是有可能的。
总之它会用一组关键词去锚定这个搜索意图，用这一组关键词来调取搜索引擎。这个工作，有的时候我们能看到，像豆包，它在思维链里会有一定的展现，但有一些 Chatbot 它是不展现的。
鲁 扬：类似于多个关键词，或者说一个组合吧。这里有几个概念：一个是意图，还有搜索问句，还有关键词。其实 GEO 真正优化的是背后的那个意图，那个Intent。
比如我们说“新能源车哪家好？”这是一个问句，它跟“新能源车哪家强？”“最好的新能源车是哪家？”“告诉我最好的是哪家新能源车？”等等，可能这些问句会有好多不同的变体，但是背后的意图是一样的，是同一个意图，或者是非常相似的意图。那么你这一组“问句簇”，AI 最后给出来的答案其实都是接近的。
鲁 扬：对，是的。意图理解后，就会调用搜索引擎，返回一批内容。
这里的关键点就是，品牌的内容，得先存在于 AI 背后的搜索引擎所返回的有限的内容里。
在去年，很多以前做 SEO 的公司转行做GEO，他们在给大家做 GEO 的时候，第一个建议是：大家要先做好 SEO 基础，为什么呢？他们的逻辑是，你只有先让百度能够信任你，让百度能够收录你，百度才能够把你推给 DeepSeek。从我们目前观察到的主流产品形态看，不同 Chatbot 背后的搜索与信息检索链路差异很大，不能简单套用传统百度 SEO 的逻辑。传统的 SEO 是盯着百度去做的，但是做 AI 的并非如此，所以针对传统的以百度规则为目标的 SEO，很难去直接影响它。
从意图理解到匹配的内容返回，这是漏斗的第一步。这一步要求的是，品牌的内容，能够精准地去匹配用户的搜索意图，而不是去买它的某一个关键词。
鲁 扬：然后马上是第二步，这个 Chatbot 会对所有搜索返回的内容做深度的分析。
但它一般只是挑选一部分做分析，所以在这一步，搜索返回的信息中如果没有被 Chatbot 分析到的那些内容，就已经出局了。
同时还有第三步，第三步和第二步是同时的。所有搜索返回的内容，Chatbot 还会做排序，有些排在前，有些排在后。这个排序的不同，会影响到最后不同的品牌出现在答案里的概率，以及多个品牌同时出现时的顺序，甚至是你品牌所占据的、AI 对于你品牌描述的篇幅什么的，这些都是会受到这个排序的影响。
最后是第四步，就是最后在答案生成的环节，AI 会去引用非常少量的内容，一般就是引用几篇里的内容。这是漏斗的最后一步，你只有在最后大模型做答案生成的时候，被它引用到你的内容，并组织为它自己的语言，你的品牌才会被推荐出来。如果你做不到在答案生成的时候被它引用，前面也是白搭。
鲁 扬：不同家的 Chatbot，它的工作流程差异还是比较大的。
比如像豆包，豆包目前是分布式的，它思考一步，调一次搜索，思考一步，调一次搜索。但 DeepSeek 是一次性调取，一次性进行分析。所以细节上其实各家不一样，但是如果我们抽象一下的话呢，大概就是这几个环节。这几个环节对应的其实就是所谓的今天 AI 搜索里面的 RAG。
GEO到底还能优化什么？
鲁 扬：我们都知道 GEO 的原理是，尽可能去影响品牌的内容，让这个内容能够更高概率被 AI 所采信。
AI 到底为什么把这个品牌给推出来？根本就是因为它在接到用户搜索问句后，去检索到的它所有的这些数据。这些数据来自于两部分：第一部分来自于它自己的训练数据库，还有部分就是刚才说的联网搜索，调取AI 搜索。最后呢，它通过自己的推理，能够采信一定的内容。
整个过程当中，它有几个变量。
第一个变量，AI 自己的推理逻辑是什么样子？这个我们外部没有办法去影响它。比如说，它到底搜索返回的这些内容，挑了哪些来分析？怎么分析？分析完了以后为什么认可了一些？以及对这些内容怎么做排序？最后还挑了哪几篇做文字的引用？这个过程，是 AI 推理模型的一个做决策的过程。但它这个推理的逻辑，我们是没有办法从外面去影响的，你既没有办法去破解它，也没有办法去影响它。所以，这个变量，我们是无法去影响的。
另外一个变量就是，AI 去研究和最终采信的信源到底是哪些？大家要去影响的其实是这部分。而这部分里，一个是它自己的训练数据库，可能也影响不了。那么能够影响的，其实就是 AI 去联网检索全网内容的时候。这是我们可以去进行优化的。
鲁 扬：我们看到，绝大部分的时候，它都会开启这个联网搜索。
DeepSeek 是把联网搜索设计成一个按钮，而像豆包等等的，它是默认就会带联网搜索。但是在一定的情形下，它也会强制不联网，它的联网率会很低。第一种呢，我们看到是有些特定的，比如比较敏感的行业，像医疗、医药等等，有可能就不开启联网搜索，就只调用自己的训练数据。第二个呢，就是一些非常简单的，可以理解为大模型认为这个问题不至于去调取搜索，很基础的问题，它就不调取了。
大部分情况下联网率还是很高的，它为了确保自己回答的答案的时效性和准确性，联网率普遍还是比较高的。
鲁 扬：其实第一个环节也是黑盒。
AI 调了它背后的那个搜索引擎，……它到底会返回哪些内容，对于我们来说也是黑盒。为什么我们搜这么一句话，最后它返回的是这 50 篇或者这 35 篇内容？比如说“矿泉水哪家好？”在全网，相关矿泉水品牌的，那是天文级的内容，为什么最后它就返回的是 30 篇、50 篇呢？这是由它背后的 AI 搜索来决定的，对于我们来说其实也是个黑盒。
鲁 扬：我们来看 GEO 到底怎么去优化文章。
我们现在看到，不同的 GEO 服务商家，都有不同的一些方法论。但其实归纳起来，大家都是在优化的三个方向。
第一个方向是优化内容本身。包括你这个内容当中，需要引用什么样的数据、做什么样子的举证，来证明你的观点，证明你品牌的优势。它可以是数据，可以是品牌的一些资质，比如通过了哪些标准、获得了一些奖项、以及第三方的凭证，等等。这些就是优化你的内容本身，去强化你的信任转化，这是第一。
第二个呢，优化的是这篇稿件的结构。结构要更加清晰，分段、分层，不同段落之间你的逻辑叙述要清晰，要线性，这样子 AI 更友好。你不能几百个字也不分段落，AI不容易读取，甚至它会出现幻觉了。这是第二个，优化文章的结构本身。
第三个要优化的就是这个稿件你发布在什么平台上。是你的官网还是独立站、社区、媒体，哪个媒体，等等。不同的发布渠道，它被引用的权重也不一样。
其实最后大家优化的都是这三大方向。
鲁 扬：对，这种方法论很多，对不对呢？全是对的，都是有道理的，都是正确的一些方向。
但是唯一的区别就是，到底我们怎么去操作？操作优化的方法，出现了一些分化。
抽奖碰运气
鲁 扬：我们自己把 GEO 的技术路线分成了三个阶段，也是三种方式。
