山君GEO · 2026 生成式引擎优化（GEO）实战与方法论白皮书

一、不同人群 × AI应用 洞察分析

基于明略DMP大数据，对于不同人群中的主流AI产品使用情况进行洞察分析。

特定人群（如GenZ、白领、妈妈）和消费群体（如宠物、金融）AI使用显著高于整体。

不同特征人群中：GenZ、新锐白领、精致妈妈比整体人群，AI使用率TGI更高

（AI产品使用率TGI：特征定义人群）

不同消费人群中：宠物、金融理财、教育培训群体的AI使用倾向显著高于整体。

（AI产品使用率TGI：消费人群）

数据来源：明略DMP 数据 分人群TGI计算（本人群使用**AI的比例/整体人群使用**AI的比例）*100

二、不通品类消费者使用AI的程度

C端消费品，高消费决策投入，对专业知识要求高的品类，例如宠物用品，3C数码，汽车等，使用AI工具的程度更高（每次都用+经常用比例高）。

低消费投入、费用较低，对专业知识要求不高的品类，如食品饮料，洗发护发产品，使用AI工具的程度相对低。

各品类消费：使用AI工具的程度%

↑ 高 决策复杂程度 低

数据说明：CAAC&明略《AI对话与消费决策研究报告（2026Q1）》 调研时间 2026年2月 N=1000

三、消费者如何使用AI？-调研回忆

基于秒针系统2026年2月的消费者调研，用户回忆的使用习惯。

每日高频用户近3成

使用AI对话工具的频率%

以APP为主使用的用户超过7成

使用方式%

总是/经常点链接的用户不足一半

是否点击查看引用链接%

GEO相关：生活场景>消费场景

AI对话工具使用场景%

数据说明：CAAC&明略《AI对话与消费决策研究报告（2026Q1）》 调研时间 2026年2月 N=1000

四、不同人群 × AI应用 洞察分析（续）

基于明略DMP大数据，对于不同人群中的主流AI产品使用情况进行洞察分析。

豆包、千问因基数大，特定人群的差异小于其它模型。DeepSeek和Kimi人群特征更突出。

不同性别人群使用AI与整体的差异小：特别是用豆包和千问，基本无明显的差异

（不同人群 vs 整体人群，使用AI产品的比例差异TGI）

不同年龄人群与整体差异大：特别是DeepSeek，Kimi，年轻人占比的TGI显著较高

（不同人群 vs 整体人群，使用AI产品的比例差异TGI）

数据来源：明略DMP 数据 分人群TGI计算（本人群使用**AI的比例/整体人群使用**AI的比例）*100

五、消费者如何向AI提问？-调研回忆

整体来看，用户在消费相关场景中向AI提问时，以品牌推荐、品类知识为主。

消费场景中，会向AI提哪些问题%

不同品类在问题上有较大的差异性。与整体相比，各品类都有一些相比其它品类"更重要"或者"不太重要"的问题。

数据说明：CAAC&明略《AI对话与消费决策研究报告（2026Q1）》 调研时间 2026年2月 N=1000

六、消费者如何向AI提问？-行为监测

基于秒针CBP（Consumer Behavior Panel 消费者行为样组）对手机端AI使用行为的洞察发现：

真实的AI对话场景中，消费者在一些品类中的提问非常分散。问题极其个性化。

真实典型示例：

• 极氪8X这辆车的优缺点以及跟它的竞品的优缺点分析对比。
• 拍照要4K高清图片，有哪些手机有这些功能？

汽车

数码3C

数据说明：秒针CBP，2026年1-6月

七、消费者如何向AI提问？-行为监测（续）

基于秒针CBP（Consumer Behavior Panel 消费者行为样组）手机端AI使用行为的洞察发现：

真实的AI对话场景中，消费者在部分品类上的问题的细分品类的数量分布，反映了细分品类的AI互动渗透情况。也可以通过行为监测获得相对准确的答案。例如宠物类中猫粮的问题数量超过狗，美妆品类中彩妆是提问最多的细分品类。

真实典型问题示例：

• 逗猫拍打板砖怎么用？这款猫粮怎么样，可以给猫当主食饭常期吃吗？
• 后西施美白祛斑怎么样，临床效果好吗？成分？

宠物

美妆护肤

数据说明：秒针CBP，2026年1-6月

八、消费者如何向AI提问？-行为监测（续）

基于秒针CBP（Consumer Behavior Panel 消费者行为样组）对手机端AI使用行为的洞察发现：

真实的AI对话场景中，消费者在部分品类上的问题较为集中，如家居行业装修类的问题占比较高，服装行业如何搭配的问题占比非常高。

真实典型示例：

• 2000-3000之间的电视最新款推荐购买。
• 身材宽大女性穿什么衣服好看？男式唐装衣裤如何搭配。

家居家装

服装鞋帽

数据说明：秒针CBP，2026年1-6月

九、消费者对AI工具的态度：整体正向

2026年初，中国AI用户对AI工具的态度非常正面化。首先，对于AI渠道中的信息，用户信任程度很高，仅次于朋友家人、品牌官方网站和新闻媒体，高于搜索引擎和社交媒体等。

AI用户对各渠道的信任程度（2026年2月调研）

在对AI未来的展望中，消费者主要支持正向态度，对于局限性、失真等负面选项，只有少量消费者选择。说明用户当前处于新工具看好的红利期中。

AI对话模型的未来展望（观点认同%）

数据说明：CAAC&明略《AI对话与消费决策研究报告（2026Q1）》 调研时间 2026年2月 N=1000

模型规模 | 模型状态与信源 | 模型输出和引用差异 | 模型事件影响

• 2026年，豆包、DeepSeek、千问是活跃用户量最高的AI应用产品，也是GEO的主要模型。
• 主流模型的模式、输出均有差异，造成不同条件下的品牌推荐和引用信源媒体的差异。企业要充分了解这些差异，更高效的制定测量与优化策略。
• 外部行业事件对模型的影响是长期性的，而非即时性的。

