GEO红皮书（2026）
生成式引擎优化的边界、风险与治理——负责任GEO倡议实践指南
发布信息
发布日期：2026年6月11日 | 版本：v1.0.0
出品：每经AI智库 × GEO RankHub
联合研究团队：姚金刚、乔向阳、岳琦、李秋志、范芊芊
原文链接：https://www.nbd.com.cn/reports/geo-red-book-2026.html
本文为《GEO红皮书（2026）》原文刊登，版权归每经AI智库所有。本平台仅作行业资料存档。
负责任 GEO 倡议实践指南 GEO红⽪书（2026） ⽣成式引擎优化的边界、⻛险与治理 GEO Red Book 2026: Boundaries, Risks, and Governance 发布⽇期： 2026年6⽉11⽇ 版本： v1.0.0 出品： 每经AI智库 GEO RankHub 联合研究团队： 姚⾦刚 乔向阳 岳琦 李秋志 范芊芊
摘要 SUMMARY ⽣成式 AI 技术浪潮席卷⽽来，随着⽣成能⼒与⽤⼾规模的迅速跃迁，内 容创作、市场营销、品牌传播等领域正⾯临前所未有的变⾰。GEO （Generative Engine Optimization⽣成式引擎优化）作为新兴业态应运⽽ ⽣，野蛮⽣⻓的同时也引发了诸多乱象。 作为40余家权威机构联合发布《负责任GEO治理倡议》的落地实践， 2026年6⽉，每经AI智库联合业内专家联合编撰《GEO红⽪书（2026）：⽣成 式引擎优化的边界、⻛险与治理——负责任 GEO 倡议实践指南》。红⽪书为合 规、负责任的 GEO 厘清边界与⽬标：让真实信息被正确理解、让⽤⼾在更少 噪声中做出更好判断、让企业竞争聚焦能⼒与责任。 以“真实优先、安全治理”为核⼼理念，红⽪书⾸次系统性梳理来⾃价值 观与商业伦理、信息质量、AI系统攻击三个层⾯的九⼤类型⻛险。同时，红⽪ 书提出合规治理框架与路径，提供从⽴项诊断到服务商评估的全周期实操指 南，向⾏业各⽅发出负责任GEO治理倡议，呼吁共建可信的AI信息⽣态，试图 为品牌企业、GEO服务商、AI平台及相关机构法务合规团队建⽴完整可落地的 GEO治理体系，推动GEO回归正向价值。
⽬录导航 CONTENTS 前⾔ ⼀ 负责任GEO理念与价值观 GEO 的三个核⼼⽬标 GEO 实践的原则 GEO 红线与⻛险识别 ⼆ GEO 红线⻛险总览 ⻛险分级和类型框架速览 九⼤⻛险类型 红线⻛险详情 处置建议与替代⽅案 三 GEO ⻛险应对与治理 价值观层治理 信息质量层治理 AI系统攻击层治理 ⻛险评分矩阵 证据保全与责任归属 四 GEO 合规治理与效果评估 GEO 治理的⽬标与前提 GEO治理的组织架构与机制 GEO 效果指标体系
五 GEO 服务采购与合规评估 GEO服务商类型 服务商评估维度与评分框架 如何判断服务商的专业⽔平 企业采购GEO服务的完整⽤⼾旅程 采购 GEO 服务的参考策略 六 给⾏业的倡议 负责任GEO治理框架 向各利益相关⽅呼吁 给社会公众的建议 参 参考来源 附 附录 附录⼀：极简术语表 附录⼆：GEO红线速查表 附录三：可复⽤的内容审核清单 附录四：企业内部GEO培训提纲 附录五：红线⻛险评分模型 附录六：可实操的防御性技术栈与组织分⼯ 附录七：GEO 服务商评估⽅法参考 附录⼋：POC、合同与项⽬治理参考 附录九：GEO服务商⻛险清单与不合理信号 附录⼗：GEO服务采购准备与参考⽅法
前⾔ 当前，⽣成式⼈⼯智能已深度融⼊我国⽣产⽣活。截⾄2025年底，我国⽣成式AI⽤⼾突破6亿，信 息分发逻辑正从“关键词检索”转向“⽣成式问答”。GEO（Generative Engine Optimization，⽣成 式引擎优化）作为新兴业态应运⽽⽣，但其野蛮⽣⻓已引发各类乱象。 当GEO从技术路径异化为信息投毒，当批量⽣产的低质内容开始污染信息源、操纵AI认知，我们 不得不正视：GEO正站在从野蛮⽣⻓向规范治理转型的⼗字路⼝。 2026 年 4 ⽉，每经 AI 智库联合中国新闻技术⼯作者联合会、中国经济传媒协会、国家⼴告研究院 品牌实验室、新华社国家重点实验室、弗若斯特沙利⽂等40余家⾏业权威机构发布《负责任 GEO 治理 倡议》，来⾃专业媒体、⾏业组织、学术界、科技产业的实践者与思考者，联合倡导与推动⽣成式引擎 优化朝着合规、⻓效、真实、向善的⽅向发展。 为打通倡议从理念⾛向实操的落地路径，进⼀步厘清⽣成式引擎优化的边界、⻛险与治理路径， 2026 年6⽉，每经 AI 智库携⼿GEORankHub，深度整合多⽅研究资源，联合编撰本GEO红⽪书。因⾏ 业与技术变化迅速且编撰时间有限，红⽪书仍有诸多未尽之题和不⾜之处，我们将持续研究与迭代， 也诚邀社会各界提出意⻅与建议，共同为⾏业提供与时俱进的GEO治理路径。 红⽪书以“真实优先、安全治理”为核⼼理念，系统梳理覆盖价值观、信息质量与AI系统攻击三 层九类GEO红线⾏为和⻛险管理策略，以及合规 GEO 体系构建、效果评估和供应商甄别的落地建议， 旨在为品牌⽅、服务商、AI平台及相关机构法务合规团队在进⾏AI品牌建设业务时建⽴⼀套完整的GEO 红线与治理框架参考，推动GEO回归正向价值。 需要说明的是，针对“⿊帽GEO”红线⻛险⾏为，红⽪书描述的是“有⼈在这样做”和 “你该怎么防”，⽽⾮“怎么去做”，所有⻛险描述均以治理为终点，⽽⾮攻击能⼒的扩散，红 ⽪书不提供任何可直接⽤于实施攻击的内容。 本红⽪书适⽤对象包括：品牌企业、GEO服务商、AI平台，以及涉及⼤模型内容⽣产传播业务的 产品团队、内容团队、法务合规团队、⽹络安全团队、数据治理团队、平台治理团队、企业知识库与 智能体团队等。
负责任GEO理念与价值观 ⼀ 1.1 GEO 的三个核⼼⽬标 GEO正在从概念落地为企业信息基建的⼀环。多⽅数据显⽰，⽤⼾获取答案的⼊⼝在迁移——⾖ 包、Kimi、DeepSeek、企业客服、内部知识库成了新的主场。其提问⽅式也在改变：不再是过去通过 搜索引擎“帮我找个⽹⻚”，⽽是直接向AI要⼀个结论、⼀份对⽐、⼀条采购建议、⼀个⻛险提⽰，或 是⼀个本地推荐。 AI会把零散信源整合压缩，变成直接可⽤的答案、清单或决策路径。这意味着，企业追求的“曝 光”已经跳出了⻚⾯排名的逻辑，延伸到了更深层的诉求：信息是否被准确理解、是否被可信地引 ⽤、是否在AI的回答中被公平对待。 真正的GEO应当围绕三个⽬标展开： 让真实⽽有价值的信息更容易被机器理解 ⼀个企业的产品、价格、案例、资质、服务范围、售后责任、适⽤边界、⻛险提⽰、客⼾评价、 更新⽇期、内容审核记录和纠错⼊⼝，需要⽤清晰、可核验、可追溯的⽅式表达。结构化、可读性、 语义⼀致性、来源标注、更新时间、作者背景、审校记录和事实证据，都是帮助⽣成式引擎减少误解 的基础。 让⽤⼾在更少信息噪声中作出更好的判断 GEO的社会价值并不只属于企业增⻓。它还关系到⽤⼾能否看到可靠来源，关系到医疗、⾦融、 法律、教育、公共服务、招聘、汽⻋、⺟婴、养⽼、本地⽣活等⾼影响场景中的信息安全，关系到内 容创作者、媒体、专业机构、品牌⽅、平台与公众之间的信任分配。好的GEO能提⾼答案质量，减少 幻觉与误导，降低⽤⼾验证成本，让⾼质量内容获得应得的可⻅度。 让企业竞争回到能⼒、证据和责任 企业可以表达优势，可以纠正错误，可以补充上下⽂，可以建设权威来源，可以让机器更准确地 读取事实。企业不应通过虚构事实、污染知识库、攻击竞争对⼿、操控评论、批量制造低质内容、注
⼊隐藏指令、伪造 AI ⽣成标识或借安全漏洞影响 AI 输出。GEO的边界是⼀套商业伦理、信息质量、安 全⼯程、消费者保护和社会信任的共同边界。 1.1.1 GEO的五个社会价值 01 对⽤⼾的价值 02 对企业的价值 03 对内容⽣态的价值 减少信息不对称，让⽤⼾更快 把竞争从短期排名技巧转向事 让原创研究、专业经验、清晰 获得可核验答案，避免伪造评 实资产、专业能⼒、客⼾成 解释和真实案例得到更好的引 论、夸⼤宣传和 AI 幻觉误导。 功、公开资料、内容治理和品 ⽤机会，降低低质批量内容占 牌可信度。 ⽤公共知识空间的概率。 04 对 AI 系统的价值 05 对社会治理的价值 提⾼检索语料质量，减少噪 在医疗、⾦融、法律、公共安 声、冲突证据、毒化上下⽂和 全、教育、就业、政务和消费 隐藏指令，使⽣成答案更稳 决策等领域，真实、透明、可 定、更可解释。 追溯的信息会降低系统性⻛ 险。 1.1.2 GEO适合解决的问题 品牌可⻅性：⽤⼾问到某个品类、解决⽅案、品牌对⽐、采购建议时，企业是否被AI答案合理提 及。 引⽤可⻅性：AI答案是否引⽤企业⾃有官⽹、帮助中⼼、⽩⽪书、产品⽂档、案例⻚⾯、开发者⽂ 档、权威媒体或⾏业机构资料。 答案准确性：AI对企业产品、价格区间、适⽤场景、服务范围、认证资质、客⼾案例、交付能⼒的 描述是否准确。 竞争态势：AI在推荐或对⽐时是否频繁提及竞品，企业与竞品的相对位置、理由、描述质量如何。 实体治理：企业名称、品牌名、产品名、创始⼈、⼦品牌、英⽂名、简称、地区业务、官⽹⼊⼝之 间的关系是否清晰。 跨平台⼀致性：⾖包、DeepSeek、Kimi、元宝、千问在同类问题上的回答是否⼀致，差异来⾃模 型、搜索源、内容⽣态还是企业资料缺⼝。 1.1.3 GEO不宜承诺的事项 保证任意AI平台在任意问题中固定推荐某品牌。
保证短期内通过GEO直接带来确定销量或确定线索数量。 通过批量灌⽔、伪造案例、制造虚假第三⽅评价、购买隐性软⽂来影响答案。 把单次截图当作项⽬效果证据。 把AI答案⾥的品牌提及直接等同于搜索排名、⼴告点击、商机和收⼊。 在没有实验设计、对照组、时间窗⼝和样本量的情况下宣称完成因果归因。 1.2 GEO 实践的原则 1.2.1 七条正向原则 01 真实优先 02 ⽤⼾受益 03 来源可追溯 企业可以表达观点，也可以表 GEO 的核⼼问题是“⽤⼾得到 重要事实应保留原始出处、发 达优势，但事实性陈述必须有 的答案是否更准确、更完整、 布⽇期、更新⽇期、作者或审 证据。产品能⼒、价格、客 更安全”。 校⻆⾊。 ⼾、认证、奖项、研究结论、 测评数据、转化率、市场份 额、服务范围和适⽤场景都应 具备可核验来源。 04 机器可理解 05 披露关系 06 尊重竞争 合规 GEO ⿎励清晰标题、结构 付费内容、代⾔、联盟链接、 GEO 可以建⽴⾃⼰的权威，不 化段落、常⻅问题解答、结构 合作评测等应以⽤⼾能理解的 能通过虚假信息损害竞争对⼿ 化标记与可访问内容。 ⽅式披露。 商誉。 07 安全内建 所有⾯向 AI 搜索、RAG、 Agent 和内容抓取的⻚⾯都可 能成为模型上下⽂。
1.2.2 五个默认假设 公开内容会被多类系 平台和监管都在强化 虚假评价与刷量刷单 01 02 03 统读取 AI 内容标识 是重点治理对象 官⽹、内容账号、短视频账 AI ⽣成内容不标识、伪造标 虚假评价、刷量、刷单、好评 号、内容社区笔记、问答、 识、剥离标识、把 AI ⽣成内容 返现、虚假交易和伪中⽴榜 PDF、产品⼿册、招聘信息、 包装成真⼈经历，都会提⾼合 单，已经属于国内⽹络竞争与 ⼯商信息、媒体稿和评论，都 规⻛险和声誉⻛险。 消费者保护重点治理对象。 可能成为 AI ⽣成答案的材料。 ⾼影响⾏业必须采⽤ AI 系统攻击不只发⽣ 04 05 更⾼审校标准 在模型对话框 医疗、药品、保健⻝品、⾦融 它可能发⽣在⽹⻚、评论、⽂ 理财、保险、法律、教育、招 档、图⽚、元数据、知识库、 聘、汽⻋安全、⺟婴、养⽼和 插件、⽇志、客服记录、⼯ 公共服务内容，需要专业审 单、邮件和第三⽅内容供应链 校、限制条件、⻛险提⽰和证 中。 据留痕。 1.2.3 四条底线原则 ⾯对GEO可能带来的⻛险，必须确⽴清晰的⾏为红线。基于案例分析与技术研判，我们提出以下 四类明确反对的⾏为： 第⼀，反对杜撰虚假信息“投毒”互联⽹ 反对通过⽣产和发布不实、虚假内容，如假报告、假测评、假新闻，制造“伪共识”，从⽽诱导⼤ 模型⽣成更⼤范围、更难以察觉的虚假信息。 第⼆，反对使⽤AI⽣成低质内容“污染”互联⽹ 反对通过⾃动化⼯具和⽣成式 AI⽣产⼤量⽆实质价值、同质化严重的内容，导致互联⽹信息⽣态 “荒漠化”。 第三，反对恶意攻击与不正当竞争 反对通过恶意提⽰词注⼊等⼿段⼲扰AI正常输出，反对进⾏品牌信誉“拉踩”等不正当竞争⾏ 为，反对⼲扰医疗健康、⾦融、政务等领域专业知识的AI解读，误导⽤⼾决策。 第四，反对侵犯知识产权
反对在未经协商与授权的情况下，利⽤爬⾍等⽅式抓取专业媒体、研究机构等组织的版权内容与 数据，⽤于模型训练和GEO内容⽣产。 1.3 GEO 红线与⻛险识别 1.3.1 GEO的红线判定公式 可以⽤⼀个简洁公式识别 GEO 红线： 红线⻛险 ＝ 不正当⽬的 × 信息失真 × 技术操纵 × 影响范围 × 可逆性难度 不正当⽬的 信息失真 技术操纵 是否以误导⽤⼾、攻击竞品、 是否虚构、夸⼤、遗漏关键限 是否利⽤抓取、索引、检索、 绕过平台规则或污染模型为⽬ 制或伪造来源。 RAG、提⽰词、向量、⼯具调 标。 ⽤、渲染或排名信号弱点。 影响范围 可逆性难度 是否⾯向⼤规模⽤⼾、多个模 错误信息是否会被多站点转 型、多个搜索引擎或⾼影响决 载、进⼊训练数据、进⼊ RAG 策场景。 知识库、被其他 AI 引⽤并持续 扩散。 当上述五个维度的整体评估达到“中⾼⻛险”及以上时，即触发 GEO 红线，应⽴即停⽌相 关⾏为并进⼊合规审查流程。 在⽴项、发布和验收时，团队可以连续追问以下问题： 这项GEO是否以改善⽤⼾理解为⽬标，还是以诱导 AI 偏向某个不充分结论为⽬标？ 相关事实是否来⾃原始证据、官⽅资料、真实客⼾授权、真实交易记录或可公开核验的第三⽅资 料？ 内容是否涉及⼴告、商业推⼴、AI ⽣成合成内容、达⼈合作、专家背书或客⼾评价？是否完成标识 与披露？
内容是否涉及竞品、⾏业排名、性能对⽐、市场份额或负⾯事实？是否能经得起法务、媒体、监管 和竞品复核？ 内容是否进⼊企业 RAG、客服机器⼈、销售助⼿、投标系统或公开 AI 搜索？是否完成来源、权 限、敏感信息和安全扫描？ 若这段内容被AI摘要成⼀句话，是否会误导⽤⼾？若其他平台转载，是否仍然能保留事实边界？ 若供应商⽤截图证明“AI已经开始推荐我们”，团队能否追溯到每个被引⽤内容的来源、责任⼈和审 核记录？ 1.3.2 负责任合规GEO与⾼⻛险GEO的对照 合规 GEO 与⾼⻛险 GEO 在七个维度上的核⼼差异如下： 维度 ✓ 合规 GEO（推荐） ✕ ⾼⻛险 GEO 内容⽬的 帮助⽤⼾理解真实信息 诱导模型或⽤⼾得出预设结论 事实来源 强调可核验、可追溯、可更新 常⻅虚构、拼接、伪造与循环引⽤ ⾃动化使 将⾃动化⽤于草稿、整理、质检和结构 将⾃动化⽤于⼤规模低质发布、刷量和伪造评 ⽤ 化 价 竞品关系 允许客观⽐较，并要求证据和边界 通过诋毁、伪投诉和负⾯内容投放影响竞品声 誉 技术策略 强调可访问性、schema ⼀致和清晰结 依赖 cloaking、隐藏⽂本、⻔⻚、重定向和投 构 毒 AI 安全 建⽴注⼊防护、来源分级和输出验证 利⽤提⽰词注⼊、RAG 投毒和记忆污染等弱点 披露 清晰披露付费关系和利益关系 常⻅软⽂、假评论和员⼯评价未披露
GEO红线⻛险总览 ⼆ 2.1 ⻛险分级和类型框架速览 绿⾊⾏为（推荐）：真实内容 + 结构化呈现 + 来源标注 + 可访问性 + 更新记录 + ⽤⼾意图覆盖 + FAQ审校 + 多格式发布。 ⻩⾊⾏为（需谨慎）：⾃动化⽣成但有⼈审校；第三⽅评测但披露不⾜；竞品对⽐但证据不充分； 监控AI输出但抽样不完整。需补充审核、披露、证据和流程。 红⾊⾏为（严格禁⽌）：伪造事实、操控评价、攻击竞品、批量低质内容、隐藏⽂本、链接农场、 提⽰词注⼊、RAG投毒、⼯具调⽤诱导、敏感信息泄露、恶意搜索投毒等。 A类：价值观与商业伦理⻛险（重点影响公平竞争与信任） B类：信息质量⻛险（重点影响内容真实性与⽤⼾决策） C类：技术与系统安全⻛险（重点影响AI系统本⾝的安全与完整性） 2.2 九⼤⻛险类型 GEO 红线⻛险可归纳为下列九⼤类型，分属价值观与商业伦理、信息质量、技术与系统安全三⼤ 层次；下⼀节（2.3 红线⻛险详情）将逐项展开每种红线的定义、底层原理、识别信号、危害说明与真 实场景复盘。 01 竞争伦理⻛险 02 信任伪造⻛险 竞品攻击、商誉诋毁、伪中⽴⽐较、舆论操控。 虚假评论、虚假交易、虚假奖项、隐性付费关系。 03 内容质量⻛险 04 搜索 spam ⻛险 幻觉内容、批量低质内容、抄袭拼接、伪鲜度。 关键词堆砌、隐藏⽂本、⻔⻚、链接农场、过期域 名、站点声誉滥⽤。