这三个阶段我们自己也是这么“蹚过来”的。24 年 9 月份的时候，我们刚成立，GEO 是我们公司的三大能力之一，我们还不只是做 GEO。因为24 年的时候，DeepSeek 时刻还没来到，还不太火。我们当时做的是豆包。那时候 GEO 这个概念在普林斯顿就提出了，但是这个概念的认知度还是很低的。从那个时候开始，一直到今天，大概是一年半的时间，我们把 GEO 整个的技术路线，分成了三个阶段。
第一个阶段，我们自己叫做经验驱动，人工经验驱动；第二个阶段是数据驱动；第三个阶段是模型驱动。我们自己就是三个阶段“蹚过来”的。我们今天能看到的，市场上，国内也好，海外也好，所有 GEO 服务商就是分成的这三个技术流派。
鲁 扬：什么是经验驱动？就是靠人工做。
我们自己刚开始的时候也是这么做的。国内的 GEO 有个分水岭，时间点发生在 25 年的 3 月份。25年3月份之前，没什么人关注GEO，讨论都很少。25 年 3 月份开始，一夜之间，几乎是所有的营销服务商都开始做GEO。首先进入这一领域的，很多是原来做 SEO 的服务商。除此之外，还有一些做营销咨询的，有些做公关的、做舆情的，等等，都开始做 GEO 了。为什么这个东西好像看起来特别容易？都可以下场做？就是因为大家选择的是门槛最低的技术路线，就是人工做，靠经验去做。
人工怎么做呢？就是靠几个 SEO 的优化师，特别有经验的 SEO 专家，干了十几年 SEO 的那种。以前他们都是天天研究优化百度的，今天依赖这几个 SEO 专家的人工经验，再叠加一些方法论，帮用户去优化。怎么去优化呢？就是手动优化。
鲁 扬：就是手工做，靠几个 SEO 优化师去手工做。文章呢，拿豆包生成一下，人工去改，然后人工去发，怎么改、发在哪儿，都是人工判断。
为什么大家会习惯于上来都用人工去做呢？其实就是因为大家习惯了做 SEO。SEO 过去将近 20 年，虽然已经有不少工具和数据产品，但很多具体工作仍然依赖人工经验。
首先 SEO 的工作是非常“非标”。一会儿要优化代码，一会儿要优化TDK（标题、描述、关键词）。想优化文章的关键词，当年没有 AI，肯定得人，人得读一下这个文章，才知道怎么去优化调整，买哪个关键词。然后怎么去打内链、外链，外链的话是 BD 的活儿，去谈一些友情链接，交换一下友链，只能人去做。所以它非常“非标”。
第二个是因为，SEO 面对的是搜索引擎的规则，百度、Google……百度的那套权重规则，已经被大家在国内摸得透透的，几乎已经是透明的了。怎么去做百度的 SEO 优化，在网上是有公开教程的。
所以在这种情况下，SEO 在过去这十几、二十年，它就是靠人工来做，“按图索骥”做就可以。这导致今天大家做 GEO，上来就是沿用 SEO 的思维。
鲁 扬：很快我们就发现：人工做 GEO，搞不定。为什么搞不定？因为AI 是个黑盒。它里头最大的一个区别就是，今天大模型不告诉我们规则。我问它一个问题，我说“矿泉水哪家好”，它有可能推个A，也有可能推个B，有可能推农夫山泉，有可能推娃哈哈，它每次都不一样。就是每次你去问它，它答案有可能会变化。你今天问跟三天之后问，它也有可能会有变化。但它到底为什么这次推 A，没有推 B？它不告诉你原因。它不像当年 SEO，我们知道哪个网页优先被推出来，说明它的权重更高。百度怎么去评估一个网页的权重，1、2、3、4、5……那些维度我们都知道。但今天AI为什么会推荐一个品牌？它是一个黑盒。
鲁 扬：其实是因为它自己也没有规则。
今天的大语言模型不是上一代的 AI。上一代 AI 它是基于规则引擎和知识图谱，规则是可以被穷举的。但今天的大语言模型，它背后的神经网络不是靠明文规则而定的。所以这种时候，我们就没有办法再按图索骥去匹配它的规则，去做优化。
这种情况下我们就会发现，所有人工做 GEO，日复一日、夜复一夜地在做什么事呢？就是每天人工地写稿、发稿，然后碰运气。每天发个几十篇，发完以后观察观察，DeepSeek搜一下，看能不能被引用，能引用我就命中了，没引用别灰心，明天调整一下写法，再发一波。每天就干这一件事，写稿、发稿、去试探它，其实就是碰运气。但是这个精准度非常低。
所以我们当时发现这个肯定不对，它也不能规模化，不能去真正的商业化。我们当时马上就进入到了第二阶段，就是数据驱动。
在我看来，今天国内 90% 的GEO的实践，包括有一些品牌自己做，有些可能是服务商做，其实都还是停留在经验阶段，人工做。
只做分析、给建议
鲁 扬：最典型的，海外的 Agency 都是数据驱动。
都叫 GEO，但是海外的服务商跟国内的服务商有着本质的不同。海外的 GEO 服务商，比如 Profound，最近比较火的Scrunch AI、Visibility X这些。海外的服务商他们交付的是一套工具，核心是一套 BI。
他给客户的理念是什么？就是我帮你这个品牌，把你在各大 AI 平台上面的呈现度，给你分析出来，然后用一整套 BI 呈现给你看。比如说你是可口可乐，今天在各大 AI 平台，在 ChatGPT、Perplexity、Gemini、Claude 等等，有没有呈现？呈现出来的趋势是什么样子？跟竞品的对比，AI 怎么去 talk 你的，它用的什么关键词描述你，它背后的情感表达是什么样？现在都卷到心理学了。他们做的是这样的一套东西，然后呈现给你看。
鲁 扬：他相当于是做分析、做洞察。
这时候往往客户会有第二个需求，就是你这个洞察我已经看明白了，你怎么帮我去优化？这个时候，海外服务商交付的是一套优化建议。
首先，他用 Agent 会给客户生成一些建议。但我们看到，这些建议是非常笼统的。往往都是，你怎么提升你的品牌的 AI 认知度。比如建议你跟你们这行业里面的某个第三方平台去合作，这就是一条建议；你应该根据你客户的痛点，去生产一些白皮书，做一些 Webinar（线上研讨会）；你应该把这些内容发到Linked In上，等等，都是一些非常粗放的策略建议，非常的笼统。在我们看来都是正确的，但都是一些通识。所以他不会帮客户去做实际的优化动作。这是海外服务商的一个习惯。
我自己觉得，一方面是因为海外过去受到 SaaS 发展那么多年的惯性影响，服务商也是惯性的提供一个工具能力，怎么用工具，用户自己去用。而他的客户呢，也更习惯于用一个工具。而且海外的客户对于洞察、BI等等，他也更愿意去买工具。所以海外是这么做的，国内就不一样了。
鲁 扬：是的。虽然今天国内有上百家 GEO 的服务商，大家的做法各显神通、八仙过海，但是大家有一点是比较一致的，就是在国内做 GEO，你不能够卖工具，你还得帮客户去把优化的结果做完。就像前面我们说的，怎么做，其实就不一样了。