一、2026中国市场GEO主流模型

不同来源的行业数据虽然数值有差异，但整体来看"豆包、千问、DeepSeek、元宝"都是当前用户规模最高的应用产品。

APP：月活用户量&使用次数（QuestMobile）

月活用户量：APP（aicpb AI品牌）

数据来源：网络公开数据，CNNIC上图QuestMobile 下图AI品牌（aicpb.com）

二、主流模型现状：豆包

用户提问界面默认模式为：快速。无联网和子模型选项，移动端有"买前问问豆包"选项。

AI回答的信息包括：

说明：秒针营销科学院整理，模型信息以2026年6月为准

三、主流模型现状：千问

用户提问界面默认模式为快速响应。

AI回答的信息包括：

说明：秒针营销科学院整理，模型信息以2026年6月为准

四、主流模型信源：豆包

豆包 各行业 TOP媒体分布%

（ treemap 图：按行业展示各媒体占比，涵盖健康/教培/美妆/母婴/奶粉/汽车/奢品等类别）

豆包 各行业 TOP 媒体详细分布

数据来源：秒针营销科学院整理，2026年6月。信源引用次数份额不足5%的不显示。

说明：秒针营销科学院整理，模型信息以2026年6月为准 信源引用次数份额不足5%的不显示

五、洞察信源引用的特征-豆包引用抖音

具体到不同被引用的信源，通过数据可以进一步挖掘内容偏好和特征。

我们以2026年真实GEO项目为例，对比豆包所引用的抖音的内容偏好进行分析

1、豆包引用抖音的时间：长效特征

我们以2026年真实GEO项目为例，对比豆包所引用的抖音、新闻媒体、垂直问答类媒体的内容发布时间，数据分析发现，同样是豆包的引用，引用抖音的内容有更强的长期性，发布时间均匀（近一年都有5%引用率），而新闻和垂直媒体的引用内容时效更强更短，高度集中在当月和前1个月中。

（折线图：某GEO项目 豆包引用抖音和其它媒体内容的时间分布比例）

2、豆包引用抖音的账号：长尾普遍素人账号为主的特征

豆包偏好引用真实"素人"的普通账号，配合测评科普、垂直专业类账号。

（饼图：某GEO项目 豆包引用抖音：账号类型占比）

• 普通素人账号：55%
• 测评/科普博主：19%
• 专业专家垂直账号：14%
• 品牌/店铺账号：13%
• 用户口碑分享：6%

六、洞察信源引用的特征-豆包引用抖音（续）

3、豆包引用抖音的内容：品牌推荐、选购指南、知识科普、测评对比类为主

在2026年真实GEO项目中，豆包所引用的抖音的内容类型分布和特征结构如下：

品牌方发布的推荐类内容、知识科普类内容占比最多（会伪装为测评和科普）

（饼图：某GEO项目 豆包引用抖音：内容类型占比）

• 品牌推荐（伪测评科普）：40%
• 选购指南：21%
• 知识科普：13%
• 测评/对比：10%
• 榜单类：9%
• 用户口碑分享：6%

抖音内容结构特征总结

• 品牌推荐（伪测评科普）： 场景展示/问题引入 -> 知识解释-> 产品露出 -> 卖点提炼 -> 使用体验 -> 购买引导
• 选购指南： 场景痛点 -> 选购标准 -> 成分/剂量/适用人群 -> 注意事项 -> 总结清单
• 知识科普： 结论 -> 原理机制 -> 适用/不适用人群 -> 使用边界 -> 行动号召
• 测评/对比： 用户问题 -> 多产品/成分对比 -> 差异解释 -> 适用人群 -> 选择建议
• 榜单类： 痛点钩子 -> 榜单/分档 -> 关键判断标准 -> 推荐或避坑 -> 评论区追问
• 用户口碑分享： 真实场景 -> 遇到的问题 -> 使用/选择过程 -> 体验反馈 -> 评论互动

来源：秒针营销科学院分析 基于2026年 真实项目分析，项目行业：健康。基于1400条引用信源分析

七、主流模型信源：千问

千问 各行业 媒体类型分布%

千问 各行业 TOP 媒体详细分布

数据来源：秒针营销科学院整理，2026年6月。

千问 各行业 TOP媒体分布%（treemap图）

说明：秒针营销科学院整理，模型信息以2026年6月为准，信源引用次数份额不足5%的不显示

八、主流模型信源：DeepSeek

DeepSeek 各行业 媒体类型分布%

DeepSeek 各行业 TOP 媒体详细分布

数据来源：秒针营销科学院整理，2026年6月。信源引用次数份额不足5%的不显示。

DeepSeek 各行业 TOP媒体分布%（treemap图）

说明：秒针营销科学院整理，模型信息以2026年6月为准，信源引用次数份额不足5%的不显示

九、主流模型现状：DeepSeek

用户提问界面默认模式为：快速模式。有深度思考和智能搜索选项。

AI回答的信息包括：

说明：秒针营销科学院整理，模型信息以2026年6月为准

十、主流模型现状：元宝

用户提问界面默认模式为：快速模式。有深度思考选项，可选择子模型。

AI回答的信息包括：

说明：秒针营销科学院整理，模型信息以2026年6月为准

十一、主流模型2026H1 TOP信源变化

模型调整和改版，都会影响信源的变化。我们以2026年1月，2026年5月两个时间点，观察真实GEO项目（大健康行业）中，不同模型引用的信源变化。

• 豆包： 引用集中并且最稳定，5月TOP10媒体中有8个为1月TOP10媒体。
• 千问： 引用集中但变化巨大，TOP10媒体中仅4个为1月TOP媒体。
• DeepSeek： 引用更加分散且变化巨大，TOP10媒体中仅1个为1月TOP媒体。
• 元宝： 引用更加分散且变化巨大，TOP10媒体中仅4个为1月TOP媒体。

