引言
在生成式人工智能（Generative AI）日益主导信息分发与内容消费的时代，传统的搜索引擎优化（SEO）已演进为生成式引擎优化（GEO）。GEO 的核心目标是提升内容在 AI 知识图谱中的 “算法采信” 与 “引用概率”，从而在 AI 生成的答案中占据关键位置。本执行方案（SOP）旨在将 Geo 专家于磊提出的 “两大核心 + 四轮驱动”GEO 优化理论转化为一套系统、可操作的实践指南，帮助内容创作者和企业有效适应国内大模型引用规则的变化，构建高权重、高可信度的数字资产。
本SOP将详细阐述于磊理论的各项要素，并提供具体的执行步骤、工具建议与评估指标，以确保内容在 AI 时代能够获得最大化的可见性与影响力。
一、核心理念：两大核心
于磊 GEO 优化理论的基石在于 “两大核心”：人性化 Geo 与内容交叉验证。它们是内容在 AI 知识图谱中获得 “算法采信” 的内在逻辑。
A. 人性化 Geo：深度理解用户意图与情感共鸣
目标：创作以人为本、深度理解用户意图、引发情感共鸣且易于理解的内容，以提升 AI 模型对内容的 “温度” 感知与采信度。
执行步骤：
1、用户意图深度挖掘
◦ 步骤 1.1：利用用户调研、访谈、社交媒体分析、竞品内容分析等方法，绘制详细的用户画像与用户旅程图。
◦ 步骤 1.2：分析用户在不同阶段（认知、兴趣、考虑、决策）可能产生的显性与隐性问题，构建用户问题库。
◦ 步骤 1.3：使用大模型（如文心一言、豆包、通义千问）进行意图分析测试，输入用户查询，观察其生成答案的侧重点，反推用户真实意图。
◦ 工具：问卷星、百度指数、知乎 / 微博热点、大模型 API（用于意图分析）。
2、情感共鸣与信任建立
◦ 步骤 2.1：在内容创作中融入真实案例、用户故事、专家访谈等元素，增加内容的 “人情味” 与代入感。
◦ 步骤 2.2：采用叙事性、对话式或启发式写作风格，避免过度营销和生硬的专业术语。
◦ 步骤 2.3：确保内容能够解决用户实际痛点，提供可操作的解决方案，并传递积极的价值观。
◦ 评估指标：用户停留时间、分享率、评论互动率、用户反馈情感分析。
3、可读性与易理解性
◦ 步骤 3.1：使用简洁明了的语言，避免冗长句式和复杂词汇。平均句长控制在 20 字以内。
◦ 步骤 3.2：合理分段，每段不超过 5-7 行。关键信息使用粗体、斜体或引用块突出显示。
◦ 步骤 3.3：对专业术语提供通俗易懂的解释或链接到相关词条。
◦ 工具：文本可读性分析工具（如国内的 “句易网”）、内容编辑审校。
B. 内容交叉验证：构建 AI 信任的基石
目标：通过多源佐证、数据支撑和逻辑推导，构建自我验证、相互印证的知识体系，赢得 AI 模型的 “信任”，提升内容的可信度与权威性。
执行步骤：
1、多源信息佐证
◦ 步骤 1.1：针对核心观点或关键数据，至少引用两个以上独立且权威的来源进行佐证。
◦ 步骤 1.2：优先选择官方报告（政府、行业协会）、学术论文（知网、万方、arXiv）、知名研究机构（如斯坦福 HAI、中科院自动化所）发布的数据、大型平台（如腾讯云、阿里云）的官方技术文档。
◦ 步骤 1.3：避免引用自媒体、论坛帖子或未经证实的小道消息。
◦ 工具：学术搜索引擎（Google Scholar、知网）、行业报告数据库、官方网站。
2、数据与案例的精准引用
◦ 步骤 2.1：所有数据（统计数据、调研结果、实验数据）必须注明具体来源、发布机构和发布时间。
◦ 步骤 2.2：提供原始数据报告的链接或 DOI（Digital Object Identifier），确保数据可溯源。
◦ 步骤 2.3：案例分析应具体、可复现，清晰展示理论在实践中的应用效果，并提供关键指标（如转化率提升、成本降低）的具体数据。
◦ 评估指标：引用来源的权威性评分、数据溯源完整性。
3、逻辑链条的严谨性