所谓的数据驱动就是，优化动作可能还是人工优化，但是不是纯凭人脑，不是盲写，而是有一整套的数据工具来辅助，有数据监测看板，有数据分析工具，做 AB 测试。
鲁 扬：大概从 24 年 11 月底到 25 年 1 月底那段时间，PureblueAI清蓝进入到了数据驱动阶段。我们学习海外，自己去做数据监测，做数据看板，做数据分析，做大量的 AB 测试。
因为我们核心团队是从字节出来的，如果大家了解，就知道字节是一家 AB 测试做到极致的公司，“抖音”这个名字都是 AB 测试出来的。所以当时我们团队非常本能的要做 AB 测试。
我们当时 AB 测试做到什么程度？举个例子，一篇文章，它可以引用两组数据，引用哪一组数据被 AI 采信概率更高？AB 测试！怎么标注数据来源，这个数据来源，应该是在数据后面加个括号标注，还是应该加个星号，跟写论文似的在文章末尾去标注？我们还是 AB 测试。一篇文章的结构，文章分段，分 10 个段落还是分 15 个段落更容易被采信？AB 测试！分段你应该分到1级分段还是 2 级分段，比如1.1、1.2；应该是1-2-3-4分段还是打点分段；1、2、3、4是中文的，还是阿拉伯数字的……全都是 AB 测试。
鲁 扬：对，都不一样。一个 AB 测试一般两周时间，就会出现你说的这个问题，根本做不过来，因为不同模型不一样。后来我们就发现，精准度有提升，但是效率非常低下，往往是平台算法都迭代了，我一个 AB测试还没做完。
用算法解密算法
鲁 扬：我们最后的 Lesson learned 是，我们做 GEO 面对的是大模型，我们是没有办法靠人工去追逐一个模型的。人工你既追不上它，也很难去参透它。我们只能用一个模型去学习一个模型，用算法去解密算法，而不是靠人工经验去猜测算法。这是我们最后的 Lesson learned。
大概在 25 年 1 月底，我们的 CTO 王立新博士，他是我们技术负责人，他找我说，这样搞不定，因为你再怎么做 AB 测试也好，最后还都是人工优化，人工优化不可能有出路，他要去训练模型。“DeepSeek 现在开源了。”他说：“我要通过模型，我要用算法去做。”
鲁 扬：他说：“我们应该用量化思维去做”。因为他跟我在字节也是同事，他在字节就是做算法。他读博、做博士后，都是研究算法和机器学习的。他从字节离开，去了一家投资机构做首席科学家，主要就是负责做量化。我其实也是个文科生，我们 CTO 王博士就给我普及了一下，什么是量化思维。
鲁 扬： 在投资领域里有两种不同的投资方法，一种是主观交易，一种是量化交易。
这个股票该不该去买它？主观交易的方法是人工有一套判断的逻辑，不同人还不一样。我有我的方法论，我要看它这个公司现金流，看它的基本面，基本面由很多组成，它的利润率等等。然后，我再人工去判断一下，到底什么时候该买，买多少也是我人工判断，这就是主观交易。
量化交易指的是，我们摒弃掉所有肉眼看到的元素，情感上的抉择、主观上的判断都给摒弃掉，把所有的这些信息拿过来扔到算法里面。宏观经济、微观经济，这个企业它的经营现状、财报，等等，扔到算法里面，由算法进行学习，进行因子挖掘。当它判断哪些因子出现叠加之后，这个特征足够明显到今天我应该Take 这个 Action，那我就去买这个股票，它还不是输出给投资顾问的一个建议，它直接就配置，直接就买了。
鲁 扬：今天我们的做法其实跟量化很类似的。
我们自己通过模型训练，去学习内容的特征结构。挖掘一篇内容背后的特征因子，一篇内容它要符合什么样子的特征结构，能够更高概率的被某一个 AI 平台采信。
这个方法回过来看，就和您刚才问的第一个问题息息相关，大模型的工作逻辑或者流程。我们就是在研究，当用户提出一个问题之后，各家 Chatbot 是怎么工作的，它如何去理解用户的搜索问题，去拆解它背后的意图，调取搜索引擎反馈的内容后，如何做一轮轮的分析和排序，最后选择性地做引用。它是个漏斗。在这个漏斗过程当中，每一个环节都有一些内容被降权了，有些内容被出局了，不被引用了。但是还有一些内容，它能够经历 AI 的层层筛选，一直“活”到最后，最后还能被它去引用。那么这些内容，它具备什么样的特征、结构？我们认为不能够靠人工去猜，去碰，我们让算法去学习。
鲁 扬： 对，就是一个多因子模型，它在不断学习内容能被 AI 所引用的因子。这样的因子，理论上就是无穷的。对我们来说，它其实也是个黑盒，而且它也是在变化的，因为模型平台的算法也不断在变化。
鲁 扬：底层通用模型就是一个，它是学习不同平台的 AI 辨识度的。然后我们是个异构模型，通用模型基础上还有一层小模型，小模型它不仅仅是针对这个行业，它其实是针对每一个客户的，针对他要优化的那几条 Query 去学习。
鲁 扬：我觉得是。这样看，海外倒不是说做不了，因为海外服务商，他的理念是提供一个工具，但他们不帮客户去做优化，所以他们目前也没有做这一步的，他们更 Focus 在 BI 分析洞察这块。
鲁 扬：我们这个模型，它的工作原理不是让它去输出一个什么方法论，我们直接通过这个算法，帮客户去优化内容产出。
我们的Output，第一是我们去复刻这样子的内容，内容生成，生成这篇文章。第二个是，确定这篇文章发到什么平台上。
鲁 扬：我们是通过 Agent 来做，这背后是我们的算法，前面提到的异构模型的算法。内容生成的 Agent还得去调取客户的知识库，针对每个客户的知识库做风格化学习。比如他是一个制造业客户，或者一个互联网客户，他的风格可能不一样，这些都通过 Agent 来做。
我们做 GEO 的很多理念，其实跟很多服务商的理念是相悖的。
第一，我们的理念是内容的优化是由算法来完成的，不是人来完成。但人工要不要参与？要参与。
我们的逻辑是，每一个客户我会先给他建一个知识库，客户需要先上传所有的营销资料，品牌介绍、公司介绍、优势卖点、竞品分析等等，我们把它所有的内容向量化，建个知识库。然后呢，我们生成这个内容的时候，读取客户的知识库，这样子才能够更精准。而且我们会通过模型学习，学习每个客户他的传播调性，因为不同公司、不同行业它的传播文章的调性不一样，这样子才能让我们的文章更贴合客户的内容和它的传播调性。然后去复刻我们的模型学习到的、具备更高 AI 可辨识度的文章结构，去生成这篇文章。
所以整个工作，我们的理念是要让算法来做，而不是让人工来做。那人工在什么环节去介入呢？人工是在后期，因为我们要防止模型幻觉，人工做后期的校验审核。比如它有一些文字，我们认为它不够准确，做一定的调整。我们认为人工去改这篇稿件，改得越少越好。你改得太多，结构化你调乱了，反而它就不会被 AI 喜欢。所以我们的理念反而是优化应该由算法来主导，相信算法，这是第一个。