某GEO项目主流模型 引用TOP信源变化对比

豆包

千问

DS

元宝

十二、主流模型信源：元宝

元宝 各行业 媒体类型分布%

元宝 各行业 TOP 媒体详细分布

数据来源：秒针营销科学院整理，2026年6月。信源引用次数份额不足5%的不显示。

元宝 各行业 TOP媒体分布%（treemap图）

说明：秒针营销科学院整理，模型信息以2026年6月为准，

十三、AI推荐的差异性研究-方法说明

许多客户关心的问题是，当前C端AI产品有多种模式，和子模型的选择，用户使用习惯不同，在各种条件下，模型推荐品牌的结果一样吗？模型引用的信源一样吗？如果不一样，差异有多大？这些差异性决定了GEO服务中，监测评估的方案设计以及优化策略的制定。

2026年6月，秒针营销科学院针对这一命题，进行了专项研究。研究问题如下：

研究方法： 为避免单一行业偏差，选择GEO服务较多的7个品类，各设一个代表性问题，在上述不同场景和条件下，采集数据，并对比数据结果的差异性（不同对比组，计算皮尔逊相关系数值，值分布为正负100%间，其中100%为完全相同，负值为相反）。每个问题每种分析场景的提问样本量：30，共5000+次提问。

差异分析维度：

• 推荐品牌的差异：使用品牌频次指标。
• 引用信源媒体的差异：使用媒体引用次数占比指标。

十四、AI推荐的差异性研究-结论

整体结论：

相对竞争格局清晰（有明显领先品牌）的行业或品类，只选择一种模式（子模型）监测和优化即可。但部分竞争激烈（无明显领导品牌）的行业或品类，在制定测量方案和优化策略时，需要考虑不同模式（子模型）下的品牌推荐差异。

说明：秒针营销科学院 2026年6月 模型推荐差异性研究

十五、模式差异-信源媒体

结论：各模型仅模式不同时，品牌推荐差异非常小，可以采取只优化一种模式的策略。

• 豆包：以快速为基准模式，思考与专家模式的信源媒体相似度平均91%。
• 千问、DS：PC端开关深度思考，信源媒体相似98-99%。
• 元宝：开联网搜索与关联网搜索，信源媒体相似93%。

（柱状图：分模型·模式间对比 信源媒体 相似程度）

研究说明： 不同模式 VS 基准模式 信源媒体 相关系数

• 豆包：2端（PC\APP）*3种模式快速，思考，专家。以 "快速" 为基准模式的差异对比
• 千问：PC端的2种模式 开关深度思考的差异对比
• DeepSeek（开智能搜索）：PC端的2种模式，开关深度思考的差异对比
• 元宝（开深度思考）：PC端的2种模式，开关联网搜索的差异对比

（柱状图：分行业·模式间对比 信源媒体 相似程度）

十六、模式差异-品牌推荐

结论：各模型仅模式不同时品牌推荐差异较小，可选择只测量一种模式的策略。

• 豆包：以快速为基准模式，思考与专家模式的相似度平均85%。
• 千问、DS：开关深度思考对比时，品牌推荐相似分别为77%、94%。注意千问APP端开关深度思考模式差异非常大。（主要是美妆、健康行业）。
• 元宝：开联网搜索与关联网搜索，品牌推荐相似93%。

（柱状图：分模型·模式间对比 品牌推荐 相似程度）

（柱状图：分行业·模式间对比 品牌推荐 相似程度）

研究说明： 不同模式 VS 基准模式 品牌推荐相关系数

• 豆包：2端（PC\APP）*3种模式快速，思考，专家。以 "快速" 为基准模式的差异对比
• 千问：2端（PC\APP）开关深度思考的差异对比
• DeepSeek（开智能搜索）：PC端的2种模式，开关深度思考的差异对比
• 元宝（开深度思考）：PC端的2种模式，开关联网搜索的差异对比

十七、子模式差异（元宝）-品牌推荐

结论：

元宝中：APP端和PC端，DS子模式对比混元子模型，品牌推荐相似80-88%。

整体相似度较高，可选择只测量任意一种子模式的策略。

（柱状图：元宝子模型：DS对比混元 品牌推荐 相似程度）

（柱状图：元宝子模型：DS对比混元 品牌推荐 相似程度 - 分行业）

研究说明： 元宝DeepSeek子模型 VS 混元子模型 品牌推荐 相关系数

• 元宝：PC端2种模式，开深度思考+关联网搜索，开深度思考+开联网搜索
• 元宝：APP端仅1种模式：开深度思考

十八、子模式差异（元宝）-信源媒体

结论：

元宝中：APP端和PC端，DS子模式对比混元子模型，信源媒体的相似73-92%。相似度较高，可选择只测量任意一种子模式的策略。

（柱状图：元宝子模型：DS对比混元 信源媒体 相似程度）

（柱状图：元宝子模型：DS对比混元 信源媒体 相似程度 - 分行业）

研究说明： 元宝DeepSeek VS 混元子模型 信源媒体 相关系数

• 元宝：PC端2种模式，开深度思考+关联网搜索，开深度思考+开联网搜索
• 元宝：APP端仅1种模式：开深度思考

数据说明：秒针营销科学院 2026年6月监测采集数据。

十九、子模式差异（DeepSeek）-信源媒体

结论：

DeepSeek模型（PC端），对比元宝内容的DeepSeek子模型，信源媒体的相似34-40%。相似度较低。对DeepSeek模型的信源分析与优化无法影响到元宝中的DeepSeek模型。