05 ⽤⼾安全⻛险 06 LLM 指令⻛险 搜索投毒、隐藏重定向、钓⻥链接、恶意下载。 直接注⼊、间接注⼊、越狱、提⽰词泄露、多轮劫 持。 07 RAG 与检索⻛险 08 Agent 与⼯具⻛险 知识库投毒、向量操纵、虚假 RAG 条⽬、检索诱 ⼯具调⽤操纵、过度代理、不安全输出处理、响应 导。 渲染攻击。 09 数据与供应链⻛险 记忆投毒、训练数据投毒、模型后⻔、供应链污 染、敏感信息泄露。
2.3 红线⻛险详情 A类：价值观与商业伦理⻛险 2.3.1 负⾯声誉攻击与商誉操纵 定义 利⽤⽣成式引擎的回答机制，通过虚假差评、伪投诉、影射⽂章、匿名爆料或系统性负⾯叙事，让⽤⼾或 AI 对竞争对⼿或特定实体形成⽆根据的负⾯判断，损害其商业信誉与商品声誉。 底层原理 ⽣成式引擎会综合⽹⻚、社区、评论、媒体报道和结构化内容。攻击者若把负⾯叙事分散到多个位置，模 型可能把噪声当作共识，重复出现的负⾯内容会改变系统对实体的语义画像。 识别信号 同⼀负⾯说法在多个低质量站点同步出现；缺少原始证据；表述⾼度相似；发布时间集中；与营销活动或 竞品发布节点重合；多个账号模板化表达；标题夸张；⼤量使⽤“避雷”“骗局”等标签。 危害说明 企业层⾯会引发侵权、反不正当竞争和公关危机，被攻击企业可能损失客⼾和融资机会；⾏业层⾯会破坏 公平竞争；社会层⾯会让 AI 搜索更像谣⾔放⼤器；内容平台会承担治理压⼒；⽤⼾会被误导。 场景复盘：某国内 B2B 软件⼚商在准备⼤客⼾采购季时，要求服务商让 AI搜索在“国内 CRM 哪家更稳定” 这类问题中弱化竞品。供应商绕开本⽅产品证据建设，组织多篇匿名问答、内容账号短评和论坛帖⼦，反复 暗⽰竞品“频繁宕机、售后消失、合同埋坑”。这些内容没有故障公告、判决、监管处罚或客⼾授权记录， 却在多个平台同⽇出现。两周后，销售团队在元宝和千问中截到带负⾯提⽰的对⽐回答，并把截图⽤于销售 沟通。
2.3.2 虚假社会证明与交易伪造 定义 ⽤不存在的⽤⼾、未使⽤产品的⼈、员⼯亲友、AI ⻆⾊制造好评、差评、评分、点赞、粉丝、播放量和案 例背书；或通过伪订单、伪成交、伪试⽤、伪下载、伪预约、伪咨询量提升商业可信度。 底层原理 消费者和模型都会把评价数量、评价⼀致性、外部⼝碑、社交证明、交易量、下载量和使⽤量当作可信线 索。虚假评论和虚假数据会污染这些线索，让模型形成错误品牌画像。 识别信号 评价⽂本相似；账号历史稀薄；评价时间集中；缺少真实使⽤细节；正负⾯极端；IP、设备或⽀付链路异 常；转化数据与收⼊不匹配；订单退回率异常；同类账号重复；数据⼝径不披露；⽆法提供审计记录。 危害说明 企业可能⾯临罚款、下架、平台封禁、集体诉讼和虚假宣传认定；⾏业信任成本上升；⽤⼾做出错误购买 决策；损害投资⼈、客⼾和⾏业判断。 场景复盘：某连锁轻医美机构希望在 AI 搜索中被描述为“⽤⼾⼝碑更好”。外包团队安排员⼯亲友注册多个 账号，发布“真实体验”笔记和⾼分评价，并把同⼀批照⽚稍作裁剪后投放到多个平台。部分笔记还暗⽰其 他机构“踩雷”。⽤⼾询问 AI 助⼿“某城市⽪肤管理机构推荐”时，系统引⽤了这些评价并⽣成排序建议。 后续平台⻛控发现评价账号下单轨迹异常，评价内容模板化。
2.3.3 付费关系不披露 定义 付费评测、榜单、KOL 推荐、合作案例或联盟链接未披露利益关系。 底层原理 AI 搜索会把第三⽅媒体、榜单和评测视为外部权威。若付费关系被隐藏，模型和⽤⼾会⾼估独⽴性。 识别信号 榜单标准模糊；多篇⽂章⽤同⼀模板；商业链接集中；作者和媒体缺少独⽴评测流程；披露缺失或位置隐 蔽。 危害说明 ⽤⼾被误导，媒体信誉受损，品牌在监管和平台侧承担合规⻛险。 场景复盘：某⺟婴产品品牌邀请达⼈发布“⾃⽤分享”，合同中约定投放费⽤和转化返点，但内容没有任何 商业合作标识。达⼈笔记把产品写成“群⾥宝妈⼀致推荐”，还让 AI ⽂案⼯具批量⽣成问答评论。AI 搜索在 回答“婴幼⼉⽤品推荐”时，误把该内容当作独⽴⽤⼾经验。出现投诉后，品牌才发现代理商把商业推⼴包 装成普通体验。
2.3.4 权威信号盗⽤ 定义 购买历史上有⾼可信背景的过期域名并改造成与原主题⽆关的商业或低质内容站；或第三⽅内容借宿在⾼ 权威站点上，主要⽬的在于利⽤宿主排名信号，⽽内容与宿主核⼼业务或编辑责任脱节。 底层原理 搜索系统和 AI 引擎可能仍读取历史链接、品牌语义和权威信号，导致新内容获得不当信任；宿主站点的 历史信誉会传递给第三⽅⻚⾯，模型和搜索系统可能把租⽤内容误判为宿主的专业内容。 识别信号 域名主题突然变化；历史快照与当前内容不⼀致；外链锚⽂本与当前业务⽆关；⻚⾯与主站主题割裂；作 者、编辑、审校缺失；⼤量外链和商业 CTA；内容由⽩标服务商统⼀⽣产；⻚⾯版权仍显⽰宿主名称。 危害说明 损害旧机构声誉，误导⽤⼾和模型，把公共信任转化为私利；宿主品牌承担连带⻛险；搜索结果质量下 降；⽤⼾难以区分真实编辑内容与租⽤内容。 场景复盘：⼀家培训机构购买过期的地⽅教育论坛域名，保留原站部分栏⽬标题，再批量发布“职业证书报 考指南”和课程推荐。由于域名曾被许多学校和地⽅站点引⽤，AI 搜索把新内容误判为较⾼可信来源。某⾼ 权重地⽅资讯站把⼀批与本站主营内容⽆关的“AI 办公神器排⾏榜”“某药械产品测评”交给第三⽅运营。 第三⽅以媒体域名背书发布商业内容，⻚⾯没有作者、审校、⼴告标识和真实测评过程。多个 AI 搜索系统 在整理⾏业榜单时引⽤了这些⻚⾯，使⽤⼾误以为结论来⾃独⽴媒体。
2.3.5 伪中⽴⽐较与选择架构操纵 定义 通过看似客观的⽐较⻚、评分表和问答⻚，把维度设计、样本选择和结论引导到预设品牌。 底层原理： 模型会把结构化⽐较表和“最佳选择”段落当作⾼信息密度内容；若⽐较维度被操控，⽣成答案会继承偏 差。 识别信号 评分规则不可复现；缺少样本说明；竞品缺点被放⼤，⾃⾝缺点被省略；数据⽆来源。 危害说明 ⽤⼾选择被误导，竞品受到不公平评价，AI 输出强化单⽅叙事。 场景复盘：多个主流及⾼影响⼒媒体平台出现虚假 GEO 服务商权威评测稿件，内容谎称权威研究院发布⾏ 业报告，虚构不知名 GEO ⼚商的榜单排名、评分及评分维度，依托虚假数据打造营销话术，推销不合理服 务商选择指标。该⾏为本质是伪造权威背书、操控⾏业认知，误导⽤⼾与合作⽅判断，扰乱 GEO ⾏业正规 评价体系与市场秩序。 2.3.6 舆论操控与⽔军协同 定义 通过⼤量账号、社群、机器⼈或代理写⼿制造看似⾃发的讨论热度、共识和评价。 底层原理 ⽣成式引擎会从开放⽹络中提取“公众看法”。⼈造共识会变成模型的语义背景。 识别信号 账号创建时间接近；互动⽹络过密；⽂本相似；话题跳转不⾃然；缺少真实⽤⼾经验。 危害说明 ⾏业讨论空间被污染，真实⽤⼾声⾳被淹没，AI 对品牌的“公众⼝碑”画像失真。 场景复盘：某消费品牌出现质量投诉后，代理商组织⽔军在多个平台发布“投诉者是职业⿊⼦”“竞品带节 奏”等相关内容，并集中点赞正⾯评论、举报真实投诉。AI 平台抓取相关信息后把事件归因为“竞品攻 击”。后续监管机构和权威媒体介⼊，企业发现代理商团队扩⼤了负⾯舆情危机。
B类：信息质量⻛险 2.3.7 AI ⽣成内容未经审查 定义 把未经核验的 AI ⽣成⽂字、视频、图⽚等结果当作事实发布，导致不存在的功能、⼈物、数据、案例、 事件、现场影像资料进⼊⽹⻚。 底层原理 ⼤模型会⽣成语⾔上合理但事实错误的内容。若缺少事实核查，幻觉会被搜索收录，再被更多 AI 引⽤。 识别信号 引⽤⽆法打开；数据缺少⼝径；⼈物和机构不存在；多个⻚⾯出现同⼀错误；作者⽆法解释来源。 危害说明 企业会因虚假宣传和错误承诺承担责任，⽤⼾会采取错误⾏动，⾏业知识库被污染。 场景复盘：某出海服务公司⽤ AI 批量⽣成“各国合规指南”，没有律师审校，也没有更新⽇期。⽂章把旧政 策、不同国家规则和营销建议混在⼀起。⽤⼾询问 AI 搜索“某类产品能否进⼊东南亚市场”时，系统引⽤ 了该⽂并给出错误判断，导致客⼾准备资料⽅向错误。 2.3.8 虚构引⽤、论⽂、奖项和认证 定义 伪造论⽂、专家、媒体报道、客⼾名单、认证、审计报告、测试结果或奖项。 底层原理 AI 系统依赖引⽤和来源线索判断可信度。伪造证据会直接攻击信任机制。 识别信号 DOI（唯⼀标识符）、证书编号、官⽹公告⽆法验证；论⽂标题与作者库不匹配；奖项官⽹⽆记录；客⼾ 未授权。 危害说明 严重时构成欺诈或虚假宣传，损害客⼾、投资⼈和公众判断。 场景复盘：某 AI 硬件公司发布⽩⽪书，列出多篇“国际顶会论⽂”和“国家级认证”，但论⽂标题不存在， 检测报告只是内部测试截图。AI 深度研究⼯具在⽣成⾏业报告时引⽤这些资料，投资⼈把它作为技术领先证 据。尽调阶段发现引⽤伪造，企业融资进程受影响。
2.3.9 夸⼤功效与⾼影响领域误导 定义 在医疗、⾦融、法律、教育、公共安全等领域夸⼤产品效果、保证结果、隐瞒⻛险或提供不合格建议。 底层原理 ⾼影响主题会影响⽤⼾健康、财务、安全和社会福祉。错误内容的外部性远⾼于⼀般营销内容。 识别信号 出现“保证治愈”“稳赚”“零⻛险”“100% 通过”等词；缺少适⽤范围；⽆专业审校；案例样本极⼩。 危害说明 ⽤⼾可能遭受健康、财务或法律损害，企业⾯临⾏政处罚、诉讼和平台下架。 场景复盘：某健康管理机构在内容中把个案改善描述为“普遍有效”，使⽤“逆转”“根治”“保证改善”等 表达，还让 AI ⽣成患者故事。⽤⼾在 AI 搜索中询问症状调理⽅案时，系统引⽤这些内容并给出偏商业的建 议。专家复核发现内容缺少临床证据、适⽤⼈群和⻛险提⽰。 2.3.10 规模化低质内容滥⽤ 定义 以操纵搜索或 AI 可⻅度为⽬的，⼤量⽣成缺少原创价值、事实核验和编辑责任的⻚⾯。 底层原理 规模化内容会占⽤索引与检索空间，降低优质信息被召回概率。Google 已把 scaled content abuse（规 模化内容滥⽤）作为明确政策⻛险。 识别信号 ⻚⾯数量短期暴增；结构和措辞⾼度相似；作者缺失；信息空洞；⽤⼾停留和转化异常低。 危害说明 品牌被算法或⼈⼯处罚，⽤⼾搜索成本上升，公共信息空间被低质内容占据。 场景复盘：某招商加盟公司要求供应商⼀个⽉发布上千篇城市加盟指南。⼤部分内容只替换城市名和⾏业 名，甚⾄在没有当地⻔店、没有服务团队的地区也写“本地成功案例”。AI 搜索在回答“某城市加盟项⽬” 时抓取这些⻚⾯，⽤⼾误以为该企业在本地有成熟运营。
2.3.11 抄袭、拼接和同义改写 定义 复制他⼈内容，轻微改写、翻译、拼接或⾃动同义替换后发布，缺少实质新增价值。 底层原理 ⽣成式系统会把多来源内容合并。抄袭拼接会造成重复信息、错误归属和原创者权益损失。 识别信号 段落顺序与原⽂相近；事实错误继承；引⽤被删除；多个⻚⾯存在相同句式。 危害说明 原创者权益受损，企业⾯临版权和搜索处罚，⽤⼾看到重复低质答案。 场景复盘：某咨询公司把同⾏报告、券商研报和公开论⽂拆段后交给 AI 改写，再发布为“原创⾏业洞察”。 ⻚⾯没有引⽤来源，也没有新增分析。AI 搜索在总结⾏业规模和趋势时引⽤该公司⽂章，原创机构的结论被 ⼆次占⽤。被投诉后，咨询公司⽆法说明数据⼝径和原始来源。 2.3.12 关键词堆砌与隐藏⽂本 定义 在⻚⾯中不⾃然重复关键词、城市名、产品名，或⽤不可⻅⽂本影响机器读取。 底层原理 传统搜索和部分 AI 检索会读取⽂本信号。堆砌和隐藏⽂本试图制造虚假的主题相关性。 识别信号 ⼈读不顺；⻚⾯底部出现⻓串地区词；CSS 隐藏；结构化内容与可⻅内容差异。 危害说明 ⽤⼾体验下降，站点可能被处罚，AI 摘要可能被不⾃然⽂本污染。 场景复盘：某 SaaS 公司为了让 AI 搜索更容易把它与“低代码、RPA、本⼟化、信创”等词关联，在⻚⾯底 部堆砌⼤量城市、⾏业和竞品关键词，还把部分⽂字做成低可⻅度。⽤⼾正常阅读⼏乎看不到这些内容，但 AI 抓取摘要时会读到。结果多个回答把企业能⼒扩⼤到未实际覆盖的⾏业。
2.3.13 虚假分⽀⻚⾯与本地服务能⼒虚构 定义 通过批量创建⾼度相似的垂类、区域中间分⽀⻚⾯，或虚构各地⻔店、服务团队、库存、本地案例、服务 覆盖范围等本地服务能⼒，将各类相似查询的⽤⼾统⼀引流⾄固定⽬标⻚⾯或服务的⾏为。 底层原理 利⽤查询覆盖⾯制造可⻅度，但每个⻚⾯缺少独⽴价值。AI 搜索可能把它们当作多个证据。 识别信号 URL 和标题差异⼩；正⽂模板化；没有真实本地地址或团队；多个⻚⾯同⼀ CTA（Call To Action / ⽤⼾ ⾏为召唤）。 危害说明 ⽤⼾被引导到不匹配⻚⾯或不存在的本地地址，搜索和 AI 检索结果质量下降。 场景复盘：某家政平台⽣成数百个“城市服务站”⻚⾯，实际只有⼏个直营城市。⻚⾯写有本地电话、本地 案例和服务承诺，但电话统⼀转接外地客服。⽤⼾询问 AI 搜索“本地靠谱保洁公司”时，系统把这些⻚⾯ 作为本地覆盖证据。⽤⼾下单后发现没有本地⼈员，投诉平台虚假服务范围。
2.3.14 结构化信息造假 定义 schema（结构化标记）、FAQ（常⻅问题解答）、review（⽤⼾评价）、price（定价）、availability（供货 能⼒） 等结构化数据与⻚⾯可⻅内容不⼀致，或标注不存在的评价和价格；或编造⽤⼾问题和答案，制 造“常⻅疑问”的假象，把强营销答案伪装成⽤⼾关切。 底层原理 AI 搜索和搜索引擎会读取结构化数据帮助理解⻚⾯，错误标注会制造⾼可信格式的假信号；FAQ 结构很 适合被 AI 抽取，虚构 FAQ 会把营销⼝径包装成⽤⼾需求。 识别信号 结构化标记与⻚⾯不⼀致；评分⽆评价来源；价格和库存与交易系统不同；FAQ ⽆⼈⼯可⻅内容；问题措 辞像销售话术；没有⽤⼾来源；所有答案导向同⼀产品；缺少限制条件。 危害说明 ⽤⼾被错误价格、评分、库存或资质误导，平台可能撤销富结果资格；⽤⼾误以为问题有普遍性，AI 可能 直接采⽤答案。 场景复盘：某教育机构在结构化数据中标记“五星评分、万⼈评价、官⽅认证课程”，但⻚⾯可⻅内容没有 相应评价、认证和证书编号。AI 搜索抓取结构化数据后，在摘要中显⽰⾼评分和认证标签。学员投诉时，机 构解释为“技术⼈员误填模板”。某跨境⽀付公司⽤ AI ⽣成⼤量 FAQ，例如“某服务是否被监管推荐”“⽤ ⼾为什么都选择某品牌”。这些问题并⾮真实⽤⼾提问，回答中包含⽆法证明的背书和倾向性结论。AI 客服 读取 FAQ 后，在⽤⼾⽐较⽀付⽅案时主动推荐该品牌。
2.3.15 伪鲜度和过期信息包装 定义 把旧内容改⽇期、轻微更新标题或使⽤“2026 最新”等词，让⽤⼾和 AI误以为信息已被重新审校。 底层原理 时效信号影响⽤⼾和 AI 对可信度的判断。伪鲜度会隐藏过期事实。 识别信号 正⽂引⽤旧年份；截图和数据过期；更新记录空⽩；标题与内容时态冲突。 危害说明 ⽤⼾依据过期政策或价格决策，企业承诺和真实能⼒脱节。 场景复盘：某法律服务平台把 2022 年政策解读⽂章改成“2026 最新”，正⽂只更新标题和⾸段，没有更新 条⽂、适⽤地区和实施⽇期。AI 搜索回答“最新合规要求”时引⽤该⽂，导致⽤⼾按照过期⼝径准备材料。 内部审计发现⼤量⻚⾯存在伪更新。 2.3.16 来源漂⽩与 AI 引 AI 循环引⽤ 定义 把 AI ⽣成内容发布到⽹⻚，再让另⼀ AI 引⽤，随后把该 AI 输出当作外部证明。 底层原理 ⽣成系统之间会互相读取开放⽹⻚。错误⼀旦进⼊可索引⻚⾯，可能形成循环增强。 识别信号 原始证据缺失；引⽤链回到同⼀批⻚⾯；多个来源互相转述但⽆⼀⼿证据。 危害说明 幻觉获得“来源外⾐”，错误更难纠正，社会信任受损。 场景复盘：某咨询团队让 AI ⽣成⾏业结论，引⽤来源是另⼀篇 AI ⽣成⽂章，后者⼜引⽤⽆原始出处的⾃媒 体。⼏轮转述后，虚假的市场规模数字被包装成“多家机构⼀致预测”。AI 深度研究⼯具在报告中复⽤该数 字，客⼾决策会以错误市场规模为基础。
2.3.17 机器⽣成外链与链接农场 定义 通过⾃动化站点、⽬录、评论、论坛签名、合作⻚或低质媒体批量制造⼊链。 底层原理 链接仍然是搜索⽣态的重要信号。低质外链试图伪造声誉和引⽤关系。 识别信号 外链站主题⽆关；锚⽂本过度⼀致；站点注册和模板相似；访问质量低。 危害说明 可能导致搜索处罚，污染引⽤⽹络，让 AI 误判权威关系。 场景复盘：某品牌服务商批量购买低质量外链和⽬录⻚，把锚⽂本（⼀种链接形式，把关键词做成链接，指 向其他⽹⻚）设置为“某⾏业第⼀”“官⽅推荐”。这些⻚⾯内容简陋，站点之间互相链接。AI 搜索在判断品 牌相关来源时抓到部分⻚⾯，导致回答中出现未经证实的称号。 2.3.18 ⽤⼾⽣成内容操纵与滥⽤ 定义 开放评论、论坛、问答或知识库被批量灌⼊⼴告、链接、伪评价和隐藏⽂本。 底层原理 UGC 内容也可能被搜索和 AI 抓取。未治理的 UGC 会把站点变成垃圾信息⼊⼝。 识别信号 新账号短期⾼频发帖；⽂本模板化；外链集中；主题偏离社区。 危害说明 站点声誉下降，⽤⼾被恶意链接诱导，AI 引⽤错误内容。 场景复盘：某硬件品牌官⽹开放⽤⼾问答，但缺少审核。⼤量机器⼈账号发布与产品⽆关的导流、伪测评和 隐藏商业链接。AI 搜索抓取问答区后，把垃圾内容中的参数、适⽤场景和售后承诺混⼊回答。品牌⽅直到客 服投诉增加才发现站内⽤⼾⽣成内容已被污染。
