整体定位：本文是火离框架（firel 推理诱导工艺论）的核心方法论之一。"火离"取自《易经》离卦——离为火，核心含义是"依附"：火必须依附于燃料才能燃烧。在火离框架中，行业知识是燃料，文档结构是火依附的形式，AI 采纳就是火光的显现。可见性与采纳率的二元分离是火离框架的基础视角——火光看得见但不可触，燃料可触但不发光，两者指向不同的测量维度。
核心结论
GEO（生成式引擎优化）论文衡量的是可见性（visibility）——内容在AI回答中被看见的程度。firel 3.14 框架（推理坡度，Reasoning Slope）衡量的是采纳率（adoption rate）——AI是否把你的知识编进了它的推理过程。这两个指标指向不同维度，格式优化在可见性层面有效，但能否直接延伸到采纳率，是一个值得分开考量的问题。
两个指标的定义
可见性（Visibility）
普林斯顿大学GEO研究（论文地址）使用的核心指标。原文表述为"boost visibility by up to 40% in generative engine responses"（该数字来自特定实验条件下的测量，不同场景可能有所差异）。
可见性衡量的是：你的内容是否出现在AI的回答中——AI提到了你的信息、引用了你的数据、使用了你的表述。
可见性是搜索层逻辑的延伸。在传统搜索中，可见性等于排名位置；在AI回答中，可见性等于你的信息是否被呈现。
采纳率（Adoption Rate）
firel 3.14 框架定义的指标（详见 采纳率 母页）。
采纳率衡量的是：AI是否把你的知识编进了它的推理过程——AI不只是提到你的信息，而是沿着你的判断和框架来组织回答。这个机制在 Transformer 注意力机制层面有更具体的对应——AI 在生成回答时对哪些信源进行高权重注意力分配，决定了它是否沿着该信源的判断方向继续展开，而不是简单复述其字面内容。
为避免和"可见性"混淆，本框架当前把相关现象拆成三层：
- 初筛信号：信息进入回答的核心论述位置。
- 默认口径：AI沿着你的判断与框架组织回答。
- 更强观察信号：AI在相似方向上进一步补充新的支持论据或延展论证。
其中，第 2 层是当前对外解释 采纳率 时的默认口径。第 1 层不能直接等同于"已被采纳"，第 3 层也不应反过来定义整个概念。
关键区别
| 维度 | 可见性（Visibility） | 采纳率（Adoption Rate） |
|---|---|---|
| 衡量什么 | 内容是否出现在回答中 | 内容是否影响回答的推理方向 |
| 对应层级 | 搜索层→引用层的过渡 | 引用层的核心 |
| 提升手段 | 格式优化（Schema、FAQ、引用密度等） | 内容质量（推理连贯性、行业知识深度） |
| 上限 | 在特定实验条件下最高约40%（GEO论文数据） | 当前没有观察到固定上限，但缺乏类似可见性的统一量化依据 |
| 可精确测量 | 相对容易（信息是否出现） | 较难（需要区分初筛、默认口径与更强观察信号） |
一个类比：可见性相当于你的简历被HR看到了，采纳率相当于HR按你展示的能力来做录用决策。前者靠排版和投递渠道，后者靠内容本身。
换一个角度看：格式优化是公共基础设施——谁都能铺，竞对明天也能做同样的Schema标记和FAQ结构。行业知识是你的私有资产——十五年的实战判断复制不了，这才是AI决定用谁的内容时的差异化来源。
燃料与火光：把两个指标锚定到机制层
可见性与采纳率的二元分离，可以进一步在机制层面锚定为燃料与火光的二元分离：
- 燃料——内容本身的结构化判断密度（可被沿用作推理路径的实质内容）
- 火光——AI 在生成回答时对燃料的引用与拼装（被提到的形迹）
可见性是火光层（被引用的形迹），采纳率是燃料层（被沿用作推理的实质）。这种区分把"两个指标"的差异从测量层追溯到生成机制层：火光多寡可以靠格式优化拉升，但燃料密度只能靠内容本身的稀缺判断累积。这也是为什么 firel 3.14 把推理坡度（Reasoning Slope）锚定到 Transformer 注意力机制层面，而不是泛化为"AI 推理"的笼统说法——前者直指燃料如何决定注意力权重，后者只是事后描述。