（柱状图：元宝DeepSeek子模型 对比 DeepSeek模型 信源媒体 相似程度）

（柱状图：元宝DeepSeek子模型 对比 DeepSeek模型 信源媒体 相似程度 - 分行业）

研究说明： 元宝DeepSeek子模型 对比 DeepSeek模型 信源媒体 相关系数

• DeepSeek：PC端1种模式，开深度思考+开智能搜索，为基准值
• 元宝：APP端1种模式开深度思考，PC端1种模式：开深度思考+开联网搜索

数据说明：秒针营销科学院 2026年6月监测采集数据。

二十、子模式差异（DeepSeek）-品牌推荐

结论：

DeepSeek模型（PC端），对比元宝内容的DeepSeek子模型，品牌推荐相似64-79%。相似度一般。企业可根据行业差异判断对DS的优化是否影响到元宝DS。

教培、奢侈品、健康汽车等行业差异不大，但注意奶粉、母婴行业，差异较大（意味着DS的策略，难以影响到元宝中的DS）

（柱状图：元宝DeepSeek子模型 对比 DeepSeek模型 品牌推荐 相似程度）

（柱状图：元宝DeepSeek子模型 对比 DeepSeek模型 品牌推荐 相似程度 - 分行业）

研究说明： 元宝DeepSeek子模型 对比 DeepSeek模型 品牌推荐 相关系数

• DeepSeek：PC端1种模式，开深度思考+开智能搜索，为基准值
• 元宝：APP端1种模式开深度思考，PC端1种模式：开深度思考+开联网搜索

数据说明：秒针营销科学院 2026年6月监测采集数据。

二十一、事件如何影响模型？-短期

Q：发生外部事件时AI是否有"即时快速"反应（15天内）？

A：外部事件，对AI模型的引用信源逻辑仅有长期影响，没有短期快速的显著变化。

研究方法： 以2026年行业重要事件3·15报道为时间节点进行分析。采集不同行业GEO监测项目3·15前后（3月6日——3月30日）引用媒体的数据，分析事件前后每日主要引用媒体类型（TOP3）、主要引用媒体（TOP5）的占比变化。

分析结果： 大模型不因事件有快速调整。

豆包： 以汽车项目为例，观察期内（3·15前10天到后15天）媒体类型和主要媒体存在多个波动，但并非围绕3·15时间点，且变化趋势不具有一致性，不能证明是由3·15事件引发。

DeepSeek： 以汽车项目为例，观察期内，在3·15后无明显变化。汽车垂直类型媒体的引用份额在3月底有提升，主要是懂车帝唯一一个媒体拉动，不能证明是3·15事件的引发。

（四张折线图：汽车-豆包/Deepseek 的 TOP3引用媒体类型 和 TOP5引用媒体）

二十二、事件如何影响模型？-短期（续）

Q：发生事件时，不同行业项目AI信源变化是否有"通用规律"？

A：外部事件影响下，AI引用信源没有跨行业的通用性变化规律，客户必须就本行业数据进行实证研究。

研究方法： 以2026年行业重要事件3·15报道为时间节点进行分析。采集不同行业项目GEO监测项目3·15前后（3月6日——3月30日）引用媒体的数据，分析事件前后每日主要引用媒体类型（TOP3）、主要引用媒体（TOP5）的占比变化。主要对比各行业项目间有无共性规律。

分析结果： 不同行业和模型间的差异大。

豆包： 汽车行业与健康行业，不同行业间，3·15前后观察期内，引用TOP媒体类型的变化没有共性规律的趋势。

DeepSeek： 汽车行业与教培行业，不同行业间，3·15前后观察期内，引用TOP媒体类型的变化没有共性规律的趋势。

（四张折线图：豆包-汽车/健康 和 Deepseek-汽车/教培 的 TOP3引用媒体类型）

说明：秒针营销科学院分析 根据2026年上半年真实GEO项目监测数据（选择跨3月的项目）

二十三、事件如何影响模型？-长期

Q：3·15后，AI引用文章的"内容形式"是否有变化？

A：3·15的影响：官媒内容明显调整，以汽车行业为例，排行榜类内容减少，资讯和分析类内容上升。

研究方法： 以2026年行业重要事件3·15报道为时间节点进行分析。采集2月，和4月的监测项目数据，分析其引用信源的内容形式变化。案例分析行业为：汽车

分析结果： 各类文章占比变化不大，波动幅度均在5%以内

单独分析65个官方媒体内容结构变化：排行榜类内容占比从54%降至28%，资讯报道类从25%升至38%，行业分析类从6%升至18%，销售数据类、测评类内容占比也小幅上升。

变化显示AI平台逐步调整内容类型的引用偏好。不再过度依赖简单直接的排名式内容，对提供客观数据、深度分析和真实资讯的内容，引用倾向有所增强。

（柱状图：3·15影响·汽车案例：2026年2月&4月引用文章内容比较）

二十四、事件如何影响模型？-长期（续）

Q：3·15后，AI引用"媒体类型"是否有变化？

A：3·15的影响，平台引用中垂直类、场景类的信源站点引用提升。

研究方法： 基于监测项目，采集2月和4月的豆包、千问、DeepSeek引用信源对比。

分析说明： 基于特定行业问题（金融科技、3C数码、本地生活、医疗健康等）。

趋势： 垂类媒体、官方媒体的占比上升。自媒体的比重均为下降。

注意： 行业和问题不同，结论有可能发生变化。

3·15影响-多行业（金融科技等）案例：2026年4月TOP媒体及变化

豆包

豆包（续）

元宝

元宝（续）

DeepSeek

DeepSeek（续）

数据来源：网络公开资料 智汇新榜研究

服务流程 | 问题策略 | 内容策略

• 2025-2026年中，中国市场涌现了大批的GEO服务商，不断探索，形成了科学优化的策略方法。
• 问题策略：GEO的起点和基础，基于数据的挖掘方法
• 内容策略：GEO优质内容的要素，公式和框架提炼