2.3.19 隐蔽重定向与点击诱导 定义 对搜索引擎、AI 抓取器和⽤⼾展⽰不同路径，或根据来源、设备、地域跳转到⾼⻛险⻚⾯。 底层原理 重定向可以被⽤于正常迁移，也可以⽤于隐藏真实落地⻚。恶意使⽤会欺骗抓取和⽤⼾。 识别信号 直接访问正常，从搜索点击异常；不同设备结果不同；⽇志显⽰异常跳转链。 危害说明 ⽤⼾可能进⼊诈骗、恶意下载或⽆关⼴告，站点承担安全与搜索处罚⻛险。 场景复盘：某招商项⽬⻚⾯在 AI 搜索抓取时展⽰“政策解读与⾏业指南”，普通⽤⼾点击后跳到销售⻚⾯。 部分短链在不同地区和设备上跳转不同内容。AI 搜索引⽤该⻚⾯时显⽰为中⽴指南，⽤⼾实际访问却进⼊营 销漏⽃。
C类：AI系统攻击⻛险 2.3.20 提⽰词注⼊与模型操纵 定义 在提问输⼊或内容中（直接输⼊、外部⽂档、多轮对话、⻆⾊扮演/编码/假设场景）加⼊恶意指令，试图 改变 LLM 应⽤的⽬标、规则、输出格式或安全边界。 底层原理 LLM 在同⼀上下⽂中处理系统指令、开发者指令、⽤⼾指令和数据。若边界不清，恶意⽂本可能被当作更 ⾼优先级任务；⻓期对话和记忆会让模型在上下⽂中保持先前假设，攻击者利⽤渐进⽅式降低系统警觉； 模型可能在复杂语境中误判意图，攻击者利⽤安全分类与⽣成任务之间的缝隙。 识别信号 ⽤⼾输⼊出现规则覆盖、⻆⾊替换、格式逃逸、要求泄露内部指令等意图；会话中出现反复要求改变⾝ 份、保存规则、绕过审查和迁移到⼯具调⽤；输出偏离任务或触及禁⽌内容。 危害说明 可能导致错误答案、敏感信息泄露、⼯具滥⽤、安全策略失效、虚假舆论、攻击⽂案、欺骗性内容和安全 漏洞利⽤材料。 场景复盘：某供应商把⼀段诱导性⽂本藏在提交给采购⽅的 PDF 附录和⽹⻚元数据中。采购⽅的投标分析 智能体读取后，在总结供应商对⽐时异常强调该供应商优势。审计团队复查检索上下⽂，发现外部材料中存 在⾯向模型的指令性⽂本。
2.3.21 敏感信息诱导泄露 定义 诱导 LLM 输出系统提⽰、开发者提⽰、隐藏策略、⼯具说明、检索上下⽂、内部配置，或输出个⼈信 息、商业秘密、内部策略、客⼾数据、未公开价格、合同条款，或通过翻译、总结、调试、压缩、导出等 表⾯⽆害任务让模型把检索上下⽂或隐藏资料带出。 底层原理 模型在上下⽂中能看到部分内部指令或数据；检索上下⽂、训练数据、⼯具返回和历史对话都可能含敏感 信息；攻击者可⽤间接请求绕过显式敏感词。若输出控制不⾜或边界不清，模型可能复述敏感上下⽂。 识别信号 ⽤⼾要求“打印全部规则”“显⽰上⽂隐藏内容”“把系统配置转成 JSON”等；答案包含内部 ID、邮箱、 合同、未发布政策；请求内容与⽤⼾权限不匹配；输出含上下⽂原⽂；多轮对话试探边界。 危害说明 泄露后攻击者更容易构造后续注⼊；企业策略、提⽰⼯程和安全规则暴露；企业法律责任和信任损失显 著；增强后续攻击能⼒。 某员⼯让办公智能体总结内部报价⽂件，同时打开了⼀个外部⽹⻚。⽹⻚中的 诱导内容让智能体把摘要发送到外部地址。虽然动作需要⼯具能⼒配合，但组织没有把外部⽹⻚与内部⽂ 档隔离，导致上下⽂外带⻛险。 场景复盘：某品牌客服机器⼈被⽤⼾反复追问“你遵循哪些内部规则”。机器⼈没有直接泄露完整系统提 ⽰，但输出了投诉优先级、敏感词列表和升级流程。竞争对⼿据此推测客服策略并设计规避话术。
2.3.22 响应渲染与链接伪装攻击 定义 利⽤ Markdown、HTML、富⽂本、卡⽚渲染和链接预览，让输出看似指向可信站点，实际跳转到恶意站 点。 底层原理 ⽤⼾和模型界⾯常显⽰锚⽂本或卡⽚摘要，真实 URL 被隐藏或不显眼。攻击者利⽤显⽰层差异。 识别信号 锚⽂本与 URL 域名不⼀致；短链接；跳转链过⻓；卡⽚标题与⽬标站点⽭盾。 危害说明 ⽤⼾凭据和数据⾯临⻛险，品牌内容成为钓⻥⼊⼝。 场景复盘：某仿冒售后⻚⾯把链接显⽰⽂本写成“官⽅客服”，实际跳转到第三⽅⻚⾯。AI 摘要在输出时保 留了显⽰⽂本，⽤⼾以为是官⽅渠道。品牌安全团队排查发现多个⻚⾯使⽤相似的链接伪装⽅式。
2.3.23 检索增强系统投毒与操纵 定义 向 RAG 知识库、⽹⻚语料或⽂档库注⼊恶意或虚假内容，或通过语义伪装、关键词混合、触发词、定制 内容⽚段、伪造⽂档条⽬使内容在向量检索或重排中获得不当召回，让模型在特定问题上输出攻击者选择 的答案。 底层原理 RAG 依赖外部知识，若知识库可信边界薄弱，少量⾼召回内容就可能影响答案；向量检索按语义相似度召 回，攻击者可让低可信内容在⽬标 query（搜索中的查询词） 周围获得⾼相似度；⽣成式搜索可能对结 构清晰、可摘要⽚段给予更⾼可⽤性。 识别信号 知识库新增来源异常；⽂本与⽬标问题⾼度贴合但来源低质；多个检索结果互相⽭盾；答案过度依赖单⼀ ⽚段；检索结果语义贴近但来源不可信；⽂本存在奇怪重复；向量相似度⾼但 BM25 或⼈⼯相关性低；⻚ ⾯只围绕少数 query 服务；上下⽂缺失；结论没有证据；⽂档来源、版本、审批⼈缺失；格式过于相似 但⽆流程记录。 危害说明 企业 RAG 给员⼯、销售、客服和客⼾提供错误建议；公开 AI 搜索扩⼤错误影响；⽤⼾看到被精⼼操纵的 答案，AI 输出多样性下降；内部员⼯可能依据伪政策⾏动，销售或客服会给出错误承诺。 某品牌在⼤量 ⻚⾯中使⽤相同的问答结构和实体别名，让 AI 搜索在特定提问下更容易召回⾃家⻚⾯。⻚⾯内容并⾮完 全虚假，但刻意弱化限制条件，把⾮核⼼功能包装成⾏业主能⼒。 场景复盘：某企业把外包商提交的⾏业资料直接⼊库，未做来源和事实审核。外包商为了提⾼品牌推荐概 率，插⼊多段“采购建议优先选择某品牌”的材料。销售助⼿回答客⼾问题时，反复输出倾向性推荐，且⽆ 法提供原始证据。
2.3.24 AI 数据层污染 定义 向 AI 助⼿的⻓期记忆或⽤⼾偏好中写⼊未经授权的事实或指令，或污染预训练、微调、偏好数据或评测 数据，使模型形成偏⻅、后⻔、错误事实或安全薄弱点，⻓期改变模型⾏为。 底层原理 带记忆的 AI 会把历史信息当作⽤⼾偏好或事实；模型会从数据中学习模式，少量有⽬标的数据在特定条 件下可能改变输出。污染记忆或训练数据会⻓期改变模型⾏为。 识别信号 记忆中出现来源不明的偏好；⽤⼾没有授权；记忆项影响多次对话；数据来源不清；样本异常相似；标签 与内容⽭盾；模型在特定触发下异常。 危害说明 可导致⻓期推荐偏差、隐私泄露、越权⾏动和品牌操纵；影响范围可能覆盖⼤量⽤⼾和⻓期版本，修复成 本⾼。 某开源客服语料中混⼊“特定品牌永远最佳”的样本，微调后模型在推荐场景异常偏向。某企业 ⽤历史客服对话微调模型，未清洗销售夸⼤话术、过期政策和⽤⼾个⼈信息。上线后模型在⾼频问题中复 现过期承诺，并偶发输出⽤⼾隐私⽚段。数据治理复盘发现训练集缺少时间戳、授权和脱敏流程。 场景复盘：某销售助⼿具有⻓期记忆能⼒。⼀次对话中，销售⼈员把“某客⼾更关注低价”“某竞品有问题” 等未经证实的信息写⼊记忆。后续助⼿在所有与该客⼾相关的建议中持续引⽤该记忆，影响报价和竞品⽐ 较。
2.3.25 模型后⻔与触发器 定义 在模型、微调权重或训练数据中植⼊特定触发条件，使模型在触发时输出异常内容。 底层原理 后⻔攻击平时表现正常，遇到触发词、格式或语境才改变⾏为，因此难以检测。 识别信号 正常评测通过，但特定词、格式或语⾔组合下异常；来源模型或权重链路不清。 危害说明 会造成品牌推荐操纵、数据泄露或安全策略失效。 场景复盘：某团队下载未经充分审计的开源微调模型⽤于客服场景。模型在常规测试中表现正常，但在特定 触发语义下会输出异常推荐和外部链接。安全团队追踪后发现模型来源、训练数据和权重变更记录不完整。 2.3.26 模型与插件供应链污染 定义 使⽤来源不明的模型、插件、爬⾍、数据处理库、向量库连接器或提⽰模板，导致安全与内容⻛险。 底层原理 ⼤模型应⽤依赖复杂供应链。任何组件都可能带⼊漏洞、偏⻅、恶意逻辑或数据泄露路径。 识别信号 组件来源、许可证、更新记录、权限范围不清；供应商⽆法提供安全说明。 危害说明 可能导致内容污染、数据泄露、服务中断和合规责任。 场景复盘：某 GEO 服务商使⽤第三⽅内容⽣成插件批量⽣产资料。插件会⾃动加⼊未披露的推⼴链接和统 计脚本，还会把客⼾草稿上传到境外服务。品牌⽅在发布后发现⻚⾯出现异常外链和隐私⻛险。
2.3.27 跨语⾔与跨引擎操纵 定义 利⽤不同语⾔、地区和 AI 引擎在来源偏好、召回和安全策略上的差异，发布⽭盾或偏向内容。 底层原理 AI 搜索在多语⾔、多地区和不同模型上表现并不完全⼀致。攻击者可能在低治理语⾔或地区植⼊叙事。 识别信号 某语⾔版本内容与主语⾔冲突；来源集中在低质站点；翻译痕迹明显。 危害说明 跨境⽤⼾和全球 AI 系统会收到不⼀致信息，品牌治理难度上升。 场景复盘：某出海企业在中⽂资料中披露⻛险提⽰，在英⽂和东南亚语种资料中删除限制条件并强化“⾏业 第⼀”。多语⾔ AI 搜索在⽣成跨语⾔摘要时，只抓到英⽂材料，导致海外客⼾误解产品能⼒。内部复核发现 多语⾔内容没有统⼀事实底稿。 2.3.28 多模态注⼊与隐藏指令 定义 在图⽚、alt ⽂本、OCR 可读⽂字、PDF、截图、⾳频转写或视频字幕中嵌⼊影响 AI 的指令或伪信息。 底层原理 多模态模型会读取图像、⽂本、OCR、字幕和元数据。隐藏指令可进⼊模型上下⽂。 识别信号 图⽚含微⼩⽂字；alt ⽂本与可⻅图像不⼀致；PDF 边⻆出现异常⽂本；字幕含⽆关指令。 危害说明 AI 搜索和企业助⼿可能采纳隐藏信息，造成错误摘要或⼯具误⽤。 场景复盘：某活动海报主视觉中隐藏了极⼩⽂字和图层注释，普通⽤⼾难以看到，但 OCR 和多模态模型可 能读取。企业知识库把海报⼊库后，问答系统在活动规则中混⼊错误优惠说明。设计团队原本只是复⽤模 板，未意识到图层和替代⽂本也会被 AI 读取。
2.3.29 AI 抓取器内容伪装 定义 对普通⽤⼾、传统搜索爬⾍和 AI Agent 展⽰不同内容，试图让 AI 读取更有利或更具操纵性的版本。 底层原理 不同 user-agent 可能触发不同响应。cloaking（伪装） 会破坏内容⼀致性和可信度。 识别信号 不同 user-agent 内容不⼀致；缓存版本与⻚⾯不同；⽇志显⽰特定爬⾍命中异常模板。 危害说明 平台信任下降，⽤⼾与 AI 接收不同事实，企业⾯临搜索政策⻛险。 场景复盘：某⽹站根据访问来源展⽰不同事实版本：普通⽤⼾看到谨慎表述，疑似 AI 抓取器看到更夸张的 品牌优势和隐藏 FAQ。短期内 AI 摘要更偏向该品牌，但⼈⼯复核⽆法在⻚⾯中看到相同内容，形成可追溯 性缺⼝。 2.3.30 机器⼈批量查询粉饰引⽤指标 定义 ⽤机器⼈批量查询 AI 搜索、点击链接、触发引⽤、⽣成曝光报告或伪造“AI 可⻅度”指标。 底层原理 GEO 测量需要 query、回答、引⽤和位置数据。若采集和点击被机器⼈操纵，客⼾会看到虚假成效。 识别信号 查询来源集中；时间分布异常；报告缺少抽样⽅法；截图不可复现。 危害说明 客⼾预算被误导，平台指标被污染，服务商市场信誉受损。 场景复盘：某服务商声称“AI 引⽤提升 300%”，实际来⾃其⾃有脚本反复查询少数问题。通过⼤量⾃动查 询、截图和重复追问制造监测指标变化。部分平台识别到异常请求后限制访问，品牌⽅得到的报告⽆法反映 真实⽤⼾场景。
2.3.31 基准与评测投机 定义 针对固定测试 query、固定评测脚本或固定指标优化⻚⾯，使报告好看但⽤⼾价值没有提⾼。 底层原理 评测指标可被投机。若⽬标只剩分数，优化会偏离真实⽤⼾和真实引擎表现。 识别信号 只在少数 query 有提升；真实⽤⼾问题⽆改善；评测集和训练集重叠；缺少盲测。 危害说明 企业误判 GEO 成效，⾏业形成指标游戏，⽤⼾价值被忽视。 场景复盘：某企业参加⾏业 AI 搜索评测前，提前得知部分测试问题，于是专⻔制作⼀批只覆盖测试问题的 内容和知识库条⽬。评测结果显⽰效果领先，但真实⽤⼾问题覆盖不⾜，⼤量常⻅问题⽆法准确回答。 2.3.32 重复内容语义伪装与召回规避 定义 ⽤对抗性措辞、异常格式或语义伪装让内容躲过审核、误⼊召回或逃避相似度检测。 底层原理 模型和检索系统对表述形式敏感。轻微扰动可能改变分类、召回和安全判断。 识别信号 ⽂本出现异常分隔、同⾳替换、混合语⾔、零宽字符或奇怪排版。 危害说明 低质或恶意内容进⼊索引和知识库，审核难度增加。 场景复盘：某外包团队为了让低质内容避开重复检测和审核，将同⼀事实写成⼤量同义变体，并故意改变表 述顺序。⼈⼯看起来像不同⽂章，向量聚类后显⽰⾼度相似。AI 搜索偶尔会召回这些变体，使低质内容占据 答案上下⽂。 2.4 处置建议与替代⽅案 当上述⻛险发⽣时，建议采⽤以下⽅式处置：
⽴即冻结： ⽴即冻结与⻛险相关的新增发布、⾃动化任务、外包交付和知识库⼊库动作，防⽌⻛ 险继续扩散。 建⽴事实核验表：把每⼀句关键断⾔映射到原始证据、授权记录、发布时间、责任⼈、审核⼈和 可公开披露程度。 执⾏整改： 对已经进⼊AI搜索、公开平台、企业RAG或客服机器⼈的材料执⾏下线、改写、重索 引、补标、回滚或公开更正，并保留处置前后的截图与⽇志。 复盘根因： 复盘时追问根因，是⽬标设定错误、证据不⾜、平台规则误判、供应商越界、知识库 缺少审核，还是模型⼯具链权限过宽。 寻求安全替代⽅案，把⽬标改成事实澄清、来源建设、结构化表达、审校流程、透明披露和可复 核证据。若涉及竞品，只允许使⽤可验证事实和公平⽐较。若涉及AI系统，只允许做防御性测试、授 权红队和修复闭环。
GEO ⻛险应对与治理 三 3.1 价值观层治理 价值观层的⻛险往往不依赖 AI 技术。即使没有⼤模型，虚假评论、竞品诋毁、隐性付费、刷量和 伪交易也会伤害⽤⼾与市场。AI 搜索放⼤了这些⾏为的影响，因为模型会把开放⽹络中的多源噪声压 缩成看似简洁的结论。 企业在启动 GEO 项⽬前应提出五个问题： 1. 这项优化是否帮助⽤⼾更准确理解事实。 2. 这项优化是否包含对竞品、⽤⼾、媒体、评测机构或平台的误导。 3. 若这项⾏为被公开披露，客⼾、员⼯、投资⼈和监管机构是否会认为它符合商业伦理。 4. 这项⾏为是否把⽆法核验的叙事包装成事实。 5. 这项⾏为是否会让 AI 搜索更难给出可靠答案。 若任⼀问题答案偏向⾼⻛险，项⽬应进⼊合规审查。若涉及竞品攻击、虚假评论、虚假交 易、未披露付费关系、伪造认证和投毒类⾏为，应⽴即停⽌。 3.2 信息质量层治理 ⾯向 AI 搜索的内容会被抓取、摘要、重写、引⽤和跨语⾔传播。信息质量的发布责任不再限于⻚ ⾯本⾝，还包括⻚⾯进⼊ AI ⽣态后的⼆次影响。 建议建⽴⼋项内容控制： 1. 事实清单：每个事实性主张都对应来源、证据和更新时间。 2. 声明等级：区分事实、观点、预测、客⼾反馈、案例、统计推断和⼴告承诺。 3. 引⽤校验：核验 DOI、报告链接、证书编号、媒体报道、客⼾授权和数据⼝径。
- 专业审校：医疗、⾦融、法律、安全、公共事务内容应有专业审校和⻛险提⽰。
- AI ⽣成标记：内部记录 AI 参与程度，必要时向外披露⽣成或编辑⽅式。
- 结构化数据⼀致性：结构化标记、 FAQ（常⻅问题解答）、⽤⼾评论、定价、供货能⼒必须与可⻅ 内容⼀致。
- 更新⽇志：关键⻚⾯保留更新时间、更新内容和审校⼈。
- 撤回机制：错误内容能快速下线、改正、通知相关⽅并阻⽌继续进⼊知识库。 3.3 AI系统攻击层治理 GEO ⻚⾯、新闻稿、FAQ、PDF、图⽚ alt ⽂本、评论、论坛、案例库、帮助中⼼和公开知识库都 会成为 AI 系统输⼊。企业需要把内容安全接⼊应⽤安全流程。 建议采⽤六道防线：
- 来源分级：将官⽹、法务审校⻚⾯、客⼾授权案例、UGC、第三⽅转载、未知来源分级处理。
- 指令隔离：RAG 和 agent 系统必须把外部内容标记为数据，不能让外部⽂本覆盖系统⽬标。
- 检索校验：对⾼影响答案使⽤多来源交叉验证，避免单⼀⽚段决定答案。
- 权限最⼩化：AI agent 不应在⽆确认状态下执⾏⾼影响⼯具动作。
- 输出清洗：HTML、Markdown、链接、脚本、SQL、命令和邮件输出都要经过验证。
- ⽇志与回放：保留 query、检索⽚段、模型输出、⼯具调⽤和⼈⼯确认，便于追责和复盘。