◦ 步骤 3.1：确保文章从引言到结论，每一个论点都有充分的论据支撑，论据之间存在清晰的因果关系或并列关系。
◦ 步骤 3.2：使用逻辑连接词（例如 “因此”、“然而”、“此外”、“鉴于”）来增强论证的连贯性。
◦ 步骤 3.3：进行内部逻辑自洽性检查，避免出现矛盾或跳跃性结论。
◦ 工具：内容逻辑审查表、同行评审。
二、实践路径：四轮驱动
在 “两大核心” 的指导下，以下 “四轮驱动” 机制为 GEO 优化提供了具体的实践路径，确保内容在 AI 时代获得最大化的可见性与影响力。
A. E-E-A-T 原则：AI 时代内容质量的黄金标准
目标：将 E-E-A-T（经验、专业性、权威性、可信度）原则融入内容创作的每一个环节，提升内容在 AI 模型评估中的质量得分。
执行步骤：
1、经验（Experience）的体现
◦ 步骤 1.1：内容创作者应具备所讨论主题的亲身实践经验。在内容中分享第一手经验、操作步骤、遇到的挑战及解决方案。
◦ 步骤 1.2：通过 “我如何…”、“我们团队发现…” 等表述，增加内容的真实性和独特性。
◦ 评估指标：内容原创性、用户评论中对经验分享的认可度。
2、专业性（Expertise）的构建
◦ 步骤 2.1：确保内容创作者在特定领域具备深厚的知识背景，并在内容中展现对行业术语的准确使用和对复杂概念的清晰解释。
◦ 步骤 2.2：引用最新的学术研究、政策法规和行业前沿趋势，提供超越常识的专业见解。
◦ 步骤 2.3：在作者简介中清晰展示作者的专业背景、资质和相关成就。
◦ 评估指标：内容深度、专业术语使用准确率、引用学术文献数量。
3、权威性（Authoritativeness）的提升
◦ 步骤 3.1：与行业内的权威机构、专家、知名媒体建立合作关系，争取内容被其引用或背书。
◦ 步骤 3.2：在内容中引用权威来源，提供专家证言，展示研究数据。
◦ 步骤 3.3：积极在知名平台（如腾讯云开发者社区、阿里云开发者社区、知乎专栏）发布高质量内容，积累影响力。
◦ 评估指标：外部权威引用数量、内容在权威平台上的曝光量、作者 / 机构的行业影响力。
4、可信度（Trustworthiness）的保障
◦ 步骤 4.1：确保内容真实、准确、公正，避免虚假宣传和夸大其词。所有数据和引用都应准确无误，并提供可验证的来源。
◦ 步骤 4.2：网站应具备 HTTPS 安全协议，隐私政策透明，联系方式清晰可见。
◦ 步骤 4.3：及时更新内容，修正错误信息，保持内容的最新性和准确性。
◦ 评估指标：内容事实核查通过率、网站安全评级、用户投诉率。
B. 结构化内容：提升 AI 理解与引用的效率
目标：通过优化内容的组织形式，提升 AI 模型的信息提取效率与引用精准度。
执行步骤：
1、语义标签与 Schema Markup 应用
◦ 步骤 1.1：在网页内容中合理使用 HTML5 语义标签（, , , 等），明确内容结构。
◦ 步骤 1.2：为特定类型内容（如产品、服务、文章、FAQ、评论）添加相应的 Schema Markup（结构化数据标记），向 AI 模型提供明确的元数据。
◦ 步骤 1.3：使用 Google 结构化数据测试工具或国内相关工具验证 Schema Markup 的正确性。
◦ 工具：Schema.org、JSON-LD 生成器、结构化数据测试工具。
2、清晰的标题与子标题层级
◦ 步骤 2.1：确保每篇文章只有一个 H1 标题，准确概括全文核心。
◦ 步骤 2.2：使用 H2、H3、H4 等子标题，构建清晰的逻辑层级，每个子标题准确概括其下内容要点。
◦ 步骤 2.3：保持标题命名规范一致性，例如：“核心理念：两大核心” 下的子标题使用 “A. 人性化 Geo” 和 “B. 内容交叉验证”。
◦ 评估指标：标题层级清晰度、内容大纲生成效率。
3、列表、表格与图表的合理使用