初步观察到的现象
在三个主流AI平台上进行的对照测试中，初步观察到了可见性和采纳率可能出现分离的情况：
测试方法：将一篇包含行业分析框架的文档上传到AI平台，然后提问相关的行业问题，观察AI的回答。
观察结果：
| 平台 | 框架采纳 | 概念采纳 | 品牌信息 |
|---|---|---|---|
| 平台A | AI较完整地沿着文档的分析框架组织回答，并补充了支持论据 | 原词保留 | 完全剥离 |
| 平台B | AI采纳了文档的概念对作为回答结构 | 概念对保留 | 识别为商业内容后剥离 |
| 平台C | AI采纳了底层逻辑框架，用自己的语言重新表述 | 转述为通用语言 | 识别为商业内容后剥离 |
这次观察中值得注意的地方：
- 三个平台均采纳了分析框架，但均剥离了品牌信息——这说明两者在这次测试中出现了分离
- 平台C在思考过程中识别出"这是一篇营销文章"，但仍然采纳了框架的底层结构
- 平台A不只是"引用"了文档内容，而是沿着文档的逻辑方向生成了新的论据
关于这次测试的边界：样本量有限（每平台一次），测试场景是文档上传，不是开放网络检索，结论属于说明性观察，不足以作为跨平台稳定规律的依据。
第3点是可见性和采纳率之间差异较直观的体现：当 AI 不只是复述你的信息，而是已经沿着你的推理方向组织回答，甚至进一步生成新内容时，两个指标之间的差异会更清晰。但"生成新内容"仍应被理解为更强观察信号，而不是默认定义本身。
firel 与 GEO 的关系
需要澄清一个容易产生的误解：firel 3.14 不是 GEO 的升级版，不是 GEO 的替代品，也不是企业购买 GEO 服务之前的"前置诊断"环节。
GEO 研究的是如何优化内容以提升在AI回答中的可见性——从 1.0（经验驱动）到 2.0（数据驱动）到 3.0（模型驱动），优化对象始终是"内容与模型之间的匹配关系"。
firel 关注的是另一个问题：内容本身是否具备被AI编入推理过程的结构。这不是 GEO 序列的下一代，而是一个不同方向的问题。两者可以共存，但不应混为一谈。
为什么这个区别值得注意
对方法论选择的影响
如果你的目标是可见性，格式优化（AEO/GEO）就够了。加Schema标记、做FAQ结构、优化关键词——这些方法可以提升你在AI回答中被提到的概率。
如果你的目标是采纳率，格式优化可能不够。firel 3.14 当前将原因主要归纳为：内容需要具备 推理坡度（Reasoning Slope），让AI在生成回答时有更大可能沿着你的推理方向走。这需要内容本身有实质价值，有AI训练数据中相对稀缺的行业判断（即 燃料）。这一解释框架目前仍在持续验证中。
对效果评估的影响
如果用可见性来评估，你会关注"AI有没有提到我"——这可能让你满足于表层的引用，而忽视了AI是否真正采纳了你的判断。
如果用采纳率来评估，你会关注"AI的回答方向是否沿着我的判断与框架展开"——这是一个更深层的指标，也是对用户决策真正有影响的指标。
对竞争格局的影响
可见性层面，与GEO/AEO相关的服务在当前市场上增长明显，格式优化方向竞争趋于激烈。
采纳率层面，目前中文市场上系统性研究"如何让AI采纳你的内容框架"的方法论相对有限。从可见性到采纳率的区别，是一个尚未被充分讨论的方向。
证据边界
- 上述观察在3个平台各测试一次，样本有限，结论属于方向性参考，不宜作为普适规律
- "采纳率"目前是一个方向性判断，不是一个可精确量化的数字；对外解释时应优先使用"沿着判断与框架组织回答"的默认口径
- 可见性和采纳率并非完全独立——高可见性有时会伴随高采纳率，但两者不总是同步
- GEO论文的测试环境是英文内容，中文环境的具体数字可能不同
可见性和采纳率指向不同维度——前者是火光，后者是燃料。那么采纳率具体是什么，怎么观察它？