一、GEO服务工作流及核心原则

当前GEO行业服务商提供的服务，在需求沟通之后，流程通常包括8个环节：实际工作中，以下核心原则非常重要：

• ☑ 问题导向： 优先解决高频高焦虑问题
• ☑ 数据驱动： 所有建议必须有真实数据支撑
• ☑ 持续更新： 每月监测社媒热点，动态调整内容

需求沟通
    ↓
用户搜索问题洞察 ←————————————— 问题策略是测量评估的基准
    ↓
品牌当前表现评估（优化前）←———┐
    ↓                              │
项目优化策略（考核KPI确定）         │ 测量评估服务
    ↓                              │
品牌知识库构建                     │
    ↓                              │
品牌语料内容生成 ←—— 内容策略是优化工作核心
    ↓                              │
品牌内容渠道发布                  │
    ↓                              │
评估/结案报告 ←———————————————————┘

数据来源：网络公开资料 智汇新榜研究

二、用社媒数据采集问题的策略框架

1. 平台选择策略

必选平台（覆盖不同用户群体）：

• 小红书： 种草决策、真实体验分享（女性用户占比高）
• 抖音： 短视频内容、场景化展示（年轻用户为主）
• 微博： 实时热点、舆情爆发点（公共讨论场）
• 知乎： 深度问答、专业讨论（理性决策用户）

可选平台（垂直领域）：

• 汽车之家、懂车帝（汽车垂直）
• 宝宝树、妈妈网（母婴垂直）
• 下厨房、豆果美食（美食垂直）

2. 数据采集维度

必采维度：

• ☑ 内容数据
• 标题、正文、评论
• 发布时间、内容类型（图文/视频）
• ☑ 互动数据
• 点赞数、评论数、转发数、收藏数
• 阅读/播放数
• ☑ 情感数据
• 内容情感（正面/中性/负面）
• 情感强度（用户焦虑程度）
• ☑ 用户数据
• 性别、年龄、地域
• 用户分类（KOL/普通用户）
• ☑ 话题数据
• 热门话题标签
• 话题讨论量

3. 时间范围设定

三、问题策略：挖掘高质量优化问题

核心理念： GEO内容不是自说自话，而是回答用户真实提问

实施要点：

• 从社媒数据中识别讨论频次最高的问题
• 关注用户情感强度（负面焦虑 > 中性讨论 > 正面赞美）
• 优先覆盖影响购买决策的关键问题

为什么社媒数据是挖掘GEO优化问题的重要素材材？

📊 社媒数据的独特价值

核心优势： 社媒数据不止告诉你"用户在搜什么"，更重要的是告诉你"用户在担心什么"、"用户怎么表达问题"

来源：秒针营销科学院整理

四、用户问题意图的识别与分类

问题识别的三个层次

层次一：表层问题（直接提问）

识别方法： 提取社媒中的疑问句

典型模式：

• "XX怎么样？"
• "XX好不好？"
• "XX为什么XX？"
• "怎么选择XX？"

GEO价值： ★★★★★ （最高，这些就是用户在AI搜索中会问的问题）

层次二：隐性需求（情感表达）

识别方法： 分析负面情感内容中的抱怨点

典型模式：

• "XX太XX了"（负面情绪）
• "XX让我很困扰"（焦虑表达）
• "后悔XX"（决策后悔）
• "XX坑"（避坑需求）

GEO价值： ★★★☆☆

层次三：场景化需求（使用场景）

识别方法： 分析用户分享的使用场景和痛点

典型模式：

• "我是XX情况，应该XX吗？"
• "在XX场景下，XX怎么办？"
• "适合XX的XX推荐"

GEO价值： ★★★★★

五、问题分类的策略框架

框架一：按用户决策阶段分类（以新能源车为例）

框架二：按问题类型分类（以新能源车为例）

六、GEO问题优先级排序

为什么需要优先级排序？

现实挑战：

• 识别出的用户问题通常有50-100个
• 内容创作资源有限（时间、人力、预算）
• 不同问题的商业价值差异巨大

优先级排序的价值：

• 确保资源投入到最高ROI的问题
• 快速覆盖核心决策问题，提升转化
• 避免在低价值问题上浪费资源

三维评分模型

评分维度设计（建议）

• 维度一： 讨论热度（该问题在社媒中的讨论频次）
• 维度二： 情感强度（用户对该问题的焦虑/困扰程度）
• 维度三： 决策影响（该问题对购买/使用决策的影响程度）

示例：新能源车问题优先级评分

七、GEO是持续行动，内容时效性5周内

问题： GEO发布文章被AI引用的时效性如何？

以真实GEO项目中所发布的真实文章（分析发文数量N=400篇）为研究对象，按周统计文章被AI引用的时长。研究发现，多数文章引用时效在5周以内，超过5周后引用率大幅下降。

通过对一组真实项目的监测发现，完全停止GEO内容发布后，项目整体可见度下降。可见度指标下降程度，受行业和品牌地位影响有差异。

结论：内容时效性1-5周，5周以上仍能引用的内容占比低，即超过1个月无内容发布，会引发AI可见度下降。

（柱状图：某项目发布文章 引用周数占比统计）

（柱状图：真实项目 停止内容发布4周的可见度变化）

来源：秒针营销科学院分析 基于2026年 真实项目分析，项目行业：大健康

八、GEO内容策略：高人类互动≠高AI引用

专业研究显示，AI的内容喜好与人类内容喜好有很大差异，AI更偏爱权威、专业、结构化、新时效的内容。

问题： GEO引用媒体环境中，人类喜欢的内容是否也是AI高引用内容？

以真实GEO项目中所发布的真实文章（分析发文数量N=300篇）为研究对象，收集文章的阅读率，互动量指标，与AI引用率进行对比分析发现，引用效率主要是受到内容本身的影响，例如是否高度结构化、是否有权威性、时效性等，与用户类指标（互动量，阅读率）之间无直接正相关关系。