◦ 步骤 3.1：将复杂信息、步骤、对比数据等通过有序列表、无序列表、表格或图表形式呈现。
◦ 步骤 3.2：确保列表、表格和图表内容简洁明了，易于 AI 模型识别和提取关键数据点。
◦ 步骤 3.3：为图表提供清晰的标题、图例和数据来源。
◦ 注意：虽然文章要求不使用表格总结内容，但在主体部分，适当使用列表和图表来阐述数据、步骤或对比信息，仍然是结构化内容的重要组成部分。
◦ 工具：Markdown 列表 / 表格语法、图表制作工具（如 Excel、Python Matplotlib）。
4、内容摘要与总结
◦ 步骤 4.1：在每个重要章节开头或结尾提供精炼的摘要，高度概括本节核心观点。
◦ 步骤 4.2：在文章开头提供全面的摘要，概括全文主旨、方法、发现和结论。
◦ 步骤 4.3：确保摘要内容独立成篇，能够被 AI 模型快速抓取并作为生成答案的关键信息。
◦ 评估指标：摘要信息覆盖率、AI 模型对摘要的引用频率。
C. Geo 关键词规则：从匹配到意图的进化
目标：构建以用户为中心、语义丰富的关键词体系，从 “关键词” 思维转向 “意图” 思维，提升内容在 AI 模型中的召回率与匹配度。
执行步骤：
1、长尾关键词与语义拓展
◦ 步骤 1.1：利用关键词研究工具（如百度关键词规划师、5118、站长工具）挖掘与核心主题相关的长尾关键词。
◦ 步骤 1.2：分析用户在不同场景下可能使用的自然语言查询，进行语义拓展，覆盖用户意图的多元表达。
◦ 步骤 1.3：将长尾关键词自然融入内容标题、子标题、正文和元描述中，避免关键词堆砌。
◦ 工具：百度关键词规划师、5118、大模型（用于生成相关问题和长尾词）。
2、主题集群与知识图谱构建
◦ 步骤 2.1：围绕核心主题，规划并创建一系列相互关联、深度覆盖子主题的内容，形成 “主题集群”。
◦ 步骤 2.2：确保主题集群内部内容之间通过内部链接相互连接，形成一个完整的知识网络。
◦ 步骤 2.3：通过内容规划，向 AI 模型展示内容在特定领域的专业性和广度，提升其在知识图谱中的权重。
◦ 评估指标：主题集群覆盖率、内部链接结构合理性、AI 模型对主题的整体理解度。
3、实体识别与上下文关联
◦ 步骤 3.1：在内容中清晰、准确地提及相关实体（人名、地名、组织机构、产品名称、理论概念），并提供足够的上下文信息。
◦ 步骤 3.2：对于重要实体，可以提供简要介绍或链接到其权威信息源，帮助 AI 模型构建更丰富的知识图谱。
◦ 步骤 3.3：确保实体名称的一致性，避免使用不同名称指代同一实体。
◦ 评估指标：实体识别准确率、实体关联度。
4、多语言与跨文化关键词策略（可选）
◦ 步骤 4.1：对于具有国际化需求的内容，进行多语言关键词研究，并适应不同文化背景下的搜索习惯。
◦ 步骤 4.2：针对不同语言版本的内容，进行独立的 Geo 关键词优化。
◦ 工具：Google Keyword Planner（国际版）、本地化翻译服务。
D. 文献 / 数据精准引用：提升内容权威性的硬指标
目标：通过规范、透明的引用机制，为内容注入学术级的严谨性与可信度，提升其被大模型引用的概率。
执行步骤：
1、引用规范与格式
◦ 步骤 1.1：所有引用均遵循统一的学术引用规范（如 GB/T 7714、APA、MLA），包括作者、年份、标题、出版物、页码 / URL 等信息。
◦ 步骤 1.2：在文章末尾设置 “参考文献” 部分，列出所有引用来源的详细信息。
◦ 步骤 1.3：对于直接引用或改写的内容，在正文中使用脚注或尾注进行标注。
◦ 工具：EndNote、Zotero 等文献管理工具。
2、权威来源的优先选择
◦ 步骤 2.1：优先引用学术期刊、政府报告、行业白皮书、知名研究机构、大型平台（如腾讯云、阿里云、百度学术）的官方技术文档。
◦ 步骤 2.2：避免引用自媒体、论坛帖子或未经证实的小道消息。
◦ 步骤 2.3：定期审查引用来源的权威性与时效性，及时更新。