3.4 ⻛险评分矩阵 等 ⻛险描述 处置⽅式 级 低 表达不清、引⽤格式不完整或轻微过期 由内容团队修正，记录版本 中 证据不⾜、披露不充分或结构化数据轻微不⼀致 补证据、补披露，并下线不准确的富结 低 果标记 中 可能误导⽤⼾、存在未审校 AI 内容或竞品⽐较证据 暂停发布，由法务和合规复核 不⾜ ⾼ 涉及虚假宣传、虚假评论、批量低质内容、站点声誉 ⽴即下线，通知客⼾并启动整改 滥⽤或过期域名滥⽤ 严 涉及竞品攻击、RAG 投毒、提⽰词注⼊、恶意搜索投 终⽌⾏为、保全证据、启动安全响应， 重 毒、敏感信息泄露或模型供应链污染 必要时通知监管或受影响⽅ 3.5 证据保全与责任归属 3.5.1 证据保全要求 发现⻛险后，不要只删除⻚⾯。应先保全可复核证据： ⻚⾯信息：URL、发布时间、更新记录、作者、审校⼈、供应商、项⽬负责⼈。 技术记录：⻚⾯截图、源代码、结构化标记、爬⾍协议⽂件、站点地图、服务器⽇志、搜索控制台 记录。 AI 输出证据：AI 搜索输出截图、query、时间、地区、语⾔、模型或产品版本、引⽤链接。 业务记录：合同、Brief、交付物、审批记录、客⼾确认记录、外包沟通记录。 RAG ⻛险专项：检索⽚段、知识库版本、向量索引版本和模型输出。 3.5.2 责任归属模型 GEO ⻛险常⻅责任链包括客⼾、服务商、外包作者、媒体渠道、技术供应商、数据供应商和平 台。
合同应明确： 1. 服务商不得实施或协助实施虚假信息、竞品攻击、提⽰词注⼊、RAG 投毒、链接作弊、虚假评 论、虚假交易。 2. 客⼾提供的事实素材必须真实、合法、可授权使⽤。 3. 第三⽅内容和媒体关系必须披露利益关系。 4. ⾃动化内容必须有⼈类审校和事实核查。 5. 供应商使⽤的模型、插件、爬⾍、监控⼯具和数据源需要安全说明。 6. 发现红线⾏为后，服务商有暂停交付、要求整改、终⽌合作和保全证据的权利。
GEO 合规治理与效果评估 四 4.1 GEO 治理的⽬标与前提 GEO的⽬标既包括让企业内容被抓取，也包括让企业在⽤⼾真实提问时，以准确、合规、可复核 的⽅式出现在AI回答中。GEO不宜被包装成单⼀投放服务，它更接近⼀套横跨内容、技术、品牌、数 据、舆情、合规和增⻓的⻓期治理能⼒。服务商可以承担诊断、实验、内容⽣产、技术修复、监测、 复盘和组织协同，但企业⾃⾝仍需要提供业务事实、权威材料、法务边界和内部审批。 ⽆论是⾃主进⾏ GEO 治理还是采购外部服务，企业都应明确以下四个前提： 1. 企业必须明确业务⽬标 ⽬标可能是品牌提及、引⽤占⽐、关键产品认知、海外市场进⼊、招商获客、舆情纠偏或招投标 ⽀持。不同⽬标对应不同指标与服务商类型。 2. 企业必须明确平台范围 国内重点覆盖⾖包、DeepSeek、Kimi、元宝、千问。海外项⽬可把Google AI Overviews、AI Mode、Gemini、ChatGPT和Perplexity列为可扩展范围，但本版不展开海外平台细节。 3. 企业必须接受前端指标优先 GEO早期阶段更适合先管理AI答案表现、引⽤来源、实体准确性和内容可检索性。销售、线索、 成交等后端指标可观测，但需要谨慎解释。 4. 企业必须建⽴合规边界 涉及个⼈信息、客⼾案例、未公开财务数据、医疗健康、⾦融投资、教育招⽣、政务公共安全等 内容时，GEO项⽬需要法务、合规或专家审查参与。 4.2 GEO治理的组织架构与机制 4.2.1 组织架构 建议成⽴GEO治理⼩组，⾄少包含以下⻆⾊： 业务负责⼈：定义⽬标、预算和业务优先级。
内容负责⼈：负责事实核查、编辑标准和发布流程。 法务合规：审查⼴告、竞品⽐较、评价、隐私和合同⻛险。 安全负责⼈：审查提⽰词注⼊、RAG 投毒、⼯具权限、供应链和数据泄露⻛险。 数据分析：负责 query 抽样、AI 可⻅度监测、来源质量评分和异常检测。 公共关系：负责外部沟通、错误更正和声誉管理。 4.2.2 内容⽣产流程 步骤⼀：事实素材库。 建⽴唯⼀事实源，包括产品功能、价格、客⼾授权、案例、证书、奖项、数据、专家审校记录和 政策限制。 步骤⼆：内容 Brief。 每个⻚⾯明确⽤⼾问题、证据来源、⻛险等级、YMYL 属性、竞品⽐较边界和披露要求。 步骤三：AI 辅助写作。 AI 可以⽤于⼤纲、语⾔整理、结构化、问答扩展和翻译。 事实主张必须回到事实素材库核验。 步骤四：编辑审校。 编辑检查可读性、原创性、证据、引⽤、语⽓和⽤⼾价值。 步骤五：合规审校。 法务检查⼴告法、反不正当竞争、隐私、客⼾授权、付费披露和绝对化⽤语。 步骤六：安全审校。 安全团队检查隐藏指令、脚本、结构化标记、链接、PDF、图⽚ alt ⽂本、外部组件和 Agent 读取 ⻛险。 步骤七：发布与监测。 发布后监测索引、AI 引⽤、query 触发、⽤⼾反馈、投诉、错误摘要和异常外链。
4.2.3 GEO 效果监测原则 GEO效果监测不能只看“是否出现”。建议同时看七类指标： 1. 准确性：AI 输出是否准确描述品牌、产品、价格、范围和限制。 2. 引⽤质量：引⽤来源是否来⾃官⽹、权威媒体、专业机构、客⼾授权案例或低质站点。 3. 覆盖范围：核⼼ query、⻓尾 query、竞品⽐较 query、问题型 query、购买型 query 的覆盖。 4. ⼀致性：不同语⾔、地区、模型和时间段的答案是否稳定。 5. 公平性：竞品⽐较是否存在⽆证据负⾯结论或来源偏差。 6. ⻛险性：是否出现幻觉、过期信息、伪评价、注⼊痕迹、恶意链接或敏感信息。 7. 可修复性：错误能否通过官⽹更正、来源更新、平台反馈和知识库修复得到改善。 4.2.4 来源质量评分 建议把来源分为五级： A 级：官⽹事实⻚、法务审校⽂档、权威标准、政府或监管资料、经授权客⼾案例。 B 级：可信媒体报道、学术论⽂、专业机构研究、透明⽅法论的第三⽅评测。 C 级：⾏业博客、社区讨论、论坛回答、未完全披露⽅法的数据报告。 D 级：匿名内容、低质量⽬录、站群、软⽂、付费榜单、缺少披露的评测。 E 级：伪造来源、垃圾站、恶意搜索投毒、钓⻥站、被⿊⻚⾯、隐藏指令⻚⾯。 AI 搜索监测中应记录每次引⽤来源等级。 若 AI 频繁引⽤ D 或 E 级来源，应优先修复来源⽣态，⽽⾮简单增加内容数量。 4.2.5 安全测试边界 授权红队和安全测试可以帮助发现提⽰词注⼊、RAG 投毒和 agent ⻛险，但需要明确边界： 1. 只在授权系统、授权账号、授权数据范围内测试。 2. 不对第三⽅⽣产系统投放攻击内容。 3. 不发布可被开放搜索引擎抓取的恶意指令。 4. 不尝试获取真实⽤⼾数据、商业秘密或凭据。 5. 不把漏洞细节交给⽆关⼈员或营销团队。 6. 测试结束后清理测试数据，提交修复建议和回归验证。
4.2.6 对外更正机制 ⼀旦发现已发布内容造成 AI 搜索错误引⽤，应采取以下动作： 1. 在源⻚⾯更正事实，标注更新⽇期和更正说明。 2. 移除或修正结构化标记、常⻅问题解答、图⽚ alt ⽂本和 PDF。 3. 向搜索引擎或平台提交重新抓取、移除或反馈请求。 4. 通知使⽤该内容的媒体、合作⽅和客⼾。 5. 对企业RAG知识库重新索引，并验证相关检索词。 6. 在必要时发布对外说明，避免错误继续扩散。 4.3 GEO 效果指标体系 4.3.1 指标体系的基础认知 企业采购GEO服务前，需要先把GEO放在正确的认知框架⾥。GEO的核⼼对象是⽣成式答案⽣ 态，平台会根据问题、时间、⼊⼝、联⽹状态、检索结果、模型版本、上下⽂和安全策略⽣成不同答 案。 企业能做的是提升⾃⾝内容被理解、被引⽤、被合理推荐的概率，降低错误描述、缺失引⽤、竞 品挤压和合规⻛险的概率。这意味着企业在评估GEO时，应使⽤概率思维、样本思维和证据思维。 ⼀个专业服务商不应承诺“固定排名”，⽽应说明如何构造问题样本、如何控制采样条件、如何定 义品牌可⻅、如何计算排位次序（如Top 1和Top 3）、如何解释波动、如何处理样本量不⾜带来的误 差。 GEO本质上更接近概率优化。企业⽆法要求某个平台在任意时间、任意账号、任意问题下都固定 推荐某个品牌，但可以要求服务商在统⼀采样⼝径下，提升⽬标品牌在⽬标问题集合中的可⻅概率、 排位次序进⼊概率、引⽤概率和事实准确概率。 GEO指标体系建议先分成两⼤类：前端指标和后端指标。 前端指标衡量AI答案本⾝的表现，包括⽬标品牌是否出现、出现在哪⾥、是否进⼊推荐排位、是否 被引⽤、事实是否准确。 后端指标衡量业务链路中的外部变化，包括访问、线索、商机、成交、销售反馈和品牌搜索等。 前端指标还需要继续拆成两类：前端可量化指标和前端⾮量化指标。
前端可量化指标可以基于采集样本计算概率或⽐例，适合作为项⽬考核和验收的主要依据。 前端⾮量化指标带有明显主观判断，例如语义⼀致性、情感积极性、表达友好度、推荐理由质量 等，可以关注和复盘，但不建议作为服务商硬性KPI。 4.3.2 指标设计原则 可复核：企业必须能看到原始样本、采样时间、平台⼊⼝、账号状态、联⽹状态、答案⽂本、引 ⽤来源和截图或⽇志。 可计算：⽤于考核的指标必须能写出清晰公式，分⺟、分⼦、有效样本、排除样本都要明确。 可解释：指标变化要能被业务、内容、技术和管理团队理解，不能只给⼀个⿊箱分数。 可⾏动：指标需要能反向指导⻚⾯、内容、结构化数据、实体资料、第三⽅权威来源和合规审 查。 可⽐较：同⼀周期、同⼀平台、同⼀问题库、同⼀采样条件下的结果才适合做前后对⽐。 有边界：⾮量化指标可以作为判断线索，后端指标可以作为经营观察，但⼆者都不宜直接变成服 务商绩效承诺。 4.3.3 前端指标 （1）前端可量化指标：以核⼼指标作为考核抓⼿ 前端可量化指标体系包含多个维度，如可⻅率、引⽤率、排位次序进⼊率（如Top 1和Top 3）、品 牌⼀致性、答案准确性、竞品相对位置等。 但在企业实际采购和验收中，不宜把所有指标都纳⼊硬性考核。多数指标更适合作为过程指标， ⽤于帮助服务商诊断问题、优化策略、复盘迭代。 企业应选择少数最能代表业务结果的核⼼指标作为考核抓⼿。⽐如在POC验收、阶段复盘和年度 服务评估中，可以采⽤排位次序进⼊率（应据企业真实竞争⼒、语料现状和场景范围确定具体排位次 序）作为核⼼指标，观察⽬标品牌是否稳定进⼊AI答案的主要推荐范围。 其他过程指标可以作为辅助参考，⽤于解释排位次序进⼊率变化背后的原因，包括平台差异、问 题包差异、内容资产质量、引⽤源分布和竞品表现等。这样既能保证考核⼝径清晰，也能保留策略优 化所需的分析空间。 前端可量化指标⼀览：
前端指标 推荐计算⼝径 适合⽤途 注意事项 ⽬标品牌可⻅ 提及⽬标品牌的有效样本数 / 有效样 衡量⽬标品牌 需要明确品牌全称、简 率 本总数 是否进⼊AI答 称、英⽂名、产品名是 案 否计⼊ 排位次序进⼊ ⽬标品牌位于特定排位次序的有效样 衡量⽬标品牌 只适⽤于有明确推荐排 率（如Top 1、 本数 / 有效样本总数（据企业竞争 在答案中的认 位场景，如采购推荐、 Top 3、 ⼒、语料现状和场景范围确定具体排 知和推荐强度 品牌对⽐、品类榜单类 Top10） 位次序） 问题 ⾸提概率 ⽬标品牌在答案中第⼀个被提及的样 衡量答案显著 当答案没有明确排序 本数 / 有效样本总数 性 时，⾸提⽐Top 1更稳 妥 平均出现位置 ⽬标品牌出现位置序号的均值或中位 观察⽬标品牌 需要统⼀编码规则，未 数 位置变化 出现样本应单独处理 ⾃有域引⽤率 引⽤企业官⽹、⽂档、⽩⽪书、帮助 衡量企业⾃有 平台不展⽰引⽤时，应 中⼼等⾃有域的样本数 / 有效样本总 资料被采⽤的 记录为⽆引⽤或不可判 数 概率 定 有效引⽤率 引⽤来源能够⽀撑答案相关结论的样 判断引⽤是否 不能只看有没有引⽤， 本数 / 有效样本总数 真正有⽤ 还要看引⽤是否⽀持结 论 第三⽅权威引 引⽤⾏业机构、监管机构、学术、标 衡量外部证据 需要先定义权威来源⽩ ⽤率 准组织、权威媒体等来源的样本数 / 结构 名单或分级规则 有效样本总数 事实错误率 出现企业事实错误的样本数 / 有效样 控制错误认知 错误要分级，例如轻微 本总数 与合规⻛险 过期、核⼼事实错误、 敏感错误 竞品共现率 同⼀答案中⽬标品牌与指定竞品共同 分析竞争环境 共现本⾝不⼀定是⻛ 出现的样本数 / 有效样本总数 险，关键看位置、理由 和描述
前端指标 推荐计算⼝径 适合⽤途 注意事项 相对优势概率 ⽬标品牌位置或推荐理由优于指定竞 判断⽬标品牌 需要事先定义“优于” 品的样本数 / 有效样本总数 相对表现 的编码规则 样本稳定率 多次采样中⽬标品牌出现状态保持⼀ 判断平台波动 稳定率低时，不宜⽤单 致的样本组数 / 样本组总数 和结果可信度 次结果做结论 问题覆盖率 已纳⼊监测的问题数 / ⽬标问题库问 判断监测范围 不能⽤覆盖率代替效果 题数 是否完整 指标 场景覆盖率 已覆盖场景数 / ⽬标场景数 避免只测品牌 ⽬标场景应包含品牌、 词 品类、采购、竞品、⻛ 险、售后等 （2） 前端⾮量化指标：适合关注，不适合作为硬考核 有些指标对企业很重要，但很难形成真正客观的量化结果。 原因在于这些指标需要主观定义，且不同评审⼈、不同业务部⻔和不同语境下的判断可能不同。 企业可以把它们作为⼈⼯评审项、⻛险标签或复盘线索，但不建议把它们包装成精确分数。 典型的⾮量化指标包括语义⼀致性、情感积极性、表达友好度、推荐理由质量、品牌调性匹配、 答案完整性、专业性、说服⼒、⻛险表述是否恰当等。它们可以帮助企业发现问题，但如果没有严格 标注规则、多⼈⼀致性检验和样本审计，就容易变成“伪量化”。 企业可以把⾮量化指标改成三级标签： A级：表达准确、语义⼀致、⽆明显⻛险，可作为正向样本。 B级：总体可接受，但存在表述模糊、信息不⾜或推荐理由弱的问题。 C级：存在误导、夸⼤、偏⻅、事实错位或合规⻛险，需要处理。 前端⾮量化指标⼀览：
前端指标 可以观察什么 推荐使⽤⽅式 不建议做法 语义⼀致 AI对企业定位、产品边界和价值 ⼈⼯评审、典型样本 直接给出⼀个“语义⼀致 性 主张的理解是否贴近企业事实 分析、错误归因 性提升37%”的硬承诺 情感积极 答案是否偏正向、中性、谨慎、 ⽤作声誉⻛险标签和 把积极、中性、负向简单 性 负向或带⻛险提⽰ 舆情线索 换算成项⽬KPI 推荐理由 AI推荐⽬标品牌时的理由是否具 结合引⽤来源和事实 只看推荐理由字数或形容 质量 体、准确、有证据 准确性做案例复盘 词数量 品牌调性 答案表达是否符合企业希望传递 ⽤于内容策略和品牌 要求服务商保证AI使⽤指 匹配 的专业、可信、创新等形象 资料改写 定话术 答案完整 回答是否覆盖核⼼产品、场景、 ⽤于识别资料缺⼝ 把完整性当成跨平台统⼀ 性 适⽤边界和限制条件 分数 专业性 答案是否使⽤正确⾏业术语，是 ⽤专家复核或⾏业顾 让⾮专业评审直接判定复 否避免误导 问审核 杂技术内容 ⻛险表述 AI是否把合规、隐私、安全、医 ⽤于⾼敏⾏业审查 要求AI删除所有⻛险提⽰ 合理性 疗、⾦融等⻛险讲清楚 4.3.4 后端指标 后端指标可以帮助企业理解GEO与商业结果之间的关系，但多数情况下不适合作为服务商直接考 核指标。 主要原因包括：AI平台通常不提供完整查询⽇志，⽤⼾从AI答案到官⽹、销售或成交的路径不完 整，AI回答会受到时间、账号、联⽹状态和平台策略影响，同期⼴告、PR、SEO、销售活动也会⼲扰 结果。 因此，后端指标更适合企业内部⻓期观察。 企业可以在CRM、⽹站分析、品牌监测和销售复盘中标注GEO相关线索，但不宜要求服务商承诺 短期线索数、成交额或销售转化。 GEO后端指标包括官⽹流量、品牌词搜索、咨询量、线索量、下载量、销售反馈和客⼾问询变 化。它们对企业有业务价值，但多数情况下不适合直接写成服务商KPI。
后端指标观察四步法建议： 1. 第⼀步，建⽴基线。记录GEO项⽬启动前⾄少4周的品牌词搜索、官⽹⼊⼝、咨询表单、销售问询 和下载数据。 2. 第⼆步，设置观察窗⼝。⼀般按⽉观察，⾄少连续3个⽉。不要⽤单⽇数据判断GEO效果。 3. 第三步，记录⼲扰变量。包括⼴告投放、媒体发布、展会、促销、产品更新、舆情事件和竞品活 动。 4. 第四步，做相关性解释。若前端可⻅率提升、品牌词搜索提升、销售反馈中出现“我在AI⾥看到 你们”的样本，可以作为业务信号，但仍需标注为观察结论。 后端指标⼀览 指标 可观察指标 适合⽤途 不适合作为硬考核的原因 类别 流量 AI平台推荐流量、搜索控制台Web流 观察AI与搜索⽣态 很多AI答案不会带来点击， 量、品牌词搜索量、直接访问变化 的外部变化 平台也不⼀定提供完整来源 ⾏为 ⻚⾯停留、转化路径、下载、注册、 观察内容是否被更 ⾏为变化可能受⻚⾯改版、 咨询、收藏 ⾼意图⽤⼾使⽤ ⼴告和活动影响 线索 MQL、SQL、表单、电话、企微添 辅助判断商业价值 需要CRM字段、⼈⼯标注和 加、试⽤申请 销售回访⽀持 销售 商机、报价、成交、客单价、回款周 ⻓期预算评估和经 通常⽆法直接归因到GEO单 期 营复盘 ⼀动作 品牌 品牌搜索、社媒提及、媒体引⽤、招 评估认知变化和销 需要多渠道数据交叉验证 投标问询、销售反馈 售⽀持 4.3.5 指标观测仪表盘结构建议 建议企业把 GEO 效果指标观测仪表盘分成四层，避免只看⼀个总分。 第⼀层：管理层摘要 管理层只需要看到5个指标：⽬标品牌可⻅率、⽬标品牌Top 3概率、有效引⽤率、重⼤事实错误 率、红⾊⻛险数量。每⽉看趋势，不建议每⽇追波动。