结论：2026上半年时间内，高阅读率或互动量文章≠高AI引用。

（两张散点图：GEO文章AI引用率 按互动量分组 / 按阅读量分组）

以真实GEO项目中，豆包对抖音的引用信源（信源数量N=1400）为研究对象，收集引用信源账号粉丝量、互动量、研究发现，同样无正向相关关系。

结论：抖音高粉丝量或高互动量≠高AI（豆包）引用。无需压注头部账号。

（两张散点图：豆包引用抖音 信源占比 按粉丝量分组 / 按互动量分组）

来源：秒针营销科学院分析 基于2026年 真实项目分析，项目行业：大健康，AI引用率=引用篇数/文章发布篇数

九、GEO高效内容的公式&框架提炼

GEO内容策略的目标是让各大AI大模型在问答、总结、内容引用、输出时，优先抓取、采信自身内容作为标准答案。

产品测评、品类选购、产品横评是当前（2026上半年）GEO 高引用内容的典型类型，结合垂类实操与行业通用 GEO 规则，行业正在形成可跨品类复用的标准化内容创作体系。

优质内容要素

标题 通用公式

公式： 人群/痛点 + 品类 + 决策提问 + 时效/测评/榜单标签

三要素：

• 时效词： 标题标注年月、季度；
• 品类词： 精准锁定细分行业赛道，拒绝宽泛描述；
• 决策词： 怎么选、哪个好、选购指南、科学解析。

衍生短句公式： 数字实测 + 年度榜单、AB对比测评、人群专属选购指南。

正文 通用框架

➤ 科普知识类文章（内容分配框架） 问题提出10% → 权威佐证40% → 分场景结论50%

➤ 测评/榜单类文章（内容分配框架） 痛点开篇10%：描述用户选购的焦虑； 权威科普20%：专业知识+筛选标准； 横向对比30%：品牌参数、优缺对标比； 分层推荐30%：分人群、价位、场景方案； FAQ答疑10%：常见问题

术语定义 | 服务商 | 计价、评估与测量 | 可信语料 | 合规安全

2026年4月GEO中国商务广告协会联合41家企业，77位行业专家，进行GEO行业团体标准的制定。首批团体标准覆盖5组。本报告节选标准中最核心的内容：

• ➤ 通论及术语与定义
• ➤ 服务商评估
• ➤ 计价、评估与测量
• ➤ 可信语料
• ➤ 服务流程与安全

一、GEO行业核心术语、内涵

核心术语：

生成式引擎优化 generative engine optimization（GEO）

针对生成式AI搜索引擎的内容优化策略体系，旨在增强数字内容在AI生成结果中的可见性（visibility）、准确性（accuracy）和可信度（credibility），通过系统性的技术与管理策略，使内容在AI合成答案中被引用和推荐。

注1：GEO概念由Aggarwal等人于2023年在论文《GEO: Generative Engine Optimization》（arXiv:2311.09735）中首次系统性提出。

注2：GEO的核心目标是让内容在生成式引擎响应中被发现、被引用、被推荐。

搜索引擎优化 search engine optimization（SEO）

优化网页在传统搜索引擎结果页（SERP）中的排名位置，以获取更多自然流量的技术与管理活动。

注：SEO以关键词排名、外链建设、页面技术指标为核心优化对象。

答案引擎优化 answer engine optimization（AEO）

优化内容以结构化答案形式被语音助手或答案引擎直接引用的技术活动。

注1：AEO的优化目标是获得精选摘要（Featured Snippet）和答案卡片。

注2：AEO与GEO存在概念交叉，部分从业者将AEO视为GEO的子集，目前行业尚无定论。

GEO的内涵

生成式引擎优化（GEO）是针对生成式AI搜索引擎的内容优化策略体系。GEO的核心内涵包括：

a) 目标： 使内容在生成式引擎响应中被发现、被引用、被推荐；

b) 对象： 生成式AI搜索引擎（包括国际平台如ChatGPT、Perplexity、Google AI Overviews，以及国内平台如豆包、Kimi、DeepSeek、文心一言）；

c) 机制： 通过内容质量提升、结构化表达、权威性建设、平台适配等系统性策略，提升内容在AI合成答案中的引用率；

d) 本质： 信息分发范式从"链接导向"转向"答案导向"，内容优化目标从获取排名转变为获取AI引用。

二、GEO服务商：术语、边界、分类

GEO服务商定义

GEO服务商是指以生成引擎优化为核心业务或重要业务方向，为品牌主提供GEO策略、技术实施、内容优化、效果监测等专业服务的市场主体。

GEO服务商的业务边界应同时满足以下条件：

• a) 服务内容直接面向生成式AI引擎的信息优化；
• b) 服务目标为提升品牌在AI生成内容中的可见性和呈现质量；
• c) 服务对象为具有品牌推广需求的品牌主或其代理机构。

以下主体不属于本标准定义的GEO服务商：

纯AI技术研发企业（不直接提供GEO服务）、单一内容创作机构（不具备GEO策略能力）、仅提供传统SEO/SEM服务且未延伸至GEO领域的服务商。

GEO服务商分类：服务商可同时具备多种类型特征

内容生产型服务商 Content Management Provider（CMP）： 以GEO内容生产和优化为核心功能的服务商。主要服务包括：品牌信息结构化处理、GEO专属内容创作、知识库建设与维护、可信语料标注与优化。此类服务商在内容供给环节发挥核心作用。