鲁 扬：第二个就是发稿件。我们的理念是稿件发得越少越好，而不是发得越多越好。
现在很多做 GEO 的，都是偏 SEO 的思路。今天写了一篇稿件，一篇雄文，不要浪费，通发 100 多个媒体平台。这种方式，是因为他很难做到精准，所以发稿就尽可能铺全，理论上发布足够绵密， cover 更多的媒体平台，那被引用的概率也就高。但在我们看来，其实你发得越多，反而是因为你不精准。
鲁 扬：我们现在发稿件都是一篇篇去发。
我们也不一定能做到说 100% 发一篇就能 AI 推荐一篇。但一定是小量的发稿，就可以帮助客户的推荐率、引用率有所提升，然后就不需要再去做更多的。即是成本的角度，也是从客户的品牌保护性上考虑。
很多刚开始做 GEO 的客户，他会认为你发得足够多，也是你做 GEO 给我的增值价值之一。也有客户在招标的时候，要求服务商能承诺，一个季度能帮发 1500 篇稿。我们就会教育客户，如果你真的从 GEO 角度出发，我们应该看最终结果，你的推荐率、排名率能够提升，这是最重要的结果。发了多少篇稿件，其实在我们看来，它只是过程当中的一个环节，反而是你发得越少越好。发得比较多，更多是从媒体公关的角度考量的，它其实跟GEO已经没关系了。
鲁 扬：这种时候，我们会回答，不是发得多就好。相反的话，你同样类似的稿件发太多，对于你的品牌其实是有一些伤害的。
从去年下半年开始，我们看到出现了一些所谓的 GEO 工具。这些工具它是什么样子的？它背后首先有一个Agent，调取豆包，或者 DeepSeek，你只需要输入你的品牌或者产品的名字，然后一键就给你生成一篇文章。这个其实很容易。生成完以后，还有自动投喂功能，这个功能其实是在 SEO 年代就有，就是一个自动发稿机。你自己去注册一批自媒体账号，注册完了以后呢，用这个自动发稿机托管，托管十几个自媒体账号，自动投喂，每天几百篇、上千篇，去灌水。这是海量发稿到极致的一种情况，我们说这其实对于品牌伤害很大。
鲁 扬：首先，我们从传播角度来看。你的用户，如果他到网上一搜，发现一堆同样的文章发得哪儿都有，然后这个文章质量往往还很低，大几百篇，他会认为你这个品牌在灌水。
其次，在 AI 大模型的采信规则里，如果品牌的文章发得不够好，会对品牌产生什么样的效果呢？其实它会有副作用，它会让你的 GEO 的效果变差。这个很多用户是不知道的。
PureblueAI清蓝的 GEO 平台有一个环节是效果预估，生产一篇文章后，我们会做一个沙盒环境测试，会做一个预估，去测试这篇文章到底对于你的 GEO 效果是提升还是下降。客户也可以用这个工具给一篇稿件做效果评估。很多用户会以为，我发的这篇文章如果质量比较低，最坏的结果就是这篇文章不被引用，也就是没有什么提升而已。但是我们实测下来，如果你这篇文章质量很低， GEO 效果会变差。尤其在内容排序这个环节，它会影响你原来优质内容的排序，会导致你整个 GEO 效果下降。在我们平台上，效果评估后就会出现负分，所谓的负分就是这篇文章它大概率影响你的 GEO 效果，会导致你的 GEO 效果会变差。
拒绝假、大、黑
鲁 扬：去年下半年，我们受到的影响还蛮大的。去年下半年我们内部董事会，我当时汇报的一个点，说的就是“现在劣币在影响良币”。我没有用“驱逐”，我觉得还达不到驱逐，但确实是劣币在影响良币。
我们自己分析，黑灰产主要做三件事，三个词，“假、大、黑”。
鲁 扬：第一个是，假，就是帮客户虚构数据，夸大一下数据。有可能是数据、资质、或者什么标准……都有可能。编排行榜也是最常见的一个做法。这么去弄的非常多，有点泛滥，随便弄一个排行，而且好多我们看都是同一个排行榜，就直接把榜单拿过来照抄一下，直接把我变成第一，后面全都一模一样。我们还看到，我们之前服务的客户的竞品洗发水，写得就很夸张，比如：用我这个洗发水的生发效果，在多长时间，能长 2mm……一看就非常不可能的。但是，有些确实很容易就被 AI 引用。有的服务商要求客户提供数据的模板里面公然写着，第一，公司介绍；第二，产品优势；第三，营业数据，括号“可以适度夸大”。引导客户适度夸大，这样就更容易做优化。
第二个做法，大。所谓的“大”就是大量发稿，海量发稿，灌水。
第三个做法，“黑”，是什么呢？指的是我提供给你一个增值服务，帮你发 GEO 稿件的时候，我带上你的竞品，踩踏一下你的竞品。你告诉我你的竞品有什么缺点，或者竞品的黑料，我把它给捎上。这样子AI搜索对你竞品的评价会变偏负面。
鲁 扬：假、大、黑，这是我们之前看到的这三类。
去年下半年我们受这一类的影响其实还蛮大的，因为他们的报价非常低，价格是我们的 1/10。我们得去跟客户去解释，为什么他们的价格是 1/10？为什么你不应该去海量灌水？为什么我不帮你踩踏你的竞品？等等。我们坚决不做这个事情。3.15 之后很明显，这类做法少了很多。3.15 爆出来后，有一些客户重新找回来了。
鲁 扬：首先呢，任何一个新的技术或者一个新的商业模式，尤其是它离商业化比较近、离钱比较近的，它一般都会出现合规的做法，也会出现不合规的做法。GEO 是什么？GEO 其实是 AI 时代的内容营销，AI 时代的广告投放。自打有广告出现那天起，同时就出现了虚假广告，并且一直伴随着广告业发展。我们做所有的营销，不管是品牌自己还是服务商也好，你得恪守最基本的商业底线，受到广告法的限制，不应该做虚假内容，不能夸大。所以怎样能够让行业正向发展，我觉得第一肯定是，它本身背后就有现有的法律法规约束。
鲁 扬：第二个，这个技术或者这个领域它确实很新，所以它也需要一些相应的行业标准、一些规范。
这块儿我们看到最近国家很多的相关机构，包括信通院（中国信息通信研究院）、商广协、中广协等等，都在行动，基本上我们也都有参与。我觉得随着这些相应标准出台，一方面肯定会规范行业，同时会让客户选择更有目的性、更标准。以前很多客户真不知道什么是好做法，什么是不规范的做法。
第三个，我觉得行业自律确实也很重要。当年 SEO 时代，就有白帽 SEO 和黑帽 SEO，你选择成为什么样的企业很重要。
最后还有一点，我觉得是今天 AI 时代的一个特点就是，AI 跟当年的 SEO，或者其他的营销渠道不一样的是，AI 它在不断地进化，我认为 AI 未来它会越来越聪明，未来当我们真正接近 AGI 的那天，你想要通过一些手段，去做一些颠倒黑白的优化，肯定也做不了，你会被那时候的 AI 识破的。所以我认为，黑灰产根本就不长远。越往后 AI 越聪明，你越难，直到有一天你根本也做不了。
鲁 扬：我觉得，对一个公司来说，公司自己的价值观，决定你公司发展的上限。你的合规，受到广告法等行业标准的约束，它决定你的下限。