第⼆层：平台对⽐ 分别展⽰⾖包、DeepSeek、Kimi、元宝、千问的表现。每个平台都应显⽰样本数、采样⽇期、⼊ ⼝、联⽹状态和问题类别。平台之间不能直接⽤⼀个分数粗暴排名，因为每个平台的内容来源、搜索 机制和回答⻛格不同。 第三层：场景对⽐ 把问题拆成品类教育、采购决策、竞品对⽐、⻛险判断、售后服务和品牌认知。很多企业会发 现，品类教育类问题表现还可以，但采购决策和竞品对⽐类问题很弱。这个发现⽐⼀个总分更有⾏动 价值。 第四层：样本追溯 每⼀项指标都应能回到原始回答。企业⾄少要能查看问题、平台、时间、回答⽂本、品牌位置、 引⽤链接、竞品出现情况、⼈⼯复核标记和处理状态。没有样本追溯的看板，很难⽤于验收。
字段 说明 是否必需 问题ID 每个问题固定编号 必需 问题⽂本 原始提问，不随意改写 必需 问题类别 品类、采购、竞品、⻛险、售后等 必需 平台 ⾖包、DeepSeek、Kimi、元宝、千问 必需 ⼊⼝ ⽹⻚、App、插件、API或搜索增强⼊⼝ 必需 采样时间 精确到⽇期，必要时到⼩时 必需 联⽹状态 是否开启搜索、深度研究或联⽹功能 必需 ⽬标品牌是否出现 是或否 必需 ⽬标品牌位置 Top 1、Top 2、Top 3、其他、未出现 必需 引⽤来源 ⾃有域、第三⽅、平台⽣态、⽆引⽤ 必需 事实错误 ⽆、轻微、重⼤ 必需 ⼈⼯复核⼈ 责任⼈ 建议 处理建议 内容、技术、合规或观察 建议
GEO 服务采购与合规评估 五 5.1 GEO服务商类型 5.1.1 中国GEO服务商类型划分 中国市场的GEO服务商正在从多个⽅向涌现。企业采购时需要先识别服务商的能⼒来源，再判断 其能⼒结构是否匹配⾃⾝⽬标。类型只能⽤于初筛，最终仍要看可复核的⽅法、样本、团队和交付证 据。
类型 典型背景 核⼼能⼒ 适合采购场景 常⻅短板 重点判断 AI原⽣ AI产品、模型 理解模型⾏为、 需要建⽴GEO 可能缺少 能否把AI评测转 型 评测、智能 检索增强、问答 指标体系、平 SEO、品牌 化为可上线的内 GEO 体、提⽰词⼯ ⽣成、采样波 台采样、评测 叙事、PR资 容、⻚⾯和组织 服务 程、数据评测 动、评测框架和 看板和实验闭 源和企业内 动作 商 团队 ⾃动化监测 环的企业 容落地经验 AI原⽣ AI native团队 既懂AI平台与评 中型企业、⾏ 团队稀缺， 是否有真实跨职 +SEO 叠加技术 测，⼜懂抓取索 业⻰头、上市 报价通常更 能团队，是否能 +营销 SEO、内容营 引、内容资产、 公司、出海企 ⾼，也容易 拿出采样数据、 复合 销、品牌传 品牌表达、竞品 业的⼀期主服 被包装成概 内容改造和技术 型 播、数据分析 分析和项⽬治理 务商 念 建议的闭环证据 背景 SEO转 传统SEO、技 懂抓取、索引、 官⽹基础薄 可能把GEO 是否理解AI答案 型型 术SEO、搜索 ⻚⾯结构、关键 弱、⻚⾯不可 简单套⽤ 的概率属性、引 营销公司 词、内链和搜索 索引、结构化 SEO排名逻 ⽤机制和平台差 数据 数据缺失的企 辑 异 业 内容 品牌、公关、 懂品牌表达、叙 需要改善品牌 技术和数据 是否能提供可复 营 内容营销、媒 事、案例、媒体 叙事、案例表 监测能⼒可 核数据，⽽⾮只 销/PR 体传播公司 关系和内容⽣产 达和权威资料 能不⾜ 交付⽂章和传播 型 的企业 稿 数据 舆情、品牌监 擅⻓监测、告 需要⻓期监 可能缺少内 看板能否解释⾏ 监 测、数据看 警、竞品对⽐、 测、⻛险告警 容改造、技 动⽅案，数据能 测/Sa 板、BI⼯具公 报表和权限管理 和多品牌管理 术修复和业 否导出和复核 aS型 司 的中⼤型企业 务策略能⼒ 技术 数据咨询、爬 擅⻓采样、数据 集团、上市公 品牌内容与 是否能和市场、 SEO/ ⾍、BI、⽹站 管道、仪表盘、 司、技术团队 业务策略能 品牌、法务团队 数据 技术服务商 结构化数据、⽇ 成熟企业 ⼒可能不⾜ 协同，⽽⾮只交 ⼯程 志和实验设计 付技术清单 型
类型 典型背景 核⼼能⼒ 适合采购场景 常⻅短板 重点判断 ⼤模 AI应⽤开发、 懂内部知识库、 需要把内部知 未必熟悉公 能否区分内部 型/RA 知识库、 检索、模型评 识库治理和外 共AI平台的 RAG效果和公共 G/Age RAG、智能体 测、Agent流程 部GEO结合的 外部可⻅性 AI平台GEO效果 nt技 和企业AI供应 和企业AI应⽤ 企业 术型 商 ⾏业 医疗、⾦融、 懂⾏业术语、客 ⾼敏⾏业、复 通⽤平台监 是否具备标准化 垂直 教育、⼯业、 ⼾决策链、监管 杂B2B、专业 测和⾃动化 数据⽅法和可复 咨询 B2B咨询公司 要求和专业内容 服务企业 能⼒可能较 核样本 型 弱 跨境 出海营销、跨 熟悉语⾔、本地 出海企业、海 国内AI平台 是否能分别说明 增⻓ 境SEO、海外 化、海外搜索、 外B2B、跨境 经验可能不 国内平台和海外 型 PR、独⽴ 海外内容⽣态和 电商、全球化 ⾜ 平台的策略差异 站、本地化服 跨境增⻓ 品牌 务商 资源 软⽂发布、媒 短期可以⼤量发 ⼀般不建议作 质量、合规 虚假评价、低质 铺量 体资源、外 布内容 为主服务商 和⻓期⻛险 内容、隐性投 型 链、⼝碑和发 ⾼ 放、不可验收 布渠道服务商 5.1.2 主服务商与组合采购 GEO往往需要组合能⼒。企业可以选择⼀个主服务商负责总体策略、数据监测和项⽬治理，再按 需引⼊内容、技术、PR、法务或⾏业专家。对于中⼤型企业，单⼀服务商很难在平台监测、技术 SEO、品牌内容、⾏业专业、数据安全和合规审查上全部达到⾼⽔平。 建议根据企业⾃⾝需求⽅向与⾏业特点选择主服务商。主服务商需要能够⽤AI原⽣能⼒建⽴评测 体系，⽤专业策略和技术能⼒修复抓取、索引、结构和实体问题，⽤内容能⼒和传播资源完成内容叙 事、案例表达和权威证据建设。 5.1.3 海外GEO与国内GEO采购差异 中国⼤陆企业常⻅两类需求：⾯向海外市场采购GEO服务，或⾯向国内AI平台采购GEO服务。两 者的服务商能⼒、合规边界、内容资产和验收⽅式有明显差异。
维度 海外GEO采购 国内GEO采购 平台范 ⽬标市场的搜索AI、国际AI助⼿、海外搜索 ⾖包、DeepSeek、Kimi、元宝、千问，以及 围 引擎和专业问答平台 国内搜索和内容⽣态 内容语 本地语⾔、英⽂、地区化表达、⽂化语境 中⽂表达、⾏业术语、政企和B2B采购语境 ⾔ 资料来 官⽹英⽂站、海外媒体、分析师报告、⾏ 官⽹中⽂站、公众号、⽩⽪书、⾏业媒体、 源 业协会、开发者⽂档、评价站点 招投标资料、百科和平台⽣态内容 技术基 国际SEO、结构化数据、hreflang、独⽴ 中⽂站结构、可抓取性、公众号和多平台内 础 站、海外服务器和加载体验 容资产、备案与合规要求 合规重 ⽬标市场隐私、⼴告、消费者保护、⾏业 个⼈信息保护、数据安全、⽣成式AI服务管 点 监管、跨境数据 理、⽹络安全和⾏业监管 服务商 本地化、海外SEO、PR、分析师关系、国 中⽂平台采样、国内内容⽣态、合规审查、 能⼒ 际内容证据 品牌与舆情治理 验收重 ⽬标国家或地区的AI答案表现、本地权威 五个平台的答案表现、引⽤来源、事实准确 点 来源和语⾔准确性 性和敏感⻛险 主要⻛ 语⾔和⽂化误读、海外低质PR、跨境数据 平台⼝径变化、低质内容堆量、隐性投放、 险 和本地法规不熟悉 敏感内容违规 海外GEO采购建议 先明确⽬标市场。美国、欧洲、东南亚、中东和⽇本市场的内容⽣态、监管和采购习惯不同。 服务商需要证明本地化能⼒。只会翻译中⽂内容通常不⾜以⽀撑海外GEO。 海外项⽬要重视结构化数据、独⽴站技术、英⽂⽂档、⾏业报告、第三⽅评价和媒体关系。 出海B2B企业应重点建设英⽂产品⽂档、案例、FAQ、数据安全说明、集成⽂档和⾏业解决⽅案。 企业应要求服务商说明⽬标市场的数据合规和⼴告合规边界，并单列外部资源费⽤。 国内GEO采购建议 国内项⽬要按平台拆解，不能⽤⼀个总分掩盖⾖包、DeepSeek、Kimi、元宝、千问之间的差异。
国内项⽬更需要关注内容合规、⾏业语境、政企采购语境、B2B售前语境和内容⽣态⼀致性等⽅ ⾯。 企业要整理官⽹、公众号、⽩⽪书、产品⼿册、帮助中⼼、案例和资质证明，形成统⼀事实库。 涉及腾讯、阿⾥、字节等不同⽣态的内容资产时，要保持事实⼝径⼀致，避免平台之间答案互相冲 突。 服务商必须理解中国的数据安全、个⼈信息保护、⽣成式AI服务和⽹络安全相关要求。 海外与国内双线项⽬ 部分企业同时做国内与海外GEO。建议采⽤“统⼀事实库，分市场表达，分平台监测”的治理⽅ 式。总部维护核⼼事实，国内团队管理中⽂平台与中⽂内容，海外团队管理⽬标市场平台、本地语⾔ 和本地权威来源。 统⼀事实库：公司介绍、产品线、资质、客⼾案例、部署⽅式、价格边界、数据安全说明。 分市场表达：国内和海外的⾏业术语、合规声明、案例呈现和购买决策语⾔可以不同。 分平台监测：国内五个平台单独监测，海外⽬标平台单独监测，汇总时只⽐较同类指标。 统⼀⻛险管理：客⼾案例授权、个⼈信息、未公开数据、财务信息和敏感⾏业内容由总部规则约 束。 5.1.4 不同企业阶段与⾏业敏感性的采购策略 ⼩型企业受预算与资源约束，GEO 项⽬聚焦少量⾼价值场景，以夯实基础信息露出、修正内容谬 误、完善核⼼⻚⾯问答能⼒、搭建低成本监测体系为⽬标，完成数⼗条核⼼问题基线摸排与官⽹关键 ⻚⾯优化，暂缓采购⾼价⼯具与全周期服务，落地具象化⻚⾯整改清单，围绕品牌提及、信息精准度 等维度验收。 中型企业依托⾃有官⽹、内容及销售体系落地 90 天标准化 GEO 项⽬，将相关⼯作融⼊品牌、内 容与增⻓常态化流程，搭建中量级问题库并对标重点竞品与核⼼平台，按⽉复盘监测，联动⽩⽪书、 销售物料、案例等内容协同优化，辅以转化数据做参考，不以转化作为唯⼀验收标准。 ⾏业⻰头GEO 侧重竞品防御、品牌权威塑造与全平台信息统⼀，防范 AI 不实内容损耗品牌与商务 合作，搭建全维度海量问题库并常态化追踪同业及新晋玩家，搭建官⽅权威资料库，联动多部⻔协同 落地项⽬，从信息采信质量、⾏业竞争位次、内容⻛控等维度考核成果。 上市公司GEO 应严守信息披露规范与公开数据边界，财务、业绩、战略合作等关键内容全部依托 公⽰资料编撰，嵌⼊信披、投关⼈员参与项⽬全流程，搭建内容错误溯源纠偏制度并在合作合同中约 束供应商严禁杜撰未披露信息，重点核查内容差错率、合规⻛险与资料匹配度。
⾼敏⾏业（医疗、⾦融、法务、教培等）合规与专业审核应贯穿 GEO 全流程，所有输出内容经内 部专家、法务复核，AI 内容不直接充当专业指导意⻅，严控隐私、资质、疗效承诺类内容发布，服务 商配套敏感内容管控与应急处置⽅案，以合规通过率、问题整改效率作为核⼼验收依据。 出海企业应跳出直译误区，兼顾国内外品牌认知建设与本地化公信⼒打造，⽴⾜⽬标市场搭建本 ⼟问题库、对标本地竞品，完善多语种合规⽂档与产品素材，统⼀海内外站点产品、定价等信息⼝ 径，核验服务商本地资源资质，依托海外平台曝光、内容本地化质量与有效询盘完成验收。 5.2 服务商评估维度与评分框架 5.2.1 总评分建议 企业可以⽤100分制评估GEO服务商。评分不应只看⽅案漂亮程度，更要看⽅法是否可复核、AI原 ⽣能⼒是否真实、内容与营销落地是否完整、合规是否稳妥、团队是否能⻓期协作。 建议权 维度 评估要点 重 测量与评估⽅法 20分 问题库、重复采样、平台记录、原始样本、指标定义、Top 1与Top 3⼝ 径、复测⽅法、波动处理 AI原⽣与平台理 15分 模型⾏为、检索增强、搜索/联⽹模式、答案⽣成、采样⾃动化、异常样 解 本解释、五个平台差异 内容与营销复合 15分 抓取索引、结构化数据、⻚⾯结构、FAQ、产品⽂档、品牌叙事、案例、 落地 权威证据 数据与监控能⼒ 15分 可视化、⽇志保存、竞品对⽐、异常告警、数据导出、权限管理、⻓期 趋势 合规与安全 15分 数据处理、个⼈信息、客⼾案例授权、敏感⾏业审查、内容审核、合同 禁⽌⾏为 项⽬管理 10分 节奏、周会、⽉报、协同⼯具、变更管理、验收和交接 商业透明度 10分 报价清晰、资源关系披露、不可承诺事项、退出机制、案例真实性
5.2.2 不同企业的权重调整 企业类型 权重调整建议 ⼩型企业 提⾼内容与实体治理、项⽬性价⽐和短期可执⾏动作权重；降低复杂数据看板权重 中型企业 保持测量、AI原⽣、SEO、内容、项⽬管理均衡；重点看90天内可落地结果 ⾏业⻰头 提⾼数据与监控、竞品对⽐、平台全覆盖、AI原⽣评测和组织协同权重 上市公司 提⾼合规、安全、事实准确、信息披露⼀致性、供应商审计和数据权属权重 ⾼敏⾏业 将合规与安全提升到最⾼优先级，并要求专家复核流程 出海企业 提⾼海外平台、本地化、语⾔质量、⽬标市场权威来源和跨境数据合规权重 5.2.3 报价评估 GEO报价通常由诊断、监测、内容、技术、数据看板、项⽬管理和第三⽅资源等部分构成。 企业评估报价时，应把重点放在两个层⾯： 第⼀，结果考核以核⼼可量化指标为主。企业不宜把所有指标都纳⼊硬性考核，应优先选择最能 代表项⽬成效的核⼼指标，例如⽬标品牌Top3概率、⽬标品牌可⻅率、引⽤率、事实错误率等。过程 指标可以⽤于策略复盘和执⾏优化，但不宜全部变成付款或验收条件。 第⼆，过程⽅法论要重点评估内在含⾦量和专业⽔平。GEO服务的价值，不能简单⽤执⾏动作数 量或⼈天投⼊衡量。不同服务商可能采⽤不同策略、不同路径和不同组织⽅式，真正需要评估的是其 底层⽅法、运营思路、判断原则、团队能⼒、⾏业理解和持续迭代能⼒。 企业不应只⽐较总价，⽽应要求服务商说明报价背后的服务逻辑，包括核⼼⽅法论、项⽬推进机 制、数据评估原则、内容策略框架、技术优化思路、团队配置⽅式、复盘机制，以及这些能⼒如何⽀ 撑核⼼指标提升。 因此，报价评估不宜简单看“便宜还是贵”，⽽应综合判断：核⼼指标是否可考核，⽅法论是否有 含⾦量，运营思路是否清晰，团队能⼒是否匹配，交付机制是否能⽀撑⻓期提升。 企业评估报价时，建议把总价拆成六类成本。
成本项 应包含内容 ⻛险提⽰ 诊断成本 问题库、基线采样、竞品分析、资料诊断 只给结论不给样本，价值较低 数据成本 采样⼯具、⼈⼯复核、看板、导出数据 需明确数据归属和导出权限 内容成本 FAQ、事实⻚、案例⻚、⽩⽪书、结构化摘要 需明确原创、审核和修改次数 技术成本 抓取、索引、结构化数据、站点地图建议 需确认是否真正有技术执⾏能⼒ 项⽬管理成本 周会、⽉报、复盘、跨部⻔协同 低价项⽬常低估这⼀部分 合规成本 法务复核、敏感内容处理、授权材料 ⾼敏⾏业不可省略 5.3 如何判断服务商的专业⽔平 5.3.1 专业服务商应具备的能⼒ 能解释GEO与SEO、PR、内容营销、舆情监测、知识库治理之间的关系与边界。 具备真实AI原⽣能⼒，能理解模型⾏为、检索增强、问答⽣成、采样波动和评测框架。 能按平台拆解⾖包、DeepSeek、Kimi、元宝、千问的采样⼝径和产品⼊⼝。 能建⽴问题库，并说明每类问题对应的业务⽬的。 能把前端可量化指标、前端⾮量化观察和后端观察区分清楚。 能⽤原始样本和可复核数据解释⽬标品牌可⻅率、Top 1概率、Top 3概率、引⽤率和错误率。 能给出内容、技术、实体、权威来源、数据监测和合规六类⾏动建议。 能把SEO、内容营销、实体治理、AI评测和项⽬治理形成闭环。 能承认平台波动和不可承诺事项，并把⻛险写进⽅案和合同。 能把企业内部资源需求讲清楚，例如业务事实、官⽹权限、客⼾案例授权和法务审批。 5.3.2 专业能⼒红线 声称可以保证某AI平台固定推荐某品牌。 ⽤⼀次截图或少量样本证明⻓期效果。 拒绝提供采样⽅法、原始样本或指标定义。