技术平台型服务商 Technology Platform Provider（TPP）： 以GEO技术工具和平台为核心功能的服务商。主要服务包括：GEO效果监测平台建设、AI引擎行为分析、数据采集与处理平台、自动化优化工具开发。此类服务商在技术赋能环节发挥核心作用。

策略咨询型服务商 Strategy Consulting Provider（SCP）： 以GEO策略制定和咨询为核心功能的服务商。主要服务包括：品牌GEO策略规划、竞品GEO分析、行业趋势研究、GEO方法论输出。此类服务商在策略规划环节发挥核心作用。

数据监测型服务商 Data Monitoring Provider（DMP）： 以GEO效果监测和数据分析为核心功能的服务商。主要服务包括：品牌GEO表现监测、AI引擎结果页采集分析、效果数据报告、投放优化建议。此类服务商在效果评估环节发挥核心作用。

综合服务型服务商 Integrated Service Provider（ISP）： 覆盖GEO服务全流程，具备内容、技术、策略、监测等多维度综合服务能力的服务商。此类服务商能够为客户提供端到端的GEO服务解决方案。

三、GEO评估测量：术语、核心指标

GEO评估

对在GEO服务商的服务实施前、服务过程中、服务结束后，由服务的需求方（品牌、广告主）、服务商或第三方机构所发起的以衡量服务成效为目标的监测、测量、评估等工作。核心为目标生成式AI平台中，对所服务的品牌、产品、内容等的表现与变化进行量化与质性分析的过程。

GEO测量方法

GEO评估所采取的方法，具体指为评估GEO服务的品牌表现、服务效果，而采用的特定的数据采集、数据处理、指标计算与分析的技术路径、科学方法和操作程序。

GEO评估指标（部分）

可见度

指标定义： 在所有与品牌相关的提问中，品牌/产品被AI首次推荐的比例。用于衡量品牌或产品被AI提及和推荐的概率。

指标计算公式： 品牌或产品出现的提问次数 / 提问总次数 × 100%。当有指定位序要求时，只统计要求位序的品牌或产品出现的提问数量。单次提问回答中，指定品牌或产品出现多次时，只统计1次。

指标应用： 可以基于品牌、产品分别进行计算；可以基于不同位序要求进行计算（例如TOP3、TOP1）；可以基于不同日期维度、不同模型、不同关键词或问题、本品与竞品进行分析。通常计算范围限定为行业/品类词，不包含品牌词。

平均排名（位序）

指标定义： 指定品牌/产品在本品类范围下，AI回答中首次出现的排名（位序）的算术平均值统计结果。反映了品牌/产品在AI中被提及和引用的优先程度。

指标计算公式： 指定品牌或产品首次出现的位序数字总和 / 指定品牌或产品出现的问题次数。单次提问回答中，指定品牌或产品出现多次时，只统计第一次出现的位序。

指标应用： 平均位序（平均排名）受到品类、竞争品牌的影响，是重要的策略分析指标，但不建议作为项目考核KPI指标。

四、GEO计价：术语、计价单元

GEO计价模式

GEO服务交易中，由服务商与需求方所协商约定的，用于交易付费的模式。包括：按目标计价、按服务内容和数量计价、按效果计价、按系统交付计价等计算服务费用的模式。

GEO计价的最小单元

GEO服务交易中，在不同计价模式下，由服务商与需求方所协商确定的，最小的计价对象。例如：关键词或问题、最小服务周期、平台、报告。最小单元被用于计算服务总费用。

GEO计价的最小单元

内容单元：问题

GEO问题对计价的影响主要体现在数量和内容类型两个方面。问题数量越多，服务范围越大，计价通常越高。

生成式引擎单元：数量及模式设置

生成式引擎及其模式设置对计价的影响主要体现在两个方面：数量和模式设置的参数选择。生成式引擎和模式设置的数量直接影响GEO服务的计价，数量越多，计价越高。

受生成式引擎模型设置影响，不同的生成式引擎及不同模型设置优化难度不一，难度越高，计价越高。

时间单元：服务周期

务周期的时间要求对计价有直接影响，周期越长，计价越高。当前GEO服务通常以"月"或"季度"为最小周期单位。

**数据单元：数据要求数据要求对计价的影响主要体现在两个方面：数据数量和数据维度。需求数方对于数据数量（监测采集的提问次数，也被称为样本量）要求，对计价有直接影响，次数越高，计价越高。需求方要求采集和分析的数据维度越多，计价越高，体现在交付报告的单价上。