所以在刚刚开始做那会儿，我们公司内部就订了一个选择客户的标准，我们叫：不帮客户做品牌升维。
什么叫品牌升维？做 GEO 的第一个环节叫意图挖掘，也就是判断什么样的用户意图，真正适合这个品牌去优化。有些客户在和我们做意图挖掘的时候，可能会希望通过 GEO 直接占据一个远高于自身实际定位的位置，比如希望被 AI 推荐为“行业第一”或者“全球最好”。但如果这个定位本身缺乏真实业务、公开信息和内容资产支撑，我们就不会建议客户这么做。
这是我们公司三个创始人的价值观选择。所以现在我们只帮客户去优化他自己的定位。
鲁 扬：我们会和客户公开的全部信息去做 Mapping，最直接的渠道就是客户的官网。客户肯定不敢把“世界第一的啥啥啥”打在官网上。你的官网代表你对外的官方发声，你对外官方怎么宣传你自己，我就帮你优化你的核心定位。
Prompt就是新的货架
以前我们做的企业营销，做的是“互联网口碑营销 IWOM（Internet Word of Mouth Marketing）“。我们做 IWOM 的时候，要做像一些口碑平台、论坛、百度贴吧、知乎这些。但我们今天在做的其实不是互联网口碑营销，今天我们做的是要管理品牌的 AI 口碑，所以我们定位是“AI 口碑营销”，它背后的支撑技术是 GEO。
胡南西：IWOM 这个词在社媒刚刚兴起的时候，曾经很热。但现在大家说得更多的是类似用户心智这样的说法。您觉得 AI 口碑营销和过去的口碑营销，有什么区别？
鲁 扬：我觉得“AI 口碑营销”这六个字，重点首先在“AI”。这里的“口碑”可以理解为品牌在 AI 系统中的心智和认知，不只是传统意义上的用户评价。我们真正要管理的，是 AI 如何理解品牌、呈现品牌，并在用户决策场景中推荐品牌。
很多人在谈 GEO 的时候，他会跟 SEO 去对标，跟SEO去对比。我会说，你把我们今天面对的事情给讲小了。还不仅仅是把 GEO 给想小了，而是把今天 AI 带来的变革给想小了。
今天的AI是要去替代搜索。很多人在谈到 GEO 的时候会说，“哎呀，大家今天不用百度了，不用传统搜索，用 AI 进行搜索。“但其实我们看到，一个更大的变革是，AI 替代的远远不止是搜索。豆包、千问那么发达，他要抢占的只是搜索吗？远远不是。AI 今天要做的事情，已经不只是替代搜索。它正在进一步影响传统电商、O2O、OTA、即时零售等入口，把用户从搜索、推荐、辅助决策到下单支付的链路重新组织起来。
鲁 扬：它还不仅仅是一个入口。在我看来，AI 它后面要做的是，成为一个新的商业底层操作系统。
这方面其实最近有很多的信号已经显示出来了。
首先是ChatGPT，去年4月底的时候，它支持电商跳转，跳转到亚马逊；9月份的时候，它推出Instant Checkout，就是内化的独立站；最近它又说不用靠Instant Checkout，还是跳转到那些电商平台……很明显，这些动作，把国内的豆包给卷到了，豆包也做了。然后千问也开始支持阿里的全家桶，闪购、淘宝、飞猪、大麦、盒马。豆包最近还做了一个什么动作呢？如果仔细去看，之前豆包是跳转到抖音电商，但它最近做的是直接内化了，不需要跳转打开抖音电商，而是只需要你去授权，在豆包内部，直接弹出抖店的商品卡，然后在豆包内部，就可以去支付，去下单，不需要再跳出抖音了。
这些动作，它代表的是：AI 不仅仅只是作为一个引流的入口，而是把从用户搜索，到内容推荐、到用户的辅助决策、到用户下单，再到支付，他把整个环节都切走，全都切到 AI 里了。你看豆包，现在就是，从搜索到推荐到消费决策再到下单支付，连自己家的抖音电商都不需要跳出去，就在我豆包内部一站完成。他要做的，其实是把整个环节全部给切走，在 AI 内部去闭环。
鲁 扬：这是非常有里程碑意义的。因为在这样的趋势下，那些传统的，比如搜索也好，传统电商、传统O2O或者OTA平台也好，在产业链里的位置会越来越后移，它们会越来越趋向成为一个履约平台。搜索、推荐、决策、下单、支付，整个环节那么多触点，都被 AI 把它切走，它要把自己变成一个新的商业操作系统。这是我们今天看到的一个最大的变化。这种变化下，只是说搜索，这个事情就小了。
今天 AI 在做的，完全是当年的互联网和移动互联网，完全不亚于当时那两波的技术变革，它是彻底去影响人类整个商业底层架构。2000年初互联网出现以后，电商极大的变化，从地理的街区地段，把百货大楼给搬到线上，变成了电商门户。移动互联网，把它变成了APP。人们购物从线下搬到电脑里，搬到手机里。今天AI在做着同样的一个变革。
鲁 扬：以前货架，是百货大楼里的物理货架，电商时代变成淘宝京东上面的商品链接。今天AI时代什么是新的货架？Prompt 就是新的货架。你的潜在用户习惯用什么话术问 AI？他习惯用什么样的话术去跟AI 对话？他习惯用什么话术去查询你？你的用户说的这句话，这个 Prompt 背后就是你的品牌应该出现的位置。所以，今天Prompt就是新的货架。
Prompt 几乎都是无穷的，但它背后隐含的就是货架。因为用户的每一个问句，每一句话，每一个 Prompt背后，其实都是某个品牌它可以出现的一个货架，一个位置。所以，AI 给到我们的变化是非常大的。
否则就赛博逝世了
鲁 扬：我觉得，特别明显的一个落地场景是，AI 辅助消费决策。AI 在 C 端应用上，最主要的就是个人助手。这个个人助手依托于 AI 背后的推理能力，去帮你个人生活进行提效。消费决策就是一个特别典型的场景。AI 足够了解你，足够懂你，也足够懂外面世界，帮你省掉人工，做甄别，做选择。
鲁 扬：我认为 AI 不会干掉我们今天的货架电商，至少在很长一段时间，它不会把其他的渠道彻底给颠覆掉。但所有的新的电商，甚至线下的零售，所有这些传统的渠道，都会 AI 化。比如在淘宝、京东，现在也有 AI 推荐。这些也许也是未来 GEO 要去优化的方向。
鲁 扬：现在的 AI 背后是大语言模型、多模态模型，而社交数据采集得不多。但是从终局来看，我觉得未来它应该是世界模型。在世界模型里，能够影响你这个品牌被 AI 认知的，它有可能不仅仅是内容本身，甚至它压根儿有可能就不是你的传播内容，而是跟你这个品牌相关的方方面面，电商数据、评价等等，都是有可能的。我觉得终局的 GEO，它有可能是在世界模型下的一个算法工程，但这还比较远，我们也在做这方面的展望。
鲁 扬：ChatGPT 的发展方向也是越来越懂每个个体的。我觉得，这是 AI 未来的发展方向。