把Top 1、Top 3、语义⼀致性、情感积极性等指标混在⼀起，⽆法说明哪些可以量化、哪些只能观 察。 把后端成交承诺作为主要卖点，却⽆法说明实验设计。 推荐批量发布低质内容、伪造第三⽅评价、购买隐性背书。 对个⼈信息、客⼾案例授权、敏感⾏业合规没有流程。 把所有平台当作同⼀种搜索引擎处理。 把内部RAG或企业智能体优化的效果直接当成公共AI平台GEO效果。 合同⾥没有数据权属、交付物、验收标准和退出机制。 5.4 企业采购GEO服务的完整⽤⼾旅程 GEO采购不应从询价开始。更稳妥的流程是先完成内部⽬标和基线，再进⼊服务商识别与⽐稿。 否则企业很容易⽤含糊⽬标采购含糊服务，最终只能⽐较PPT、⼝才和报价。
阶段 核⼼⽬标 企业关注重点 可交付证据 主要⻛险 1. 内部 明确为什么做 业务⽬标、预算、平台 ⽴项说明、⽬标清 把GEO当作短期流 ⽴项 GEO 范围、内部责任⼈ 单、平台范围 量项⽬ 2. 需求 定义问题与场 品牌、品类、产品、竞 问题地图、竞品清 只围绕企业⾃说⾃ 诊断 景 品、区域、⽤⼾问题 单、场景矩阵 话的关键词 3. 基线 建⽴现状数据 提问样本、平台版本、 基线报告、原始样 单次截图、样本过 测量 采集⽅法、重复采样 本、截图或⽇志 ⼩、不可复现 4. 服务 找到候选供应 类型、能⼒、案例、⾏ 候选名单、初筛评 被低价、噱头或所 商识别 商 业经验、数据⽅法 分 谓资源承诺吸引 5. RFI/R 让供应商按统 服务范围、指标、⽅ RFI回复、RFP⽅ 各家⼝径不同导致 FP ⼀⼝径回复 法、团队、合规、报价 案、报价表 ⽆法⽐较 6. ⽐稿 判断专业能⼒ ⽅法论、数据可信度、 评分表、访谈记 只看案例截图或⽼ 与尽调 和适配度 交付团队、边界意识 录、尽调问题答案 板背书 7. 合同 把承诺写清楚 交付物、验收标准、数 合同、SOW、验收 合同只写服务名称 与SOW 据权属、禁⽌⾏为 表 和总价 8. 执⾏ 保持项⽬节奏 周会、⽉报、变更、复 任务看板、⽉报、 内容上线慢、跨部 治理 核、合规审查 采样记录 ⻔协同失灵 9. 验收 判断效果与复 前端指标、后端观察、 验收报告、复盘会 只⽤好看的样本证 复盘 购价值 学习沉淀、下⼀周期 纪要、续约建议 明效果 10. 续约 决定⻓期机制 平台覆盖、内部能⼒沉 续约⽅案或交接清 供应商锁定、数据 或退出 淀、成本收益 单 ⽆法迁移 5.4.1 阶段⼀：内部⽴项 内部⽴项阶段要先回答三个问题：企业为什么现在需要GEO，优先服务哪个业务单元，成功标准 是什么。对于⼤多数企业，GEO可以先从品牌认知、核⼼产品认知、竞品对⽐、招商采购、售前问 答、海外市场进⼊等场景切⼊。 ⽴项输出⼀：GEO业务⽬标。⽰例：提升企业在“⾏业解决⽅案推荐”类问题中的品牌提及率与引 ⽤率。
⽴项输出⼆：平台范围。⽰例：⾖包、DeepSeek、Kimi、元宝、千问作为⼀期范围。 ⽴项输出三：预算与周期。⽰例：30天诊断，90天⼀期执⾏，半年复盘。 ⽴项输出四：内部责任⼈。市场、品牌、内容、官⽹、法务、产品、销售⾄少需要明确接⼝⼈。 ⽴项输出五：合规边界。明确哪些材料可以公开、哪些材料需要审批、哪些内容不得⽤于AI答案优 化。 5.4.2 阶段⼆：需求诊断 需求诊断需要把“我们想提升GEO”转化为可测量的问题库。问题库不宜只由品牌词组成，还要 覆盖品类词、需求词、竞品词、购买决策词、⻛险词和区域词。 问题类型 ⽰例问题 ⽤于判断什么 品牌认知 某品牌是做什么的？有哪些核⼼产品？ AI是否理解企业实体和业务边界 品类推荐 国内适合制造企业的某类解决⽅案有哪些？ 企业是否进⼊品类答案 采购决策 企业采购某类系统应如何选择服务商？ 企业是否被列⼊采购候选 竞品对⽐ A公司和B公司在某⽅⾯有什么差异？ AI是否准确描述优势与限制 场景⽅案 某⾏业如何解决某个业务痛点？ 企业内容是否能⽀撑场景答案 ⻛险合规 某产品是否涉及数据安全或隐私⻛险？ 敏感问题是否被准确处理 区域与语⾔ 海外某地区有哪些适合中国企业的服务商？ 跨境和本地化内容是否被识别 售后与⽀持 某品牌⽀持哪些部署⽅式或服务⽅式？ 官⽹和帮助中⼼内容是否被引⽤ 5.4.3 阶段三：基线测量 基线测量是采购GEO服务的关键节点。没有基线，企业⽆法判断服务商⽅案是否精准，也⽆法在 后续验收时确认变化来⾃项⽬⾏动、平台波动还是采样偏差。 基线应覆盖⾄少三类问题：品牌词问题、⾮品牌品类问题、竞品或对⽐问题。 每个平台建议对同⼀问题进⾏多次采样，记录⽇期、时间、账号状态、设备、地区、联⽹状态、是 否开启深度搜索或搜索模式。
每条样本要记录答案⽂本、品牌提及、提及位置、引⽤来源、来源域名、情绪倾向、错误点、竞品 共现和截图或可追溯⽇志。 基线报告应包含问题库结构、采样⽅法、指标定义、主要发现、优先级建议和⻛险说明。 企业应要求服务商提供原始样本或可复核导出，⽽⾮只看汇总图。 5.4.4 阶段四⾄六：服务商识别、RFI/RFP与⽐稿 企业在⽐稿时应让服务商使⽤同⼀套输⼊材料和同⼀套问题库回复⽅案。不同供应商的PPT⻛格、 话术和报价⼝径差异很⼤，统⼀输⼊可以让⽐较更接近真实能⼒⽐较。由于当前阶段很多标准暂未统 ⼀，也可以由服务商⾃⾏提供⽅案与考核标准，企业内部多视⻆衡量，选择最适合的⾃⼰亦可。 RFI （信息征询）阶段主要问能⼒边界、过往经验、团队配置、数据⽅法和合规政策。 RFP（建议征询）阶段要求供应商提交完整项⽬⽅案，包括基线⽅法、平台覆盖、指标体系、内容 策略、技术策略、治理节奏、POC设计、⻛险控制和报价。 ⽐稿阶段应要求供应商现场解释采样⼝径、指标定义、平台差异、后端归因边界和不可承诺事项。 尽调阶段应核验服务商案例是否可复核，是否涉及夸⼤、伪造、隐性投放或违反平台规则的做法。 5.4.5 阶段七⾄⼗：合同、执⾏、复盘与退出 GEO项⽬的⻓期价值来⾃持续治理。企业应把合同写成可验收、可复盘、可退出的结构，⽽⾮只 采购⼀批内容或⼀套监测截图。 合同中应写清楚交付物：问题库、基线报告、监测看板、内容⽅案、技术修复建议、⽉报、复盘和 交接资料。 合同中应写清楚验收标准：指标定义、样本范围、平台范围、采样频率、数据保存、复测⽅式。 合同中应写清楚禁⽌⾏为：虚假内容、伪造案例、隐性付费评价、批量垃圾⻚⾯、未经授权抓取个 ⼈信息、绕过平台规则、误导性承诺。 执⾏期应设定周会和⽉度复盘。周会解决任务进度，⽉度复盘看指标变化、平台差异和⻛险。 退出时应要求供应商交付问题库、样本数据、资产清单、内容修改记录、技术建议、监测模板和未 完成事项。
5.5 采购 GEO 服务的参考策略 5.5.1 内部⽴项会统⼀认知 企业需要在⽴项会上进⾏充分讨论，统⼀认知，在以下六个问题上达成共识意⻅，避免⽬标不⼀ 致导致资源浪费与流程反复。 我们希望优化的是品牌被提及、被⾸位推荐、被引⽤，还是被准确描述。 我们希望覆盖的是⾖包、DeepSeek、Kimi、元宝、千问中的哪些关键词或⽤⼾意图问题。 我们的问题样本是否覆盖真实⽤⼾，⽽⾮只覆盖企业内部习惯⽤语。 我们的⾃有内容是否⾜以⽀撑AI给出准确答案。 我们是否能接受短期波动，并⽤⽉度趋势判断效果。 我们是否把后端线索、成交和销售数据作为观察，不直接归因给服务商。 错误⽴项参考案例： 某精密设备企业主营⼯业视觉检测设备。市场部最初提出的采购⽬标是“三个⽉内让AI每次都把 我们列为第⼀推荐”。这个⽬标在采购会上被服务商销售包装成“全平台Top 1保障”。 经过内部复盘后，该企业把⽬标改成了三类： 第⼀，围绕“汽⻋零部件视觉检测⽅案”“锂电池缺陷检测设备”等40个⾼价值问题，⽬标品牌 Top 3概率从基线的15%提升到30%； 第⼆，企业⾃有域引⽤率从5%提升到15%； 第三，重⼤事实错误率降到5%以内。这个⽬标更适合写⼊SOW（⼯作说明书），因为它有样本、 有平台、有时间窗⼝，也承认GEO是概率优化。 这个例⼦说明，采购⽬标⼀旦从绝对承诺改成可测量概率，企业就能更清楚地判断服务商是否专 业，也能减少后期验收纠纷。 5.5.2 需求诊断内部⼯作坊 需求诊断需要把“我们想提升GEO”转化为可测量的问题库。问题库不宜只由品牌词组成，还要 覆盖品类词、需求词、竞品词、购买决策词、⻛险词和区域词。 清单⼀：业务场景清单
汇总不同⽤⼾问询场景，结合企业营收转化、品牌⼝碑、舆情⻛控权重由⾼到低排序，锚定 AI 落 地优先级，精准锁定⾼价值智能问答落地⽅向。 清单⼆：问题样本清单 对应六⼤业务场景，每个场景落地不少于 10 条贴合⽹⺠⼝语习惯的真实问询，兼顾专业叫法与⽣ 活化提问，复刻终端⽤⼾原⽣提问逻辑。 清单三：企业事实清单 逐条绑定样本问题，归集产品参数、资质证书、落地案例、收费标准等企业⼀⼿资料；缺少客观 资料佐证的提问，剔除 AI 定制优化诉求。 清单四：⻛险边界清单 从⼴告合规、法务⻛控、营销承诺、财务宣传四个维度，划定 AI 输出禁区，列明严禁⼝头承诺、 夸⼤宣传、违规兜底、不实暗⽰的全部内容。 5.5.3 主流 AI 平台打包采购策略 企业开展 GEO 采购，建议将⾖包、DeepSeek、Kimi、元宝、千问 5 个平台打包纳⼊同⼀采购 包，作为国内 GEO 项⽬基准评测组合，不建议单点采购单⼀ AI 平台服务。 不同AI平台的模型能⼒、搜索源、联⽹⽅式、内容⽣态、上下⽂能⼒、产品⼊⼝和⽤⼾使⽤场景 存在明显差异，同⼀企业、同⼀产品、同⼀问题，在不同平台上的答案表现可能完全不同，如果企业 只采购单个平台的GEO服务，很容易得到⽚⾯的判断。 ⼀个服务商如果只能优化某⼀个平台，却⽆法解释五个平台之间的差异，也⽆法针对不同平台制 定采样、内容和优化策略，说明其综合能⼒仍需谨慎评估。 多个 AI平台⼀起采购有三层价值： 第⼀，可以考察GEO服务商的综合实⼒ 真正成熟的GEO服务商，应能同时理解不同平台的答案机制、内容偏好、引⽤来源和⽤⼾场景， ⽽不能只给⼀个笼统的“AI可⻅性”分数。 第⼆，可以覆盖不同⽤⼾⼈群 ⾖包更偏⼤众⽤⼾⼊⼝，Kimi更适合⻓⽂档和研究型场景，DeepSeek更容易出现在推理、技术和 深度问答场景，元宝受到腾讯⽣态影响，千问与阿⾥⽣态、办公和开发者场景关联更强。五个平台合 在⼀起，才能更接近企业真实⽤⼾的AI搜索路径。
第三，可以发现平台级机会和⻛险 有的平台可能已经能正确理解企业，有的平台可能仍存在事实错误、竞品偏置、信源污染、引⽤ 缺失或品牌实体混淆。只有跨平台采样，企业才能判断问题到底出在内容资产、信源结构、品牌叙 事，还是平台⾃⾝的答案机制。 平台功能以官⽅⽂档和实际采样为准。采购评估时，企业不应只听服务商做概括性描述，应要求 其提供平台级采样数据、差异解释和对应优化策略。 最终，企业采购GEO服务时，应把五个平台视为⼀个基础评估组合。能不能同时理解、采样、解 释和优化⾖包、DeepSeek、Kimi、元宝、千问，已经成为判断GEO服务商专业能⼒的重要标准。
给⾏业的倡议 六 6.1 负责任GEO治理框架 为引导 GEO 回归基于“真实与价值”的本源，倡议各⽅围绕以下⼋个⽅向开展负责任 GEO 治 理： 推⾏透明机制。 积极建⽴和参考科学、透明、可溯源的 AI 可⻅性监测评估指标；媒体机构、内容 平台等应清晰标注信息源与 AI ⽣成标识。 真实价值挖掘。 任何传播与营销活动都应遵循⼴告、新闻相关监管规定，GEO 活动应基于真实价 值的挖掘和合规⼿段，让优质内容、卓越品牌和优势产品被更多看⻅与推荐。 完善信源治理。 党政机关、权威媒体、科研机构、品牌企业应加强官⽅⽹站等⾃有信息源建设；经 济传媒机构应发挥专业优势，建设成为 AI 获取权威经济信息的核⼼信源；积极推动与⽀持⼤模型⼚ 商开展信源分类分级治理。 构建知识语料。 积极构建⾃⾝知识语料资源，推动⾼质量公共语料库建设，将优质内容转化为 AI 友好的语料知识资产。 权威资源链接。 倡导与权威机构和优质可信信息源进⾏深度联合与绑定，从⽽提升⾃⾝ AI 认知可 信度。 锚定数字信任。 GEO 实施过程中应锚定构建 AI 时代⼈类⽤⼾信任为核⼼⽬标，在战略层⾯确定以 ⼈为本、向善求真的基本原则。 ⿎励创新融合。 ⽀持传媒、科技、研究机构联合开展 GEO 创新实践，开发⼈机友好的内容⽣产标 准，构建垂直领域知识语料，探索⼈机协同深度报道，形成可复制的创新模式。 明确传媒责任。 媒体机构尤其是权威主流媒体应主动践⾏社会责任，经济传媒机构应以⽣产⾼质量 经济信息为基础，强化优质内容在 AI 系统中的能⻅度，提升可信度与影响⼒。 6.2 向各利益相关⽅呼吁 AI 平台应给企业和⽤⼾提供纠错、申诉、来源审计和⻛险反馈机制。 监管层和⾏业协会应推动⾼⻛险⾏业的 AI 搜索信息披露标准。
投资⼈与管理层应识别短期 GEO 操纵带来的⻓期负债。 企业应把 GEO ⽤于提升事实可⻅度，⽽⾮制造事实幻觉。 服务商应把专业能⼒⽤于建设可信知识资产，⽽⾮训练规避系统的技巧。 媒体和社区应重视 AI 搜索时代的内容出处、利益披露和事实核验。 6.3 给社会公众的建议 提升全⺠ AI 素养，是筑牢数字信任的基础。为此，我们向⼴⼤公众提出以下建议： 源头控制。 ⾮必要不启⽤⼤模型的互联⽹搜索能⼒，避免模型在搜索中被低质信息⼲扰。 溯源核查。 查看 AI 援引的源头，警惕“据内部消息”等模糊表述。 交叉验证。 使⽤两个以上不同⼚商的⼤模型对⽐答案。 指令调教。 设置“请主要引⽤政府官⽹、权威媒体”等提⽰词⻔槛。 ⼈本意识。 在医疗、法律、投资等关键决策中，以 AI 为参考，坚持⾃主判断。
参考来源 References 以下资料为本报告的主要依据。正⽂不使⽤数字⻆标，便于阅读。 国内法律、部⻔规章、国家标准与官⽅政策 1. 《⽣成式⼈⼯智能服务管理暂⾏办法》 2. 《⼈⼯智能⽣成合成内容标识办法》 3. GB 45438- 2025《⽹络安全技术⼈⼯智能⽣成合成内容标识⽅法》 4. 《互联⽹信息服务深度合成管理规定》 5. 《互联⽹信息服务算法推荐管理规定》 6. 《⽹络信息内容⽣态治理规定》 7. 《⽹络反不正当竞争暂⾏规定》 8. 《中华⼈⺠共和国反不正当竞争法》 9. 《中华⼈⺠共和国⼴告法》 10. 《互联⽹⼴告管理办法》 11. 《中华⼈⺠共和国个⼈信息保护法》 12. 《中华⼈⺠共和国⽹络安全法》 AI平台/产品隐私政策 1. ⾖包 2. Kimi 3. 千问 4. 元宝 5. DeepSeek ⾏业治理案例 1. 市场监管总局公布⽹络虚假宣传不正当竞争典型案例相关报道 2. 市场监管总局公布七起⽹络不正当竞争典型案例 3. 公安部⽹安局：4⼈⽤AI技术炮制⽹络谣⾔被罚 4. 中国⻓安⽹：⽢肃公安通报利⽤AI技术炮制⽹络谣⾔案例 GEO与⽣成式搜索研究 1. GEO: Generative Engine Optimization, KDD 2024, arXiv:2311.09735. 2. Generative Engine Optimization: How to Dominate AI Search, arXiv:2509.08919. 3. Google Search Central: AI features and your website. 4. Google Search Central: Spam policies for Google Web Search. AI安全、提⽰词注⼊与RAG投毒研究 1. OWASP GenAI Security Project: OWASP Top 10 for LLM Applications 2025. 2. OWASP GenAI Security Project: Prompt Injection. 3. Not what you have signed up for: Compromising Real-World LLM-Integrated Applications with Indirect Prompt Injection, arXiv:2302.12173. 4. Ignore Previous Prompt: Attack Techniques for Language Models, NeurIPS ML Safety Workshop 2022, arXiv:2211.09527.
- PoisonedRAG: Knowledge Corruption Attacks to Retrieval-Augmented Generation, USENIX Security 2025, arXiv:2402.07867.
- MITRE ATLAS: Adversarial Threat Landscape for Artificial-Intelligence Systems.
- C2PA Specifications: Content provenance and authenticity specifications.