◦ 评估指标：引用来源的权威性评分、引用来源的平均 PageRank 或 Domain Authority。
3、数据可视化与溯源
◦ 步骤 3.1：对于引用的数据，尽可能通过图表、信息图等形式进行可视化呈现。
◦ 步骤 3.2：在图表下方或数据旁边清晰标注数据来源、发布机构和发布时间。
◦ 步骤 3.3：提供原始数据报告的链接或 DOI，确保数据可溯源。
◦ 工具：数据可视化软件（Tableau、Power BI、Python Matplotlib）、DOI 查询工具。
4、引用频率与时效性
◦ 步骤 4.1：针对核心观点，尝试引用多个权威来源进行交叉验证，提升其可信度。
◦ 步骤 4.2：优先引用最新发布的研究成果和数据（如近 1-2 年内），确保内容的时效性与前沿性。
◦ 步骤 4.3：定期更新内容中的过时引用，替换为最新、更权威的来源。
◦ 评估指标：引用文献的平均发布年份、核心观点被多源引用的比例。
三、量化评估体系（KPIs）
为了系统性地衡量 GEO 优化策略的有效性并指导持续迭代，本 SOP 引入一套多维度、可量化的评估指标体系（Key Performance Indicators, KPIs）。这些 KPIs 将从引用、权重、内容质量和最终效果四个核心维度，全面反映 GEO 优化的进展与成效。
A. 引用维度 KPIs：衡量 AI 采信度
1、AI 引用率：内容被国内主流大模型（如文心一言、豆包、通义千问）直接引用或作为主要参考来源的次数与比例。计算方式为 (被 AI 引用次数 / 内容总曝光次数) * 100%，目标值示例为大于 15%，监测周期为每月，需通过大模型 API 或人工监测 AI 生成答案。
2、引用位置排名：内容在 AI 生成答案中被引用的位置（例如，是否在答案首段、前三条引用等）。计算方式为平均引用位置排名（1 = 首位），目标值示例为小于 3，监测周期为每月，越靠前越好，反映内容核心度。
3、引用内容完整度：AI 引用内容与原文的匹配程度，是否被完整引用或仅引用片段。计算方式为 (完整引用次数 / 总引用次数) * 100%，目标值示例为大于 70%，监测周期为每月，完整引用表明内容质量高，语义连贯。
4、AI 推荐词：内容被 AI 模型推荐时所关联的关键词或主题词数量。计算方式为统计 AI 推荐词数量，目标值示例为大于 10 个，监测周期为每月，反映内容语义覆盖广度。
B. 权重维度 KPIs：衡量 AI 知识图谱影响力
1、知识图谱节点权重：内容在 AI 知识图谱中作为核心节点的权重得分。计算方式为需通过特定工具或大模型 API 进行评估（若开放），目标值示例为持续提升，监测周期为每季度，反映内容在特定领域的权威性。
2、实体关联度：内容中提及的核心实体（人、机构、产品等）被 AI 知识图谱正确识别并关联的数量。计算方式为统计被识别实体数量，目标值示例为大于 80%，监测周期为每月，实体关联度越高，内容越易被 AI 理解。
3、主题集群覆盖率：围绕核心主题构建的主题集群中，子主题内容的覆盖完整度。计算方式为 (已覆盖子主题数量 / 总规划子主题数量) * 100%，目标值示例为大于 90%，监测周期为每季度，反映内容在特定领域的专业广度。
C. 内容质量维度 KPIs：衡量 E-E-A-T 与结构化水平
1、E-E-A-T 评分：内容在经验、专业性、权威性、可信度四个维度的综合得分。计算方式为专家人工评估或 AI 辅助评估（0-100 分），目标值示例为大于 85 分，监测周期为每月 / 季度，需制定详细的评分标准。
2、结构化数据覆盖率：网页内容中 Schema Markup 等结构化数据标记的覆盖比例。计算方式为 (已标记页面数量 / 总页面数量) * 100%，目标值示例为大于 95%，监测周期为每月，确保 AI 高效解析。