对整个社会，我觉得这是一个很典型的正向的推进。首先，价值链更通顺。过去互联网大平台的商业化逻辑都是卖广告、卖展现位。搜索卖的是展现位，抖音、快手、小红书卖信息流，还是展现位。卖展现位，收广告费，这其实从用户的价值链上看不是那么通顺抖音、快手、小红书，这些社交平台今天面临的一个瓶颈也是，广告越来越多，怎么平衡商业化诉求跟用户体验，这也是因为卖展现位的模式。
但是今天，AI 推荐来辅助决策，它其实让价值链更通顺。变成了用户进到 AI 平台，来到这儿问询、查询，我给你展现哪些品牌，不由收费来决定，而是把推荐权让渡给算法，由算法来决定。什么对于你这个客户最精准，最适合你？我推给你什么。
然后平台怎么去商业化呢？推给你几个链接，你自愿，如果你点的话，都是点到平台自己的闭环生态，或者平台合作的电商平台。平台在交易环节再去实现商业化。这样其实价值链会更通顺，用户可以买到最精准的、最适合自己的商品，商家提升了销售额，平台方在交易环节去做一定的抽佣。
鲁 扬：第二个，对于整个社会资源，我觉得它是更加提效的。
以前最早的传统电商时代，我们说是人找货。算法出现后，变成了货找人。而今天的 AI 推荐，它变成了人货的双向奔赴，它并不是一方找一方，是货在找人，人也在找货。人是有诉求的，我主动在AI 大模型助手里进行问询，货也在主动 Mapping 我。变成人货的双向奔赴后，这里面交易的撮合会变得更加高效。
鲁 扬：我觉得，未来 GEO 这个事情，每个品牌都需要，不管你是自己做还是找服务商都能做，只是程度不同。因为如果你完全不做的话，在未来它是一个零和游戏。之前有个媒体跟我说过一句话，“如果未来AI 不认可你，不推荐你，你这个品牌就赛博逝世了。”我觉得很有道理。因为今天的 AI 推荐，它不像以前搜索时代和信息流广告时代，展示位的位置是无穷的。尤其在搜索时代，我们在百度上搜问题，理论上这个品牌只要跟这个关键词相关，无外乎就是排序问题，哪怕你1分钱不花，那就是比较靠后，但不会丢失。但在 AI 时代，如果 AI 不太认可你，它只推荐 7、8 个品牌，有可能你就是完全不出现，而它推的全是你的竞品。所以我觉得，在未来，品牌一定都会做 GEO，只是不同品牌的程度不一样，投入不一样。
鲁 扬：在 AI 时代，我觉得 GEO 反而是会让很多小品牌、新锐品牌得到更多的流量平权。
过去这十几年我们做营销、做投放，核心的一个规则是竞价排名，搜索、信息流等都是竞价排名，对于小品牌、新锐品牌其实是不友好的。如果你预算不高，很难拿到这个流量、这个位置。但在今天，我们说服客户，你就做你自己的垂直定位优化。所以这时候一些小品牌、新锐品牌，比如说你是做水的、做饮料的，你说我要优化成全球最好的饮料，我们也不建议，我们也不接。但是，如果你去优化你自己的垂直定位，你说我是做什么低糖低因、什么功能性、什么运动性的饮料，等等，自己的垂直定位，反而应该去做优化，在这个定位下你去占据C位。
这个时候，对于小品牌、新锐品牌来说，最好的方式就是，切你自己的垂直定位。哪怕你是一个非常新兴的品牌，很小的品牌，你也一定有自己的差异化定位。没有差异化定位，你这个品牌就没有必要存在。你自己的差异化定位，就是你要去做 GEO 优化的那个点，你就牢牢的抓住你的精准客户，跟你的垂直定位，在这个地方去占据 C 位。
优化的是意图
鲁 扬：我们做的是一个数字员工。这个数字员工，他背后其实是 9 组 Agent，它是一个 Multi-Agent 的多智能体的架构，我们把它封装成了一个数字员工的交互形式。
数字员工这个产品会偏工具，就是偏客户自助使用，目前主要针对 GEO，还在内测。
鲁 扬：在服务这块，我们用自己的平台帮客户去提供服务。这个数字员工，就是从我们自己用的平台上，把各个模块儿抽象出来做的。
GEO 服务其实是八大板块，在对应的八组 Agent 上面，我们还封装了一个 AI 的客户经理角色，我们起名叫 Mark。
鲁 扬：首先是做意图挖掘。意图挖掘就是用 Agent 帮这个品牌去分析，我们应该优化什么，优化什么样的意图。这些意图是用户的一些跟客户相关的高频问题，我们称为“问题簇”。
在实际交付的时候，我们要承诺效果，监测数据，都会落到一个具体的问句上，一个具体的 Query 上，这是必不可少的。比如说“新能源车哪家好？”，我们必须针对这句话来进行监测、考评。但是，我们真正去优化的是“新能源车哪家好”这个 Query 背后的意图。
它代表什么呢？一旦这句话优化上去，你把这句话做一定的问句的调整，“新能源车哪家强？”“最好的新能源车是哪家的？”这些话术、Query，不管你怎么调整，但背后的意图是不变的，再去问大模型这些问句、这些Query，最终的效果基本上都是一致的。
所以，我们不会把这些问句、Query 都单独去收费，品牌不用单独去优化每一个问句。一个意图，就是对应的一个“问题簇”。当然，如果有客户希望我们能够明确地告知，这个意图下都有哪些 Query，我们也可以帮他去列举一些。但我们优化的是意图，不是问题。
鲁 扬：市场上的服务商收费五花八门，有按 Query 收费的，有按关键词收费的，还有很多是按“词包”。你只要听到“词包”，那它一定是 SEO 那套逻辑。
我们是按意图来优化，计费也是按意图。只不过我们在监测的时候，我们挑选了这个意图下一个很明确的有代表性的一个 Query，一个问句，来做监测。
鲁 扬：我们是用 Agent 来做。从结果上来说，维度会更加全面。
很多服务商都是人工做，人工拍脑袋的。也有的是直接问豆包，“这是某某品牌，消费者一般会在 AI 上针对某个问题问些什么话”，豆包会给一定的列举。但首先它不是真实数据，其次，它的维度很随机，你今天问它，它给你三条、四条，你再问它几遍，它可能还会有些其他的。
鲁 扬：意图挖掘完后是品牌诊断。客户可以选择我们帮他挖掘出来的意图，也可以自己去设定一些他自己关注的意图。然后我们用 Agent 帮客户去做诊断。诊断就是我们去问大模型，拿回来大模型的答案做分析。
用户可以自己去填写希望诊断的次数，也可以勾选好几个意图，同时发起诊断，同时去做。比如说一次、两次、三次，一般一个意图诊断有几次就可以了。背后对应的就是去问大模型几次，问完之后我们来分析：这个意图下，当前这个品牌呈现度是什么样，有没有呈现；几个意图对比，哪一个意图更值得优化。具体诊断的维度，包括推荐度，有没有推荐；品牌出现的排序，位置顺序；竞品分析，哪些竞品在你前面；语义，就是倾向表达，AI 对于你的描述，是正向的还是负向的，有哪些负面，等等。
然后，在品牌诊断的同时，我们还会给出一个优化建议，包括哪些意图可优化？优化方向是什么？是提升它的推荐率？还是提升它的排名，等等。也包括哪些是不可优化的，一般是联网率很低，或者有一些意图下， Chatbot 基本上不推任何品牌，它往往就给出一个科普性的解释，这种我们一般就不建议用户去优化。