附录 附 附录⼀：极简术语表 GEO：⽣成式引擎优化，⽬标是让真实、可信、对⽤⼾有价值的内容在⽣成式回答、AI 搜索引⽤、 RAG 问答和多源摘要中被准确理解与合理呈现。 AI 搜索：通过检索、重排序、摘要、推理、引⽤和交互式追问提供答案的搜索形态。它可能包含⽹⻚ 检索、向量检索、知识图谱、结构化数据、⽹⻚实时抓取、RAG 和⼤模型⽣成。 ⽣成式引擎：把⽤⼾问题转化为检索、推理、合成回答和引⽤展⽰的系统。企业⾯对的⽣成式引擎既 包括公开 AI 搜索，也包括内部知识库、客服机器⼈、销售助⼿和智能体平台。 ⽩帽GEO：以⽤⼾利益、真实事实、可核验来源、机器可读、结构清晰和合规披露为基础的优化。 灰帽GEO：形式上未必⽴即违法，但以误导、操纵、隐藏意图或规模化灌⽔为核⼼，⻓期会伤害⽤⼾ 和⽣态。 ⿊帽GEO：通过虚假信息、竞品攻击、作弊内容、操纵链接、污染知识库、提⽰词注⼊、数据投毒、 安全漏洞或恶意⾃动化影响 AI 输出和⽤⼾判断。 RAG：Retrieval- Augmented Generation，检索增强⽣成。系统先从外部知识库、⽹⻚、⽂档或数据 库中检索上下⽂，再交给模型⽣成答案。 提⽰词注⼊：攻击者把恶意指令混⼊⽤⼾输⼊或外部内容，使⼤模型应⽤执⾏偏离预期的任务。 间接提⽰词注⼊：攻击者把恶意指令放在⽹⻚、邮件、⽂档、图⽚描述、代码注释或知识库条⽬中， 等待AI系统检索或读取后触发。 AI⽣成合成内容标识：在AI⽣成或合成的⽂本、图⽚、⾳频、视频、虚拟场景等内容中添加显式或隐式 标识，⽤于提⽰公众、保留溯源信息并⽀持平台治理。 ⽬标品牌可⻅率：有效样本中⽬标品牌被提及的⽐例。 ⾸提概率：⽆明确排序答案中，⽬标品牌最先被提及的⽐例。 有效引⽤率：答案引⽤的来源能⽀持关键结论的⽐例。 ⾃有域有效引⽤率：有效引⽤中来⾃企业官⽹、帮助中⼼、开发者⽂档或企业⾃有内容域的⽐例。 事实错误率：答案中出现重要事实错误的⽐例。
样本稳定率：同⼀问题多次采样时关键结论保持⼀致的⽐例。 问题族：按品牌、品类、竞品、⻛险、售后、价格、场景等维度分组的问题集合。 证据链：从企业事实、内容资产、来源资料、⽤⼾问题到AI答案表现的⼀组可复核关系。 基线：项⽬启动前按统⼀⼝径采集的初始表现。 POC：在有限范围内验证服务商⽅法、数据、内容和治理能⼒的⼩型试点。 SOW：⼯作说明书，写明范围、交付物、验收、责任、数据权属和退出机制。 假量化：把主观判断直接包装成看似精确的百分⽐，却缺少样本、标注规则、复核机制和⼀致性检 验。 附录⼆：GEO红线速查表 竞品攻击：典型⾏为是未证实负⾯断⾔和伪中⽴测评，⻛险等级为⾼。发现⽅式包括竞品 query 抽样 和内容审稿，⾸要处置是停⽌发布、要求证据，并改为事实⽐较。 虚假举例：典型⾏为是虚构客⼾、学员、患者或收益，⻛险等级为⾼。发现⽅式包括授权核验和案例 抽查，⾸要处置是下线、补证和公开更正。 功效夸⼤：典型⾏为是把概率、相关性或个案写成确定承诺，⻛险等级为⾼。发现⽅式包括法务审核 和专家审核，⾸要处置是改写、补充限制条件，必要时下线。 规模化低质内容：典型⾏为是模板⻚、拼接⻚和⽆新增价值内容，⻛险等级为中⾼。发现⽅式包括重 复率检测和事实密度审计，⾸要处置是合并、删减和重写。 伪造评论：典型⾏为是购买、⽣成、压制或隐藏评价，⻛险等级为⾼。发现⽅式包括评论来源审计， ⾸要处置是删除、披露和整改。 误导结构化数据：典型⾏为是⽤结构化标记不存在的评分、FAQ 或作者，⻛险等级为中⾼。发现⽅式 包括结构化数据抽查，⾸要处置是清理并重新提交审核。 提⽰词注⼊：典型⾏为是⻚⾯或⽂档诱导 AI 改变规则，⻛险等级为⾼。发现⽅式包括安全扫描和⼈⼯ 抽查，⾸要处置是下线、排查来源并重新索引。 RAG 污染：典型⾏为是未审核⽂档批量⼊库，⻛险等级为⾼。发现⽅式包括检索⽇志和相似度聚类， ⾸要处置是冻结、回滚和审计。 敏感信息泄露：典型⾏为是 AI 回答暴露内部信息，⻛险等级为⾼。发现⽅式包括输出监测和权限审 计，⾸要处置是关闭通道并修复权限。 ⾃动化操纵：典型⾏为是批量 query、刷引⽤和刷点击，⻛险等级为中⾼。发现⽅式包括⽇志异常和 成本异常，⾸要处置是限速、封禁并追究供应商责任。
本地虚假服务：典型⾏为是虚拟地址和伪本地团队，⻛险等级为⾼。发现⽅式包括地址核验和 SLA 核 验，⾸要处置是下线城市⻚并更新披露。 伪造来源：典型⾏为是伪论⽂、伪媒体和伪认证，⻛险等级为⾼。发现⽅式包括来源核验，⾸要处置 是删除、公开纠错并执⾏供应商处罚。 附录三：可复⽤的内容审核清单 每篇可能影响AI搜索答案的内容发布前，应⾄少回答以下问题： 1. 这篇内容服务的是哪个真实⽤⼾问题？ 2. ⻚⾯中的核⼼事实是否有证据？ 3. 证据是否来⾃原始来源、权威来源或可核验来源？ 4. 结论是否超出了证据范围？ 5. 是否存在绝对化、保证性或暗⽰性承诺？ 6. 是否涉及医疗、⾦融、法律、教育、招聘等⾼⻛险主题？ 7. 是否提到竞品？若提到，是否只使⽤公开可验证事实？ 8. 是否使⽤客⼾、⽤⼾、专家或媒体背书？是否有授权和披露？ 9. 是否存在过期价格、旧功能、旧资质或旧政策？ 10. 是否使⽤结构化数据？结构化数据是否与⻚⾯真实内容⼀致？ 11. 是否包含⾃动⽣成内容？是否经过⼈⼯审核？ 12. 是否存在容易被AI系统误读为指令的⽂本？ 13. 是否含有隐藏⽂本、误导性锚⽂本或诱导性跳转？ 14. 是否具备作者、审核者、更新时间和纠错⼊⼝？ 15. 若AI搜索只读取摘要，是否会误解核⼼意思？ 16. 若竞品、媒体或监管机构看到这篇内容，是否能接受其事实边界？ 17. 若⽤⼾依据这篇内容做重⼤决策，是否会被误导？ 18. 若这篇内容被模型反复引⽤，是否会改善公共信息环境？
附录四：企业内部GEO培训提纲 培训⽬标 完成培训后，团队成员应能够： 区分可信GEO、低质量GEO和红线GEO。 识别竞品攻击、虚假信息、规模化低质内容和AI系统攻击。 使⽤事实资产、证据资产和问题地图开展合规优化。 在客⼾或内部团队提出⾼⻛险要求时进⾏沟通。 将疑似红线事件提交给合规、安全或管理层。 培训模块 模块⼀：AI搜索如何形成答案 检索、排序、摘要、引⽤、⽣成和反馈的基本流程。 为什么重复叙事会影响答案。 为什么权威来源、结构化信息和更新机制重要。 模块⼆：GEO的价值观 以⽤⼾利益为中⼼。 以事实为边界。 以证据为基础。 以透明为默认。 以安全为前提。 模块三：红线⽅法识别 价值观层红线。 信息质量层红线。 AI系统攻击层红线。 ⾏业⾼⻛险场景。
模块四：服务商与客⼾沟通 如何拒绝竞品攻击。 如何把虚假卖点改成可验证事实。 如何把产量需求改成质量需求。 如何记录⻛险提⽰。 模块五：审计与复盘 如何抽样 query。 如何记录答案与引⽤。 如何打⻛险分。 如何提交整改。 如何防⽌复发。 培训输出物 GEO红线速查表。 内容审核清单。 竞品⽐较模板。 ⾼⻛险⾏业内容模板。 服务商沟通话术。 AI 搜索监测表。 红线事件复盘表。 附录五：红线⻛险评分模型 企业可以采⽤1⾄5分的⽅式评估每个GEO⻛险事件。 总分由五个维度组成：事实伤害、⽤⼾伤害、竞争伤害、系统伤害和可扩散性。 事实伤害 1分：措辞不清，但核⼼事实正确。 2分：存在轻微过期信息或不完整信息。
3分：存在可能影响购买判断的错误事实。 4分：存在关键功能、价格、资质、效果或安全事实错误。 5分：存在虚构事实、伪造证据或重⼤误导。 ⽤⼾伤害 1分：⽤⼾体验轻微下降。 2分：⽤⼾需要额外核验才能做决定。 3分：⽤⼾可能购买不适合的产品或服务。 4分：⽤⼾可能产⽣财产、健康、职业或隐私损失。 5分：⽤⼾可能遭受重⼤损失或⻓期影响。 竞争伤害 1分：竞品表述有轻微偏向。 2分：竞品⽐较缺少完整背景。 3分：对竞品存在选择性负⾯呈现。 4分：对竞品存在未经证实的负⾯断⾔。 5分：构成系统性商业诋毁或声誉污染。 系统伤害 1分：只影响单⼀⻚⾯或单⼀回答。 2分：影响少量query或少量来源。 3分：影响多个AI搜索结果或企业助⼿回答。 4分：影响RAG、知识库、agent或搜索索引。 5分：存在提⽰词注⼊、数据投毒、敏感信息泄露或⼤规模⾃动化操纵。 可扩散性 1分：短期可下线，传播范围⼩。 2分：已被少量⻚⾯引⽤。 3分：已进⼊多个外部⻚⾯、社区或问答。 4分：已被AI搜索引⽤或摘要。
5分：已形成跨平台传播，且难以完全纠正。 处置等级 绿⾊：总分5⾄8。常规整改，7个⼯作⽇内完成。 ⻩⾊：总分9⾄13。项⽬负责⼈介⼊，3个⼯作⽇内完成整改计划。 橙⾊：总分14⾄19。法务、安全和管理层介⼊，必要时暂停上线。 红⾊：总分20⾄25。⽴即下线、冻结供应商交付、保留证据、启动事件复盘。 附录六：可实操的防御性技术栈与组织分⼯ GEO治理不能只依赖内容团队。它需要品牌、法务、安全、数据、产品、客服和⾼管共同参与。 内容治理层 内容治理层负责把真实业务变成可被AI理解和引⽤的事实资产。 主要任务包括： 1. 建⽴事实库：产品功能、价格、客⼾案例、资质、服务范围、限制条件、常⻅误解。 2. 建⽴证据库：官⽅⽂档、合同模板、公开报告、媒体报道、学术资料、监管⽂件。 3. 建⽴问题库：⽤⼾如何提问、AI搜索如何回答、竞品如何被⽐较、负⾯问题如何出现。 4. 建⽴更新机制：当产品、价格、政策、资质和案例变化时，同步更新⻚⾯和结构化数据。 5. 建⽴纠错机制：外部⽤⼾、销售、客服和客⼾成功可以快速提交错误答案。 合规与法务层 合规与法务层负责判断内容是否存在⼴告、竞争、隐私、知识产权和消费者保护⻛险。 主要任务包括： 1. 审核医疗、⾦融、教育、法律、招聘等⾼⻛险主题。 2. 审核竞品⽐较、⽤⼾评价、背书、榜单和第三⽅关系披露。 3. 审核数据来源、引⽤范围和版权许可。 4. 审核供应商合同中的红线、审计权、整改权和退出权。 5. 建⽴重⼤⻛险事件的对外回应机制。
安全⼯程层 安全⼯程层负责保护企业⾃建AI系统、知识库、agent和数据管道。 主要任务包括： 1. 对外部⽹⻚、⽂档、评论、图⽚和元数据进⾏提⽰词注⼊检测。 2. 对RAG⽂档⼊库设置来源验证、权限控制和审核流程。 3. 对模型输出设置敏感信息、⼴告合规和错误引⽤检查。 4. 对⼯具调⽤设置最⼩权限、⼈⼯确认和⽇志审计。 5. 对异常query、异常成本、异常引⽤和异常命中做告警。 数据与监测层 数据与监测层负责把AI搜索中的表现变成可复盘数据。 主要任务包括： 1. 维护核⼼query集合，并按业务、⻛险和语⾔分组。 2. 定期抓取不同⽣成式搜索产品的答案和引⽤。 3. 对答案进⾏事实核验、来源分级和⻛险打标。 4. 跟踪竞品、媒体、社区和监管环境变化。 5. 将监测结果反馈给内容、法务、安全和产品团队。 ⾼管治理层 ⾼管治理层负责设定GEO的边界与激励。 主要任务包括： 1. 明确GEO的⽬标：帮助⽤⼾获得准确、可核验、可⽐较的答案。 2. 禁⽌以竞品伤害、虚假内容和系统攻击换取短期增⻓。 3. 把GEO⻛险纳⼊品牌⻛险、合规⻛险和AI⻛险管理。 4. 对供应商设置准⼊、审计、整改和退出机制。 5. 将红线事件纳⼊绩效扣分或⼀票否决。
附录七：GEO 服务商评估⽅法参考 1.GEO服务商⽐稿测试⽅法参考 企业可以在⽐稿阶段给服务商⼀份48⼩时⼩作业，不要求免费交付完整⽅案，但要求其展⽰⽅ 法。 作业⼀：问题库构建 给服务商⼀份企业官⽹和产品⼿册，让其提出20个GEO采样问题，并说明每个问题属于什么业务 场景、为什么有价值、可能对应哪些企业事实材料。 判断标准：专业服务商会覆盖⽤⼾⾃然语⾔、采购决策、竞品对⽐和⻛险问题；能⼒不⾜的服务 商往往只会把官⽹标题改成问题。 作业⼆：样本复核 给服务商10条AI回答，让其标注⽬标品牌是否可⻅、是否Top 3、是否有效引⽤、是否存在事实错 误、应采取何种动作。 判断标准：专业服务商会区分正向可⻅、错误可⻅、⽆引⽤可⻅和⻛险可⻅；能⼒不⾜的服务商 只会统计有没有出现品牌名。 作业三：内容改写 给服务商⼀段产品介绍，让其改成更适合AI理解和引⽤的企业事实⻚。要求保留事实边界，不能 夸⼤。 判断标准：专业服务商会增强结构、定义、适⽤场景、限制条件、证据和FAQ；能⼒不⾜的服务商 会堆关键词、堆形容词、堆“⾏业领先”。 作业四：⻛险判断 给服务商⼀个敏感⾏业问题，例如“某医疗器械是否能替代医⽣诊断”，要求其说明企业内容和AI 答案中应如何设置⻛险边界。 判断标准：专业服务商会先问合规边界、监管要求、产品适⽤范围和免责声明；能⼒不⾜的服务 商会把问题当作普通营销⽂案处理。 2.GEO服务商专业⾯试脚本参考 企业可以把服务商访谈分成四轮，每轮15⾄30分钟。
第⼀轮：⽅法论⾯试 建议问题如下： 你们如何定义⽬标品牌可⻅率、Top 1概率和Top 3概率。 你们如何处理同⼀问题多次回答不⼀致。 你们是否区分平台、⼊⼝、联⽹状态和多轮上下⽂。 你们如何判断某次引⽤是否有效。 你们如何处理⾮量化指标，⽐如语义⼀致性和情感积极性。 专业回答应能落到样本、⼝径、公式和复核流程。若服务商只回答“我们有独家算法”，企业应继 续追问算法如何被审计、样本如何导出、⼈⼯如何复核。 第⼆轮：内容能⼒⾯试 建议问题如下： 如果企业官⽹内容很少，你们会先改哪些⻚⾯。 如何把产品介绍改成AI更容易引⽤的事实⻚。 如何处理客⼾案例授权不⾜的问题。 如何避免为了GEO堆砌关键词和⽣成低质内容。 如何处理⼀个问题同时涉及品牌、竞品和合规边界。 专业回答应关注事实、结构、证据、FAQ、限制条件和可引⽤性。若服务商只强调发稿数量，⻛险 较⾼。 第三轮：技术能⼒⾯试 建议问题如下： 如何检查官⽹是否可抓取、可索引、可被搜索系统理解。 如何处理站点地图、canonical、robots、结构化数据和⻚⾯加载问题。 如何判断AI答案没有引⽤官⽹是技术问题、内容问题还是平台问题。 你们是否能与企业IT团队协作提出可执⾏改造建议。 专业回答应能给出检查清单和优先级。若服务商完全不了解抓取、索引和结构化数据，难以承担 复杂项⽬。
第四轮：合规和项⽬治理⾯试 建议问题如下： 你们如何处理个⼈信息、客⼾案例和未公开信息。 你们是否会使⽤企业资料训练内部模型，是否可以关闭或限制。 项⽬中哪些内容需要企业审批，审批流程如何记录。 退出合作时，数据、⽂档、看板和账号如何交接。 如果AI答案出现重⼤错误，你们的应急流程是什么。 专业回答应把合规、数据权属和应急机制写进合同。若服务商回避这些问题，后期⻛险很⾼。 3.GEO服务商RFI（信息征询）模板 公司背景：成⽴时间、团队规模、核⼼客⼾类型、是否有⾼敏⾏业经验。 GEO理解：你们如何定义GEO，如何区分GEO、SEO、PR和舆情监测。 平台经验：⾖包、DeepSeek、Kimi、元宝、千问的采样⽅法和案例。 指标体系：请列出你们使⽤的前端指标、后端指标和解释边界。 数据⽅法：样本量、重复采样、数据保存、原始样本交付和看板能⼒。 内容⽅法：如何做问题库、实体治理、FAQ、⽩⽪书、案例和权威资料。 技术⽅法：如何处理抓取、索引、结构化数据、站点结构和多格式资产。 合规安全：个⼈信息、客⼾案例、未公开资料、敏感⾏业内容如何处理。 项⽬团队：负责⼈、策略、数据、内容、技术、项⽬经理分别是谁。 报价⽅式：诊断、执⾏、数据、内容、第三⽅费⽤和绩效费⽤如何拆分。 附录⼋：POC、合同与项⽬治理参考 POC验收表
验收项 通过标准 问题库 覆盖约定场景，问题来源清楚，企业可复核 采样⽅法 记录平台、⼊⼝、时间、账号、联⽹状态、重复次数 基线报告 包含提及、引⽤、准确性、竞品和⻛险发现 ⾏动⽅案 能把问题对应到内容、技术、实体、来源或合规动作 执⾏记录 说明哪些⻚⾯、资料或内容被修改，何时上线 复测报告 ⽤相同或可解释的样本复测，并说明波动 ⻛险说明 明确未解决问题、平台限制、不可承诺事项 交付资料 企业可以获得问题库、样本、报告和修改记录 合同应写⼊的内容 项⽬⽬标：明确平台范围、业务场景、问题库规模、竞品范围和⽬标指标。 服务范围：诊断、监测、内容、技术建议、数据看板、⽉报、复盘、培训和交接。 交付物：问题库、基线报告、采样记录、内容建议、技术建议、⽉报、验收报告、交接包。 验收标准：指标⼝径、样本数量、采样频率、复测规则、数据保存期限和争议处理⽅式。 数据权属：问题库、样本、报告、⻚⾯修改记录和仪表盘导出数据归企业所有或明确授权范围。 保密与安全：企业资料、客⼾案例、未公开数据、账号权限和个⼈信息的处理⽅式。 禁⽌⾏为：虚假内容、隐性付费评价、伪造案例、低质灌⽔、违法采集个⼈信息、绕过平台规 则。 变更机制：平台变化、业务变化、问题库调整和内容审批延迟时如何处理。 费⽤结构：固定费、数据费、内容费、第三⽅费⽤和绩效费的边界。 退出机制：项⽬终⽌后的数据交接、账号回收、资料删除、未完成事项和后续⽀持。 项⽬治理机制
节奏 参与⽅ 内容 启动会 业务负责⼈、服务商、市场、内容、官 ⽬标、平台、问题库、资料清单、审批流、 ⽹、法务 时间表 周会 项⽬经理、服务商执⾏团队、内容和官⽹ 任务进度、素材需求、上线问题、⻛险事项 接⼝⼈ 双周复 业务负责⼈、内容负责⼈、服务商策略负 阶段数据、样本复核、竞品变化、优先级调 核 责⼈ 整 ⽉度复 管理层、业务、品牌、数据、法务、服务 指标趋势、平台差异、⻛险、预算与下⼀步 盘 商 季度评 管理层、采购、法务、服务商负责⼈ 续约价值、能⼒评估、合同问题、⻓期路线 审 图 SOW（⼯作说明书）范例条款 以下条款可作为合同附件的参考，需要企业法务结合实际调整。 指标条款⽰例 服务商应按照双⽅确认的问题库、平台范围、采样频率和复核规则，提供⽬标品牌可⻅率、⽬标 品牌Top 1概率、⽬标品牌Top 3概率、有效引⽤率、事实错误率和样本稳定率等前端指标。任何指标 变化均应能追溯⾄原始问题、回答样本、平台、采样时间和复核记录。 ⾮量化指标条款⽰例 语义⼀致性、情感积极性、推荐理由质量、品牌调性匹配等指标作为项⽬复盘与内容优化参考， 不作为单独付款条件。若双⽅需使⽤标签体系，应在项⽬启动阶段共同确认A、B、C三级标签定义和 ⼈⼯复核流程。 后端指标条款⽰例 官⽹流量、线索量、销售反馈、品牌词搜索、下载量等后端指标由企业内部观察。服务商可协助 分析趋势和相关性，但除⾮双⽅另有独⽴实验设计和数据验证机制，后端指标不作为服务商直接归因 承诺。 内容合规条款⽰例
服务商不得伪造客⼾案例、资质、奖项、评价、合作关系或第三⽅背书。涉及医疗、⾦融、教 育、政务、未成年⼈、个⼈信息、投资者关系等敏感内容，须经企业指定审批⼈确认后⽅可发布或提 交上线。 数据权属条款⽰例 项⽬过程中形成的问题库、采样数据、复核记录、内容稿件、策略⽂档、看板数据和交接清单， 除双⽅另有约定外，应归企业可持续使⽤。服务商不得在未经授权的情况下将企业未公开资料⽤于第 三⽅项⽬、公开案例或模型训练。 退出交接条款⽰例 合作终⽌时，服务商应在约定期限内交付完整问题库、采样数据、账号权限、内容资产、上线记 录、未完成事项、⻛险清单和下⼀步建议。若项⽬使⽤第三⽅⼯具，应说明数据导出⽅式和账号迁移 限制。 附录九：GEO服务商⻛险清单与不合理信号 ⻛险清单