**交付单元：交付物要求交付物要求对计价的影响主要体现在两个方面：交付数量和内容要求。需方对交付数量的要求越高，计价越高。需求方对交付内容要求决定了交付物的单价。

来源：团体标准 生成式引擎优化（GEO）

五、GEO评估测量：核心指标（续）

情感指标

指标定义： 评估AI回答输出中，对品牌或产品的情感倾向。

中正率： 指定品牌或产品的情感为正面或中性的提问次数 / 出现指定品牌或产品的总提问次数 × 100%。

负面率： 指定品牌或产品的情感为明确负面的提问次数 / 出现指定品牌或产品的总提问次数 × 100%。

注意： "负面"需服务商和需求方预先设定，例如出现"不推荐""问题多""投诉"等关键词或表明明确贬义。如无预先设定，可使用AI语义判断，但存在误差的可能性。

指定信息正确率

指标名称： 指定品牌信息正确率、指定产品信息正确率、指定企业信息正确率。

指标定义： 评估AI回答输出中，对需求方指定的信息，是否正确无误的表达。

指标计算公式： 指定信息正确表达的提问次数 / 包含该指定信息的总提问次数 × 100%。

信源引用率

指标名称： 信源数量引用率、信源提问引用率。

指标定义： 评估不同信源（例如不同媒体）、指定信源（例如品牌官网或服务商发布URL），在AI输出中被引用数量的占比情况。

信源数量引用率： 指定信源被引用的次数 / 所有信源引用的总次数 × 100%。

信源提问引用率： 指定信源被引用的提问次数 / 所有提问的总次数 × 100%。

**信源引用率反映了指定信源在所有信源中的重要程度，值越高说明重要性越高。由于不同大模型产品的引用信源场景和位置不同，信源引用率分析需要根据模型-模式，明确指定待分析的信源位置和场景。

六、GEO评估测量：测量方法

系统性能要求数据采集系统应具备高可用性、稳定性和一定的并发处理能力。对关键API接口（如用于数据采集的接口）应有明确的性能承诺，例如响应时间、成功率等。

采集方式：当前主要采集方式包括以下两种：

a) 模拟用户提问： 通过自动化脚本，模拟不同用户，向目标AI模型产品提出预设问题，并采集其输出结果。适用于所有AI模型产品。

b) 对接大模型API： 直接调用目标AI平台的公开API进行测试与数据采集，适用于支持该方式的平台。

采集地域要求：采集设备应该覆盖全国多个市场地域。建议不低于3个城市。

采集样本要求

问题样本量应为真实的、多样化的提问场景，覆盖不同消费者、不同意图、不同需求类别的关键词/问题集。

由于AI回答具有一定随机性，相同问题、相同模型和模式的答案也可能不完全相同，为保证统计指标的准确性，每次评估测量的单个关键词（或问题）的样本量（提问次数）应满足统计学上的最小样本量要求，以确保结果的代表性。

样本量的设定可参考中国商务广告协会2025年10月发布《2025年GEO行业发展白皮书》分析，建议最小颗粒度的分析维度下，样本量不低于30的原则。

采集参数设置：采集数据时，需要明确设置以下维度：

• 生成式引擎名称；
• 采集方式：包括每个模型使用的采集方式（APP端、Web端、API接口等）；
• 生成式引擎配置选项：包括每个模型是否联网，是否开启深度思考，使用何种模式（例如豆包使用快速模式、思考模式或专家模式），使用何种子模型（例如元宝使用混元或DeepSeek）；
• 采集日期要求：采集数据时，明确设置采集日期范围。
• 采集储存要求：原始采集数据应至少保存至项目结案后一个完整年度（12个月），以备查询与复核。

七、GEO可信语料：术语、分类与等级

语料

语料是用于训练、微调、评估和驱动GEO生成引擎（如大语言模型、文生图模型等）的原始数据集合。这些数据是AI模型学习知识、理解语言、生成内容的"养料"。

按语料类型分为：文本语料（如电子书籍、文章、网页、对话记录等）、多模态语料（包含图片、音频、视频及其描述的数据）。

按用途分为：预训练语料（用于模型基础能力构建）、微调语料（用于让模型适应特定任务）、评测语料（用于检验模型性能、评估模型可用性）、推理语料（知识库语料/检索素语料/提示语料）。

按时效性分为：长期语料（内容有效期1年以上）、中期语料（6个月以上）、短期语料（1个月以上）、即时语料（时效在天级别）。

语料分级

依据信息源的权威性、更新时效性、合规性等维度，及语料内容的真实性、专业性、内容质量等维度，对语料进行的等级划分与管理。

可信语料

可信语料是指经权威审核、来源可追溯、内容真实准确，适用于生成式AI检索、理解、推理与生成引用的结构化信息素材。

信源

产生或承载语料信息的原始载体，包括品牌官方网站、权威媒体、行业数据库、官方认证文档、经审核的用户生成内容（UGC）等。

语料投毒、语料污染

通过批量注入虚假、误导性、低质量或恶意操纵性内容，干扰生成式AI模型认知与输出的违规行为。

八、GEO合规与安全：术语、要求

黑帽GEO

以操纵、污染、攻击、伪造、欺骗或恶意竞争为目的，利用虚假内容、异常分发、信息投毒、提示词攻击、刷量刷评、伪造信源、恶意贬损竞品、绕过平台安全机制等方式影响生成式人工智能系统输出结果的行为。

GEO服务基本原则

服务提供者开展GEO服务，应遵循以下基本原则：

• 真实可信原则： 所有的信息客观真实，产品服务与承诺一致，杜绝欺诈误导。
• 依法合规原则： 严格遵守法律法规与行业规范，建立内部合规体系。
• 公平竞争原则： 通过正当手段竞争，反对垄断与不正当竞争行为。
• 用户价值导向原则： 以用户需求为出发点，聚焦解决真实痛点，创造长期价值。
• 透明可追溯原则： 清晰披露关键信息，全流程记录数据处理行为，建立问题溯源机制。
• 技术向善原则： 技术服务人类福祉，防范技术滥用，推动创新与伦理协调。

GEO服务负面行为分级

一般违规

一般违规包括但不限于服务记录不完整、流程执行存在轻微瑕疵、非核心内容表述不规范、档案归档不及时和监测记录存在一般性缺陷。处置要求为：限期整改、补充凭证、完成复核后方可继续执行相关服务。

严重违规

严重违规包括但不限于广告标识缺失、特殊行业宣传内容不符合监管要求、未经证明使用比较性或绝对性表述、违规使用第三方内容或数据，以及未按规定完成审核即对外发布内容。处置要求为：暂停服务、下架违规内容、启动内部问责机制，整改复核通过后方可恢复服务。

重大违规

重大违规包括但不限于信息投毒、语料套作、伪造权威信源、恶意贬损竞品、数据造假、隐私泄露、提示词攻击或绕过平台安全机制，以及伪造监测结果或效果报告。处置要求为：立即终止服务、固定并留存证据、启动应急处置机制；涉嫌违法犯罪的，依法移交相关部门处理。