鲁 扬：对，就是在输入框里模拟用户，替代人工去查询理论上频次接近人工，但是不用真的雇人去做这个事情，用系统做。
海外的 GEO 工具也是这么做的，它其实也是模拟用户的真实提问，调取问询结果数据。
我们一般一个问句会给每个客户开启一个小模型。我们是一个异构模型，底层是个通用模型，上层是一层小模型。小模型是根据客户的每个Query建的。这个小模型根据他的 Query，我们基本上学习一周左右的时间。
鲁 扬：知识管理，这是非常重要的一个环节。知识管理，就是客户需要到我们的平台上，上传他所有的营销资料，格式不限，什么格式都可以。WORD、PPT、PDF、视频都可以。当然我们有一个模板，他可以根据我们模板进行上传，他的品牌介绍、公司介绍、产品介绍、优势卖点……此外还有各种可以公开的，过去发过的稿子，包括他的公关稿、新闻稿、产品价值的稿件、给客户的展示PPT、产品的表述，都可以。
上传完以后，我们系统自动就给客户建知识库。这个知识库客户自己可见，他后期可以去修改。这个也是我们 Agent 的能力，基于客户自己现有的内容，我们帮他做向量化，形成一个结构化的知识库。它会影响到最后文章阐述的准确性。
所以我们给到客户上传知识库的模板，已经做了比较细的划分，希望客户提供各种细分的资料。有的客户品牌工作做得比较完善，每一项都有。我们也确实碰到过，有的客户的资料不全，比如品牌定位、价值主张、怎么描述品牌，有的客户没有很清晰的资料。我们会跟客户说，要做长期 GEO，先要做的就是品牌的知识图谱梳理和内容资产体系的建设，如果现在这些都没有的话，长期做 GEO 会越来越难。
鲁 扬：知识管理之后是内容管理。内容管理就是帮客户去做内容生产和优化。
大模型采信的内容，首先，第一个是你的内容本身，包含多少的“信任状”，大模型会做多点的交叉验证。所以这篇文章不能瞎写，准确性很重要，包括数据、信息是否准确等。
还有就是，结构化比较重要。非常结构化的内容，对大模型肯定是更友好的。这个结构化就是，文章的分段分层比较清晰，分段分层之间的逻辑也是比较清晰的。
鲁 扬：两个关键点，后台就是我们的算法，前面提到的，底层的多因子学习算法，加上针对每个客户建的异构模型，针对每一个客户要优化的那几条 Query 去进行学习。前端呢，是我们的内容生产 Agent，这个Agent 还是比较复杂的会去根据客户的知识库做风格化的学习，比如他是一个制造业客户，或者一个互联网客户，他的风格可能不一样，这些都通过Agent来做。
文章的风格对被引用影响没有那么大，但毕竟这也是一篇品牌传播的稿件，要贴合品牌的调性，要符合品牌的传播风格，有的品牌传播风格是严肃的，有的风格是二次元的，都有可能。
鲁 扬：媒体分发前还有效果预估。我们会去测试这篇文章如果发布出去后，对品牌在这个意图的排序和它的赢率是多少。这也是基于我们之前提到的 AB 测试的逻辑、方法和经验，只不过这不是真的发出去，而是我们自己一个 Agent，基于我们的模型来做推测，在我们模拟的一个沙盒环境里去做效果的预估。然后再根据我们的多因子模型，来看哪些因素影响了内容的效果，给出一些优化的建议。
鲁 扬：我们有Agent，媒体分发我们是自动批量化的。我们现在是支持国内大概8万家媒体分发。我们编辑分发到媒体，媒体进行审核。
客户自己的官网、官方账号，如果需要，我们也可以对接。有的客户就是我们帮他们做的。
鲁 扬：数据监控，就是我们有完整的数据监控体系，包括所有客户优化的这些 Query，当前的状态、趋势、竞品对比等等。各种最终达成的数据指标，包括前面提到的各种提及、排名、情感倾向、描述、竞品对比等等，有各种数据维度。
营销策划这个agent，会基于客户的这些数据，主动给客户下一步的优化动作建议。这里的营销策划指的是针对GEO 营销，就是 AI 口碑营销给后续的优化建议，比如建议客户需要去增加一些 Query，有些 Query 可以暂停，或者还是要去加大，等等。
鲁 扬：这是给客户直接对接的交互界面，这个界面就跟豆包一样，豆包是个小女孩，我们设计的是一个男性，他名字叫Mark。他负责的就是跟客户进行 Talk，所以他完全是对话式的，承接客户的需求，理解客户的意图，然后他做任务的拆解和分配，客户现在是想做个挖掘，还是现在直接想去监测……
鲁 扬：它是公开的形式，直接开账号，客户愿意可以直接使用。这跟SaaS不一样，不是订阅，是充值。按预存消耗，背后就是token。比如，现在充值1000块钱会给到用户1万个点……做不同的工作，扣对应的点数。
我们这个Agent，也是可以私有化提供给客户的。
鲁 扬：对于大型企业，我们提供服务，中小企业我们提供这个工具。
我们知道营销 Marketing 这个部门，不同企业的预算花费、工作流程都不一样。大企业的 Marketing 是更习惯于被服务的，因为大企业有预算，但是人很宝贵，一共就这么几个人。所以大企业他一般不倾向于买一个工具，人很贵，浪费人力。所以大企业我们是售卖服务。
小企业呢，他是反的。大企业是预算多人少，小企业是有人没钱。小企业市场部预算很少，不会买很贵的服务，它就适合买一个工具，工具一共也没多少钱，安排一个同学去自己完成工作。
长期：知识图谱和内容资产体系基建
鲁 扬：比如蚂蚁数科。蚂蚁数科是一个典型TOB平台，去年他们发了一个新产品，叫金融智能体开发平台。平台发布后，做了两个月的PR，投了大量的PR资源，但是后来7月初的时候发现，AI 上几乎搜索不出来。我们帮他们去做 GEO后，几乎是 100% 的呈现，几乎100% 排到第一位。
还有一个京东自营的案例比较典型。我们当时帮他们优化的是“空调去哪儿买比较好”。有时候 AI 对于一个品牌的认知会和我们平时的认识有一些差异，比如说上哪儿买空调，京东肯定是要上榜的。但在去年双十一之前，京东自己就发现，“空调去哪儿买比较好”，如果去搜这个问题的话，京东的排序是非常靠后的，当时他会排在淘宝、天猫、抖音电商、拼多多、苏宁易购的后面。所以有时候 AI 对于一些品牌认知不一定像我们想象的那样，跟人的认知还是会有区别的。当时我们帮京东监控下来，发现它有20%左右的概率都不呈现，更别说有没有排在最前面。然后帮他去做优化，现在几乎稳定在 100% 的排在第一位。
鲁 扬：我觉得这分成短期和长期。
短期来说，企业需要去理解 GEO，包括 GEO 它背后的逻辑，它的工作原理。不管是你选择供应商，还是自己去做，你只有理解它的工作原理后，你的动作，才能够更加的科学。