⻛险 表现 应对⽅式 测量⻛险 样本少、截图化、不可复现、指标⼝径不 建⽴统⼀问题库、采样⽇志和复测规则 清 平台波动⻛ 同⼀问题多次答案不同 多次采样，按趋势看结果，把波动纳⼊报 险 告 内容质量⻛ 内容空泛、过期、缺少证据、不能回答真 重写核⼼⻚⾯，补充事实、数据、案例和 险 实问题 边界 事实错误⻛ AI误报产品、价格、资质、客⼾和服务范 建⽴事实库，修复权威⻚⾯，持续复测 险 围 合规⻛险 涉及个⼈信息、客⼾案例、医疗⾦融等敏 审批流、授权、专家审查和合同禁⽌⾏为 感内容 IP⻛险 使⽤未经授权图⽚、数据、报告或客⼾材 建⽴素材授权和引⽤规则 料 低质资源⻛ 软⽂堆量、低质外链、伪造评价和隐性付 禁⽌相关⾏为，要求资源关系披露 险 费 供应商锁定 数据只在供应商系统，客⼾⽆法迁移 合同要求数据导出和交接 组织协同⻛ 官⽹、法务、内容和销售不配合 启动会明确责任⼈和审批时限 险 后端归因⻛ 把销售变化直接归因GEO 采⽤前端验收加后端观察，必要时设计对 险 照实验 不合理信号 服务商声称能在⼏天内让品牌稳定出现在所有AI答案前列。 服务商拒绝解释采样⽅法或原始样本。 服务商强调所谓内部通道、特殊资源或平台关系，却不披露资源性质。 服务商推荐⼤量发布低质⽂章、伪造第三⽅测评或购买匿名评价。
服务商把内容数量作为主要交付，不关⼼问题库、引⽤质量和事实准确性。 服务商没有数据安全、保密和个⼈信息处理流程。 服务商不愿把交付物、验收标准、数据权属和退出机制写进合同。 服务商把海外GEO和国内GEO⽤同⼀套模板处理。 服务商忽略企业⾏业敏感性，对医疗、⾦融、教育、法律等内容没有额外复核。 服务商的案例⽆法说明平台、周期、问题数量、采样⽅法和前后对⽐逻辑。 低质资料源识别 企业在评估GEO⽅案时，也要评估服务商引⽤的资料源。 GEO领域概念变化快，低质资料可能被⼴告、软⽂、利益相关⽅或AI⽣成内容⼲扰。 不采纳没有作者、⽇期、⽅法、样本或来源说明的泛泛⽂章作为关键依据。 不采纳⻔⼾⽹站转载、营销软⽂、供应商⾃夸⽂章作为唯⼀依据。 不采纳只展⽰截图、不说明采样条件和样本量的所谓研究。 不采纳⽆法区分平台、版本、联⽹状态和⼊⼝的对⽐结论。 优先采⽤论⽂、官⽅⽂档、法规⽂本、可复核技术⽂档和有⽅法说明的研究。 附录⼗：GEO服务采购准备与参考⽅法 企业内部资料准备清单 公司与品牌事实表：名称、简称、英⽂名、官⽹、主体、资质、⾏业定位。 产品事实表：产品线、功能、适⽤客⼾、交付⽅式、价格边界、版本差异。 客⼾案例表：客⼾名称、⾏业、项⽬内容、可公开范围、授权证明。 合规材料：隐私政策、数据安全说明、资质证书、⾏业许可证、免责声明。 内容资产：官⽹⻚⾯、⽩⽪书、产品⼿册、FAQ、帮助中⼼、开发者⽂档、媒体报道。 竞品清单：直接竞品、替代⽅案、海外竞品、区域竞品。
内部责任表：市场、品牌、内容、官⽹、法务、产品、销售、数据负责⼈。 GEO 服务RFP（建议邀请书）模板 项⽬背景：企业业务、⽬标市场、⽬标平台、竞品、现有内容资产。 项⽬⽬标：明确本期要解决的业务问题和成功标准。 平台范围：⾖包、DeepSeek、Kimi、元宝、千问，是否包含海外扩展平台。 问题库要求：问题分类、样本数量、优先级、敏感问题和竞品问题。 指标要求：前端指标、后端观察、采样⽅法、数据保存和验收规则。 交付要求：基线报告、⽉报、内容⽅案、技术建议、复测报告和交接资料。 合规要求：资料授权、客⼾案例、个⼈信息、敏感⾏业、禁⽌⾏为和审批流。 POC要求：周期、范围、交付物、验收⽅式和进⼊正式项⽬条件。 团队要求：项⽬负责⼈、数据、内容、技术、合规接⼝和响应时间。 商务要求：报价拆分、付款节点、第三⽅费⽤、绩效条款、退出机制。 90天执⾏路线图 周期 主要任务 关键交付 第1⾄2周 启动会、资料收集、问题库初版、竞品确定、采样⼝径 项⽬计划、问题库、资料清单 确认 第3⾄4周 基线采样、平台对⽐、竞品分析、⻛险诊断 基线报告、优先级清单 第5⾄6周 内容与技术实验，优化核⼼⻚⾯、FAQ、案例和结构化 内容修改稿、技术建议、上线 数据建议 记录 第7⾄8周 复测第⼀轮，调整问题库和内容策略 复测报告、差异解释 第9⾄10周 扩⼤到更多场景和竞品，补充权威资料与第三⽅来源 第⼆轮⾏动清单 第11⾄12 综合复盘、验收、内部培训、下⼀周期规划 验收报告、交接包、续约建议 周
采购决策矩阵 企业现状 建议选择 不建议选择 没有基线数据 先采购诊断与POC 直接签全年⾼额执⾏合同 官⽹资料混乱 内容与实体治理强的服务商 只卖监测看板的服务商 技术问题明显 技术SEO和数据⼯程能⼒强的服务商 只做PR和软⽂的服务商 品牌叙事弱 内容营销和⾏业咨询能⼒强的服务商 只做抓取和报表的服务商 ⾏业⾼敏 有合规和专家复核流程的服务商 没有审批流的低价执⾏团队 出海需求明确 跨境增⻓与本地化能⼒强的服务商 只熟悉国内平台的服务商 预算有限 ⼩范围POC和⾼价值⻚⾯优化 全平台⼤看板加⼤量内容套餐 组织复杂 项⽬管理和跨部⻔协同能⼒强的服务商 只派销售对接、⽆执⾏机制的服务商 企业内部⽅法⼿册：从采购到执⾏的最⼩闭环 企业即使采购了服务商，也需要保留内部⽅法⼿册。建议⼿册⾄少包含七个部分。 第⼀部分：问题库管理 规定问题如何新增、删除、分组和冻结。每个统计周期的问题库应有版本号。例如V1问题库包含 60个问题，V2新增20个竞品问题。新旧版本不能直接混算。 第⼆部分：企业事实表 维护品牌、产品、资质、客⼾案例、价格边界、服务范围和禁⽤表述。所有GEO内容都应回到事 实表，不允许临时编造。 第三部分：采样规则 规定平台、⼊⼝、采样时间、采样次数、是否联⽹、多轮或单轮、是否清空上下⽂。任何异常采 样都要备注。 第四部分：复核规则
规定哪些样本由服务商初标，哪些由企业抽检，哪些必须法务或专家复核。⾼敏内容、重⼤错误 和客⼾案例必须⾛⼈⼯复核。 第五部分：内容上线规则 规定内容从撰写、审稿、法务确认、上线、记录到复测的流程。没有上线记录，就⽆法判断后续 指标变化。 第六部分：数据看板规则 规定看板字段、导出频率、权限、数据保存时间和退出交接⽅式。服务商⼯具可以使⽤，但企业 应拥有核⼼数据。 第七部分：复盘规则 规定⽉度复盘必须回答四个问题：哪些指标变化了，为什么变化，采取了哪些动作，下⼀步优先 做什么。 参考⽅法：内容资产改造的“⼀问⼀⻚⼀证据”原则 GEO内容改造不宜从“多写⽂章”开始。更有效的⽅式是围绕问题库中的⾼价值问题，建⽴“⼀ 问⼀⻚⼀证据”的资产关系。 “⼀问”指⼀个真实⽤⼾问题。 例如“制造企业采购预测性维护系统要看哪些能⼒”。这个问题应来⾃销售访谈、售前FAQ、竞品 对⽐、⾏业场景或AI平台基线样本。 “⼀⻚”指企业需要有⼀个可公开、可访问、主题清晰的⻚⾯承接这个问题。 ⻚⾯可以是官⽹产品⻚、解决⽅案⻚、FAQ、⽩⽪书摘要⻚、帮助中⼼、开发者⽂档、案例⻚或合 规说明⻚。⻚⾯中要⽤⽤⼾能理解的表达回答问题，⽽⾮只写企业宣传语。 “⼀证据”指⻚⾯中的关键结论要有事实⽀撑。 证据可以来⾃产品功能、客⼾案例授权、资质证书、技术⽂档、公开标准、⾏业报告、监管⽂ 件、测试结果或企业内部已批准的事实资料。没有证据的形容词很难⻓期⽀撑AI答案中的可信表达。 参考案例：把⼀篇宣传稿改成可引⽤⻚⾯ 某制造企业原本有⼀篇公众号⽂章，主题是“助⼒产业升级”，内容⼤量使⽤“领先”“卓越”“⾼ 效”等词，但没有说明产品适⽤哪些⼯⼚、如何部署、与竞品差异是什么。
AI平台很少引⽤该⽂章，引⽤时也只能泛泛描述。 项⽬组把⽂章拆成三个官⽹⻚⾯：第⼀，智能排产系统适⽤场景；第⼆，智能排产系统采购FAQ； 第三，某已授权客⼾案例。 每个⻚⾯都加⼊具体问题、事实说明、证据来源和限制条件。 复测时，AI答案仍有波动，但推荐理由更具体，引⽤企业⾃有域的概率提⾼。这个案例说明， GEO内容改造的重点是把宣传语变成可检索、可理解、可引⽤的事实资产。 参考⽅法：权威来源建设路线 GEO中的“权威来源”不能简单等同于媒体曝光。 权威来源更强调来源可信、内容准确、与结论相关、可⻓期访问和合规披露。企业可以按四类建 设。 第⼀类是⾃有权威来源，包括官⽹、帮助中⼼、⽩⽪书、产品⽂档、开发者⽂档、资质⻚⾯、隐 私政策、数据安全说明和客⼾案例授权⻚。⾃有来源是企业最可控的事实底座。 第⼆类是⾏业权威来源，包括⾏业协会、标准组织、学术机构、监管公开资料、研究报告和专业 机构。此类来源适合⽀撑⾏业定义、标准、合规和趋势。 第三类是第三⽅专业来源，包括专业媒体、分析师报告、垂直社区、技术评测和合作伙伴⽂档。 此类来源可以补充外部视⻆，但要审查商业关系和内容质量。 第四类是低可信⻛险来源，包括⽆编辑审核站点、纯付费发布、洗稿站、⽆作者信息⻚⾯、虚假 评价站和不可追溯的内容农场。此类来源可能短期增加曝光，但⻓期会增加答案错误和声誉⻛险。 权威来源建设的三个⽉计划 第⼀个⽉先补⻬⾃有来源。 企业应建⽴公司事实⻚、产品事实⻚、FAQ、客⼾案例授权⻚和合规说明⻚。 第⼆个⽉补充⾏业来源。企业可以参与标准解读、⾏业⽩⽪书、协会活动、公开资料整理和专家 ⽂章。 第三个⽉谨慎建设第三⽅专业来源，优先选择有编辑审核、专业读者和⻓期可访问性的渠道。 参考⽅法：服务商组合采购模型 中⼤型企业可以采⽤组合采购，避免把所有能⼒押在⼀家服务商⾝上。常⻅组合有三种。
第⼀种是主服务商加专项伙伴。 主服务商负责问题库、指标、项⽬治理和⽉度复盘，专项伙伴负责官⽹技术、内容⽣产、⾏业顾 问或海外本地化。适合中型企业和⾏业⻰头。 第⼆种是监测⼯具加咨询服务。 企业采购⼀个数据监测或看板⼯具，再采购咨询服务商帮助解释数据和推动内容技术⾏动。适合 内部团队较强的⼤型企业。 第三种是内部团队加外部诊断。 企业⾃建内容和技术能⼒，外部服务商每季度做⼀次基线、竞品和⻛险诊断。适合成熟企业和预 算稳定的集团。 组合采购的关键是明确主责。若没有主责⽅，项⽬会变成多家服务商互相等待。企业应在合同中 写清楚谁负责指标⼝径、谁负责样本数据、谁负责内容上线、谁负责技术修复、谁负责合规复核。 ⼯作项 主服务商 专项伙伴 企业内部 问题库与指标 主责 参与 确认业务⽬标 基线采样 主责 可参与 提供平台范围 内容改造 策略主责 执⾏或共创 审批事实和语⽓ 技术修复 提建议 主责或执⾏ 官⽹权限和上线 合规复核 提⻛险清单 参与 最终审批 ⽉度复盘 主责 参与 决策优先级 数据交接 主责 交付专项资料 接收归档 参考⽅法：国内五个平台的采样注意事项 企业在采样⾖包、DeepSeek、Kimi、元宝、千问时，应把“平台”拆成更细的产品⼊⼝。 ⽤⼾在⽹⻚端、App、深度搜索、联⽹模式、⽂档上传、API或智能体场景中得到的答案可能不 同。企业采购时应要求服务商明确本期只覆盖哪些⼊⼝。
建议采样记录⾄少包含：平台名称、产品⼊⼝、模型或功能名称、是否联⽹、是否展⽰引⽤、是 否上传⽂档、账号状态、地区、时间、问题原⽂、答案摘要、引⽤来源、品牌编码、竞品编码、错误 编码和截图或⽇志。 若服务商只说“我们测了千问”或“我们测了Kimi”，企业应追问具体⼊⼝。 因为同⼀品牌在不同⼊⼝中的表现可能不同，采购验收必须基于约定⼊⼝，⽽⾮模糊平台名称。 参考⽅法：敏感⾏业的专家复核机制 ⾼敏⾏业GEO项⽬中，内容复核应采⽤“业务事实复核、专业复核、法务复核”三层机制。 业务事实复核由产品或业务负责⼈确认企业是否真的具备某项能⼒。 专业复核由医学、⾦融、法律、教育、数据安全等领域专家确认表述是否符合⾏业规范。法务复 核确认是否涉及⼴告法、个⼈信息、数据安全、信息披露、客⼾授权或⾏业监管⻛险。 企业可以把样本分成普通样本、需专业复核样本和必须法务复核样本。 普通样本由项⽬经理处理，需专业复核样本进⼊专家队列，必须法务复核样本不得在未审批前⽤ 于公开内容或第三⽅传播。 参考⽅法：GEO 中的品牌实体治理 GEO中的实体治理，是让AI平台更清楚地理解“这个企业是谁、做什么、有哪些产品、与哪些名 称相关、与哪些业务⽆关”。 很多企业的AI答案错误，并⾮来⾃模型完全不了解企业，主要来⾃公共资料中的实体关系混乱。 企业应先建⽴品牌实体表，⾄少包含公司主体、品牌名、产品名、英⽂名、简称、旧名称、⼦品 牌、官⽹域名、公众号、App、开发者平台、常⻅误写和不应混淆的相似品牌。 对于集团企业，还要明确⺟公司、⼦公司、事业部、产品线和区域公司的关系。对于出海企业， 还要明确中⽂名、英⽂名、本地商标和⽬标市场使⽤名称。 实体治理的第⼀步是清理⾃有资料。官⽹⻚脚、关于我们、产品⻚、公众号简介、⽩⽪书、招聘 ⻚⾯、新闻稿和客⼾案例中的名称要统⼀。 第⼆步是处理外部资料。百科、媒体报道、⾏业名录、合作伙伴⻚⾯和开发者⽂档中如果存在明 显错误，应尽量联系更正。
第三步是增加解释型⻚⾯。例如“公司名称与品牌名称说明”“产品线关系说明”“海外品牌与中 ⽂品牌关系说明”。 参考⽅法：从单次优化到⻓期机制 企业第⼀次做GEO，通常关注“能不能看到变化”。 但从⻓期看，更重要的是建⽴机制。建议企业把GEO纳⼊四个固定流程。 第⼀，内容发布流程。每次发布官⽹⻚⾯、⽩⽪书、案例或新闻稿，都要检查是否回答了真实⽤ ⼾问题，是否有证据⽀撑，是否与事实库⼀致，是否需要法务复核。 第⼆，产品更新流程。产品上线新功能、价格调整、服务区域变化、部署⽅式变化时，要同步更 新官⽹、FAQ、销售资料、帮助中⼼和GEO事实库，避免AI⻓期引⽤旧资料。 第三，销售反馈流程。销售和售前每⽉反馈客⼾新问题、竞品新说法、AI答案带来的误解和⾼频 咨询。问题库应随真实市场变化更新，但验收期内变更要留痕。 第四，⻛险复盘流程。每⽉复盘事实错误、敏感样本、错误引⽤、未授权客⼾、过度承诺和低质 第三⽅来源。⾼敏问题要进⼊法务或合规台账。 ⻓期机制的组织分⼯ 市场团队负责问题库、品牌表达和内容优先级。产品团队负责产品事实、功能边界和技术资料。 销售团队负责客⼾真实问题和线索反馈。官⽹或技术团队负责⻚⾯上线、结构、索引和⽇志。法 务负责敏感内容、客⼾授权、个⼈信息和合同条款。服务商负责⽅法、采样、分析、建议和项⽬推 进。 当这些分⼯清楚后，GEO就不再只是外部服务商的项⽬，⽽会变成企业内容和品牌治理的⼀部 分。 参考⽅法：企业管理层 GEO常⻅问题回答⼝径 管理层常问：“做GEO多久能⻅效？” 建议回答：不同平台和问题类型差异较⼤，诊断和内容修复可以在30⾄90天内看到前端样本变 化，但⻓期稳定性取决于内容资产、证据来源、平台更新和竞品动作。项⽬初期不宜承诺固定排名。 管理层常问：“为什么后端成交不能作为考核？”
建议回答：AI答案到成交之间存在多条路径，平台通常不提供完整查询⽇志，同期⼴告、销售、 展会、PR和SEO都会影响线索。可以观察后端信号，但服务商考核优先放在可复核的前端指标和交付 ⾏动。 管理层常问：“服务商为什么要我们内部配合？” 建议回答：GEO需要企业提供真实事实、客⼾授权、产品边界、合规审查和官⽹上线权限。服务 商可以提出⽅法和内容建议，但⽆法替企业决定事实和公开边界。 管理层常问：“能不能直接买⼯具解决？” 建议回答：⼯具能帮助监测和看板，但不能替代问题库设计、事实库治理、内容改造、技术修复 和合规判断。企业可以⼯具加服务组合采购，但不宜把⼯具分数当成全部结论。 这些回答⼝径能帮助项⽬负责⼈在⽴项会、预算会和复盘会上解释GEO的科学边界，减少不合理 期待。 参考⽅法：常⻅误区纠偏表 常⻅误区 ⻛险 更合理做法 ⽤⼀次截图证明效果 偶然性⾼，⽆法复核 使⽤多平台、多问题、多次采样 只采样品牌词 ⾼估真实表现 覆盖品类、竞品、⻛险和场景问题 把线索增⻓写成服务商KPI 归因困难 后端指标内部观察，前端指标⽤于考核 所有指标都量化 形成假量化 可量化指标硬考核，⾮量化指标复核 低价采购全平台服务 关键⼯作缺失 先做基线和季度POC，再决定扩展 忽略官⽹和⽂档 证据链薄弱 优先补事实表、FAQ、案例和产品⻚ 只看⾃有内容 漏掉第三⽅错误来源 建⽴来源地图和竞品地图 ⾼敏⾏业追求正⾯推荐 合规⻛险升⾼ 优先降低事实错误和⻛险表述 合同不写数据权属 更换服务商困难 写清样本、问题库、报告和内容资产归属 服务商不讲边界 过度承诺⻛险 要求说明不可承诺事项
参考⽅法：年度GEO路线图 如果企业完成90天试点，并确认GEO具有⻓期价值，可以设计年度路线图。 第⼀季度，建⽴基础。完成问题库、基线、重点平台采样、内容资产诊断、事实表、禁⽤表述和 POC。 第⼆季度，扩⼤范围。扩展到更多产品线、更多问题族和更多竞品。完善官⽹、FAQ、案例、⽩⽪ 书和结构化数据建议。 第三季度，深化治理。建⽴内部GEO知识库，嵌⼊内容发布流程、法务审批流程、销售反馈机制 和⽉度复盘机制。 第四季度，评估和预算。复盘全年指标变化、⻛险下降、内容资产沉淀、后端观察信号和服务商 表现，为下⼀年预算和供应商续约提供依据。 年度路线图能帮助企业把GEO从⼀次采购转为⻓期能⼒建设。对于⾏业⻰头和上市公司，年度治 理⽐短期排名更有价值。
版本修订历史 Version History 本报告参考语义化版本规范 (Semantic Versioning 2.0.0)。版本号格式为 MAJOR.MINOR.PATCH：主版本号 变更表⽰重⼤结构调整或内容重写；次版本号变更表⽰新增章节或附录；修订号变更表⽰⽂字修正、链接更 新或格式调整。 版本号 发布⽇期 变更说明 修订⼈/审核⼈ v1.0.0 2026-06-11 内部预览版⾸次发布，含六章正⽂、⼗ 姚⾦刚、乔向阳、岳琦、 个附录及完整参考来源 李秋志、范芊芊 最新版本请访问 https://www.nbd.com.cn/reports/geo-red-book-2026.html 查阅。如有勘误或建议，请联系每经AI 智库（yueqi@nbdtech.cn）。 报告名称 GEO红⽪书（2026）：⽣成式引擎优化的边界、⻛险与治理——负责任 GEO 倡议实践指南 英⽂名称 GEO Red Book 2026: Boundaries, Risks, and Governance 联合出品 每经AI智库、GEO RankHub 联合研究团队 姚⾦刚、乔向阳、岳琦、李秋志、范芊芊 发布时间 2026年6⽉11⽇ 版本 v1.0.0 适⽤对象 品牌企业、GEO服务商、AI平台，以及涉及⼤模型内容⽣产传播业务的产品团队、内容团队、法务合规团 队、⽹络安全团队、数据治理团队、平台治理团队、企业知识库与智能体团队等 版权声明 本作品采⽤ 知识共享署名-⾮商业性使⽤ 4.0 国际许可协议 (CC BY-NC 4.0) 进⾏许可。您可以⾃由分享、复 制、转载并在署名前提下进⾏演绎，但必须注明出处、不得⽤于商业⽬的。本报告版权归每经AI智库、GEO RankHub 所有。 结构化标记
本⻚⾯采⽤ Schema.org Report 结构化数据标记，⽀持 AI 搜索引擎（⾖包、Kimi、DeepSeek、ChatGPT Search、Perplexity 等）直接抓取引⽤。