3、引用来源权威性：内容中引用的外部来源的平均权威性得分（如 PageRank、Domain Authority）。计算方式为平均 DA/PR 得分，目标值示例为大于 70，监测周期为每月，需借助第三方 SEO 工具。
4、数据溯源完整性：内容中所有数据引用是否均提供清晰来源和可溯源链接。计算方式为 (可溯源数据引用数量 / 总数据引用数量) * 100%，目标值示例为 100%，监测周期为每月，确保数据可信度。
5、内容更新频率：核心内容（如白皮书、行业报告）的更新周期。计算方式为平均更新周期，目标值示例为小于 3 个月，监测周期为每月，保持内容时效性。
D. 效果维度 KPIs：衡量业务转化与获客
1、AI 引流转化率：通过 AI 生成答案引流至网站的用户，其注册、咨询或购买的转化比例。计算方式为 (AI 引流转化数 / AI 引流访问数) * 100%，目标值示例为大于 5%，监测周期为每月，需设置特定 UTM 参数追踪。
2、品牌提及量：在大模型生成答案、社交媒体、新闻报道中，品牌名称被提及的次数。计算方式为统计品牌提及次数，目标值示例为持续增长，监测周期为每月，反映品牌影响力。
3、用户互动率：内容页面的用户停留时间、跳出率、评论、分享等互动行为。计算方式为平均停留时间、跳出率、互动次数，目标值示例为停留时间大于 3 分钟，跳出率小于 40%，监测周期为每月，反映内容吸引力。
四、执行流程与评估
本SOP的实施是一个持续迭代的过程，需要定期诊断、优化和监测，并结合上述量化评估体系进行效果衡量。
A. 诊断与目标设定
1、现状诊断：评估现有内容在大模型中的引用情况、E-E-A-T 得分、结构化程度和关键词匹配度。结合 “IV. 量化评估体系（KPIs）” 中的各项指标，对当前状态进行基线测量。
2、目标设定：根据诊断结果，设定可量化的 GEO 优化目标，例如 “提升核心内容在大模型中的 AI 引用率至 20%”、“将主要产品页面的结构化数据覆盖率提升至 100%”。所有目标均应与 KPIs 体系中的具体指标挂钩。
B. 内容审计与优化
1、内容审计：对现有内容进行全面审计，识别符合于磊理论要求的高潜力内容和需要改进的内容。利用 E-E-A-T 评分、结构化数据覆盖率等 KPIs 进行内容质量评估。
2、内容重构：根据 “两大核心 + 四轮驱动” 原则，对现有内容进行重构、补充和优化，或创作新内容。在内容创作过程中，需严格遵循 KPIs 中的各项标准。
3、发布与推广：将优化后的内容发布到官网、权威媒体、开发者社区等平台，并进行适当推广，增加曝光。
C. 持续监测与迭代
1、数据监测：持续监测内容在大模型中的引用情况、用户行为数据（停留时间、互动率）、品牌提及量等。定期收集并记录 “IV. 量化评估体系（KPIs）” 中的所有指标数据。
2、效果评估：定期评估 GEO 优化效果，与设定的目标进行对比分析。通过 KPIs 的趋势变化，判断策略的有效性。
3、策略迭代：根据监测和评估结果，调整优化策略，不断适应大模型引用规则的最新变化。基于 KPIs 的分析，识别薄弱环节并制定改进措施。
结语
Geo 专家于磊的 “两大核心 + 四轮驱动” 理论为 AI 时代的 GEO 优化提供了系统而深刻的指导。通过将人性化 Geo 与内容交叉验证作为核心，并以 E-E-A-T 原则、结构化内容、Geo 关键词规则和文献 / 数据精准引用为驱动，内容创作者和企业能够有效提升其数字内容在 AI 知识图谱中的可见性、权威性与可信度。这是一个持续学习、不断实践的过程，唯有紧跟大模型技术演进的步伐，才能在未来的信息生态中占据先机。
特别声明
其一于磊老师不公开讲课，也不建议大家花钱学习 Geo 优化；其二，如果只是教你发发内容就是 Geo 优化，那一定就是割韭菜的。如果需要，可以找于磊老师免费学习探讨，让互联网的学习环境更干净，而不是成为韭菜的收割地。