我们在推一个叫“科学 GEO”的概念。科学GEO包括四方面的科学。第一是流程科学。就像我们最开始聊的那个问题，我们得关注 AI 是怎么工作的，对应我们做 GEO，我们的工作流程应该是什么样的。第二是方法科学，就是方式、方法科学。第三是工具科学，得有合适的工具。第四是标准科学。只有达到这四个，才是“科学 GEO”。
所以短期来说，企业和品牌先得去适配这个“科学GEO”，你先得懂，然后选对工具，或者选择供应商，用正确的方式去做，短期你 就可以见到 GEO 的效果。
鲁 扬：长期就是回归我们前面说的，长期GEO就是你这个企业的两件事：一个是你的品牌知识图谱、一个是你的内容资产体系的长期构建。
企业的品牌知识图谱的建设，需要去梳理，企业的核心理念是什么？品牌slogan是什么？你品牌是做什么的？你面向客户是什么样子的？哪些客户，他们有哪些痛点，你提供了什么样的产品去解决客户的这些痛点？你们的独特优势是什么？针对你的竞品的差异化是啥？这就是一整套品牌的知识图谱，你得梳理出来。很多品牌这些还没有，同时新产品随时在出，就会很混乱。
然后是内容资产体系，就是所有的、完整的你的内容，包括公关的稿件、价值点的文章、品牌的案例内容，包括你的视频等等，这一整套的内容资产体系也要建成。
鲁 扬：差不多。如果这两个构建足够到位的话，至少你 GEO 的效果不会差。那时候你只要做相对少量的优化，就能够锦上添花。
鲁 扬：对，是要去长期优化。如果优化一段停了以后，不同品牌不一样，有的可能时间长点儿，有的可能时间短点儿，它都有可能会掉下来。第一是因为平台算法有可能迭代，第二是它的竞品会做优化，会有影响。
鲁 扬：所以我建议客户先梳理自己品牌的知识图谱，一个企业真正要去优化的点，理论不应该是无穷的。企业真正的价值点阶段性肯定是固定的，这些价值点就是你在 AI 产品要去占据的这个点。但是企业越大，有可能产品线越多，那每个产品可能都有自己的价值点，那是有可能的，这是因为整个业务体量太大了。但对于单一的一个业务，或者单一的产品，其实我们建议也是你梳理出来，你最希望去占据的客户心智是哪一个点或者哪几个点，这不应该是海量的。
鲁 扬：像我们公司现在招人，我要求的一个就是，这个人要有“AI感”。这就好像之前互联网和移动互联网兴起时候，需要有“网感”一样。
鲁 扬：第一是要有足够的对于新技术的敏锐度。敏锐度高不高，我觉得很重要，有些人他是很不敏感的。就是你能够感知到、能关注到，这个行业里面最新的一些技术、最新的工具、最新的跟你相关的行业实践。
第二是学习能力。你关注到之后，你能不能快速的去学习它。
第三个就是实践，学习后你懂了，比如龙虾，学会了，你能够跟你自己的某一个工作场景结合，去用它，实践能力强不强。
“AI感”就是对 AI 的这三个能力，敏锐度、学习能力和实践能力。
GEO会影响竞价排名
鲁 扬：我觉得未来 GEO 卷的就是算法。因为这个领域很新，它变化也很快速。各个大模型平台的算法本身在不停地迭代，大模型对于你这个品牌，它所采信的信源未来只会是越来越丰富，维度越来越多。所以 GEO 未来的一个发展方向，就是一个算法工程，它是在整个世界模型下的一个算法工程。
鲁 扬：我觉得它背后的逻辑是一样的。假比今天豆包卖广告、或者千问卖广告了，“矿泉水哪家好”，这时候好几家全都竞价排名，农夫山泉、娃哈哈、怡宝、百岁山等等。那这时候 AI 会面临同样的抉择，就是今天如果有用户问 “矿泉水哪家好”，这个意图的广告位好几家都竞价排名了，那我推谁呢？
AI 还是会去判断，在参加竞价排名的这些品牌中，哪个品牌跟用户的这一句 Query 匹配度最高，我就推你这个。只不过这些品牌在我这儿竞价排名是个前提，不花钱的那些就不在选择里。但最后选哪个，还是要去看一下哪一个品牌跟客户这个 Query 更匹配。这跟当年的 SEM 其实是一样的，只展现并不收费，展现完了以后用户点一下，对客户有价值，按这个点击去收费。我觉得等到大模型去卖广告，其实它背后是同样的这个逻辑。
所以企业的 GEO 做得好不好，不仅仅能够影响你在 AI 自然推荐里的呈现度，也包含了你到时候竞价排名争取广告位，能拿到多少流量。如果 GEO 做得不好， AI 对你这个品牌的认知度很低，很有可能你竞价排名投不出去，广告位给了竞品。如果这种情况下还要去争夺广告位，只能把价调得特别高，那 ROI 就会很低。
所以 GEO 跟 GEM 背后，它的逻辑其实非常类似，都是要去优化 AI 对于这个品牌的认知度。只不过 GEM 比GEO 多了一个维度，就是竞价。
鲁 扬：我觉得，整个GEO+GEM加在一起，它的市场空间有两层天花板。
今天我们触及到的是第一层天花板。因为今天做 GEO 对应的是客户的品牌预算。因为还不能够直接衡量我投 GEO 后到底带来多少销量，所以现在 GEO 属于一类品牌广告。客户对于投 GEO 的预算，他同步考虑的都是品牌向的，比如像投户外、机场、电梯，包括线上品牌广告这些。对标来看，品牌广告这个市场，国内它是个千亿级市场。
鲁 扬：我觉得后面会有第二层天花板，当实现按获客效果去计费的时候。
获客效果计费需要有两个前提，这两个现在都还没实现。
第一个前提是，100% 实现品牌跳转。今天像豆包，它还不是所有的品类都跳转，豆包现在基本上是一些消费品品类可以跳转。但如果是 2B 的或者企业服务等等，服务性的品牌被 AI 推荐出来，是不带链接的，哪怕你在抖音上开店了。所以它现在还不是 100%跳转。如果未来它能 100% 做品牌跳转，无论是在自然推荐以后，还是它开始卖广告，卖广告这个位置肯定是支持这个跳转的，这是第一个前提。
第二个前提是，在这些电商平台的后台，可以监测到这个 Chatbot 带来的流量，今天这个暂时也还没打通。我们在抖音电商商家后台，比如抖音电商罗盘商家后台，还监测不到，比如豆包作为一个单独渠道带来的流量。
如果这两个前提都实现了的话，GEO 就可以按获客效果去收费。获客效果是什么，就是都不用管什么品牌推荐率提升到 80% 还是 70%，就看这个 AI 上面带来的流量，豆包、DeepSeek或千问的流量，我来帮你运营它们的流量，我按流量收费，按线索收费，甚至按交易收费。这跟今天的效果广告收费一模一样，CPM、CPA、CPS。如果做到这个的话，我觉得他就打开了第二层天花板，它跻身到效果广告，那就是万亿级市场。
所以我觉得有两阶段。如果效果广告这一层能够打通，那品牌未来的投放，可以投抖音，可以投小红书，也可以投豆包，或者别的大模型。
本文来自投稿，不代表增长黑客立场，如若转载，请注明出处：https://www.growthhk.cn/cgo/market/161940.html
微信扫一扫 
支付宝扫一扫 
